增强全局搜索和自适应蜉蝣算法

针对蜉蝣算法全局搜索能力较差和自适应能力弱等问题,提出一种增强全局搜索能力和自适应的蜉蝣算法——MIWMA。首先引入非均匀高斯变异策略对雄性蜉蝣和雌性蜉蝣进行位置更新,对全局最优位置变异引导其他个体向优良位置靠近,促使种群具有一定指导,从而提升全局搜索能力和增强种群多样性;其次,引入不完全伽马函数与Beta累加分布的自适应惯性权重对全局搜索和开发能力建立更好的平衡,平衡种群的全局搜索和局部搜索能力,进而提升算法收敛精度,利于种群全局搜索寻找最优解的潜力;引入局部停滞对抗策略,根据迭代停滞情况,调节蜉蝣速度更新的惯性部分和社会部分,使之具有最优搜索状态,增强算法全局搜索能力。利用经典测试函数集和IEEE CEC2021测试竞赛集进行测试优化比较,验证算法的有效性和稳健性,并利用Friedman和Wilcoxon秩和检验,分析表明：提出的算法有更好的稳定性、鲁棒性和可靠性。最后运用两个工程难题进行优化,结果验证了该算法在工程优化问题上的适用性,适合求解需求高精度的优化难题。     

Tent混沌和变邻域局部搜索优化的GSA

针对引力搜索算法存在的易陷入局部最优、精度有待提高等问题,提出一种Tent混沌和变邻域局部搜索优化的引力搜索算法。首先改进Tent混沌,利用其遍历均匀性、随机性初始化种群,增强算法的全局搜索能力;然后改进粒子速度和引力系数公式,加快算法的收敛速度;最后设计一种基于莱维飞行的变邻域局部搜索策略,引导种群脱离局部最优,提高寻优精度。仿真结果显示,新算法能有效地抑制局部最优,相较其他测试算法有更好的寻优精度和稳定性。利用新算法优化径向基函数神经网络,对非线性系统的辨识结果证明,改进后的径向基函数神经网络比标准径向基函数神经网络和反向传播神经网络具备更好的模型逼近能力和泛化水平。     

一种改进的粒子群与人工蜂群融合算法

针对标准的粒子群算法和人工蜂群算法收敛性能差、在复杂优化问题易陷入局部最优的缺点,提出了一种改进的融合算法.改进融合算法拥有双种群并行进化,其中粒子群采用改进的反向学习策略,以增加群体的多样性;蜂群中跟随蜂根据个体停滞次数,自适应地改变进化策略,以平衡全局探索与局部开发能力.同时算法将交替共享两个种群的全局最优位置,通过相互引导使融合算法具有更好的寻优能力.8个经典函数和CEC2013的8个复合函数的实验结果表明,与最新的一些改进粒子群和人工蜂群算法相比,该算法的收敛速度和收敛精度均有较显著的优势.     

基于随机黑洞和自适应策略的引力搜索算法

针对引力搜索算法过于随机、全局搜索能力差、容易陷入局部最优等问题,提出一种基于随机黑洞策略和自适应策略的改进引力搜索算法。引入比例系数n来自适应调节引力常量,使算法在运算初期加大搜索力度,有效避免算法陷入局部最优。将随机黑洞理论中,粒子在黑洞附近容易被黑洞捕获的现象引入算法中,即在黑洞半径内的粒子将会被黑洞捕获,但又有一定的概率逃逸。这样既提高了局部搜索能力,又不失全局搜索能力,且提高了收敛速度。与标准的搜索算法相比,改进后的引力搜索算法具有较快的收敛特性和较好的优化性能。     

混合改进策略的阿奎拉鹰优化算法

针对阿奎拉鹰优化算法(Aquila optimizer, AO)收敛速度慢、易陷入局部最优且寻优精度较低等问题,提出混合改进策略的阿奎拉鹰优化算法(Aquila optimizer based on hybrid improved strategies, HH-SAO)。初始化阶段引入准反向学习策略,增强初始化种群多样性。引入正弦波随机策略,提高算法全局探索阶段随机性,提升算法全局寻优能力。利用哈里斯鹰算法(Harris hawks optimization, HHO)的4种攻击策略替换原AO算法的局部开发阶段策略,提高算法跳出局部极小值能力;引入能量缩减机制实现全局与局部阶段的动态转换,平衡算法全局探索和局部开发能力。仿真试验选取23个基准测试函数和1个经典工程设计问题进行性能测试,结果表明改进算法相较于其他流行算法具有更好的寻优能力和工程适用性。     

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.     

