一种改进的鲸鱼优化算法

针对鲸鱼优化算法（whale optimization algorithm ,WOA）容易陷入局部最优和收敛精度低的问题进行了研究,提出一种改进的鲸鱼优化算法（IWOA）。该算法通过准反向学习方法来初始化种群,提高种群的多样性;然后将线性收敛因子修改为非线性收敛因子,有利于平衡全局搜索和局部开发能力;另外,通过增加自适应权重改进鲸鱼优化算法的局部搜索能力,提高收敛精度;最后,通过随机差分变异策略及时调整鲸鱼优化算法,避免陷入局部最优。实验选取九个基准函数,所有算法均迭代30次,结果表明：改进的鲸鱼优化与原鲸鱼优化算法以及五种改进的鲸鱼优化算法相比,其均值和标准差均优于其他算法,收敛曲线也优于其他大多数算法。说明改进的鲸鱼优化算法收敛精度和算法稳定性最佳,收敛速度较其他大多数改进的鲸鱼优化算法明显加快。     

量子鲸鱼优化算法求解作业车间调度问题

为了克服基本鲸鱼优化算法（WOA）在解决作业车间调度问题时存在收敛精度低、容易陷入局部最优的缺陷,利用量子计算与优化思想提出了一种量子鲸鱼优化算法（QWOA）,并对其进行了计算复杂度分析、全局收敛性证明及仿真实验。通过对11个作业车间调度问题基准算例的仿真实验发现,与基本鲸鱼优化算法（WOA）、布谷鸟搜索算法（CS）、灰狼优化算法（GWO）相比,QWOA算法在最小值、平均值、寻优成功率等方面具有较优结果。研究表明,量子鲸鱼优化算法在解决作业车间调度问题时,具有更高的收敛精度和更好的全局搜索能力,且能够跳出局部最优。     

基于混合策略改进的鲸鱼优化算法

针对原始鲸鱼优化算法（WOA）收敛速度慢、全局搜索能力弱、求解精度低且易陷入局部最优等问题,提出一种混合策略来改进的鲸鱼优化算法（LGWOA）。首先将莱维飞行引入鲸鱼全局搜索的公式中,通过莱维飞行加大全局搜索步长,扩大搜索空间、提高全局搜索能力;其次,在鲸鱼螺旋上升阶段,加入一个自适应权重参数来提高算法的局部搜索能力和求解精度;最后结合遗传算法的交叉变异思想平衡算法的全局搜索和局部搜索能力,维持种群的多样性,规避陷入局部最优。通过对12个基准测试函数从2个角度进行实验对比分析,结果表明,基于混合策略改进的鲸鱼优化算法在收敛速度和求解精度上均有明显提升。     

基于混合策略改进的鲸鱼优化算法

针对传统鲸鱼优化算法收敛速度慢、易陷入局部最优等问题,提出一种基于混合策略改进的鲸鱼优化算法。首先,引入非线性调整策略改进收敛因子,平衡算法的全局探索与局部开发能力并加快算法收敛速度;然后,将自适应权重系数引入鲸鱼位置更新式中,从而提高算法的寻优精度;最后,结合人工蜂群算法的limit阈值思想,使算法能够有效跳出局部最优,改善算法早熟收敛现象。通过对14个基准测试函数在不同维度上的仿真实验表明,改进算法具有较高的寻优精度和较快的收敛速度。     

一种求解函数优化问题的改进鲸鱼优化算法

为提高鲸鱼优化算法求解复杂函数优化问题的性能,提出一种基于自适应参数及小生境技术的改进鲸鱼优化算法。首先,引入自适应概率阈值协调算法的全局探索及局部开发能力;其次,利用自适应位置权重对鲸鱼位置更新公式进行调整,提高算法的收敛速度及寻优精度;最后,采用预选择小生境技术,避免算法出现早熟收敛的现象。通过对12个典型基准测试函数的仿真表明,改进算法的寻优精度和收敛速度较对比算法均有明显提升,证明了提出的改进策略能有效提高鲸鱼优化算法求解复杂函数优化问题的性能。     

