自适应混合文化蛙跳算法求解连续空间优化问题

针对连续空间优化问题,提出了一种自适应混合文化蛙跳算法．算法中群体空间采用改进的混合蛙跳算法进行优化,信念空间通过云模型算法对知识进行更新,利用混沌算法和反向学习算法进化外部空间,3种空间通过自适应的接受操作和影响操作来实现知识的交换．最后通过典型复杂函数测试,结果表明该算法具有很好的收敛精度和计算速度,特别适宜于多峰值函数寻优．     

自适应分组差分萤火虫算法求解连续空间优化问题

提出一种自适应分组差分萤火虫算法求解连续空间优化问题.利用自适应分组策略对种群进行分子群寻优,基于均匀设计理论调整算法参数,通过云模型算法来改进最优个体的随机扰动行为,引入个体能效吸引力来改进非最优个体更新方式.最后,利用差分变异算法和混沌理论完成个体变异.典型复杂函数测试表明,所提出的算法具有很好的收敛精度和计算速度.     

求解多目标优化问题的自适应混沌混合蛙跳算法

针对多目标优化问题提出一种自适应混沌混合蛙跳算法MACSFLA(Adaptive chaos shuffled frog leaping algorithm for multiobjective optimization)。使用动态权重因子策略以提高混合蛙跳算法SFLA(Shuffled Frog Leaping Algorithm)收敛效率,引入基于Pareto支配能力的SFLA子族群划分策略,使得SFLA能够应用于多目标优化问题。在此基础上,MACSFLA首先利用SFLA快速寻优能力接近理论Pareto最优解,然后采用自适应网格密度机制动态维护外部存储器Pareto最优解规模,并使用自适应混沌优化技术改善Pareto最优解集样本多样性,最后利用Pareto最优解选择策略为青蛙种群选择最优更新粒子。多目标函数测试实验结果表明,与MOPSO和NSGA-Ⅱ相比,MACSFLA在Pareto最优解集均匀性和多样性上有明显优势。     

混沌混合蛙跳算法

针对基本混合蛙跳算法(Shuffled Frog Leaping Algorithm,简称SFLA),收敛速度慢,优化精度低的问题,提出了混沌混合蛙跳算法。将混沌优化思想引入到蛙跳算法中,利用混沌运动的随机性和遍历性,对全局最优个体Xg或随机更新策略中的最差个体Xw进行混沌优化,并用优化结果随机替代当前种群中的某个体或Xw,通过这种处理增强了蛙跳算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。通过对6个测试函数和背包问题进行优化实验,仿真结果表明,混沌混合蛙跳算法的优化性能明显优于基本混合蛙跳算法和相关文献中的改进算法。     

自适应混沌变异蛙跳算法*

研究蛙跳算法的寻优性能,主要在基本蛙跳算法的全局搜索过程中加入自适应混沌变异操作, 提出一种改进蛙跳算法。改进后的算法采用Logistic混沌序列构造混沌变异算子, 同时结合个体适应度和进化代数自适应调整变异尺度, 从而增强蛙跳算法搜索最优解的能力。仿真实验结果表明, 改进后的算法寻优精度和收敛速度得到了有效提高, 具有较好的实用性能。     

蚁群算法求解连续空间优化问题

借鉴蚁群算法的进化思想，提出一种求解连续空问优化问题的蚁群算法。该算法主要包括全局搜索、局部搜索和信息素强度更新规则。在全舄搜索过程中，利用信息素强度和启发式函数确定蚂蚁移动方向。在局部搜索过程中，嵌入了确定性搜索，以改善寻优性能，加快收敛速率。通过一个实例问题的求解表明了该算法的有效性。     

求解复杂函数优化问题的混合蛙跳算法*

针对基本混合蛙跳算法在处理复杂函数优化问题时容易陷入局部最优、收敛速度慢的缺点,提出了一种改进的混合蛙跳算法。该算法把生物学中的吸引排斥思想引入到混合蛙跳算法中,修正了其更新策略,从而维持了子群的多样性。实验仿真结果表明,改进的混合蛙跳算法提高了算法的收敛速度,有效地避免了SFLA的早熟收敛问题,从而改善了对复杂问题的搜索效率,数值实验结果验证了算法的有效性和鲁棒性。     

求解连续空间优化问题的混沌量子免疫算法

将混沌搜索的遍历性和量子计算的高效性融合到免疫优化中,提出一种用于连续空间优化的混沌量子免疫算法.该方法用量子位编码初始群体,用量子旋转门实现个体更新,在量子旋转门中引入2种幅值不同的混沌变量改变转角的大小.小幅值混沌变量用于优良个体的克隆扩增,实现局部搜索;大幅值混沌变量用于较差个体的突变,实现全局搜索.并证明算法的收敛性.实验表明,该算法能有效改善免疫优化算法的搜索能力和效率.     

改进的混合蛙跳算法在传感器配置优化中的应用

传感器配置优化是可测性设计的重要研究内容,将混合蛙跳算法应用于传感器配置优化是一种新的尝试。针对传感器配置优化属于离散问题求解,提出离散的混合蛙跳算法,设计了一种离散化的更新方式。为克服蛙跳算法的早熟收敛问题,在改进的离散蛙跳算法中采用混沌优化算法以概率的形式对全局极值进行了优化。最后通过具体系统实例验证了该方法的正确性和有效性。     

基于云模型和余弦跳跃权重的改进蛙跳算法

标准蛙跳优化算法(SFLA)有寻优精度低和易陷入局部收敛区域的缺点, 为提高其性能, 提出一种基于云模型局部搜索和余弦跳跃权重更新位置的改进蛙跳算法(CSFLA). 首先通过Tent混沌映射和反向学习生成种群, 使种群的分布更均匀, 利用云模型的正态特性对子群中的优秀个体的所在区域进行探索. 同时, 对种群中其他个体引入基于余弦函数的跳跃步长权重, 使该权重在整个迭代过程中由高以不同的速率下降, 提高种群的全局搜索能力. 最后, 将CSFLA与多个优化算法在不同类型的测试函数上进行了比较. 结果表明, CSFLA具有更好的收敛速度和精度, 能有效找出全局最优解. 并且将改进算法应用至旅行商问题, 该算法可以找到总路程更短的路线.     