基于混合策略的自适应教与学优化算法

为提高教与学优化算法的综合性能,提出一种基于混合策略的自适应教与学优化算法。将随机性学习与有向性学习融合,提出一种自适应综合交叉学习策略,根据进化的不同阶段自适应地选择学习方式,增强算法对解的搜索能力;加入一种方向性的扰动策略,增大种群多样性,较大程度地加大了对搜索空间的探索力度,降低了种群陷入局部最优的可能。基于标准测试函数的仿真实验结果表明,本文算法可有效避免算法陷入局部最优,在收敛精度和收敛速度上有较大提高。     

改进布谷鸟算法用于阵列天线方向图优化

针对目前群智能优化及进化计算算法在解决直线形阵列天线辐射方向图的旁瓣电平抑制和零陷控制问题时易出现求解精度不高及收敛速度较慢的问题,提出了一种基于扩散变异策略的布谷鸟搜索算法。该算法首先利用聚集扩散策略来提高算法的全局搜索性能,然后引入遗传算法中的基因突变策略,用以提高种群的多样性,进而提高算法的局部搜索能力。仿真结果表明,所提算法在抑制直线形阵列天线方向图的旁瓣电平和控制零陷方面与萤火虫算法、粒子群算法、传统布谷鸟搜索算法、金斑蝶优化算法和蚯蚓优化算法相比,具有更快的收敛速度和更高的求解精度。     

一种多反向学习的教与学优化算法

针对原始教与学优化算法全局搜索和局部搜索协调不足、当前反向学习策略过于单一的问题,将多种反向学习策略同教与学优化算法相结合,提出一种基于多反向学习的教与学优化（MOTLBO）算法。首先,借鉴反向学习的思想,设计一种基于Sigmoid函数且随进化代数逐渐变化的非线性混合反向学习模型,模型综合考虑了问题的搜索边界信息和种群的历史搜索信息;其次,在原始教与学算法教和学两个阶段的基础上,增加了基于搜索边界指导的自学习阶段,增强了种群的多样性;最后,将混合反向学习模型与算法的各阶段相结合,根据各阶段的不同特征,设计了基于均值个体、随机个体和最优个体的反向解计算方法,充分吸收种群的历史搜索经验,提高算法的收敛精度和速度。采用具有不同特征的Benchmark测试函数对算法的非线性混合反向学习模型和收敛性能进行测试,实验结果表明：非线性混合反向学习模型相对于单一的边界信息反向学习或种群信息反向学习,具有更强的全局搜索和局部探测能力;而与原始教与学优化算法及其改进算法相比,MOTLBO算法在获得较高的收敛精度和稳定性的同时保持了更快的收敛速度,其综合性能得到较大提升。此外,对扩频雷达相位编码求解的实验结果进一步表明,MOTLBO算法能有效避免陷入局部最优,亦适用于求解实际的工程优化问题。     

一种采用聚类单纯形搜索的引力算法

提出了一种基于聚类和单纯形法的中心引力优化算法,该算法引入了一种聚类单纯形算子,利用聚类方法选择合适的个体以构成单纯形的顶点,周期性地把单纯形算子搜索得到的最优个体迁移到中心引力算法的种群个体中．依靠聚类单纯形算子提高中心引力算法的局部搜索能力和收敛速度,聚类单纯形算子依靠中心引力算法跳出局部最优．实验结果表明,改进后的算法比其他常见优化算法有更好的收敛精度和收敛速度．     

基于种群多样性的自适应乌鸦搜索算法

针对原始乌鸦搜索算法对种群多样性控制不强、个体位置更新方式单一、局部搜索精细度不高等缺点,提出新的自适应乌鸦搜索算法.设计多种搜索引导个体,基于进化不同阶段的种群多样性,实现搜索引导个体的自适应选择策略,使算法在迭代前期加强全局勘探,在迭代后期强化局部开发.结合正余弦搜索理念,构建基于线性递减、混合正余弦震荡递减的多种飞行长度控制参数及相应的多种搜索方式,提升算法的搜索遍历性,增加算法在迭代后期找到更优解的概率.为了验证新算法的有效性,通过标准测试函数,将新算法与原始乌鸦搜索算法、改进乌鸦搜索算法和其他优秀的智能优化算法进行仿真实验,比较分析各算法的收敛精度、收敛速度、稳定性、Wilcoxon符号秩检验和Friedman检验.实验结果表明,新算法的性能优于其他比较算法的性能,新算法实现了全局勘探和局部开发、收敛精度和收敛速度的平衡.     