耦合中心游移和双权重因子的鲸鱼算法及应用

针对鲸鱼优化算法（WOA）收敛精度低、收敛速度慢、易陷入局部优化等问题,提出耦合中心游移和双权重因子的鲸鱼算法（C-A-WWOA）。该算法采用中心游移和边界邻域更新策略,提高了种群质量、收敛精度和收敛速度;通过算法参数的非线性改进,平衡了算法的局部开发与全局搜索能力;还采用双权重因子对后期种群进行随机扰动,以避免算法后期陷入局部最优。通过18个测试函数的计算表明,相较于WOA和其他改进方案,C-A-WWOA在没有增加算法复杂度的基础上,提高了收敛精度和适用性。同时,不同改进策略下对算法性能的影响排序为：C-A-WWOA>W-WOA>C-WOA≈A-WOA>WOA;此外,改进算法在两个工程结构设计实例的应用中,也验证了其有效性和优越性。     

自适应t分布与动态边界策略改进的算术优化算法

针对算术优化算法（arithmetic optimization algorithm, AOA）存在的收敛速度慢、易陷入局部最优等问题,提出了自适应t分布变异和动态边界策略改进的算术优化算法（t-CAOA）。利用引入自适应t分布变异策略提高种群的多样性和质量可以有效提升算法的收敛速度,同时通过引入余弦控制因子的动态边界策略优化AOA的寻优过程,从而协调AOA的全局勘探和局部开发能力。对10个单模态和多模态函数进行寻优实验,并与鲸鱼优化算法（whale optimization algorithm）、灰狼优化算法（grey wolf optimizer）等算法进行对比,实验结果表明,经过改进的算术优化算法具有更高的寻优精度和稳定性。进一步对t-CAOA进行求解大规模优化问题的实验,实验结果表明改进过的t-CAOA可以有效地解决大规模优化问题。     

动态搜索和协同进化的鲸鱼优化算法

针对基本鲸鱼优化算法寻优精度低、收敛速度慢及容易陷入局部最优等缺陷,提出了一种动态搜索和协同进化的鲸鱼优化算法。首先,通过等价替换和Faure序列提高初始解的质量;其次,通过对种群进行分工,提高种群多样性并增强算法跳出局部最优解的能力;最后,根据种群进化信息动态调整搜索策略,从而提高算法的收敛速度和寻优精度。仿真实验结果表明,提出的改进算法相比基本鲸鱼优化算法和部分改进算法具有较好的寻优性能。     

混合策略改进鲸鱼优化算法

针对标准鲸鱼优化算法（whale optimization algorithm,WOA）易陷入局部最优解、收敛精度低、收敛速度慢等问题,提出一种利用混合策略改进的鲸鱼优化算法（multi-strategy improved whale optimization algorithm,MSIWOA）。首先采取精英反向策略初始化种群,提高初始种群质量;其次,采取卡方分布的逆累积分布函数更新收敛因子以实现全局探索和局部开发的平衡;然后利用改进氏族拓扑结构强化种群的全局探索能力,并提高算法收敛速度;最后采取Circle映射产生混沌解,结合贪婪策略保留较优解,以帮助种群跳出局部最优解。通过对10个基准测试函数以及CEC2019测试函数进行仿真实验,结果表明,MSIWOA在收敛精度和收敛速度上均有较明显的提升。     

正余混沌双弦鲸鱼优化算法

针对基本鲸鱼优化（WOA）算法容易陷入局部最优解和收敛速度慢的缺点,提出一种正余混沌双弦鲸鱼优化（CSCWOA）算法。为鲸鱼的觅食加入信息交流强化机制,并在捕食引入正余混沌双弦机制,通过正弦全局搜索减少寻优盲点,余弦局部开发加快收敛速度,以及混沌算子增强跳出局部最优的能力,个体信息在种群中双弦混沌交叉快速传播。通过仿真对比实验,证明了该算法具有较好的收敛速度、求解精度和稳定性。     

若干新型群智能优化算法的对比研究

随着计算机技术的发展,算法技术也在不断交替更新。近年来,群体智能算法受到了广泛的关注和研究,并在诸如机器学习、过程控制、工程预测等领域取得了进展。群智能优化算法属于生物启发式方法,广泛应用在解决最优化问题上,传统的群智能算法为解决一些实际问题提供了新思路,但是也在一些实验中暴露出不足。近年来,许多学者相继提出了很多新型群智能优化算法,选取了最近几年国内外提出的比较典型的群智能算法,蝙蝠算法（Bat Algorithm,BA）、灰狼优化算法（Grey Wolf Optimization,GWO）、蜻蜓算法（Dragonfly Algorithm,DA）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、蝗虫优化算法（Grasshopper Optimization Algorithm,GOA）和麻雀搜索算法（Sparrow Search Algorithm,SSA）,并进一步通过22个标准的CEC测试函数从收敛速度、精度和稳定性等方面对比了这些算法的实验性能,并对比分析了其相关的改进方法。最后总结了群智能优化算法的特点,探讨了其今后的发展潜力。     

