引入莱维飞行与动态权重的改进灰狼算法

针对求解复杂优化问题时,灰狼（GWO）算法存在全局搜索能力不足、容易陷入局部最优值等问题,提出一种引入莱维飞行与动态权重策略的改进灰狼算法（LGWO）。基于Singer混沌映射初始化灰狼个体位置,增加种群多样性;收敛因子采用新的非线性更新策略,在种群迭代全期平衡全局搜索与局部搜索能力;在种群位置更新公式引入莱维飞行与动态权重策略,增加种群跳出局部最优值的概率,提升寻优准确度。通过8个基准函数的测试,并与其他优化算法和改进算法进行对比,LGWO取得了最优的收敛速度与预测精度,并验证了LGWO算法优化高维复杂问题的有效性。     

基于混沌映射与反向学习机制的非线性灰狼优化算法

为提高灰狼优化算法种群多样性和搜索解的质量,提出一种基于Tent混沌函数与反向学习机制的非线性灰狼优化算法。采用Tent混沌函数和反向学习机制进行种群个体初始化,使得初始种群个体分布均匀及多样性增强;引入一种非线性收敛因子控制策略,平衡其全局搜索能力和局部搜索能力;引入动态权重策略以提升灰狼优化算法的收敛速度和收敛能力。为验证改进算法的有效性,采用8个基准数学函数测试其收敛速度和收敛精度,并与GWO、CGWO和I-GWO三种灰狼算法进行对比。实验结果表明:非线性灰狼优化算法在多个测试函数上的收敛精度均达到了10-5以上,收敛精度和收敛速度优于其他三种对比算法。     

基于模糊控制的权重决策灰狼优化算法

针对灰狼优化算法后期收敛速度慢,求解精度低等问题,提出一种基于模糊控制的权重决策灰狼优化算法.首先,提出一种新的非线性收敛因子,以提高算法的全局搜索能力及收敛速度;其次,提出一种基于模糊控制的权重决策策略,通过模糊控制器对决策层的个体赋予不同权重进行种群位置更新的决策,增强算法的寻优能力.选取23个标准测试函数对该算法及对比算法进行数值实验,实验结果表明,本文提出的改进的灰狼优化算法在求解精度和算法稳定性等指标优于对比算法.     

融合多策略的黄金正弦黑猩猩优化算法

针对黑猩猩优化算法(Chimp optimization algorithm, ChOA)存在收敛速度慢、精度低和易陷入局部最优值问题,提出一种融合多策略的黄金正弦黑猩猩优化算法(Multi-strategy golden sine chimp optimization algorithm,IChOA).引入Halton序列初始化种群,提高初始化种群的多样性,加快算法收敛,提高收敛精度;考虑到收敛因子和权重因子对于平衡算法勘探和开发能力的重要作用,引入改进的非线性收敛因子和自适应权重因子,平衡算法的搜索能力;结合黄金正弦算法相关思想,更新个体位置,提高算法对局部极值的处理能力.通过对23个基准测试函数的寻优对比分析和Wilcoxon秩和统计检验以及部分CEC2014测试函数寻优结果对比可知,改进的算法具有更好的鲁棒性;最后,通过2个实际工程优化问题的实验对比分析,进一步验证了IChOA在处理现实优化问题上的优越性.     

混沌映射与精英高斯扰动的非线性灰狼优化算法

针对传统灰狼优化算法处理复杂优化问题时易于陷入局部最优,提出基于混沌Tent映射与精英高斯扰动的非线性灰狼优化算法.根据混沌Tent映射与对立学习机制,保证较优个体的同时,设计种群初始化方法,可使个体尽可能均匀分布;为有效均衡个体的局部开发和全局勘探能力,设计一种非线性收敛因子控制策略;在头狼选取上引入面向精英个体的高...     

基于灰狼算法的改进研究

针对灰狼算法具有易陷于局部最优并且收敛速度不理想的缺点,本文提出基于改进收敛因子策略和引入动态权重策略以及两种策略混合改进的灰狼优化算法,并且用于求解函数优化问题。提出的一种非线性收敛因子公式,能够动态的调整算法的全局搜索能力,引入的动态权重使算法在收敛过程中能够加快算法的收敛速度。通过15个基准测试函数进行验证改进后的算法的全局搜索能力、局部搜索能力与收敛速度,实验结果表明:改进后的算法无论在搜索能力上还是收敛速度上,都强于标准灰狼算法。     

改进灰狼优化算法在WSN节点部署中的应用

根据无线传感网络节点在随机部署时存在聚集程度高导致覆盖率低的问题,提出了一种改进的灰狼优化算法,并将其应用于无线传感网络节点的优化覆盖.首先,利用混沌算法进行算法种群的初始化,以提高种群多样性;其次,在灰狼算法的基础上改进其收敛因子,平衡全局和局部搜索能力,提高算法中后期的优化能力;最后,对δ狼进行融合变异以改善局部极值问题.仿真实验表明,将改进后的灰狼优化算法应用于WSN节点部署优化中,与标准灰狼优化算法相比加快了优化速度,网络覆盖率提高了3％.     

