交互学习的粒子群优化算法

分析基本的粒子群优化学习机制的缺陷,启发于人类社会不同群体之间可以交互学习的特点,提出了一种改进粒子群优化算法——ILPSO.在ILPSO算法中,粒子由2个种群构成.当2个种群中最佳的全局最优位置在连续一定的迭代次数内没有改善时,执行交互学习策略.依据每个种群的全局最优位置的适应值,运用模拟退火的机制和轮盘赌的方法确定学习种群和被学习种群.提出了一个基于适应度排序的经验公式,计算学习种群中的每个粒子向被学习种群学习的概率.为了摆脱选择压力,采用了一种速度变异的方法.多个测试函数的数值实验结果表明,IL-PSO具有较好的全局搜索能力,是一种求解复杂问题的有效方法.     

融合对立学习的混合灰狼优化算法

针对标准灰狼优化(grey wolf optimization,GWO)算法存在后期收敛速度慢,求解精度不高,易出现早熟收敛现象等问题,提出了一种基于对立学习策略和Rosenbrock局部搜索的混合灰狼优化(hybrid GWO,HGWO)算法。该算法首先采用对立学习策略取代随机初始化生成初始种群,以保证群体的多样性;然后对当前群体中最优个体进行Rosenbrock局部搜索,以增强局部搜索能力和加快收敛速度;最后为了避免算法出现早熟收敛现象,利用精英对立学习方法产生精英对立个体。对6个标准测试函数进行仿真实验,并与其他算法进行比较,结果表明,HGWO算法收敛速度快,求解精度高。     

多策略并行学习的异构粒子群优化算法

针对标准粒子群优化(PSO)算法在复杂问题上收敛速度慢和早熟收敛的缺点,提出了一种多策略并行学习的异构PSO算法(MHPSO).该算法首先从种群多样性和跳出局部极值的角度提出了两种新学习策略(局部扰动学习策略和高斯子空间学习策略),并将这两种策略与MBB-PSO策略融合组成高效稳定的策略池.其次提出了一种简单有效的策略更换机制,指导粒子迭代寻优中何时更换学习策略.基准测试函数的实验结果表明,改进的粒子群优化算法在求解精度和收敛速度上得到极大的提高.与一些改进PSO算法(如自适应的粒子群优化(APSO)算法等)相比,所提算法具有更优良的寻优性能.     

多学习教与学优化算法

针对教与学优化算法(TLBO)局部开发能力差,易陷入局部最优的缺点,提出一种基于反向学习的多学习教与学优化算法(MTLBO)。通过反向学习技术拓展搜索空间,增加解的多样性,进一步增强算法的全局搜索能力。引入多学习机制,使其更有效地进行局部搜索,加快收敛速度。同时提出一种小概率变异策略,增加跳出局部最优的可能性。在基准测试函数上进行验证实验,结果表明,与TLBO算法、ITLBO算法以及其他优化算法相比,该算法在低维和高维函数上都取得了较好的优化效果。     

融合认知心理学理论的新型教与学优化算法及应用

针对教与学优化算法(teaching-learning-based optimization, TLBO)寻优精度低、易陷入局部最优的问题,提出了一种融合认知心理学理论的新型教与学优化算法(cognitive psychology teaching-learning-based optimization, CPTLBO)。在教阶段融入登门槛效应理论,对于学习有困难的学生设置阶段性学习目标,从而提高学生的整体水平;在学阶段加入老师引导机制,提高算法收敛速度;随后,加入自我调整阶段,学生根据心理控制源理论可被分为内控型和外控型,不同类型的学生对自身成绩采取不同的归因方式并采取相应措施。利用经典的基准测试函数对CPTLBO进行测验,结果表明改进算法在寻优精度和收敛速度方面具有优势。构建CPTLBO-ELM自来水供水量预测模型,采用CPTLBO算法优化极端学习机的输入权值和隐含层阈值参数,以提高模型的预测精度和泛化能力。仿真结果表明:用CPTLBO算法优化后的模型预测结果更准确。     