基于正交自适应鲸鱼优化的云计算任务调度

针对任务调度中存在的任务完成时间长、系统执行任务成本高且系统负载不均衡等问题,提出了一种基于正交自适应鲸鱼优化算法（OAWOA）的云计算任务调度方法。首先,将正交试验设计（OED）应用于种群初始化和全局搜索阶段,以提升和维持种群的多样性,避免算法过早陷入局部收敛状态;然后,利用自适应指数递减因子和双向搜索机制,来进一步加强算法的全局搜索能力;最后,对适应度函数进行优化,从而使算法实现多目标优化。通过仿真实验将所提的算法与鲸鱼优化算法（WOA）、粒子群优化（PSO）算法、蝙蝠算法（BA）以及其他两种改进的WOA进行比较。实验结果表明,在任务规模为50和500时所提算法都取得了更好的收敛效果,并且得到的系统执行任务的总时间和总成本均低于其他几种算法,同时负载均衡度仅低于BA。可见,所提算法在降低系统执行任务的总时间和总成本以及提高系统负载均衡方面均表现出了显著的优势。     

基于趋化校正的哈里斯鹰优化算法

针对哈里斯鹰优化（HHO）算法收敛速度慢、易陷入局部最优的缺点,提出了一种改进HHO算法,即基于趋化校正（CC）的哈里斯鹰优化（CC-HHO）算法。首先,通过计算最优解下降率和变化权重来识别收敛曲线的状态;其次,将细菌觅食优化（BFO）算法的CC机制引入局部搜索阶段来提高寻优的精确性;再次,将生物在运动时的能量消耗规律融入逃逸能量因子和跳跃距离的更新过程中,从而更好地平衡算法的探索与开发;然后,对最优解和次优解的不同组合进行精英选择来拓展算法全局搜索的广泛性;最后,当搜索陷入局部最优时,通过对逃逸能量施加扰动来实现强制跳出。通过10个基准函数对改进算法的性能进行测试,结果显示CC-HHO算法对单峰函数的搜索精度比引力搜索算法（GSA）、粒子群优化（PSO）算法、鲸优化算法（WOA）以及另外4种改进的HHO算法提升超过10个数量级;对多峰函数也有超过1个数量级的优势;在保证搜索稳定性平均提升超过10%的前提下,所提算法的收敛速度明显优于上述几种优化算法,收敛趋势更加明显。实验结果表明,CC-HHO算法有效地提高了原算法的搜索效率和鲁棒性。     

混合蝗虫优化算法求解作业车间调度问题

作为新兴的智能算法，蝗虫优化算法在作业车间调度问题中的应用符合智能制造的趋势。但由于全局寻优能力不足，基本蝗虫优化算法（GOA）在解决作业车间调度问题（JSP）时容易陷入局部最优，导致收敛精度较低。为了克服上述缺陷，利用量子旋转门操作对其进行改进，提出了一种基于量子计算思想的混合蝗虫优化算法（HGOA）。此外，对混合蝗虫优化算法进行了计算复杂度分析与全局收敛性证明，并利用11个作业车间标准测试问题进行了仿真实验。通过与基本蝗虫优化算法（GOA）、鲸鱼优化算法（WOA）、布谷鸟搜索算法（CS）、灰狼优化算法（GWO）的比较发现，混合蝗虫优化算法在平均值、最小值、寻优成功率及迭代次数方面存在较优结果。研究表明，混合蝗虫优化算法具有更强的全局搜索能力，更好的收敛精度，能够有效跳出局部最优。     

改进果蝇算法优化CIAO-LSTM网络的时序预测模型

为了提高时间序列的预测精度,提出了一种基于改进果蝇算法优化直连长短期记忆网络的时间序列预测方法。将长短期记忆网络的多个时间步输入与输出进行全连接(CIAO-LSTM,直连长短期记忆网络),增强了对目标系统中线性成分的表征。提出了一种改进的果蝇优化算法(IFOA),通过动态改变果蝇的搜索半径和对适应度函数增加逃脱系数,提高了果蝇优化算法的全局寻优能力和局部收敛速度。使用IFOA优化CIAO-LSTM网络参数并构建预测模型(IFOA_CIAO-LSTM)。实验结果表明,优化后的时序预测方法相比传统的长短期记忆网络泛化能力更强、预测精度更高,对于波动较大的数据可以实现更好的拟合。     

