混沌映射与动态学习的自适应樽海鞘群算法

针对传统樽海鞘群算法寻优精度低、易于陷入局部最优的问题,提出基于混沌映射与动态学习的自适应樽海鞘群算法.引入改进混沌Tent映射实现种群初始化,确保更加均匀的搜索空间;设计基于Logistic映射的领导者更新机制,有效增强种群多样性;利用基于动态学习的追随者更新机制,使算法跳出局部最优,提升全局搜索能力;设计领导者/追随者规模的自适应调整机制,有效均衡种群的局部开发和全局勘探能力.实验结果表明,该算法在收敛速度、寻优精度及寻优成功率上均有大幅提升.     

改进的樽海鞘群算法

针对樽海鞘群算法在对函数优化问题求解上出现的求解精度不高、收敛速度慢的缺点,提出了一种改进的群海鞘群算法.对于领导者引入加权重心取代最优个体位置,防止过早聚集在最优个体附近;对于追随者引入自适应惯性权重平衡算法的全局搜索和局部寻优能力;最后对于个体进行逐维随机差分变异,减少维间干扰,提高了种群的多样性.仿真实验结果表明改进的樽海鞘群算法在均值、标准差和收敛曲线优于标准樽海鞘群算法和其他改进算法,说明改进后的算法提高了寻优性能,有较高的求解精度和较快的收敛速度.     

融合信息反馈共享与蜉蝣搜索机制的樽海鞘群算法

针对樽海鞘群算法(SSA)收敛速度慢和易陷入局部最优的问题,提出了一种融合信息反馈共享与蜉蝣搜索机制的改进樽海鞘群算法。使用Piecewise映射的方法进行种群初始化,使初始樽海鞘种群更均匀的覆盖可行域空间;采用信息共享机制,提出辅助领导者策略,改进领导者位置更新公式,增强全局搜索能力;利用进化学说以及正负反馈调节的思想,通过变异操作和自然选择原则选取更优领导者,从而提高搜索精度;最后,提出蜉蝣搜索机制,选取蜉蝣算法的交配公式,优化追随者位置迭代公式,使算法在后期更快收敛。通过在12个基准测试函数的多个维度以及17个CEC测试函数的实验,证明了改进樽海鞘群算法的综合性能,并通过消融实验验证了改进策略的有效性,实验结果表明,改进算法在收敛速度以及搜索精度上具有明显的优势。     

樽海鞘群算法的改进

针对樽海鞘群算法在求解过程中存在收敛速度慢、寻优精度低等问题,提出改进的樽海鞘群算法。采用混沌初始化,保证种群的多样性和均匀性;分别在领导者和追随者阶段引入正弦余弦策略和动态更新策略,提高算法全局和局部探索能力;对食物位置进行变异操作,有效避免算法陷入局部最优。为验证改进后算法的有效性,分别用其求解函数优化问题以及工程设计问题,其结果表明,该算法具有较高的收敛速度、寻优精度以及鲁棒性,总体性能优于其它智能优化算法。     

基于自适应惯性权重的樽海鞘群算法

针对标准樽海鞘群算法收敛精度低、收敛速度慢的问题,提出一种基于自适应惯性权重的樽海鞘群算法(AIWSSA).首先,在追随者位置更新公式中引入惯性权重因子评价个体之间的影响程度;然后,结合种群成功率与非线性递减函数对惯性权重因子进行自适应调整,使算法的全局和局部搜索能力得到更好地平衡;最后,为防止算法陷入局部最优,引入差分变异思想对非最优个体进行变异.对12个基准测试函数进行求解,实验结果表明:AIWSSA具有较高的收敛精度、收敛速度和鲁棒性; Wilcoxon统计检验结果表明:与标准樽海鞘群算法、改进的樽海鞘群算法、其他群体智能算法相比, AIWSSA表现出较好的性能.通过将其应用于两种带约束的工程设计问题,验证了AIWSSA的有效性.     

具备反向学习和局部学习能力的磷虾群算法

针对磷虾群算法易陷入局部最优、收敛速度慢等缺点,提出了具备反向学习和局部学习能力的磷虾群算法。利用混沌映射和反向学习的思想初始化种群,根据算法迭代次数自适应调整学习维度,对精英个体进行反向学习,能有效保持种群的多样性,选取精英群体,通过自适应的Lévy飞行分布和改进的差分变异算子,提高种群的局部学习能力。这种新颖的元启发方式能加速收敛速度的同时可以保证磷虾群算法的鲁棒性。通过对8个基准函数进行仿真测试,实验结果表明：与最近的KH优化算法相比,该算法在收敛速度、收敛精度等方面得到明显改进。     

基于疯狂自适应的樽海鞘群算法

针对樽海鞘群算法求解精度不高和收敛速度慢等缺点,提出一种基于疯狂自适应的樽海鞘群算法.引入Tent混沌序列生成初始种群,以增加初始个体的多样性;在食物源位置上引入疯狂算子,增强种群的多样性;在追随者位置更新公式中引入自适应惯性权重,使算法的全局搜索和局部搜索能力得到更好的平衡.使用统计分析、收敛速度分析、Wilcoxon检验、经典基准函数和CEC2014函数的标准差评估改进樽海鞘群算法的效率.结果表明,改进算法具有更好的全局搜索能力和求解鲁棒性,同时,寻优精度和收敛速度也比原来算法有所增强,尤其在求解高维和多峰测试函数上,改进算法拥有更好的性能.     

