基于改进局部搜索策略的人工蜂群算法

针对人工蜂群算法在函数优化问题求解过程中容易陷入局部最优,收敛速度慢的缺点,提出了一种基于改进局部搜索策略的人工蜂群算法。该算法中跟随蜂采用基于当前最优解的混沌局部搜索策略,侦查蜂采用基于当前最优解的自适应侦查策略,并使其局部搜索范围随着迭代次数的增加逐渐减小,从而提高了人工蜂群算法的局部搜索能力,有效地避免了其陷入局部最优。6个测试函数的仿真实验结果表明,与传统的人工蜂群算法相比,改进后算法的求解精度和收敛速度明显提升。     

双局部粒子群算法解决环境经济调度问题

提出一种基于双局部最优的多目标粒子群优化算法,与可行解为优的约束处理方法相结合,来求解决非线性带约束的多目标电力系统环境经济调度问题。该算法针对传统多目标粒子群算法多样性低的局限性,通过对搜索空间的分割归类来增加帕累托最优解的多样性;并采用一种新的双局部最优来引导粒子的搜索,从而增强了算法的全局搜索能力。算法加入了可行解为优的约束处理方法对IEEE30节点六发电机电力系统环境经济负荷分配模型分别在几个不同复杂性问题的情况进行仿真测试,并与文献中的其他算法进行了比较。结果表明,改进的算法能够在保持帕累托最优解多样性的同时具有良好的收敛性能,更有效地解决电力系统环境经济调度问题。     

复形法粒子群优化算法研究

针对基本粒子群优化算法对复杂函数优化时难以获得最优解的缺陷,提出了一种复形粒子群优化算法。该算法采用复形法来提高粒子的局部搜索能力,从而保证了算法能够跳出局部最优,获得全局最优解。实验结果表明,与文献算法相比,该算法在基准函数优化时具有更强的寻优能力和更高的搜索精度。     

基于当前最优解的分段搜索策略的人工蜂群算法

为了克服人工蜂群算法在求解函数优化问题中所存在的局部搜索能力差、收敛精度低的缺点,提出了一种基于当前最优解的分段搜索策略的人工蜂群算法。该算法中跟随蜂利用由全局当前最优解和个体当前最优解引导的局部搜索策略逐维进行变异,并采用基于“分段思想”的局部搜索策略对蜜源进行贪婪更新,以提高蜜源的更新效率,从而提高了人工蜂群算法的局部搜索能力。6个标准测试函数的仿真实验结果表明,与基本人工蜂群算法相比,改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。     

求解TSP的改进蚁群算法*

针对蚁群算法存在的搜索时间长、易限于局部最优解等缺陷,提出了一种改进的蚁群算法。通过在初始化信息素矩阵中采用候选城市列表减少劣质解,在局部搜索中采用聚类进行二次搜索,缩小了算法的搜索范围、改善了解空间的质量,提高了搜索速度。仿真结果表明,改进后的蚁群算法在TSP的求解中,收敛速度和全局寻优能力均得到较大的提高。     

一种基于Levy飞行的改进蝗虫优化算法

蝗虫优化算法是一种元启发式优化算法,能够用于解决任务调度问题。已有的改进蝗虫优化算法缺乏随机性,跳出局部最优的能力较弱,改进效果不够显著。针对这一问题,本文提出一种基于Levy飞行的改进蝗虫优化算法（LBGOA）。该算法引入基于Levy飞行的局部搜索机制增强算法的随机性,并采用基于线性递减参数的随机跳出策略来提高算法跳出局部最优的能力。CEC测试实验结果表明,所提出的算法拥有较强的搜索能力,在30个测试函数结果中能够获得17个最优解和6个次优解。将所提出的改进算法应用于边缘计算中的任务调度问题。任务调度仿真实验结果表明,所提出的算法能够有效提高搜索效果,相比GOA、OBLGOA、WOA、ALO、DA和PSO算法,LBGOA的搜索效果分别提升7.4%、7.5%、4.8%、27.7%、29.9%和20.7%。     