动态反向搜索更新位置的改进灰狼优化算法

针对灰狼优化算法（GWO）后期收敛速度慢、易陷入局部最优等问题,提出一种动态反向搜索更新位置的改进灰狼优化算法（DAGWO）。该算法在原始的位置更新公式中引入个体历史最优位置引导策略,以加快算法的收敛速度;同时,引入反向搜索因子,该因子依据种群早熟判别指标动态调节自身取值,在算法陷入局部极值时令灰狼个体向整个种群中最差个体方向进行反向搜索,以提高种群跳出局部极值的能力。此外,构造了一种新型局部扰动的非线性收敛因子[a],以平衡算法的全局和局部搜索能力。对20个经典测试函数进行仿真实验,结果表明在求解精度、收敛速度和算法的稳定性上,DAGWO算法与标准智能优化算法和其他相关改进算法相比更有优越性。     

个体扰动的混沌对立学习与差分进化灰狼算法

针对传统灰狼优化算法易于陷入局部最优、寻优精度低的问题,提出基于混沌对立学习和差分进化机制的改进灰狼优化算法CODEGWO.引入混沌对立学习策略生成灰狼初始种群,提升初始解的质量,加速算法收敛;引入差分进化的局部搜索机制,改善灰狼的局部开发与邻近区域的搜索能力;引入个体扰动机制增加种群多样性,改进灰狼的全局搜索能力.8...     

多项式变异和自适应权重优化的阿奎拉鹰算法

针对基本阿奎拉鹰算法存在收敛精度低、易陷入局部最优的问题,通过在全局搜索阶段引入多项式变异扰动策略,在局部开发阶段引入自适应权重优化策略,改进了阿奎拉鹰算法的局部探索能力,并且引入了Tent混沌映射初始化种群,增加种群多样性,引入动态转换概率策略来平衡全局探索和局部开发的比重,故提出多项式变异和自适应权重优化的阿奎拉鹰算法。采用基本阿奎拉鹰算法、哈里斯鹰算法、灰狼算法、鲸鱼算法、海鸥算法做对比,9个基准测试函数和2个工程优化问题对改进后的算法进行寻优性能验证,结果表明：改进后的算法在多数测试函数上取得较好的寻优效果,在工程优化问题中,效果优于多数对比算法。证明了改进后的算法具有更快的收敛速度和精度,并在工程应用中取得较好效果。     

改进AOA结合贝塞尔曲线平滑的机器人路径规划

针对常规机器人路径规划方法的不足,提出结合改进阿基米德优化算法与贝塞尔曲线平滑的路径规划算法。引入混沌Circle映射进行种群初始化,提高初始种群多样性;设计自适应密度降低因子均衡算法全局搜索与局部开发;利用分段惯性权重赋予个体不同搜索和开发能力,降低陷入局部最优解概率。利用改进阿基米德算法对路径规划迭代求解,引入贝塞尔曲线平滑对生成路径平滑处理。实验结果表明,改进算法具有更短的路径长度和更好的路径平滑性。     

双种群灰狼优化算法的物流配送中心选址策略

针对物流配送中心选址模型具有多约束和非线性的特点,导致难以求解的问题.提出一种改进灰狼优化算法的求解策略.文章通过引入交叉变异策略,改进了传统灰狼算法在迭代后期易早熟收敛的问题;通过加入双种群寻优策略,丰富了灰狼算法的种群多样性,提高了算法的收敛速度.将改进后的灰狼算法针对物流配送中心选址模型进行求解,实验结果表明,该改进灰狼优化算法具有较高的全局搜索能力,针对物流配送中心选址模型具有较高的搜索精度,很大程度的提高了物流配送效率.     

基于四阶贝塞尔曲线和改进狮群优化算法求解路径规划问题

首先,针对基础狮群算法中存在搜索效率低、多样性不足等问题,提出使用Sin混沌种群初始化操作提高算法初始解的质量,并引入调节因子,提高算法的多样性。其次,针对路径规划的问题,引入方向约束性函数,增加算法的搜索精度和收敛速度,同时提出双种群的狮群结构,通过差异化种群的相互协作提高算法的搜索能力,并运用四阶贝塞尔曲线,进行路径平滑处理。最后,经测试实验仿真,论证了改进狮群算法,相比基础狮群算法、灰狼算法、粒子群算法和遗传算法,在性能上有着显著提高。路径规划实验中,改进狮群算法规划出的路径较对比算法平均减少了5.67%,相比改进前的算法,运行时间减少了8.82%。     

改进灰狼算法求解多目标柔性作业车间调度问题

柔性作业车间调度问题(Flexible Jobshop Scheduling Problem,FJSP)是经典的NP-hard(Nondeterministic Polynomial-time hard)问题,针对该复杂问题,需要建立一个多目标的数学模型,采用灰狼优化算法对柔性作业车间的加工完成时间、总耗能和总机器负荷这三个目标进行优化,以加工完成时间、总耗能和总机器负荷作为研究目标。灰狼优化算法(GWO)是一种具有较高的寻优精度和收敛速度的算法,在此基础上对灰狼优化算法的初始化种群进行改进,为了使灰狼算法适用于多目标问题,与非支配排序遗传算法结合,引入非支配排序与拥挤度的概念,用于灰狼算法对种群的更新。对柔性作业车间调度算例进行测试,结果表明改进的灰狼算法针对多目标柔性作业车间调度可以找到最优解,以较少的迭代次数找到最小加工时间、最小总耗能及最小总机器负荷,对车间调度问题进行了优化。     