一种混沌映射动态惯性权重的樽海鞘群算法

为提升群海鞘群算法求解精度和收敛速度,提出了基于混沌映射动态惯性权重的群海鞘群算法.首先利用Tent混沌映射生成初始种群,计算种群适应度并保留最优个体作为初始食物源位置;将种群大小均分为领导者和追随者两部分以提高算法全局搜索能力,通过引入疯狂算子完成对领导者的位置更新;在追随者位置更新公式中,提出了基于精英保留及动态惯性权重的追随者位置更新策略,通过计算个体适应度值完成食物源的位置更新.实验结果表明,改进算法拥有更好的性能.     

多子群的共生非均匀高斯变异樽海鞘群算法

针对樽海鞘群算法求解精度不高和收敛速度慢等缺点, 提出一种多子群的共生非均匀高斯变异樽海鞘群算法. 根据不同适应度值将樽海鞘链群分为三个子种群, 各个子种群分别进行领导者位置更新、追随者共生策略和链尾者非均匀高斯变异等操作. 使用统计分析、收敛速度分析、Wilcoxon检验、经典基准函数和CEC 2014函数的标准差来评估改进樽海鞘群算法的效率. 结果表明, 改进算法具有更好的寻优精度和收敛速度. 尤其在求解高维和多峰测试函数上, 改进算法拥有更好性能.     

混沌粒子群算法及其在优化设计中的应用

针对粒子群算法易早熟收敛的局限性,提出了一种基于Hénon 映射的混沌粒子群优化(CPSO)算法。该算法采用Hénon 映射,利用种群适应度方差进行早熟收敛判断,根据群体早熟收敛程度和个体适应值来调整惯性权重。仿真实验表明,改进后的混沌粒子群优化算法使收敛速度加快,且不易陷入局部极值点。     

一种新型的樽海鞘群算法及其应用

为了解决樽海鞘群算法SSA在寻优过程中存在收敛速度慢、计算精度差等问题,提出一种新型的樽海鞘群算法NSSA。首先分析SSA中樽海鞘在追随领导者过程中的不足,然后借鉴灰狼优化算法中追随头狼的思想来改进樽海鞘追随领导者的方式。在23个基准函数上对NSSA与其他算法进行性能比较,并把该算法应用于图像匹配之中。所有实验结果表明,NSSA具有更好的收敛速度、计算精度和鲁棒性。     

考虑多种训练方式的自适应最有价值球员算法

最有价值球员算法（MVPA）是一种模拟体育比赛的新型智能优化算法,为解决其寻优精度低和收敛速度慢等问题，提出一种考虑多种训练方式的自适应最有价值球员算法（ACMTM-MVPA）。MVPA的初始化方式单一，随机性和盲目性强，降低了算法的收敛速度和寻求精度。为了增强初始化球员的水平，提高初始球队的整体实力，在MVPA的竞争阶段之前加入了训练阶段，并在训练阶段使用邻域搜索算法以及混沌序列和反向学习算法来训练和筛选球员；为了增强球员的自我探索能力以及向最佳球员学习的能力，使球员具有争夺最有价值球员奖杯的资格，在队伍竞争阶段加入了自适应的球员进化因子。对15个标准函数的测试结果表明，ACMTM-MVPA与MVPA、粒子群优化（PSO）算法和遗传算法（GA）相比，在寻优精度和收敛速度上更有优势。最后给出了ACMTM-MVPA在暴雨强度公式参数优化中的应用实例，结果显示，该算法法明显优于自适应光学优化算法、传统回归法与优选回归法。     

A novel chaotic salp swarm algorithm for global optimization and feature selection

Salp Swarm Algorithm (SSA) is one of the most recently proposed algorithms driven by the simulation behavior of salps. However, similar to most of the meta-heuristic algorithms, it suffered from stagnation in local optima and low convergence rate. Recently, chaos theory has been successfully applied to solve these problems. In this paper, a novel hybrid solution based on SSA and chaos theory is proposed. The proposed Chaotic Salp Swarm Algorithm (CSSA) is applied on 14 unimodal and multimodal benchmark optimization problems and 20 benchmark datasets. Ten different chaotic maps are employed to enhance the convergence rate and resulting precision. Simulation results showed that the proposed CSSA is a promising algorithm. Also, the results reveal the capability of CSSA in finding an optimal feature subset, which maximizes the classification accuracy, while minimizing the number of selected features. Moreover, the results showed that logistic chaotic map is the optimal map of the used ten, which can significantly boost the performance of original SSA.     