基于改进引力搜索的混合K-调和均值聚类算法研究

为了解决聚类算法容易陷入局部最优的问题,以及增强聚类算法的全局搜索能力,基于KHM算法以及改进的引力搜索算法,本文提出一种混合K-调和均值聚类算法（G-KHM）。G-KHM算法具有KHM算法收敛速度快的优点,但同时针对KHM算法容易陷入局部最优解的问题,在初始化后数据开始搜索聚类中心时采用了一种基于对象多样性及收敛性增强的引力搜索算法,该方法改进了引力搜索算法容易失去种群多样性的缺点,并同时具有引力搜索算法较强的全局搜索能力,可以使算法收敛到全局最优解。仿真结果表明,G-KHM算法能有效地避免陷入局部极值,具有较强的全局搜索能力以及稳定性,并且相比KHM算法、K-mean聚类算法、C均值聚类算法以及粒子群算法,在分类精度和运行时间上表现出了更好地效果。     

求解连续空间优化问题的改进蜂群算法

为了有效地解决人工蜂群算法容易陷入局部最优的缺陷,提出了一种改进蜂群算法。首先,利用反向学习方法构建初始种群,以提高初始化解的质量。同时,利用分布估计算法构造优秀个体解空间的概率模型以进行邻域搜索,以改善算法的搜索性能并防止陷入局部最优。对连续空间优化问题进行了仿真实验,结果表明改进算法具有较快的收敛速度,全局寻优能力显著提高。     

基于云模型的量子免疫优化算法

采用云模型对量子免疫算法进行了改进,采用量子种群基因云对种群进化进行定性控制,基于云模型的量子旋转门自适应调整策略进行更新操作,使算法在定性知识的指导下能够自适应控制搜索空间范围,使其能在较大搜索空间条件下避开局部最优解。典型函数对比实验表明该算法可以避免陷入局部最优解,能提高全局寻优能力,能以更快的速度收敛于全局最优解,具有较好的应用价值。     

一种新型的混沌步长果蝇优化算法

针对果蝇优化算法存在算法易早熟、收敛不足的问题,将Hénon混沌映射引用为步长因子,提出了一种混沌步长果蝇优化算法。利用Hénon映射所产生的混沌现象具有良好的遍历性、多样性的特点来改进果蝇算法的固定步长,并增加放大系数以提高算法的全局和局部搜索能力以及跳出局部最优解的能力。对10个经典测试函数进行测试,并与多个算法进行了对比分析,研究结果表明,该算法具有较高的全局搜索和跳出局部最优解的能力。     

批量流水线调度问题的混合差分进化算法

针对E/T指标的批量流水线调度问题,提出了差分进化调度算法。该算法采用基于实数的编码方式,利用最优目标个体的扰动产生变异个体,通过变异个体与目标个体的交叉产生试验个体,提高了最优目标个体信息共享,并结合模拟退火算法给出了两种混合求解策略。仿真试验表明了所得算法的可行性和高效性。     

求解批量流水线调度问题的改进和声搜索算法

针对以最大完工时间为目标的批量流水线调度问题,提出一种改进的和声搜索优化算法。该算法采用ROV规则的编码方式,使具有连续本质的和声搜索算法能直接应用于调度问题。对和声库的初始化和候选解的产生方式进行改进。针对该算法容易陷入局部最优的缺陷,将其与阈值接受算法结合,得到2种混合算法。仿真结果证明了该算法的有效性。     

基于搜索能力均衡的人工蜂群算法

鉴于标准人工蜂群算法（ABC）局部开发能力不足,提出一种改进搜索策略的人工蜂群算法（IABC）。为提高ABC的局部开发能力,在其雇佣蜂阶段引入了一个新的具有最好个体引导的解搜索方程,为均衡ABC的搜索能力,在ABC跟随蜂阶段的搜索策略中引入了新的随机因素以增强ABC的全局探索能力,为了进一步平衡全局探索和局部开发能力,改进了ABC的侦察蜂搜索机制。为验证IABC的收敛效果,通过在12个复杂基准测试函数上的仿真实验并与其他算法相比较,发现IABC的收敛性能有显著提高。     

基于改进的蜂群算法求解专有路径保护设计优化问题

针对光网络故障恢复资源利用的优化问题,采用改进的蜂群算法（IABC）来求解专有路径保护设计优化问题。由于采蜜机理的蜂群算法全局寻优能力较弱,引入禁忌表机制,增强算法搜索全局最优解的能力,并改进蜂群算法的交叉算子,增强算法的收敛速度。通过实验仿真。结果表明与传统的ABC算法相比,IABC能算法大大地提高计算效率,针对较复杂网络资源优化的NP问题提供有效的可行性实施方法。     

