求解约束优化问题的改进灰狼优化算法

针对基本灰狼优化(GWO)算法存在求解精度低、收敛速度慢、局部搜索能力差的问题,提出一种改进灰狼优化(IGWO)算法用于求解约束优化问题。该算法采用非固定多段映射罚函数法处理约束条件,将原约束优化问题转化为无约束优化问题,然后利用IGWO算法对转换后的无约束优化问题进行求解。在IGWO算法中,引入佳点集理论生成初始种群,为算法全局搜索奠定基础;为了提高局部搜索能力和加快收敛,对当前最优灰狼个体执行Powell局部搜索。采用几个标准约束优化测试问题进行仿真实验,结果表明该算法不仅克服了基本GWO的缺点,而且性能优于差分进化和粒子群优化算法。     

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。     

混合苍狼优化算法在全局最优中的应用研究

在分析标准苍狼优化算法（GWO）的开发与探索性能基础上,提出了一种混合苍狼优化算法（MAR- GWO）,搜索域得到了全面的扩展,其中针对[α、][β、][δ]领导层苍狼,引入自主搜索行为来加大其优化力度与促进速度的提高,对性能较差搜索狼采取淘汰重组机制以提高搜索效率,又采取概率差分变异行为增加了个体多样性,从而避免局部最优。为了验证MAR-GWO算法有效性,对13个全局优化问题进行实验,分别与GWO、GWO-EPD（改进的苍狼优化算法）、PSO、EA等算法进行了对比测试,从实验结果来看,MAR-GWO算法寻优成功率相对较高、收敛速度快,不易陷入局部最优,在智能算法中具有很强的竞争力。     

一种基于教与学的混合灰狼优化算法

针对灰狼优化算法(GWO)存在收敛精度不高、易陷入局部最优的不足,提出一种基于教与学的混合灰狼优化算法(HGWO).首先,采用佳点集理论进行种群初始化,提高初始种群的遍历性;其次,提出一种非线性控制参数策略,在迭代前期增加全局搜索能力,避免算法陷入局部最优,在迭代后期增加局部开发能力,提高收敛精度;最后,结合教与学算法(TLBO)和粒子群优化算法,修改原位置更新公式以优化算法搜索方式,从而提升算法的收敛性能.为验证HGWO算法的有效性,选取9种标准测试函数,将HGWO算法、GWO算法以及其他群体智能优化算法和其他改进GWO算法进行仿真实验.实验结果表明,所提出的HGWO算法性能优于GWO算法和其他群体智能优化算法,且在改进算法中具有一定优势.     

重选精英个体的非线性收敛灰狼优化算法

针对灰狼优化算法（GWO）存在的求解精度较低、后期收敛速度较慢、易陷入局部最优的缺点,提出一种改进灰狼优化算法（EGWO）。该算法引进两种改进策略：用以平衡算法全局搜索性和局部开发性的非线性收敛因子调整策略和用以降低陷入局部最优风险的精英个体重选策略。通过在9个基准测试函数上的实验与标准GWO算法,以及文献提出的5种改进灰狼算法和4种其他算法进行对比,从算法寻优的精确性和鲁棒性两个方面验证两种算法改进策略的有效性。实验结果表明,两种改进策略都能提升算法性能,综合使用两种策略的EGWO在收敛速度和求解精度都明显优于其他比较算法。     

求解铁路物流配送中心选址问题的改进灰狼优化算法

针对单一机制的灰狼优化算法（GWO）易陷于局部最优、收敛速度慢的问题,提出了一种改进灰狼优化（IGWO）算法来解决实际铁路物流配送中心选址的问题。首先,在基本的灰狼优化算法的基础上,引入佳点集理论初始化种群,从而提高了初始种群的多样性;然后,利用差值剔除策略（DES）来增加全局寻优能力,以达到一种高效的寻优模式。仿真实验结果表明：与标准的灰狼算法相比,所提出的IGWO适应度值提高了3%,在10个测试函数中最优值精度可最多提高7个单位;与粒子群优化（PSO）算法、差分进化（DE）算法和遗传算法（GA）比较,所提算法的运行速度分别提高了39.6%、46.5%和65.9%,选址速度也明显提高。可见所提算法可用于铁路物流中心的选址。     