基于反向学习的自适应α约束病毒种群搜索算法

为了提高该算法求解约束优化问题的能力,提出一种新的约束病毒种群搜索算法。首先,提出自适应α-level比较策略,以在算法的不同阶段充分利用可行个体与不可行个体的有效信息;其次,为了进一步提高算法求解约束优化问题的收敛速度和搜索精度,针对算法的病毒扩散行为,提出了结合反向学习机制的搜索方程,以提高种群多样性并加速全局收敛。对CEC2006中13个约束优化函数的对比仿真结果表明,本文算法在搜索精度、收敛速度以及稳定性方面,相比于αSimplex算法、粒子群遗传算法算法、交叉人工蜂群算法算法以及约束改进差分进化算法算法具有明显优势。同时将该算法应用于无人机协同实时航迹规划约束优化问题中,通过仿真实验并与利用约束改进差分进化算法对这一问题进行求解的方法进行对比,验证了本文算法在规划效率、规避威胁等方面的优越性。     

基于反向学习的自适应α约束病毒种群搜索算法

为了提高该算法求解约束优化问题的能力,提出一种新的约束病毒种群搜索算法。首先,提出自适应α-level比较策略,以在算法的不同阶段充分利用可行个体与不可行个体的有效信息;其次,为了进一步提高算法求解约束优化问题的收敛速度和搜索精度,针对算法的病毒扩散行为,提出了结合反向学习机制的搜索方程,以提高种群多样性并加速全局收敛。对CEC2006中13个约束优化函数的对比仿真结果表明,本文算法在搜索精度、收敛速度以及稳定性方面,相比于αSimplex算法、粒子群遗传算法算法、交叉人工蜂群算法算法以及约束改进差分进化算法算法具有明显优势。同时将该算法应用于无人机协同实时航迹规划约束优化问题中,通过仿真实验并与利用约束改进差分进化算法对这一问题进行求解的方法进行对比,验证了本文算法在规划效率、规避威胁等方面的优越性。     

基于引力搜索算法的非线性系统辨识

针对传统辨识方法辨识非线性系统时存在的辨识精度低、收敛速度慢等问题,引入了一种基于混合引力搜索算法的非线性系统辨识方法。该混合优化算法是将粒子群算法中群体历史最优位置及自身历史最优位置的概念引入到引力搜索算法中,通过帮助粒子接近最优位置,改进了搜索算法中粒子的全局搜索能力,使得该混合算法的开采能力和探索能力得到更好的增强和平衡。对Wiener模型进行辨识,比较分析仿真结果,发现混合优化算法能够提高辨识精度并获得良好的辨识效果,验证了该算法的有效性和可行性。     

融合粗糙数据推理的多策略改进麻雀搜索算法

针对麻雀搜索算法在迭代过程中种群多样性减少、容易陷入局部最优的问题,提出了一种融合粗糙数据推理的多策略改进麻雀搜索算法(RSSA)。该算法先结合低差异序列的思想进行种群初始化,增强算法的全局搜索能力,保障粗糙数据推理论域的完整性;然后引入粗糙数据推理理论,结合适应度与距离建立个体间的联系,提高收敛速度,增强跳出局部最优的能力,改良麻雀搜索算法在多峰值问题中的不足;并且对于迭代中的超界个体,在超界的同时将其赋值为边界附近的值而非边界最大或最小值,保证种群的多样性且提高算法收敛速度。仿真实验结果表明,RSSA与其他4种算法相比,收敛速度更快,精度更高,在面对多峰值问题时效果更好。     

