全局竞争和声搜索算法

提出一种全局竞争和声搜索(GCHS) 算法, 给出随机局部平均和声和全局平均和声的概念, 建立竞争搜索机制, 实现每次迭代产生两个和声向量并进行竞争选择. 设计自适应全局调整和局部学习策略, 平衡算法的局部搜索和全局搜索, 详细分析参数HMS、HMCR和PAR对算法优化性能的影响. 数值结果表明, GCHS 算法在精度、收敛速度和鲁棒性方面比和声搜索算法及最近文献中提出的7 种优秀改进和声搜索算法要好.

     

一种改进的全局粒子群优化算法

为了改善粒子群优化算法的优化性能, 提出一种改进的全局粒子群优化(IGPSO) 算法. 该算法基于开采能力和搜索能力相均衡的思想提出全局邻域搜索策略和扰动策略, 使算法减少陷入局部极值的可能性, 同时以一定概率对全局最优粒子进行摄动操作, 加快算法收敛. 与其他智能算法相比较, 测试结果从寻优精度、收敛速度和非参数统计显著性方面验证了IGPSO 算法的有效性.

     

求解大规模系统可靠性问题的修正和声搜索算法

针对大规模系统可靠性问题, 提出一种修正和声搜索(MHS) 算法. 该算法修改了和声搜索(HS) 算法的搜索机制, 以当前最优解为研究对象, 随机选取不同维数进行即兴创作, 并修正步长(BW) 的调整方式, 均衡算法的全局搜索和局部搜索. 对经典的大规模系统可靠性问题进行求解, 数值结果表明, 所提出算法优于其他文献中的6 种和声搜索算法. 与最近提出的求解此类问题的各种算法进行实验对比, 实验结果表明所提出算法在整体上具有良好的优化性能.

     

基于诺兰模型思想的改进混沌粒子群优化算法及评价

针对粒子群优化算法(PSO) 在处理高维复杂函数时容易陷入局部极值、收敛速度慢的缺陷, 从系统的认知分析过程和角度出发, 提出一种基于诺兰模型(NM) 思想的改进PSO 算法. 该算法在Tent 混沌映射选择的参数的基础上, 结合NM信息融合和协调的思想, 在速度更新过程中增加均衡项, 并设计粒子群的欧氏距离指数以防止早熟, 从而实现对粒子的自动调整、保证多样性和提高算法的全局搜索能力. 最后, 运用典型函数对所提出算法进行测试, 并与最新相关算法进行比较, 结果表明, 所提出算法在全局搜索能力、效率和稳定性方面均具有明显的优势.

     

基于高斯混沌变异和精英学习的自适应多目标粒子群算法

为平衡多目标粒子群的全局和局部搜索能力, 提出一种基于高斯混沌变异和精英学习的自适应多目标粒子群算法. 首先, 提出一种新的种群收敛状态检测方法, 自适应调整惯性权重和学习因子的值, 以达到探索和开发的最佳平衡. 然后, 当检测到种群收敛停滞时, 采用一种带有高斯函数和混沌特性的变异算子协助种群跳出局部最优, 以增强全局搜索能力. 最后, 外部档案中的精英解相互学习, 增强算法的局部搜索能力. 在多目标标准测试问题上的仿真结果表明了所提出算法的有效性.

     

混合分散搜索算法求解带容量约束车辆路径问题

设计一种解决带容量约束车辆路径问题的混合分散搜索算法. 在基本分散搜索的基础上, 保留参考集更新策略和组合策略的全局搜索能力. 采用随机插入法作为解的多样性产生方法, 以扩大搜索空间, 避免陷入局部最优.应用简化的变邻域搜索作为改进策略进行局部开发, 引入邻域半径减少策略提高开发效率. 对改进后的新种群实施精英保留策略, 保证算法收敛. 实验结果分析表明, 混合分散搜索算法优于所对比的算法, 寻优能力可靠.

     

基于GMOGSO的多目标流水车间调度问题

针对缓冲区有限的多目标流水车间调度问题, 提出一种基于Pareto 最优的广义多目标萤火虫算法. 通过引入交换子和交换序将基本萤火虫算法离散化, 并将算法拓展为全局搜索过程和局部搜索过程. 进化初期采用全局搜索将种群推向较优区域, 进化中后期采用捕食搜索策略使算法主体在全局搜索和局部搜索间智能切换, 从而保证全局与局部的平衡. 动态变步长策略进一步增强了算法搜索能力. 通过算例测试验证了所提出算法的有效性.

     

基于种群特征反馈的布谷鸟搜索算法

布谷鸟搜索(CS) 算法是一种新型的生物启发式算法. 为了提高算法对不同优化问题的适应能力, 根据反馈控制原理提出一种基于种群特征反馈的布谷鸟搜索(SFFCS) 算法, 将年龄结构、变异成功率等种群特征作为反馈信息引入算法框架, 动态调节算法参数, 同时引入双进化策略机制和策略选择概率, 加强算法对局部搜索和全局搜索的平衡能力. 对标准测试函数和电力系统最优潮流问题进行数值实验, 实验结果表明, SFFCS 算法具有较好的收敛性能和适应能力, 验证了所提出算法的有效性和工程应用价值.

