混合粒子群优化算法及其收敛性分析

为解决标准粒子群优化算法不能保证全局收敛,寻优精度低,尤其在高维函数优化方面易陷入局部极小值等问题,提出一种融合Kent混沌映射、云模型理论和布谷鸟搜索的混合粒子群优化算法(CPSO);CPSO算法采用混沌初始化种群位置、全局开发及局部开采的均衡搜索、多子种群协同进化等改进策略,同时从随机优化算法的全局收敛准则角度对CPSO算法的全局收敛性进行证明,并给出了CPSO算法的时间复杂度分析;经典的benchmark测试函数的实验统计结果表明,CPSO算法在收敛性、寻优精度、稳定性等方面均优于经典算法。     

一种新型Skew Tent映射的混沌混合优化算法

针对已有的混沌优化算法几乎都是利用Logistic映射作为混沌序列发生器,而该混沌序列的概率密度函数呈两头多、中间少的切比雪夫型的分布性质,不利于搜索的效率和能力,为此,首先构造一种新型混沌映射序列发生器—Skew Tent映射并结合迭代优化特点加以改进,然后分析了它的混沌特性．其次,将改进的混沌映射与Alopex启发算法相结合,充分发挥Alopex算法的快速搜索能力和混沌优化全局寻优的特性,提出一种混沌混合优化算法,提高了算法的收敛速度和有效搜索全局最优解．最后,仿真算例验证了该算法的有效性和Skew Tent混沌映射的应用前景．     

一种改进的混合蛙跳算法及其收敛性分析

为了提高混合蛙跳算法（SFLA）求解函数优化问题的能力,借鉴PSO与DE的进化算子提出了一种改进的混合蛙跳算法（ESFLA）,分析了ESFLA的时间复杂性,并基于有限Markov链证明了ESFLA的全局收敛性。对ESFLA、SFLA与ISFLA2的仿真计算结果表明,ESFLA比SFLA和ISFLA2更适用于求解复杂的函数优化问题。     

基于混沌优化与人工鱼群算法的混合算法研究

针对人工鱼群算法和混沌优化算法的特点,将人工鱼群算法与混沌优化算法相结合提出一种混合算法。此混合算法是利用混沌变量敏感性来提高人工鱼群初始群体解的质量;然后利用混沌的遍历性和随机性扰动使鱼群算法摆脱局部极值点,提高全局收敛性。仿真实验结果表明了混合算法的有效性。最后,给出了在一定条件下提出的混合算法的收敛性证明。     

一种混合粒子群优化算法的研究

结合粒子群优化算法和拟牛顿法的优点,提出了一种混合粒子群优化算法。该算法首先运行粒子群优化算法,到进化到一定程度时,把当代的最好点作为拟牛顿法的初始点,再利用拟牛顿法,对其进行二次优化。算法充分发挥了粒子群优化算法的全局搜索性和拟牛顿法的局部精细搜索性,同时也克服了粒子群算法后期搜索效率低和拟牛顿法对初始点敏感的缺陷。数值实验结果表明,该算法具有很高的收敛速度和求解精度。     

一种基于混沌优化的混合人口迁移算法

针对人口迁移算法存在着收敛速度慢,易陷入局部最优和精度低等缺点,根据混沌运动具有随机性、遍历性和内在规律性的特点,利用混沌方法对人口迁移算法进行改进,提出了一种基于混沌优化机制的混合人口迁移算法。通过8个典型函数测试,测试结果表明,所提出的算法对初始值不敏感,收敛速度快,计算精度高,其性能远优于人口迁移算法。     

基于混沌优化和最速下降法的一种混合算法

将混沌优化和最速下降法有机地结合起来，构造出一种混合优化算法，该算法既具有混沌优化算法的全局收敛性，又有最速下降法的快速收敛性，数值试验表明算法是有效的。     

一种简单蚂蚁算法及其收敛性分析

该文首先介绍了一种可用于函数优化的简单蚂蚁算法，该算法具备了传统蚂蚁算法的基本特征，并给出了变异和最优保存两点改进．然后在给定近似精度的基础上通过Markov过程分析，得出了该算法的全局收敛性．同时，通过对衰减度、变异率等参数的定性讨论，得出了参数的取值对算法性能的影响，并从理论上说明，传统蚁群算法通常的选择概率公式是有缺陷的，而具有变异机制的蚂蚁算法要好于传统蚂蚁算法．该文的实例则说明了文中所给算法的有效性和相关理论论述的正确性．     

MAX-MIN蚂蚁系统算法及其收敛性证明

MAX-MIN蚂蚁系统算法是解决旅行商问题及二次分配问题的最好方法之一。它是在蚂蚁系统算法的基础上作了许多改进之后得到的一种算法,这些改进在一定程度上避免了过早停滞现象的发生,是一种较好的协作式搜索算法,但是到目前为止,对MMAS算法收敛性的研究还非常少。文章系统地介绍了MMAS算法,并在理论上证明了该算法的收敛性。     

一种混合的GOA-GA优化算法

本文融合了网格算法(GOA)和遗传算法(GA),形成了一种混合GOA-GA算法进行函数优化问题的求解。网格算法作为一种定向的全局搜索算法,避免了大量的盲目搜索过程,同时不易陷入局部最优。遗传算法作为局部搜索能力较强的智能优化算法,在一些全局较好群体的基础上,采用随机优化技术能够较快地收敛到全局最优解。通过数值试验特别是对高维优化问题,算法体现出收敛速度快、精确性高、不宜陷入局部最优等优点。     

On the convergence of multivariant optimization algorithm

In this paper, we introduce a new global optimization method and study its global convergence property through theoretical and experimental approaches. The proposed method is named as multivariant optimization algorithm (MOA) because the intelligent searchers, which are called as atoms, not only are divided into multiple subgroups but also are variant in responsibility. That is, global atoms explore the whole solution space in the hope of finding potential areas where local atoms start the local exploitation. The proposed method is characterized by two important features. On one hand, global atoms do the global exploration in each loop to jump out from local traps. On the other hand, global and local atoms conduct the global exploration and the local exploitation according to their own responsibility, respectively. These features contribute to increasing the chance of converging to the global best. To study the convergence property of MOA, we carried out the convergence analysis, numerical optimization experiments and the shortest path planning experiments. And the results demonstrate that MOA is globally convergent and superior to the compared methods in the global convergence accuracy and probability in solving complex challenging problems which have one or more features such as deceptiveness, randomly located optimum, asymmetry or multiple traps.     