多策略融合的改进萤火虫算法

针对传统萤火虫算法（FA）中存在的易陷入局部最优及收敛速度慢等问题,把莱维飞行和精英参与的交叉算子及精英反向学习机制融入到萤火虫优化算法中,提出了一种多策略融合的改进萤火虫算法——LEEFA。首先,在传统萤火虫算法的基础上引入莱维飞行,从而提升算法的全局搜索能力;其次,提出精英参与的交叉算子以提升算法的收敛速度和精度,并增强算法迭代过程中解的多样性和质量;最后,结合精英反向学习机制进行最优解的搜索,从而提高FA跳出局部最优的能力和收敛性能,并实现对于解搜索空间的迅速勘探。为验证所提出的算法的有效性,在基准测试函数上进行了仿真实验,结果表明相较于粒子群优化（PSO）算法、传统FA、莱维飞行萤火虫算法（LFFA）、基于莱维飞行和变异算子的萤火虫算法（LMFA）和自适应对数螺旋-莱维飞行萤火虫优化算法（ADIFA）等算法,所提算法在收敛速度和精度上均表现得更为优异。     

改进鲸鱼算法及其在路径规划的应用

针对鲸鱼优化算法(WOA)存在的收敛速度慢、收敛精度低和易陷入局部最优等问题,提出了采用非线性收敛因子、协同a的惯性权重、时变独立搜索概率和免疫记忆改进的鲸鱼优化算法(IWTWOA);应用非线性收敛因子、协同a的惯性权重和时变独立搜索概率改进WOA迭代模型,平衡了算法的全局搜索和局部搜索能力,有效避免了陷入局部最优的问题;引入免疫算法的免疫记忆机制,提高了算法收敛速度;选取了15个基准测试函数进行性能测试,结果表明IWTWOA算法在稳定性、计算精度和收敛速度上均有所提高;最终将其应用在路径规划问题中,获得了较好的结果.     

柯西自适应回溯搜索与最小二乘支持向量机的集成预测模型

针对在最小二乘支持向量机（LSSVM）的核函数参数和正则化参数优化中回溯搜索优化算法（BSA）易早熟、局部开采能力弱等问题,提出了一种集成预测模型CABSA-LSSVM。首先采用柯西种群生成策略增加历史种群的多样性使算法不易陷入局部最优解,然后利用自适应变异因子策略调节变异尺度系数以平衡算法的全局勘探和局部开采能力,最后运用改进后的柯西自适应回溯搜索算法（CABSA）优化LSSVM以形成新的集成预测模型。选取10个UCI数据集进行数值实验,结果表明所提模型CABSA-LSSVM在种群规模为80时回归预测性能最优,且与标准BSA、粒子群优化（PSO）算法、人工蜂群（ABC）算法、灰狼优化（GWO）算法优化的LSSVM相比,该模型的决定系数提升了1.21%~15.28%,预测误差降低了6.36%~29.00%,运行时间降低了5.88%~94.16%,可见该模型具有较高的预测精度和较快的计算速度。     

基于自适应鲸鱼优化算法结合Elman神经网络的股市收盘价预测算法

针对Elman神经网络在基于股市网络舆情的收盘价预测中存在的收敛速度慢且预测精度低的问题,提出了结合基于自适应噪声的完全集合经验模态分解(CEEMDAN)的改进鲸鱼优化算法(IWOA)结合Elman神经网络预测模型。首先,通过文本挖掘技术对上海证券交易所股票价格综合指数(SSE)180股的网络舆情进行挖掘和量化,并利用Boruta算法筛选重要属性以降低属性集的复杂度;然后,通过CEEMDAN算法在属性集中添加一定数量特定方差的白噪声,实现属性序列的分解与降噪;同时,利用自适应权重改进鲸鱼优化算法(WOA)以增强其全局搜索及局部开采能力;最后,利用WOA在迭代过程中不断优化Elman神经网络的初始权重和阈值。结果表明:比起单独使用Elman神经网络,所提模型的平均绝对误差(MAE)从358.8120降低至113.0553;与未采用CEEMDAN算法的原始数据集相比,该模型的平均绝对百分比误差(MAPE)从4.9423%降低到1.44531%,说明所提模型有效提高了预测精度,为股市网络舆情的预测提供了一种有效的实验方法。