一种改进的灰狼优化算法

为了克服标准灰狼优化(GWO)算法寻优精度不高,难以在收敛速度和避免陷入局部最优之间取得平衡等问题,提出了一种改进的灰狼优化(IGWO)算法.该算法采用非线性收敛因子策略和自适应调整策略来提高寻优精度和加快收敛速度.选取10个基准函数对IGWO算法进行验证表明,IGWO算法的优化精度和收敛速度显著优于标准GWO算法和其他元启发式算法,因此本文提出的IGWO算法在求解最优参数方面具有良好的应用价值.     

改进粒子群优化算法及其在4G网络-基站选址中的应用

针对粒子群优化算法搜索精度不高、整体上容易陷入局部最小的不足,提出了一种改进的粒子群优化算法.该算法一方面在速度更新式中用粒子群中粒子个体极值的加权值替代粒子的个体极值,另外通过使用两种非线性递减函数对惯性权重进行调整,这种改进有效地提高了粒子群优化算法的收敛速度和全局寻优能力.然后,通过对4个基准函数的仿真,验证了本文改进算法的全局收敛寻优能力.最后,将本文改进算法应用于珠三角地区某市4G网络基站选址优化中.仿真和应用的结果表明,改进后的粒子群优化算法具有更高的收敛速度和全局寻优能力.     

改进的变参数粒子群优化算法

为了提高标准粒子群优化(PSO)算法在收敛速度和优化精度上的性能,提出一种改进的变参数粒子群优化(MAPSO)算法.该方法以进化状态因子计算策略和进化状态估计模型为基础,引入了算法参数控制和变异算子,提高了算法的收敛速度和全局优化能力.在多个基准单峰和多峰优化问题上,对已有的2种算法和MAPSO算法进行了测试和比较,结果表明：在优化精度上,MAPSO算法在6个基准测试函数的4个测试函数上都优于另2种算法;在收敛速度方面,MAPSO算法在5个测试函数上都优于其他2个算法,体现了MAPSO算法在多个性能指标上的优越性.     

一种基于折射反向学习机制与自适应控制因子的改进樽海鞘群算法

为克服基本樽海鞘群算法（SSA）存在的收敛速度慢、易陷入局部最优等不足,提出了一种基于折射反向学习和自适应控制因子的新型改进樽海鞘群算法（RCSSA）.首先,采用折射反向学习机制在每一次个体的求解中计算折射反向解,极大地提高了算法收敛精度和速度.然后,将原SSA算法中引导者的自适应控制因子引入跟随者的位置更新中,有效地控制整个搜索过程并增加了算法的局部开发能力.为验证所提RCSSA算法的优化性能,采用了7个单峰、16个多峰基准测试函数以及1个工程设计问题对其进行测试.试验中,先引入两种单策略改进的SSA算法来验证所提算法的有效性,再加入鲸鱼优化算法等5个先进的智能优化算法与之进行对比,进一步验证所提算法的优越性.研究结果表明:无论对于低维度还是高维度基准优化问题,所提算法都能有效地增强原SSA算法的开发和探索能力;并且RCSSA算法在整体优化性能方面要优于其他大多数群智能算法.     

一种新改进的粒子群优化算法

由于粒子群优化算法对多极值复杂问题求解时容易陷入局部极值,提出一种新改进的粒子群优化算法。该改进算法是将粒子群进化过程分为两个不同的阶段,每个阶段应用不同的进化模型,通过结合这两种进化模型的各自优点有效地降低群体陷入局部最优。由仿真实验结果可知,对于复杂多极值函数优化问题,本文算法比标准粒子群优化算法的全局寻优能力更强。     

基于模糊推理的带收缩因子的粒子群算法

为了提高粒子群算法的搜索性能,本文提出了一种基于模糊推理的改进方法。通过模糊推理调整算法参数:对学习因子c1和c2进行自适应调整,平衡粒子向自身经验和向群体经验学习的能力;收缩因子χ也通过模糊规则随之调整,从而平衡粒子的全局搜索能力和局部搜索能力。通过对多个基准测试函数的进行仿真实验,并与标准的粒子群算法和带收缩因子的粒子群算法相比较,结果表明改进后的算法的性能更好,尤其是对具有多个局部极值点且极值相差不大的多峰函数的优化更有效。该算法具有一定的实际应用价值。     