混沌精英质心拉伸机制的樽海鞘群算法

针对樽海鞘群算法求解精度不高的缺点,提出一种混沌精英质心拉伸机制的樽海鞘群算法。引入改进的Tent混沌序列生成初始种群,以增加初始个体的多样性;选择最优个体采用精英质心拉伸机制,可增强全局搜索能力。将改进算法在12个典型复杂函数和CEC2014函数优化问题上进行仿真实验,并同经典的遗传算法和粒子群算法进行对比。结果表明,混沌精英质心拉伸机制的樽海鞘群算法具有更好的全局搜索能力,寻优精度比标准算法有所增强。在求解高维和多峰测试函数上,改进算法拥有更好的性能。     

Improved salp swarm algorithm based on weight factor and adaptive mutation

Salp Swarm Algorithm (SSA) is a novel swarm intelligent algorithm with good performance. However, like other swarm-based algorithms, it has insufficiencies of low convergence precision and slow convergence speed when dealing with high-dimensional complex optimisation problems. In response to this concerning issue, in this paper, we propose an improved SSA named as WASSA. First of all, dynamic weight factor is added to the update formula of population position, aiming to balance global exploration and local exploitation. In addition, in order to avoid premature convergence and evolution stagnation, an adaptive mutation strategy is introduced during the evolution process. Disturbance to the global extremum promotes the population to jump out of local extremum and continue to search for an optimal solution. The experiments conducted on a set of 28 benchmark functions show that the improved algorithm presented in this paper displays obvious superiority in convergence performance, robustness as well as the ability to escape local optimum when compared with SSA.     

基于衰减因子和动态学习的改进樽海鞘群算法

樽海鞘群算法是一种新型的群智能优化算法.与其他智能优化算法相比,樽海鞘群算法的优化求解策略仍有待改进,以进一步提高该算法的求解精度和寻优效率.本文提出一种基于衰减因子和动态学习的改进樽海鞘群算法,通过在领导者更新阶段添加衰减因子,提高算法的局部开发能力,在跟随者更新阶段引入动态学习策略,提高算法的全局搜索能力.本文对16个测试函数进行实验,将提出的改进算法与其他智能优化算法比较,实验结果表明,本文提出的改进算法在收敛精度和收敛速度方面有较大提升,具有良好的优化性能.     

一种高效的混合蝙蝠算法

针对基本蝙蝠算法存在收敛速度慢,易陷入局部最优,求解精度低等缺陷,提出一种融合局部搜索的混合蝙蝠算法用于求解无约束优化问题。该算法利用混沌序列对蝙蝠的位置和速度进行初始化,为全局搜索的多样性奠定基础;融合Powell搜索以增强算法的局部搜索能力,加快收敛速度;使用变异策略在一定程度上避免算法陷入局部最优。选取几个标准测试函数进行仿真实验,结果表明：与基本蝙蝠算法和粒子群优化算法相比,混合蝙蝠算法具有更好的寻优性能。     

HMOSHSSA: a hybrid meta-heuristic approach for solving constrained optimization problems

This paper proposes a novel hybrid multi-objective optimization algorithm named HMOSHSSA by synthesizing the strengths of Multi-objective Spotted Hyena Optimizer (MOSHO) and Salp Swarm Algorithm (SSA). HMOSHSSA utilizes the exploration capability of MOSHO to explore the search space effectively and leader and follower selection mechanism of SSA to achieve global best solution with faster convergence. The proposed algorithm is evaluated on 24 benchmark test functions, and its performance is compared with seven well-known multi-objective optimization algorithms. The experimental results demonstrate that HMOSHSSA acquires very competitive results and outperforms other algorithms in terms of convergence speed, search-ability and accuracy. Additionally, HMOSHSSA is also applied on seven well-known engineering problems to further verify its efficacy. The results reveal the effectiveness of proposed algorithm toward solving real-life multi-objective optimization problems.

     

基于基因交换的自适应人工鱼群算法

针对人工鱼群算法(AFSA)不能完美地平衡局部寻优与全局寻优,且缺乏跳出局部最优能力等问题,提出了一种基于基因交换的自适应人工鱼群算法(AAFSA-GE).首先利用自适应的视野和步长提高搜索的速度及精度,然后利用混乱行为和基因交换行为增强跳出局部最优的能力并提高搜索效率.为了证明算法的有效性,在实验中使用了10种经典的...     

带有自适应合并策略和导向算子的增强型烟花算法

针对传统烟花算法（FWA）在寻优过程中爆炸半径限制搜索范围、粒子间缺少有效交互的缺点,提出带有自适应合并策略和导向算子的增强型烟花算法（EFWA-GM）。首先根据烟花粒子间的位置关系,对寻优空间中重叠的爆炸范围进行自适应合并;其次通过对火花粒子进行分层来充分利用优质粒子的位置信息,从而设计导向算子引导次优粒子进化,以提高算法的寻优精度和收敛速度。在12个标准测试函数上的实验结果表明,所提出的EFWA-GM相较于标准粒子群（SPSO）算法、增强型烟花算法（EFWA）、自适应烟花算法（AFWA）、动态烟花算法（dynFWA）、有导烟花算法（GFWA）在寻优精度和收敛速度方面具有更好的优化性能,并在9个测试函数上取得最优的求解精度。