基于混合策略改进的鲸鱼优化算法

针对标准WOA算法初始种群分布不均、收敛速度较慢、全局搜索能力弱且易陷入局部最优等问题,提出一种混合策略改进的鲸鱼优化算法。采用Sobol序列初始化种群以使初始解在解空间分布更均匀;通过非线性时变因子和惯性权重平衡并提高全局搜索及局部开发能力,并结合随机性学习策略增加迭代过程中种群的多样性;引入柯西变异提升算法跳出局部最优的能力。通过对12个基准函数和一个水资源需求预测模型的参数估计进行优化实验,结果表明,基于混合策略改进的鲸鱼优化算法在寻优精度及收敛速度上均有明显提升。     

基于布谷鸟迭代更新策略的多重优化算法

针对布谷鸟算法在寻优过程中存在的收敛速度慢和局部探索能力弱的缺点,基于布谷鸟迭代更新策略提出了一种新型的多重优化算法.通过引入Skew tent映射初始化种群,增强种群的多样性.受粒子群算法启发,引入社会学习和自我学习来提高种群的信息交流能力,并采用对数自适应参数平衡来提高全局搜索能力和局部开发能力.借鉴灰狼算法的狩猎...     

求解铁路物流配送中心选址问题的改进灰狼优化算法

针对单一机制的灰狼优化算法（GWO）易陷于局部最优、收敛速度慢的问题,提出了一种改进灰狼优化（IGWO）算法来解决实际铁路物流配送中心选址的问题。首先,在基本的灰狼优化算法的基础上,引入佳点集理论初始化种群,从而提高了初始种群的多样性;然后,利用差值剔除策略（DES）来增加全局寻优能力,以达到一种高效的寻优模式。仿真实验结果表明：与标准的灰狼算法相比,所提出的IGWO适应度值提高了3%,在10个测试函数中最优值精度可最多提高7个单位;与粒子群优化（PSO）算法、差分进化（DE）算法和遗传算法（GA）比较,所提算法的运行速度分别提高了39.6%、46.5%和65.9%,选址速度也明显提高。可见所提算法可用于铁路物流中心的选址。     

利用改进灰狼算法优化BP神经网络的入侵检测

神经网络技术被广泛应用于网络安全领域,在入侵检测中能够实现网络攻击的主动检测和攻击分类.然而随着恶意攻击的不断演化,神经网络技术存在的弊端日益显现.针对BP神经网络在入侵检测过程中存在的初始值随机性较大以及易陷入局部最优的问题,本文提出一种改进灰狼算法优化BP神经网络的入侵检测模型(IGWO-BP).首先,使用混沌映射初始化种群、设计非线性收敛因子以及动态权重策略对传统灰狼算法进行改进,并以此优化BP神经网络的初始权值和阈值,并运用改进BP神经网络对网络安全数据集进行实际检测.实验结果表明,IGWO-BP模型在NSL-KDD和UNSW-NB15数据集上取得了较优的检测结果,与其它现有模型相比性能也有较大提升.     

结合高斯分布的改进二进制灰狼优化算法

针对灰狼优化算法（GWO）解决离散问题应用较少，发展不成熟的现状，提出一种用于解决二进制问题的离散灰狼优化算法（BGWO）。针对混沌搜索在解决二进制问题时，产生的初始种群较为集中的问题，引入高斯分布曲线对种群初始化，使初始种群地空间分布更加均匀；提出一种转换函数，对GWO进行二进制化处理；通过典型测试函数对该算法性能进行验证，实验表明该算法收敛精度明显优于其他算法。将该算法用于实际背包问题的求解，结论表明该算法迭代次数更少，求解精度更高。     

双收敛因子策略下的改进灰狼优化算法

针对标准灰狼优化算法（GWO）的收敛速度慢、易陷入局部最优等缺点,提出一种在非线性双收敛因子策略下基于双头狼引领的改进灰狼优化（GWO-THW）算法。首先,利用混沌Cubic映射初始化种群,提升种群分布的均匀性和多样性,并通过平均适应度值将狼群分为捕猎狼和侦察狼,两类狼群采用不同的收敛因子,在各自的头狼带领下寻找和围捕猎物;其次,为提升搜索速度和精度,设计了一种位置更新的自适应权重因子;同时,为跳出局部最优,当一定时间内未发现猎物时,狼群采用莱维（Levy）飞行策略随机更新位置。在10个常用的基准测试函数上验证GWO-THW的有效性。实验结果表明,与标准GWO及相关变体相比,GWO-THW在8个基准测试函数上都取得了较高的寻优精度和收敛速度,尤其在多峰函数上,200次迭代内就能收敛到理想最优值,从而验证了GWO-THW具有更好的寻优性能。