基于混合变异的萤火虫群优化算法

基本萤火虫群优化GSO(Glowworm Swarm Optimization)算法在求解函数全局寻优问题时,存在后期收敛速度慢、容易陷入局部极值等问题。为此,提出一种基于混合变异的萤火虫群优化算法。该算法用混沌变异和边界变异来增加种群的多样性,避免算法陷入局部最优,且能使算法获得精度更高的解。运用六个标准测试函数进行测试,结果表明,改进后的萤火虫群优化算法比基本GSO算法具有更高的寻优速度、寻优精度和收敛率。     

基于Predator-Prey行为的萤火虫优化算法

针对基本萤火虫优化(GSO)算法在求解函数全局最优值时,存在着易陷入局部最优、收敛速度慢和求解精度低等问题,提出了1种基于生物捕食-被捕食(Predator-Prey)行为的双种群GSO算法(GSOPP)。该算法通过引入种群间的追逐与逃跑以及变异等策略加快了收敛速度,且能获得精度更高的解。最后,通过对8个标准测试函数进行测试,结果表明,改进后的GSOPP算法比基本GSO算法有更优的性能。     

一种改进的变步长自适应GSO算法

基本萤火虫群优化(GSO)算法在求解全局优化问题时,存在收敛速度慢、求解精度不高等问题。为此,提出一种变步长自适应GSO算法。该算法在一定程度上可以避免GSO算法过早陷入局部最优,且步长随迭代次数的增加而自适应地调整,从而使算法在后期获得精度更高的解。运用6个标准测试函数进行实验,结果表明,与GSO算法相比,该算法的收敛速度及精度均有明显提高。     

带高斯变异的人工萤火虫优化算法

针对基本萤火虫优化算法在求解函数全局最优值时的不足,提出了一种带高斯变异的人工萤火虫优化算法。该算法在萤火虫的移动过程中,应用了高斯变异策略,从而在一定程度上避免了算法陷入局部最优,且能获得精度更高的解。通过对六个标准测试函数进行测试,结果表明,改进后的人工萤火虫算法比基本萤火虫优化算法有更高的收敛速度、求解精度和收敛成功率。     

混沌萤火虫优化算法的研究及应用

针对基本萤火虫群优化算法的早熟收敛,易陷入局部最优值,求解精度不高等问题,提出了一种基于切比雪夫映射的混沌萤火虫优化算法。利用混沌系统的随机性和遍历性初始化萤火虫群,获得了质量较高且分布较均匀的初始解;同时对部分适应值低的个体进行了混沌优化,以提高种群的多样性。对4个标准测试函数进行了仿真实验,结果表明该算法的求解精度、全局搜索能力优于基本萤火虫优化算法。将改进算法应用于车辆路径问题的求解中,结果表明了改进算法的有效性。     

求解高维函数的改进萤火虫群优化算法

针对萤火虫群优化(GSO)算法求解高维函数时存在求解精度不高、收敛速度慢等缺点,提出了一种带变异算子和集群觅食行为算子的改进萤火虫群优化算法。该算法使用变异算子来指导离群萤火虫的进化方向,从而提高了离群个体的利用率,改善了算法的整体效率。集群觅食行为算子的加入能使算法对捕捉到的全局最优域进行更进一步的求精,极大地提高了算法的计算精度和收敛速度;同时,该算子有效地防止了算法陷入局部最优值的危险,扩大了算法在后期的全局搜索范围。通过8个典型的基准函数测试,结果表明：改进后萤火虫群优化算法具有更强的全局优化能力和更高的成功率。     

基于混沌和自适应搜索策略的GSO算法分析与优化

针对基本萤火虫群算法在全局优化问题求解过程中存在的求解精度偏低、易陷入局部最优、收敛速度较慢等问题，提出一种基于混沌和自适应搜索策略的萤火虫优化算法（CSAGSO）。利用混沌搜索技术对萤火虫种群进行初始化以得到分布更为均匀、合理的较优初始解；运用混沌扰动优化策略对每一代适应度较差的部分萤火虫个体进行混沌扰动以增强种群多样性和提高全局搜索能力。采用动态步长的自适应搜索策略，并对寻优过程中静止不动的萤火虫个体位置进行更新，加快了算法前期收敛速度，减少了后期震荡现象发生。仿真实验结果表明，优化后的萤火虫算法参数较少并具有较好稳定性，同时在求解精度和收敛速度上都明显优于基本萤火虫群算法。     

自适应步长萤火虫群多模态函数优化算法

针对萤火虫群优化(GSO)算法优化多模态函数存在收敛速度慢和求解精度低等缺陷,提出一种自适应步长萤火虫群多模态函数优化算法((SASGSO)。该算法解决了萤火虫群优化(GSO)算法优化多模态函数所存在的不足;同时SASGSO算法也可找到多模态函数的所有极值点。数值实验仿真表明,该算法具有操作简单、易理解、收敛速度快和求解精度高等优点。     

基于混沌理论的动态种群萤火虫算法

针对萤火虫算法在全局寻优搜索中收敛速度慢、求解精度低,易陷入局部极值区域等缺陷,提出一种基于混沌理论的动态种群萤火虫算法。首先,该算法采用立方映射产生的混沌序列对萤火虫位置进行初始化,为全局搜索的多样性奠定基础; 其次,通过对种群的动态监测,每当算法满足预设条件时,基于混沌序列生成部分新的个体,以提高算法的收敛速度; 最后,对每一代产生的全局最优解,适时采用高斯扰动进行变异操作,使算法更具有跳出局部极小的能力。通过对6个复杂Benchmark函数进行测试,实验结果表明,该算法提高了全局搜索能力、收敛速度和解的精度。     