基于改进灰狼算法优化SVR的混凝土中钢筋直径检测方法

传统钢筋混凝土检测方法通过线性拟合或标准值查表法只能对钢筋直径做大致估算,无法精确测量。针对钢筋直径检测中样本数据较少、检测结果受到钢筋埋深及相邻钢筋间距的影响而非表现出非线性回归变化的情况,提出了基于改进灰狼算法(Improved Grey Wolf Optimizer, IGWO)优化的支持向量回归机(Support Vector Regression, SVR)检测方法(IGWO-SVR)。首先,通过反向学习策略优化初始化种群分布,改善了灰狼优化算法(Grey Wolf Optimizer, GWO)的全局搜索能力,通过随机差分变异策略扩大狼群动态搜索范围,避免了灰狼优化算法陷入局部最优;然后,将改进后的灰狼优化算法应用于支持向量回归机的核心参数寻优,以改良算法模型的检测性能;最后,与另外3种算法模型的实验结果进行对比分析,结果表明了所提方法在钢筋直径检测中的精度以及优化模型与实际值的拟合度都得到了有效提升。     

具有自适应搜索策略的灰狼优化算法

灰狼优化算法(Grey Wolf Optimization,GWO)是一种新型的群智能优化算法。与其他智能优化算法类似,该算法仍存在收敛速度慢、容易陷入局部极小点的缺点。针对这一问题,提出了具有自适应搜索策略的改进算法。为了提高算法的收敛速度和优化精度,通过适应度值控制智能个体位置,并引入了最优引导搜索方程;另一方面,为提高GWO的种群多样性,改进算法利用位置矢量差随机跳出局部最优。最后对10个标准测试函数进行了仿真实验,并与其他4种算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。     

基于停滞检测的双向搜索灰狼优化算法

针对灰狼优化算法（GWO）易陷入局部最优、收敛速度低的问题,提出了一种基于停滞检测的双向搜索灰狼优化算法（DBGWO）。为了提升初始种群的质量,引入了Bernouilli shift映射;为了充分利用GWO特有的头狼机制,实现整体提升算法性能的目的,提出一种双向搜索策略;为了提升算法跳出局部最优的能力、增加算法的收敛速度,提出一种停滞检测机制,针对算法是否有陷入局部最优风险的判断,狼群会采取相应的措施改变当前状态。通过对23个基准测试函数进行仿真实验结果表明,所提算法在求解多峰函数问题上效果显著,同时在求解最优解非0点的函数问题上表现也较为优越。将该算法用于求解多阈值图像分割问题,解决了用Kapur熵法计算多阈值时耗时过长的问题。     

渐进式分组狩猎的灰狼优化算法及其工程应用

针对灰狼优化（GWO）算法在求解复杂优化问题时存在后期收敛速度慢、易陷入局部最优的不足,提出了一种渐进式分组狩猎的灰狼优化（PGGWO）算法。首先,设计了非线性多收敛因子以增强全局勘探能力、避免局部最优;其次,提出了渐进式位置更新策略,该策略引入长鼻浣熊的包围策略和动态权重因子,前者在提高收敛精度和速度的同时避免局部最优,后者则动态地提升算法的收敛速度及全局寻优性能。最后,通过与标准GWO、4个GWO先进变体以及4个竞争力较强的新型进化算法对比,验证了PGGWO算法的有效性和先进性。在24个Benchmark函数和3个实际工程优化问题上的实验结果表明,PGGWO算法在收敛精度和收敛速度上具有明显优势,并且对约束优化问题也是有效的。     

一种新型非线性收敛因子的灰狼优化算法*

针对标准灰狼优化算法在求解复杂工程优化问题时存在求解精度不高和易陷入局部最优的缺点,提出一种新型灰狼优化算法用于求解无约束连续函数优化问题。该算法首先利用反向学习策略产生初始种群个体,为算法全局搜索奠定基础;受粒子群优化算法的启发,提出一种非线性递减收敛因子更新公式,其动态调整以平衡算法的全局搜索能力和局部搜索能力;为避免算法陷入局部最优,对当前最优灰狼个体进行变异操作。对10个测试函数进行仿真实验,结果表明,与标准灰狼优化算法相比,改进灰狼优化算法具有更好的求解精度和更快的收敛速度。     