基于DEG-WO-LSSVM模型的用电负荷预测

为了提高负荷预测的拟合精度,提出一种基于优化灰狼算法的最小二乘支持向量机负荷预测模型,针对标准灰狼算法精度低、收敛速度慢、易陷入局部最优的缺点,采用差分算法优化标准灰狼算法。利用改进的灰狼算法优化最小二乘支持向量机的两个主要参数,建立功率负荷预测研究模型。通过实例分析获得负荷预测结果,利用三种评价指标对比了四种算法模型。实验表明,改进灰狼算法优化最小二乘支持向量机的改进评价指标数值较低,拟合曲线精度更高。     

改进灰狼算法及其在港口泊位调度中的应用

为提升港口泊位调度的效率,提出一种基于改进灰狼算法的船舶调度优化方法.针对灰狼算法收敛速度慢、寻优精度不高等不足,引入Sin混沌初始化,增强初始种群的均匀性和遍历性;引入头狼引领策略,加快算法收敛,提高算法效率;引入合作竞争机制,增强算法局部搜索的能力;在灰狼种群位置更新时引入自适应权值,以满足不同时期的寻优要求.为验证改进灰狼算法的有效性,将该算法与其他6种不同算法进行对比实验.结果表明:改进灰狼算法的收敛速度明显快于其他6种算法,在不同测试函数的仿真中均能得到所求函数的最优值,且该算法独立运行20次取得解的标准差均为0,表明该算法对不同维度的求解问题均具有很好的抗扰性;在港口泊位调度的应用中,经过该算法优化后,所有船舶停留总时间较优化前缩短了14.7%,大幅度缩短了船舶的在港时间.该算法在船舶调度优化中取得了满意的应用效果,能够得出相对较佳的调度方案,实现泊位停靠最优化,为港口泊位调度优化提供了新方法.     

多峰连续函数优化的一种混合算法

提出一种解决多峰连续函数优化的混合算法。该方法定义适当的适应度函数，使用遗传算法自动形成极值点领域种群，进行聚类分析，分别在单极值区域取最优个体为初始点，采用最速下降法进行快速寻优，在得到全局最优解的同时获得多个局部极值。计算仿真表明该方法有效且收收敛快、精度高。     

一种改进的粒子群算法

粒子群算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优.为了克服这个缺点,提出了一种新的粒子群算法,算法对粒子的速度和位置更新公式进行了改进,使粒子在其最优位置的基础上进行位置更新,增强了算法的寻优能力.通过对5个基准函数的仿真实验,表明了改进算法的有效性.     

实时数据下城市高架路短期交通流预测模型

灰狼算法具有容易困于局部最优且收敛精度有缺陷，笔者改进非线性收敛因子，同时利用差分进化策略，得到新的灰狼优化算法。借助基准测试函数进行验证，改进后算法的全局搜索能力和收敛速度强于标准灰狼算法。进一步把改进后的算法应用在城市高架路短期交通流预测，具有较好的可行性，经过比较可知，预测的精度有明显的提升，优化了实时数据下高架路短期交通流预测的计算路径。     

基于惯性因子的混沌粒子群优化算法研究

粒子群优化算法本身在多峰复杂函数时会出现早熟收敛现象,降低粒子的多样性,导致粒子群不能收敛到全局极值点。针对粒子群优化算法的局限性,把混沌优化思想引入到粒子群算法,采用混沌优化粒子群算法对测试函数进行仿真,并在此基础上加入惯性因子对混沌优化粒子群算法进一步改进,Matlab仿真结果表明,改进的混沌优化粒子群算法,结合了混沌和粒子群算法共同的优点,能快速、准确地搜索到全局最优值。     

极值优化算法研究

极值优化算法是一种新的、通用的启发式优化方法.其基本思想是更新适值最差的变量,提高目标函数的适值.极值优化算法(EO)由于它的简单易于实现和强大的功能,已受到学术界的广泛关注.介绍了基本的EO算法、若干类改进的EO算法及其原理和应用,并讨论将来可能的研究内容.     

精英区域学习的转轴人工蜂群算法

针对人工蜂群(ABC)算法在解决复杂优化问题时容易出现收敛速度慢、开采能力不足的问题,提出了一种精英区域学习的转轴人工蜂群(ERABC)算法。在ERABC算法中,通过执行区域学习方法构建精英池,并利用精英池改进其搜索策略,同时在每一代中以一定的频率对最优解执行转轴法(RM)局部搜索。在20个包含单峰、多峰和偏移函数的基准测试函数上,分析了ERABC算法中改进策略的有效性,并与多种新近的改进ABC算法和演化算法进行了比较实验。实验结果表明,提出的算法在保证精英池中个体多样性的同时加快了算法的收敛速度,RM有效地提高了算法的开采能力。     