余弦适应性骨架差分进化算法

针对传统差分进化算法在解决复杂优化问题时存在收敛速度慢的问题,提出了一种余弦适应性骨架差分进化算法(CABDE),算法设计了一种新的变异策略适应性机制。该机制引入一个余弦适应性因子,实现高斯变异策略和DE/current-to-best/1变异策略的优势互补,以平衡算法的勘探能力和开采能力。其中,高斯变异策略具有较强的全局搜索能力,有利于维持种群多样性。DE/current-to-best/1变异策略具有较强的局部搜索能力,能够加快对较优区域的开采。同时,高斯变异策略和DE/current-to-best/1变异策略都利用当前最优个体来引导算法搜索方向,从而尽可能地加快收敛速度。余弦适应性因子在进化过程中随迭代次数的增加而波动性调整,为不同进化阶段适应性地选择变异策略。设计的变异策略适应性机制能够在维持种群多样性的同时加快收敛速度。为测试算法性能,采用18个不同特性的测试函数对算法进行数值实验。对CABDE算法的变异策略和参数动态变化进行了分析,实验结果验证了变异策略和参数动态变化的有效性。此外,CABDE算法分别与新近的骨架算法变体、差分进化算法变体、粒子群优化算法变体和人工蜂群算法变体进行了比较。实验结果表明CABDE算法获得了较高的求解精度,加快了收敛速度,整体上优于其他比较算法。     

基于共享学习策略的微分进化算法

针对传统微分进化算法易发生早熟收敛问题,提出基于共享学习策略的微分进化算法（SLDE）,引入共享个体和共享学习因子。共享个体覆盖整个种群,较优个体可引导算法朝希望方向进化,较差个体则能维持种群的多样性,向共享个体学习可避免丢失个体信息,实现整个种群间的信息交换,有助于算法跳出局部最优解,提高算法的局部开采和全局勘探能力。同时,算法充分利用个体的进化信息,根据个体适应值到最优适应值的距离自适应地调整共享学习因子,以弥补随机个体对进化带来的随机性和盲目性,增强算法的搜索能力。采用22个不同特性的Benchmark测试函数对算法进行性能测试,与7种改进DE算法进行性能对比,实验结果表明,SLDE具有较强的跳出局部最优解能力,能显著减少进化代数,大幅地提高算法的收敛精度、收敛速度和稳定性,SLDE的全局优化性能整体上远优于其他改进DE算法。     

基于静态半成套策略的多目标准时化物料配送调度

针对混流装配线的准时化物料配送调度问题,提出了静态半成套供料策略。首先,对基于静态半成套供料策略的物料配送调度问题进行了描述,建立了以最小化总线边库存和总能源消耗为目标的多目标优化模型。然后,提出了一种改进的多目标引力搜索算法,该算法引入混沌引力算子和记忆搜索策略,加快了算法收敛速度并提高了种群多样性,此外建立了局部搜索优化算子对总能耗和总线边库存进行优化。最后,通过实验与标杆算法进行对比,结果验证了本文算法的可行性和有效性。     

一种引力搜索优化神经网络的调制识别算法

为了提高低信噪比条件下调制信号识别率,提出一种基于引力搜索算法优化神经网络的数字调制识别算法。首先通过瞬时特征、高阶累积量和小波变换提取信号的6个特征参数。然后基于Tent映射初始化神经网络的权值和阈值,降低局部收敛的概率;当陷入局部最优时,对精英粒子进行柯西扰动,增加全局搜索能力;通过自适应改变引力衰减因子代替原有固定取值,从而提高引力搜索算法的收敛速度。最后利用混合引力搜索算法优化神经网络,将特征参数输入优化后的神经网络分类器对信号进行分类识别。仿真结果表明,该识别算法在信噪比为-1dB时,信号的整体识别率达到95%以上。     

基于混合学习策略的教与学优化算法

为了提高教与学优化算法(TLBO)的搜索能力,解决算法易陷入局部最优的问题,提出基于混合学习策略和扰动的教与学优化算法.在教与学算法的学阶段融合差分进化算法变异策略,提出混合学习策略,使学员在学习后期具有更好的学习能力,提高算法的收敛性能;在算法后期提出新的扰动策略,减小学员在算法后期陷入局部最优的可能,保证算法全局最优性.基于标准测试函数的实验结果表明,相比于目前性能优异的同类4种算法,改进算法可有效提高算法的收敛速度和收敛精度,优化性能明显提高.