基于混合反向学习策略的鲸鱼优化算法

针对鲸鱼优化算法(WOA)在解决高维复杂问题时存在收敛速度慢、全局搜索能力不足的问题,提出一种最优最差个体混合反向学习的WOA(MWOA)。首先,引入一种自适应惯性权重,用于调节寻优前期的步长和寻优后期的种群多样性;其次,提出一种混合反向学习策略并将其融入WOA,以提高算法的收敛精度;最后,引入一种参数非线性衰减策略,以提高其在高维度以及复杂问题上的探索开发能力和收敛速度。将MWOA与WOA、MS-WOA、IWOA对10个基准函数的优化效果进行比较,结果表明MWOA在收敛速度、优化精度上相较对比算法均有所提升。另外,将MWOA与CODE、CPSO、EGWO和DIHS进行比较,结果表明MWOA具有较好的收敛精度。     

采用混合搜索策略的阿奎拉优化算法

针对阿奎拉优化算法(AO)存在的不足,提出一种采用混合搜索策略的阿奎拉优化算法(HAO)。首先,利用动态调整函数平衡算法的全局探索与局部开发;其次,利用混沌自适应权重来增强算法的全局搜索能力、加快算法的收敛速度;最后,设计新的个体变异概率系数,采用改进型差分变异策略,利用适应度值较优个体引领群体中其他个体开展搜索活动,保持了种群的多样性,增强了算法跳出局部最优的能力。通过八个基准测试函数和10个CEC2019测试函数,以及一个工程应用问题的数值实验仿真对所提算法进行实验验证。实验结果表明,所提算法的全局收敛速度和优化精度均得到了明显地改善,跳出局部最优的能力得到了增强。     

求解边值固定动态优化问题的一种混合算法

针对边值固定动态优化问题的数值求解,提出了一种集成随机性方法与确定性方法的一种新的混合算法。迭代遗传算法(IGA)把初始种群及繁衍产生的后代不断供给两点梯度法,两点梯度法以其为初值搜索满足边值固定约束的可行控制策略并回送给迭代遗传算法,迭代遗传算法则根据可行控制策略对应的目标函数值进行选择与进化操作。该混合算法简便易行。实例研究显示了该混合算法的可行性与稳健性,能以足够的精度满足边值约束。     

一种求解全局优化问题的新混合遗传算法

把简化的二次插值法融入实数编码遗传算法,构成适于求解全局优化问题的混合遗传算法,该混合算法可以较好解决遗传算法的早熟收敛问题,提高了收敛速度,改善了解的质量,并减少了计算量.由于该混合遗传算法对目标函数的性质没有要求,适合求解大规模问题和工程实际问题.通过对23个标准测试函数的仿真实验,并和已有算法的比较,结果表明本文提出的混合遗传算法是非常有效的.     

机组短期负荷环境／经济调度多目标混合优化

环境/经济短期负荷调度主要由调度周期内的最优机组组合和负荷环境/经济分配组成,本文将变权重多目标进化算法与混沌局部优化相结合形成混合优化算法应用到电站机组环境/经济运行多目标优化问题中,在混合多目标优化算法中采用组合结构基因,其中机组基因用于机组组合全局粗寻优,参数基因用于负荷分配局部优化,基因修正与罚函数结合解决约束问题．通过对优秀个体进行基于线性搜索的混沌局部优化,可加快收敛速度和降低计算时间．实例仿真结果说明所提出的算法能获得较好分布的Pareto优化解．     

基于Alopex的野草算法

针对野草算法存在求解精度不高、收敛速度慢的问题,提出一种基于Alopex的野草算法。在原有野草算法框架的空间扩散阶段引入Alopex算法,通过从父代和子代个体自变量和目标函数值的变化情况获得启发信息,指导种群向最优方向进化。结合后的算法能够充分发挥两者的优点,改善野草算法收敛速度以及寻优精度。对典型基准函数的测试结果表明,该算法要优于基本野草算法,表现更为稳定,体现出较好的全局搜索能力,具有更快的收敛速度和更高的寻优精度,更适合于解决其它算法难以解决的高维多峰值函数的优化问题;通过与其它相关智能算法的比较,进一步验证了该算法的有效性。     

混合策略改进的鲸鱼优化算法

针对标准鲸鱼优化算法易出现搜索速度慢、寻优精度低及早熟收敛等问题,提出一种混合策略改进的鲸鱼优化算法。首先采用混沌映射生成初始种群增加种群多样性,为算法全局搜索奠定基础;然后引入非线性策略改进收敛因子和惯性权重,平衡算法的全局探索与局部开发能力并加快收敛速度;最后根据群体适应度方差设定阈值进行变异操作,避免算法出现早熟收敛的现象。通过对12个典型基准函数进行三方面的性能测试,实验结果表明,改进算法在搜索速度、收敛精度等方面有显著提高,且摆脱陷入局部最优解的能力强。