融合混沌映射和二次插值的自适应鲸鱼优化算法

针对鲸鱼优化算法(whale optimization algorithm, WOA)易陷入局部最优，收敛速度慢和寻优精度低等问题，提出一种融合混沌映射和二次插值的自适应鲸鱼优化算法(adaptive whale optimization algorithm based on chaotic mapping and quadratic interpolation, CQAWOA)。引入混沌映射在初始化阶段生成新种群，实现种群多样性；设计自适应权重，提高算法全局搜索和局部寻优能力并加快收敛速度；利用二次插值策略生成新的鲸鱼个体，采用贪婪策略更新局部最优解，提高种群计算的精度。通过15个基准函数将改进算法与其它优化算法进行对比测试，测试结果验证了在求解过程中，改进算法寻优速度和求解精度均存在显著提升。     

人工萤火虫与差分进化混合优化算法

人工萤火虫优化算法在寻找函数全局最优值时存在着收敛速度慢、易陷入局部最优、收敛成功率和计算精度低等缺点,为此,文中将人工鱼群算法的觅食行为嵌入到人工萤火虫算法,并与差分进化算法融合,提出一种基于人工萤火虫与差分进化的混合优化算法.最后,通过4个典型测试函数和1个应用实例进行测试,结果表明所提出的混合算法收敛速度快,计算精度高,其整体逼近性能比基本人工萤火虫和差分进化算法更优.     

一种具有区域影响的人工萤火虫算法

受到自然界中萤火虫通过荧光进行信息交流的群体行为的启示,萤火虫算法被提出。它是一种新颖的仿生群智能优化算法。基本的萤火虫算法中,萤火虫个体间存在协作不足,易陷入局部最优的缺陷;考虑到萤火虫个体的区域影响作用,提出一种更接近社会上信息传递系统的萤火虫算法。该算法综合考虑了萤火虫个体的历史最优位置和萤火虫群体的历史最优位置对当前位置的影响作用,使相距较近的萤火虫个体能很快地得到信息并受其影响。实验仿真结果表明,区域影响下的萤火虫算法性能有了显著提高。     

一种用Powell方法局部优化的人工萤火虫算法

针对人工萤火虫算法在寻找函数全局最优值时,存在着收敛速度慢、易陷入局部最优、收敛成功率和求解精度低等不足,利用Powell方法强大的局部优化能力,将其作为一局部搜索算子嵌入到人工萤火虫算法,提出一种用Powell方法局部优化的人工萤火虫算法。最后,8个标准函数测试结果表明,改进后人工萤火虫算法在收敛速度、精度和稳定性方面都优于人工萤火虫算法。     

改进萤火虫算法性能分析及其在WSNs网络覆盖中的应用

对改进萤火虫算法性能及其在WSNs网络覆盖优化中的应用问题进行了研究。分析了基本萤火虫算法的全局收敛性,针对其收敛效率低的缺陷,给出了算法改进策略,并证明了改进的萤火虫算法以概率1收敛于全局最优解,在此基础上,提出了基于萤火虫优化的网络覆盖算法,建立了以网络均匀度及网络覆盖率为准则的数学模型,推导了节点冗余度与网络覆盖率之间的关系,给出了节点休眠策略,并将节点部署划分成不同的阶段,在每个阶段,分别采用改进的萤火虫算法对模型进行求解,进而得到无线传感器网络最优覆盖,最后对经典测试函数和WSNs网络覆盖问题进行实验仿真,仿真结果表明改进的算法具有更加理想的运算结果,而且能有效地给出WSNs网络覆盖优化方案。     

细胞膜机制萤火虫算法优化多阈值Otsu图像分割

图像阈值分割是将灰度图像转换为二值图像的常用图像分割方式.经典多阈值Otsu算法对复杂图像进行分割取得了很好的效果,但是其采用穷举方法来寻找最优阈值是非常耗时的.针对这一问题,本文提出了一种基于细胞膜和自适应步长萤火虫混合优化算法的多阈值Otsu图像分割方法.利用萤火虫算法的启发式搜索来寻找图像分割的最优阈值很好地降低了算法的时间复杂度,并且在萤火虫算法中混合细胞膜算法很好地解决了萤火虫算法的"早熟"现象.实验结果表明,与经典多阈值Otsu法和萤火虫算法优化多阈值Otsu法相比,本文提出的算法具有更高的收敛速度和更好的图像分割效果,并且有效解决了萤火虫算法易陷入局部最优的问题.     

改进的变尺度混沌粒子群算法及其应用

针对粒子群算法(PSO)存在局部最优及后期收敛速度慢等问题,提出一种改进的变尺度混沌粒子群算法(IMCPSO).该算法初期,在整个解空间对最优粒子进行变尺度混沌扰动,以防止陷入局部最优;算法后期,则以最优粒子为中心引入变尺度混沌扰动,以提高算法收敛速度.当算法一旦陷入局部最优时,采用混沌粒子替代部分种群粒子以增加粒子多样性,使算法尽快跳出局部最优.基于benchmark测试函数的仿真结果表明,所提算法与基本粒子群算法(SPSO)和变尺度混沌粒子群算法(MCPSO)相比,具有明显好的搜索精度和收敛速度.最后,将该算法应用于电路故障诊断实验中的支持向量机参数优化问题,实验结果说明了其应用价值.