改进的反向蛙跳算法求解函数优化问题

针对混洗蛙跳算法在求解连续函数优化问题中出现的收敛速度慢、求解精度低的缺点,提出了一种基于反向学习策略的改进算法,在种群初始化和进化过程中分别加入反向操作,产生更靠近优质解的种群,从而提高了算法的全局寻优能力,促进了算法收敛。实验仿真表明,新算法在寻优效率、计算精度等方面均优于原算法。     

混合蛙跳算法研究综述

针对混合蛙跳算法(SFLA)是一种结合了基于遗传基因的模因演算算法和基于群体觅食行为的粒子群优化算法的亚启发式协同搜索群智能算法,系统地介绍了SFLA的基本原理和算法流程,讨论了SFLA的研究进展和应用现状,并指出了SFLA的发展趋势和下一步的研究方向.     

协同进化混合蛙跳算法

针对基本混合蛙跳算法收敛速度慢、求解精度低且易陷入局部最优的问题,提出了一种新的协同进化混合蛙跳算法。该算法在局部搜索策略中,对子群内最差个体的更新引入平均值的同时充分利用最优个体的优秀基因,可有效扩大搜索空间,增加种群的多样性;同时对子群内少量的较差青蛙采取交互学习策略向邻近子群的最优个体交流学习,增加子群间交互的频繁性,提高信息共享程度,有利于进化。在全局迭代过程中采取精英群自学习进化机制,以对精英空间进行精细搜索,获得更优解,进一步提升算法的全局寻优能力,正确导向算法的进化。实验结果表明,所提算法在七个测试函数中均能收敛到最优解0,成功率为100%,优于其他对比算法。所提算法可有效避免陷入早熟收敛,极大地提高了算法的收敛速度和优化精度。     

内嵌扰动变异的混合蛙跳算法

针对蛙跳算法局部搜索能力较弱,容易陷入早熟收敛的现象,提出了一种改进的混合蛙跳算法。新算法对子群中每只新青蛙个体引入了随机扰动,并让子群内每只青蛙个体都参与产生新个体,充分利用每只青蛙个体的信息,增加了种群的多样性,提升算法的全局寻优能力,从而避免算法陷入局部收敛。实验表明,改进的混合蛙跳算法有效避免算法陷入局部收敛,提升了算法的收敛精度。     

一种单种群混合蛙跳算法

针对SFLA算法运行速度较慢、在优化部分函数问题时精度不高和易陷入局部最优的缺点,提出了一种单种群混合蛙跳算法SPSFLA。该算法采用单个种群,无需对整个种群进行排序,每个个体通过向群体最优个体和群体中心位置学习进行更新。如果当前个体学习没有进步,则对群体最优个体进行变异,并用变异的结果替代当前个体,加快了算法的运行速度和收敛速度,提高了优化精度。仿真实验结果表明,该算法具有更好的优化性能。     

基于分布估计蛙跳算法的云资源调度方法

针对云计算环境中的资源调度很少同时兼顾最短完成时间和最低服务成本的问题,设计能够综合反映时间和成本的适应度函数,在此基础上提出了基于分布估计蛙跳算法的云资源调度方法。结合遗传算法的交叉操作重新定义蛙跳算法的进化算子,使其适用于整数编码的调度问题;引入分布估计进化策略,突破了标准蛙跳算法搜索模式的局限,使算法具有更全面的学习能力。仿真实验结果表明,在云资源调度问题的求解中,该算法的收敛性能和寻优能力均优于标准的蛙跳算法和分布估计算法。     

基于蛙跳算法的无线传感器网络节点定位

为减小测距误差对无线传感器网络定位精度的影响,将蛙跳算法应用到距离式定位算法的位置计算阶段中,提出了蛙跳定位算法。该算法在适应度函数设计中,根据节点间的测距信息对锚节点进行了加权处理,以降低测距误差对定位结果的影响。结合最小最大法构造初始种群,使其包含更多可行解,从而提高算法效率。仿真结果表明,与采用极大似然估计法或总体最小二乘法来进行位置计算的距离式定位算法相比,该算法有效降低了距离误差对定位精度的影响,具有较高的定位精确度和稳定性,是一种实用的无线传感器网络节点定位方法。     

基于新型蛙跳算法的低碳柔性作业车间调度

针对低碳柔性作业车间调度问题(flexible job shop scheduling problem,FJSP),提出一种新型蛙跳算法(shuffled frog leaping algorithm,SFLA)以总碳排放最小化,该算法运用记忆保留搜索所得一定数量的最优解,并采取基于种群和记忆的种群划分方法,应用新的搜索策略如全局搜索与局部搜索的协调优化以实现模因组内的搜索,取消种群重组使算法得到简化.采用混合遗传算法和教–学优化算法作为对比算法,大量仿真对比实验验证了SFLA对于求解低碳FJSP具有较强的搜索能力和竞争力.