求解多目标背包问题的改进人工鱼群算法

作为一种新的群智能算法,在求解多目标背包问题时,人工鱼群算法存在盲目搜索、收敛速度慢和求解精度低等问题.针对这些问题,本文结合人工鱼位置全局最优信息,对人工鱼的移动策略进行自适应改进,提出一种改进的人工鱼群算法.对多目标背包优化问题实验仿真表明,本文改进的人工鱼群算法收敛速度和搜索到的非劣解的精度均优于粒子群算法和遗传算法.     

全局最优位置变异粒子群优化算法

针对粒子群优化算法的早熟收敛,容易陷入局部最优且搜索精度不高等缺点,在现有的粒子群优化算法的基础上对其进行了若干改进,提出了避免微粒群陷入局部最优的全局最优位置变异的粒子群算法,并与其他算法做了比较,体现了其优越性.     

基于粒子群与微分进化算法的无功优化

应用传统粒子群算法(PSO)于电力系统无功优化问题存在收敛精度不高、陷入局部最优的缺点,利用微分进化算法(DE)的随机变异性,将当前所产生的局部最优值进行变异,再重回PSO搜寻全局最优值,从而提高了PSO算法的寻优特性,应用于IEEE30节点,验证所提算法是可行和有效的.     

基于改进蚁群算法的物流配送路径优化

建立了带约束条件的物流配送问题的数学模型,运用蚁群算法解决物流配送路径优化问题,将遗传算法的复制、交叉和变异等遗传算子引入蚁群算法,以提高算法的收敛速度和全局搜索能力;改进了信息素的更新方式,以提高蚁群算法的自适应性,使得算法在执行过程中能根据收敛和进展情况,相应地调整信息残留程度,从而提高收敛速度或全局搜索能力;引入了一种确定性搜索方法,加快启发式搜索的收敛速度.经过多次对比实验表明,使用改进的蚁群算法优化物流配送线路,可以有效而快速地求得问题的最优解或近似最优解     

基于聚类和探测精英引导的蜻蜓算法

针对蜻蜓算法（DA）收敛速度慢、收敛精度低、全局搜索能力差等不足,提出新的蜻蜓优化算法. 利用tent混沌初始化种群并对种群进行K-Means++聚类,根据聚类的结果分别对种群个体进行反向学习和高斯变异以增强种群的多样性,提高搜索效率. 引入非线性自适应因子加快收敛速度,使用探测精英引导策略增强算法跳出局部收敛的能力. 引入平方散列探测增加收敛精度. 将该优化算法应用于8个典型复杂函数优化问题,并与原蜻蜓算法,以及其他仿生计算算法对比,实验结果表明该改进算法具有良好的全局收敛性和寻优精度.     

多种群果蝇优化算法求解自动化仓库拣选作业调度问题

针对自动化仓库的拣选作业调度问题,提出了一种多种群果蝇优化算法。采用随机键编码方式,利用味道浓度判定值的大小次序来映射调度解。通过同时学习子种群的局部最优和全局最优个体,实现对果蝇个体的更新计算。为了避免陷入局部最优,采用了一种果蝇个体变异机制。计算结果显示,多种群果蝇优化算法在计算精度和收敛效率方面要好于基本果蝇优化算法,并且搜索过程能够有效跳出局部最优。     

自适应Tent混沌搜索的蚁狮优化算法

针对蚁狮算法存在的早熟收敛和不易得到全局最优解等问题,借鉴混沌优化算法,提出了自适应Tent混沌搜索蚁狮算法.该算法首先使用Tent混沌映射初始化种群,然后自适应调整混沌搜索空间得到最优解,改善适应度较差个体,提高种群整体的适应度和寻优效率,同时使用锦标赛策略选择蚁狮个体.最后,利用混沌算子优化蚂蚁随机游走行为,与蚁狮觅食行为形成了全局、局部并行搜索模式.分别使用复杂高维基准函数和航迹规划问题测试算法性能.其中,6个复杂高维基准函数的寻优测试实验表明,对于30维基准函数,该算法经过约0.5秒收敛到最优值;对于50维基准函数,约2秒收敛到最优值.与标准蚁狮算法和其他优化算法相比,该算法具有较好的收敛速度和寻优精度,适合复杂高维函数寻优.航迹规划实验表明,对于包含7个威胁源的空域环境,当搜索维度为10维时,该算法经过0.939秒,迭代30次基本可以达到航迹代价的全局最优值.与标准蚁狮算法相比,能够更加快速准确地得到一条满足要求的航迹,具有实际应用价值.     

改进步长和视野的人工鱼群算法

人工鱼群算法是一种群智能全局随机优化算法,算法在优化前期大约100多次迭代时有较快的收敛速度,但后期算法陷入局部最优,效率不佳.针对这一不足,在人工鱼群算法的基础上,每迭代100次就调节一次视野和步长,加强聚群算子和追尾算子,提高鱼群之间个体交互行为,使鱼群跳出局部最优,继续向更高精度收敛.数值试验结果表明,所得改进人工鱼群算法不仅运算量减少,而且收敛速度和收敛精度都有所提高.     

多角色多策略多目标粒子群优化算法

针对粒子群算法在解决复杂多目标问题时存在过早收敛和多样性不足的问题,提出多角色多策略多目标粒子群优化算法(MOPSO_RS). 该算法根据粒子的角色划分指标,给不同性能的粒子赋予不同角色;提出多策略的学习参数调整方法和多策略的全局最优粒子选取方法,帮助种群执行各种搜索策略. 不同的学习参数使各角色粒子获得不同的搜索策略,以调整粒子的探索和开发能力. 不同的全局最优粒子使各角色粒子搜索不同区域,提高种群的搜索效率. 为了避免算法陷入局部最优,引入带有高斯函数的变异算子,使粒子根据其角色朝向不同的全局最优粒子变异,提高算法的求解精度. 实验结果表明,对比其他改进多目标算法,MOPSO_RS具有良好的收敛性和多样性,并验证了所提策略的有效性.     

一种改进的头脑风暴优化算法

针对头脑风暴优化(BSO)算法精度较差、后期收敛速度慢的问题,提出了一种改进的BSO (MBSO)算法. MBSO算法通过对种群分组策略概率参数的调节,改变个体生成方式调节参与全局和局部搜索的个体比例,算法前期加强全局搜索后期加强局部搜索,有效避免陷入局部最优.同时MBSO算法根据搜索所处不同阶段采用可变最大步长的策略加速算法收敛并提高了优化精度.采用6个标准测试函数对MBSO算法搜索性能进行了测试,与原始BSO算法、粒子群优化(PSO)算法和差分进化(DE)算法结果进行比较实验.仿真结果表明,MBSO算法可以有效地避免陷入局部最优,稳定地找到更好的最优值,收敛速度显著加快. MBSO算法在优化问题中表现出了优异的性能和巨大的潜力.