基于差分变异算子的改进人工蜂群算法

文章针对传统人工蜂群算法收敛速度慢、精度不高的问题,基于差分进化算法中的变异算子,对人工蜂群算法搜索方程进行改进,在种群更新过程中引入当前种群最优个体信息,以提升算法的收敛速度和局部优化能力。     

一种改进人工蜂群算法的Wiener模型分步辨识法

为解决非线性系统Wiener模型参数辨识问题,提出了一种基于改进人工蜂群算法(NLJ-artificial bee colony algorithm,NABC)的分步辨识方法。NABC算法融合了人工蜂群算法的简洁性和随机搜索算法的高精度优势,有较快的收敛速度、较强的局部求精和全局搜索能力。通过对经典测试函数的寻优,验证了NABC算法较其他改进方法的优势。分步辨识法解决了Wiener模型辨识过程中容易造成的误差累积问题,实现其线性和非线性部分的独立辨识。通过pH中和反应过程建模仿真验证了分步辨识法的有效性。     

改进的蜂群算法在边坡稳定性分析中的应用

将人工蜂群算法(ABC)应用于边坡最危险滑动面的搜索以及最小安全系数的求解,为了提高算法的搜索效率,减少搜索过程中的停滞现象,对工蜂进行邻域搜索产生新解的方法进行改进,提出一种自适应智能搜索的人工蜂群算法。该算法具有较高的搜索精度和搜索效率,简单易实现,适用性强,搜索的最优解更具有全局性。通过工程实例验证了该方法的合理性与可靠性,计算结果令人满意,能较好地应用于边坡稳定性分析中。     

人工蜂群算法在个人信用评分中的应用仿真

为建立有效的个人信用评分指标体系,提出一种改进的人工蜂群算法。算法利用粗糙集和信息论,构造初始解和适应值函数,减少蜂群搜索的盲目性;同时,采用遗传算法的基本变异算子进行邻域搜索产生新解,增加随机性,避免算法陷入局部最优。算法利用个人信用评分数据集进行仿真实验,对比实验表明:算法比其他特征选择算法能够得到更优的特征子集且所需参数最少。     

基于高斯分布的ABC算法及应用

为了克服标准人工蜂群算法中容易陷入局部最优的缺陷、改善寻优过程中随机性过强的缺点,提出一种基于高斯分布的改进人工蜂群算法.通过高斯分布将局部最优和当前全局最优进行比较,从而能较快跳出局部可行区域,并且有较快的收敛速度.最后通过四个常用的数学测试函数进行测试,并将结果和标准ABC、GABC算法进行比较,结果表明改进算法在寻优能力和收敛速度上都有所提高.将改进算法应用于图像边缘检测时,较标准ABC取得了不错的效果.     

基于改进人工鱼群优化的PTS相位系数搜索算法

为了克服传统的PTS算法运算程序复杂,计算量大,搜索复杂度高的不足,提出了基于改进人工鱼群优化的PTS相位系数搜索算法。该算法通过穷举搜索选择最优的相位旋转因子,将最小峰值平均功率比的求解过程转化为非线性约束的优化问题,利用改进的人工鱼群优化算法,在全局范围内求解最优相位因子,使得相位序列的搜索能够快速向最优相位序列收敛,从而得到具有较小峰值平均功率比的信号并在不影响性能前提下减小时间复杂度。实验结果表明,与传统PTS算法相比,本文提出的算法搜索复杂度降低,PAPR值变小,具有一定的应用价值。     

基于混沌蜂群算法的高耸结构振动信号小波阈值去噪方法研究

为了有效去除实测振动信号中的噪声,改进了一种基于Kent混沌人工蜂群(KCABC)算法的振动信号小波阈值去噪方法。该算法采用Kent混沌映射初始化蜂群,引入锦标赛选择机制选择食物源,并结合混沌策略搜索最优解。基于广义交叉验证(GCV)阈值构造了目标函数,采用改进的KCABC算法搜索最优阈值,实现了不基于噪声先验知识的振动信号阈值去噪。通过对广州新电视塔4组实测振动信号的处理,比较了改进的KCABC算法与粒子群优化(PSO)算法、标准蜂群(SABC)算法以及Logistic混沌蜂群(LCABC)算法的去噪性能。结果表明:提出的KCABC算法具有较快的收敛速度和较高的搜索精度,能够有效去除高耸结构振动信号中的噪声部分。     

基于Lévy飞行的人工蜂群算法

针对人工蜂群算法在后期容易陷入局部最优,且开发能力不足的缺陷,提出了一种基于Lévy飞行的人工蜂群算法,在寻找蜜源过程中,引领蜂转变成侦查蜂时,引入Lévy分布函数来调配原有的用0-1的随机数参与的贪婪算法,有效增加了算法的合理性。最后用5个有效的测试函数对改进的算法和原算法进行比较,结果表明,基于Lévy分布的人工蜂群算法较原算法在收敛速度和优化速度上都有显著提高。     

改进的蚁群算法及其在桁架结构优化中的应用

蚁群算法是优化领域中的一种新型模拟进化算法,具有很强的搜索较优解的能力,其缺点是搜索时间长、容易出现停滞现象。引用局部搜索能力较强的模拟退火算法对其改进,使其跳出局部最优,发现更高质量解。并将其成功应用在25杆桁架中,结果表明,基于模拟退火的改进蚁群算法是有效可行的,是解决组合优化问题的有效方法。     

云计算中基于改进离散粒子群优化的任务调度方案

针对云计算中现有智能任务调度算法容易陷入局部最优的问题,提出一种基于改进型离散粒子群优化(DPSO)算法的任务调度方案。对传统DPSO算法中的粒子位置更新公式中的惯性权重进行改进,使其根据迭代次数非线性递减,提高算法的搜索能力;另外,融入了随机扰动操作,避免算法陷入局部最优。实验结果表明,与传统遗传算法和粒子群算法相比,该方案能够获得最优的调度策略,有效降低任务的完成时间。