PSO优化算法演变及其融合策略

分析了粒子群优化算法公式的演变以及相关参数,包括基本算法、加惯性权重的PSO以及加收缩因子的PSO。并对它与其它智能算法（模拟退火、遗传算法、蚁群算法等）的融合进行了探讨,指出目前PSO的数学研究范畴仅限于收敛性的研究。     

融合随机反向学习的黏菌与算术混合优化算法

黏菌优化算法(SMA)和算术优化算法(AOA)是最近提出的新型元启发式优化算法.SMA算法具有较强的全局探索能力,但迭代后期振荡作用较弱,易陷入局部最优,且收缩机制不强,导致收敛速度慢.AOA算法利用乘除算子进行位置更新,随机性强,具有较好的避免早熟收敛能力.针对上述问题,将两种算法结合并利用随机反向学习策略提高收敛速...     

基于混合预测策略与改进社会学习优化算法的动态多目标优化方法

近年来,国内外学者针对基于预测的动态多目标优化算法开展了深入研究,并提出了一系列有效的算法,然而已有的研究工作通常采用单一的预测策略,使得算法不能有效地应对剧烈的环境变化。针对上述问题,提出了一种基于混合预测策略与改进社会学习优化算法的动态多目标优化方法。具体地,当环境发生变化时,该方法首先基于代表性个体预测策略生成一部分群体;其次,基于拐点预测策略生成一部分新群体,特别地,为了提高种群的多样性,根据算法迭代的历史信息和环境变化情况随机地生成一定数量的新个体;为了提高问题的求解效率,对社会学习优化算法进行了改进,为每个进化空间设计了适用于动态多目标优化问题的算子;最后,将混合预测策略与改进的社会学习优化算法结合,构成了一种新的动态多目标优化方法。以FDA、DMOP和F函数集作为实验测试函数集,与四种代表性算法进行了性能对比;并以反向世代距离(inverted generational distance, IGD)对该方法的性能进行了深入的分析。实验结果表明所提方法具有较好的收敛性和鲁棒性。     

基于混合二次对立学习的生物地理优化算法

针对生物地理优化(BBO)算法探索能力不强、收敛速度慢的缺点,提出一种基于混合二次对立学习的生物地理优化算法--HQBBO。首先,定义一种启发式的混合二次对立点,并从理论上证明其搜索效率优势;然后,提出混合二次对立学习算子,增强算法的全局探索能力,提高收敛速度;此外,还采用搜索域动态缩放策略和精英保留策略进一步提高寻优效率。对8个基准测试函数的仿真实验结果表明,所提算法在寻优精度和收敛速度上优于基本BBO算法和对立BBO算法(OBBO),表明其采用的混合二次对立学习算法对于其高收敛速度和全局探索能力是非常有效的。     

教与学信息交互粒子群优化算法

针对单一种群在解决高维问题中收敛速度较慢和多样性缺失的问题,提出了一种教与学信息交互粒子群优化(PSO)算法.根据进化过程将种群动态地划分为两个子种群,分别采用粒子群优化算法和教与学优化算法,同时粒子利用学习者阶段进行子种群之间信息交互,并通过评价收敛性和多样性指标让粒子的收敛能力和多样性在进化过程中得到平衡.与粒子群...     

基于分层自主学习的改进粒子群优化算法

针对粒子群优化（PSO）算法容易陷入局部最优、收敛精度不高、收敛速度较慢的问题，提出一种基于分层自主学习的改进粒子群优化（HCPSO）算法。首先，根据粒子适应度值和迭代次数将种群动态地划分为三个不同阶层；然后，根据不同阶层粒子特性，分别采用局部学习模型、标准学习模型以及全局学习模型，增加粒子多样性，反映出个体差异的认知对算法性能的影响，提高算法的收敛速度和收敛精度；最后，将HCPSO算法与PSO算法、自适应多子群粒子群优化（PSO-SMS）算法以及动态多子群粒子群优化（DMS-PSO）算法分别在6个典型的测试函数上进行对比仿真实验。仿真结果表明，HCPSO算法的收敛速度和收敛精度相对给出的对比算法均有明显提升，并且算法执行时间和基本PSO算法执行时间差距在0.001量级内，在不增加算法复杂度的情况下算法性能更高。     