求解作业车间调度问题的改进混合灰狼优化算法*

灰狼优化算法(GWO)是目前一种比较新颖的群智能优化算法,具有收敛速度快,寻优能力强等优点。本文将灰狼优化算法用于求解复杂的作业车间调度问题,与布谷鸟搜索算法进行比较研究,验证了标准GWO算法求解经典作业车间调度问题的可行性和有效性。在此基础上,针对复杂作业车间调度问题难以求解的特点,对标准GWO算法进行改进,通过进化种群动态、反向学习初始化种群,以及最优个体变异等三个方面的改进操作,测试结果表明改进后的混合灰狼优化算法能够有效跳出局部最优值,找到更好的解,并且结果鲁棒性更强。     

动态反向搜索更新位置的改进灰狼优化算法

针对灰狼优化算法（GWO）后期收敛速度慢、易陷入局部最优等问题,提出一种动态反向搜索更新位置的改进灰狼优化算法（DAGWO）。该算法在原始的位置更新公式中引入个体历史最优位置引导策略,以加快算法的收敛速度;同时,引入反向搜索因子,该因子依据种群早熟判别指标动态调节自身取值,在算法陷入局部极值时令灰狼个体向整个种群中最差个体方向进行反向搜索,以提高种群跳出局部极值的能力。此外,构造了一种新型局部扰动的非线性收敛因子[a],以平衡算法的全局和局部搜索能力。对20个经典测试函数进行仿真实验,结果表明在求解精度、收敛速度和算法的稳定性上,DAGWO算法与标准智能优化算法和其他相关改进算法相比更有优越性。     

增强开发能力的改进人工蜂群算法

为解决人工蜂群（ABC）算法收敛速度慢、精度不高和易于陷入局部最优等问题，提出一种增强开发能力的改进人工蜂群算法。一方面，将得出的最优解以两种方式直接引入雇佣蜂搜索公式中，通过最优解指导雇佣蜂的邻域搜索行为，以增强算法的开发或局部搜索能力；另一方面，在旁观蜂搜索公式中结合当前解及其随机邻域进行搜索，以改善算法的全局优化能力。对多个常用基准测试函数的仿真实验结果表明，在收敛速度、精度和全局优化能力等方面，所提算法总体上优于其他类似的ABC算法（例如ABC/best）和集成多种搜索策略的ABC算法（例如ABCVSS（ABC algorithm with Variable Search Strategy）和ABCMSSCE（ABC algorithm with Multi-Search Strategy Cooperative Evolutionary））。     

基于模糊控制的权重决策灰狼优化算法

针对灰狼优化算法后期收敛速度慢,求解精度低等问题,提出一种基于模糊控制的权重决策灰狼优化算法.首先,提出一种新的非线性收敛因子,以提高算法的全局搜索能力及收敛速度;其次,提出一种基于模糊控制的权重决策策略,通过模糊控制器对决策层的个体赋予不同权重进行种群位置更新的决策,增强算法的寻优能力.选取23个标准测试函数对该算法及对比算法进行数值实验,实验结果表明,本文提出的改进的灰狼优化算法在求解精度和算法稳定性等指标优于对比算法.     

基于改进型柯西变异灰狼优化算法训练的多层感知器

多层感知器MLP是处理分类问题的一种方法,可实现非线性高维度分类,并有很好的扩展能力.但是,在传统MLP的训练过程中,MLP分类结果的好坏与参数选择关系密切,而且传统算法的参数选择有很多缺陷.使用群智能算法替代传统多层感知器训练器是一种解决方案.灰狼优化算法GWO是其中一种兼顾高水平的探索和开发能力的算法.但是,GWO...     

基于Cat混沌与高斯变异的改进灰狼优化算法

针对基本灰狼优化算法在求解复杂问题时同样存在依赖初始种群、过早收敛、易陷入局部最优等缺点,提出一种改进的灰狼优化算法应用于求解函数优化问题中。该算法首先利用混沌Cat映射产生灰狼种群的初始位置,为算法全局搜索过程的种群多样性奠定基础;同时引入粒子群算法中的个体记忆功能以便增强算法的局部搜索能力和加快其收敛速度;最后采用高斯变异扰动和优胜劣汰选择规则对当前最优解进行变异操作以避免算法陷入局部最优。对13个基准测试函数进行仿真实验,结果表明,与基本GWO算法、PSO算法、GA算法以及ACO算法相比,该算法具有更好的求解精度和更快的收敛速度。