基于灰狼算法与小波神经网络的目标威胁评估

为了提高目标威胁度评估的精确度,建立反向学习灰狼算法（OGWO）优化小波神经网络的目标威胁评估模型（OGWO-WNN）,提出基于该模型的算法.该模型使用反向学习策略（OBL）优化灰狼算法（GWO）,通过改进后的灰狼算法优化小波神经网络的各权值和小波基函数的平移因子与伸缩因子,使优化后的小波神经网络能够对威胁度测试样本集作更好的预测.实验结果显示,采用反向学习灰狼算法能够更好地优化小波神经网络的权值与平移、伸缩因子,使建立的小波神经网络目标威胁评估模型具有更高的预测精度和更强的泛化能力,能够精准、有效地实现目标威胁评估.     

基于极限过程学习机的储层微观孔隙结构识别

准确分析储层岩石的微观孔隙结构特征是发挥油气层的产能和提高油气采收率的关键.构建一种具有过程式输入的极限学习机模型,并提出基于灰狼优化算法原理改进的混洗蛙跳算法对模型的网络隐层节点个数及网络权值进行优化,利用基于张量乘积矩阵的广义逆求解方法加速极限过程学习机模型的求解.实验结果表明:与5种改进混洗蛙跳算法对比,所提的算法无论在6个高维函数优化还是微观孔隙结构类型识别方面都取得了最好的优化效果,具有很好的实际应用价值.     

基于差分进化的水波优化算法

水波优化(WWO)算法是一种基于浅水波理论的新兴智能优化算法.为提高算法的收敛速度和精度,提出一种基于差分进化的水波优化(DEWWO)算法,在传播、折射、碎浪过程之后进行变异、选择、交叉操作,通过差分进化算法的过程有效地增加种群多样性,一定程度上避免算法陷入局部最优,提高算法搜索的效率和精度.对6个常用的基准函数进行测试,结果表明改进算法相对于基本水波优化算法在函数优化方面具备一定的优势,是对基本水波优化算法的有力补充.     

一种基于Tent映射的混合灰狼优化的改进算法

针对基本灰狼算法易陷入局部最优、未考虑个体自身经验等问题,本文提出一种基于Tent映射的混合灰狼优化算法(grey wolf optimization algorithm based on particle swarm optimization,简称PSO_GWO).首先,其通过Tent混沌映射产生初始种群,增加种群个体的多样性;其次,采用非线性控制参数,前期递减速度慢,能够增加全局搜索能力,避免算法陷入局部最优,后期收敛因子递减速度快,增加算法局部搜索能力,从而提高整体收敛速度;最后,引入粒子群算法的思想,将个体自身经历过最优值与种群最优值相结合来更新灰狼个体的位置信息,从而保留灰狼个体自身最佳位置信息.为验证该算法的有效性,本文借助9个标准测试函数来与其他三种算法进行对比.实验结果表明,本文提出的算法比其他三种算法在单峰函数和多峰函数上搜索到的最优解更加理想; PSO_GWO算法比IGWO算法(the improved grey wolf optimization algorithm)在计算时间复杂度方面效果较好;同时,随着种群规模增大,PSO_GWO算法收敛值逐渐接近理想值.因此,本文提出的PSO_GWO算法能更快搜索到全局最优解,且鲁棒性更好.     

一种新的免疫克隆选择算法在多峰寻优中的应用

为了解决Castro克隆选择算法中存在的种群规模需根据经验确定、多峰搜索能力弱、训练时间长的问题,提出了一种新的免疫克隆选择算法,该算法基于一个压缩阈值和新的收敛标准,能够动态确定种群大小,具有很强的全局和局部搜索能力,可以搜索到全局最优点和尽可能多的局部极值点.与Castro克隆选择算法相比,多峰搜索的成功率提高了1.2倍、平均迭代次数减少了一半.仿真实验的结果也表明该算法在平均运行时间减少了56%的情况下多峰函数的优化效果得到了显著改善.     

基于灰狼优化算法的置换流水线车间调度

采用了一种新颖的混合灰狼优化算法来求解置换流水线调度问题。针对标准灰狼优化算法在求解离散流水线车间调度问题时收敛速度慢的现象,并结合问题的特点,提出了改进的灰狼优化算法。为了避免非可行解的产生,在该改进算法中采用了随机键编码机制对工件位置进行编码,同时引入局部搜索策略以提高算法收敛能力,基于灰狼个体间的社会等级信息以最优3个狼指引其它个体到达最优解区域从而更新种群。通过最新标准测试集的仿真结果和算法比较验证了所提算法的有效性。