交叉反向学习和同粒社会学习的粒子群优化算法

针对社会学习粒子群优化（SLPSO）算法存在的优化效率低、收敛速度慢等问题,提出了一种改进的SLPSO算法,即基于交叉反向学习和同粒社会学习的PSO算法（CPPSO）。首先,将最优解随机纵向交叉与一般反向学习以及随机反向学习构建交叉反向学习;然后,以此交叉反向学习策略更新种群中的最优粒子位置,增强探索能力,并克服SLPSO中最优粒子无更新导致效率低下的缺点;最后,对于非最优粒子,与SLPSO采用基于维的社会学习不同,均采用新型基于粒子的社会学习机制,在提高全局搜索能力同时,更提高开采能力和搜索效率。在一组不同维基准函数上优化的实验结果表明,CPPSO的优化性能、搜索效率和普适性大幅度领先于SLPSO和其他先进的PSO改进算法,如交叉搜索PSO （CSPSO）算法、自我调节的PSO （SRPSO）算法、异构综合学习的PSO （HCLPSO）算法和反向学习和局部学习能力的PSO （RLPSO）算法。     

基于粒子群优化算法的Richards模型参数估计和算法有效性

针对Richards模型参数估计较为困难的实际问题,提出将Richards模型的参数估计问题转化为一个多维无约束函数优化问题。结合谷氨酸菌体的实际生长浓度数据,在Matlab 2012b环境中,利用粒子群优化（PSO）算法建立适应度函数,在最小线性二乘意义下估计Richards模型中的4个参数,并建立了拟合的生长曲线和最优值变化曲线。为进一步验证算法有效性,将PSO算法与该模型传统参数估计法中的四点法和遗传算法(GA)进行了比较,以相关指数和剩余标准差作为评价指标。结果表明,PSO算法对Richards模型的拟合效果良好,对模型的参数估计有着很好的适用性。     

基于麻雀搜索算法和改进粒子群优化算法的网络入侵检测算法

针对网络入侵检测模型自适应能力不足的问题,将麻雀搜索算法（SSA）中的大范围快速搜索能力引入到粒子群优化（PSO）算法,提出基于麻雀搜索算法的改进粒子群优化（SSAPSO）算法。该算法通过对轻量级梯度提升机（LightGBM）算法中难以整定的参数进行寻优,使PSO算法在保证寻优精度的同时快速收敛,并得到最优的网络入侵检测模型。仿真实验结果表明,在4种基准函数上,SSAPSO比基本PSO算法收敛速度更快;在KDDCUP99数据集上,SSAPSO优化LightGBM后得到的SSAPSO-LightGBM算法比分类特征和梯度提升（CatBoost）算法的准确率、召回率、精确率和F1指数分别提升了15.12%、3.25%、21.26%和12.25%;SSAPSO-LightGBM算法在上述数据集中正常流量（Normal）、未授权远程访问（R2L）攻击、未授权本地访问（U2R）攻击、监听（PROBE）攻击的检测准确率比LightGBM算法分别提升了0.61%、3.14%、4.24%、1.04%和5.03%。     

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法.通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态: 若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率.在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等.     

综合维度学习的多群协作粒子群优化算法

针对维度学习策略（dimensional learning strategy,DLS）中存在的过度开发问题,提出了一种综合维度学习的多群协作粒子群优化算法（CDL-MCPSO）。为提高种群搜索效率,采用基于主从范式的集群结构,将种群划分为一个主群和四个从群,主群执行综合学习策略在搜索空间进行大范围探索,从群执行综合维度学习策略（comprehensive dimensional learning,CDL）在局部最优解附近进行高精度的开发,主从群通过执行具有不同职能的算法能够有效实现其在勘探和开发之间的平衡;同时为保持种群多样性,提出了一种新的解交换机制（SEM）用于在主从群独立运行各自算法若干代之后进行信息的交流与协作,以指导粒子后期进行更准确的搜索;最后,针对初始化过程随机性过高,运用拉丁超立方体采样方法对算法重建输入分布。为验证CDL-MCPSO的有效性,将其与五种粒子群算法变体在10个测试函数上进行实验对比,结果表明该算法总是可以找到优于或相当于对比算法的解,在求解复杂函数时具有可行性和高效性。