     

基于动态学习策略的群集蜘蛛优化算法

为了提高群集蜘蛛优化(SSO) 算法的性能, 提出一种基于动态学习策略的群集蜘蛛优化(DSSO) 算法. 该算法通过群体协作过程中学习因子的动态选择, 平衡算法的搜索能力和勘探能力; 采用随机交叉策略和云模型改进协作过程个体更新方式, 在维持种群多样性的同时尽量提高收敛速度. 基于标准测试函数的仿真实验表明, DSSO 算法可有效避免早熟收敛, 在收敛速度和收敛精度上较标准SSO 算法和其余4 种较具代表性的优化算法均有显著提高.

     

一种采用抽样策略的PSO 算法

原始粒子群优化算法(PSO) 和各种改进方法存在着参数取值固定、收敛精度低等问题. 为此, 提出一种采用抽样策略的粒子群优化算法(SS-PSO). 通过拉丁超立方抽样(LHS) 策略更新粒子速度和位置, 以加快收敛速度; 提出一种基于随机采样的最优位置修正方法, 以微调全局最优; 提出“双抽样”LHS 局部搜索方法, 以提高收敛精度. 与其他新近提出的两个算法进行对比, 结果显示SS-PSO 在一定程度上提高了算法的性能.

     

随机交叉全局和声搜索算法

针对和声搜索算法易陷入局部最优的不足,提出了一种随机交叉全局和声搜索（RCGHS）算法。通过最差和声向最优和声学习提高算法的全局搜索性能,引入其他和声向最优和声学习的交互策略提高算法的局部搜索性能。将两种学习策略随机交叉动态产生新和声,平衡算法的全局搜索和局部搜索性能。在和声记忆库更新阶段,利用即兴创作产生的和声向量与随机反向学习产生的和声向量中较优的个体更新和声记忆库。将RCGHS算法与目前文献中较优的几种改进HS算法、ABC算法、PSO算法和GWO算法进行性能测试,测试结果表明RCGHS算法具有较高的寻优精度和较快的收敛速度。     

带审敛因子的变邻域粒子群算法

针对基本粒子群算法在求解高维空间中的复杂多峰函数时容易发生早熟收敛而陷入局部最优的问题,汲取变邻域搜索算法全局搜索的优势,提出了带审敛因子的变邻域粒子群算法.首先由基本粒子群的快速搜索能力得到较优的群体;然后通过审敛因子判断发生早熟收敛的粒子,并利用变邻域搜索算法的全局搜索能力对陷入早熟收敛的粒子进行优化,从而得到全局最优.相关实验表明,带审敛因子的粒子群算法的性能较常规粒子群算法更加优越.     

三态协调搜索多目标粒子群优化算法

提出一种三态协调搜索多目标粒子群优化算法. 该算法提出的三态指导粒子选择策略可以很好地协调算法的局部和全局搜索能力, 且算法改进了传统的外部档案保存机制, 同时引入3 种突变因子, 使获得的非劣解具有更好的分散性. 通过对标准测试函数的求解, 并与其他经典多目标优化算法比较, 表明了新算法在收敛性和多样性方面均有较大的优越性. 最后分析了区域划分系数对所提出算法性能的影响.

     

一种新的相位角编码量子进化算法

针对具有连续解空间的数值函数优化问题,基于量子算法和实数编码进化算法的思想,提出一种新的相位角编码量子进化算法(PAQEA).算法的概率表达特性使得量子染色体能够以一定概率表达优化问题的所有可行解,结合动态量子旋转门实现染色体的进化,实现了算法局部搜索与全局搜索的平衡.理论分析证明了算法的全局收敛性.仿真结果表明,该算法适用于复杂数值函数优化问题,具有收敛速度快、搜索能力强和稳定性高的特点.     

基于变异记忆矩阵的克隆选择算法

利用免疫系统的免疫记忆机制,提出一种适于函数优化的基于变异记忆矩阵的克隆选择算法.首先,利用变异记忆矩阵保存进化中有用的变异信息,以引导抗体的克隆和变异操作,加强局部搜索能力;然后,利用当代种群的综合信息生成新抗体进入种群,以加强全局搜索能力;最后,对最优抗体进行自学习,以提高算法结果的精度.标准函数仿真表明,该算法适合求解复杂函数优化问题,具有收敛速度快、全局收敛能力强、精度高、鲁棒性强的优点.     

基于进化停滞周期的局部变异PSO算法及其收敛性分析

为了克服粒子群优化算法容易陷入局部最优而发生早熟收敛的问题,提出一种基于进化停滞周期的局部变异粒于群优化算法.算法引入进化停滞周期和近期全局最优位置的概念,使粒子的飞行受近期全局最优位置影响,并在种群进化停滞时对随机选中的局部粒子执行变异操作,增加种群多样性,扩大搜索范围,提高求解质量.算法用种群进化停滞周期代替多样性度量,避免了多样性计算引起的高计算复杂度.对于几个常用基准函数的仿真结果验证了算法的合理性和有效性.