基于改进离散和声算法的批量流水线调度研究

针对批量流水线调度问题,提出了以总流经时间为目标的改进离散和声算法。与基本的和声算法相比,该算法首先采用了基于工件序列的编码方式,使其直接应用于调度问题,同时运用NEH和SWAP方法产生初始和声库,保证了初始种群具有较高的质量和多样性。使用自适应和声微调概率参数和INSERT方法产生新解,提高了算法的优化性能。为了提高算法的局部搜索能力,结合交换扰动策略和插入邻域搜索算法给出了两种混合求解策略。仿真实验表明所提算法的有效性。     

基于改进人工蜂群算法的WSNs覆盖优化

随着无线传感器网络（WSNs）被广泛地应用,覆盖优化问题已经成为网络服务质量中的一个关键问题。针对基本人工蜂群（ABC）算法的缺陷,基于混沌优化和自适应变化提出了一种改进的ABC（IABC）算法;并在此基础上,设计了基于IABC算法的动态网络覆盖优化方案。实验结果表明：IABC算法明显改善了基本ABC算法的缺陷,有效地延长了网络寿命,保证了网络的服务质量。     

基于改进人工蜂群算法的K均值聚类算法

针对K均值聚类(KMC)算法全局搜索能力差、初始聚类中心选择敏感,以及原始人工蜂群(ABC)算法的初始化随机性、易早熟、后期收敛速度慢等问题,提出了一种改进人工蜂群算法(IABC)。该算法利用最大最小距离积方法初始化蜂群,构造出适应KMC算法的适应度函数以及一种基于全局引导的位置更新公式以提高迭代寻优过程的效率。将改进的人工蜂群算法与KMC算法结合提出IABC-Kmeans算法以改善聚类性能。通过Sphere、Rastrigin、Rosenbrock和Griewank四个标准测试函数和UCI标准数据集上进行测试的仿真实验表明,IABC算法收敛速度快,克服了原始算法易陷入局部最优解的缺点;IABC-Kmeans算法则具有更好的聚类质量和综合性能。     

Dynamic bee colony algorithm based on multi-species co-evolution

Most versions of the current Artificial Bee Colony (ABC) algorithm are based on single-species model. It is insufficient to extend the diversity of solutions and may be trapped into local extreme points at the end of the evolutionary process. In this paper, an enhanced version (Co-ABC) of the original ABC algorithm is proposed based on multi-species co-evolution. There are three versions in the Co-ABC algorithm, including the CABC, TABC and IABC algorithm. These three algorithms combine evolutionary strategies including the dynamic dividing of the swarm and the cooperative evolution with the original ABC algorithm. The CABC and TABC algorithm form the basis of the IABC algorithm. The CABC algorithm uses a global communication method to accelerate convergence, while the TABC algorithm uses a local communication method to improve accuracy. The IABC algorithm combines the convergence superiority in the CABC algorithm with the accuracy superiority in the TABC algorithm, obtaining complementary advantages. In the optimization process of the Co-ABC algorithm, the solution space shrinks dynamically according to the employed norm, while the subgroups adjust to environment adaptively to select the superior and eliminate the inferior. It can reduce computational complexity in optimization problems. The experimental results show that the Co-ABC algorithm can exhibit good performance on convergence, accuracy and robustness in most optimization problems. The CABC algorithm is suitable for the unimodal optimization problems with small dimensions, while the IABC algorithm exhibits good performance in multimodal problems and unimodal problems with large dimensions.     

基于改进人工蜂群的核模糊聚类算法

针对核模糊C均值（KFCM）算法对初始聚类中心敏感、易陷入局部最优的问题,利用人工蜂群（ABC）算法的构架简单、全局收敛速度快的优势,提出了一种改进的人工蜂群算法（IABC）与KFCM迭代相结合的聚类算法。首先,以IABC求得最优解作为KFCM算法的初始聚类中心,IABC在迭代过程中将与当前维度最优解的差值的变化率作为权值,对雇佣蜂的搜索行为进行改进,平衡人工蜂群算法的全局搜索与局部开采能力;其次,以类内距离和类间距离为基础,构造出适应KFCM算法的适应度函数,利用KFCM算法优化聚类中心;最后,IABC和KFCM算法交替执行,实现最佳聚类效果。采用3组Benchmark测试函数6组UCI标准数据集进行仿真实验,实验结果表明,与基于改进人工蜂群的广义模糊聚类（IABC-KGFCM）相比,IABC-KFCM对数据集的聚类有效性指标提高1到4个百分点,具有鲁棒性强和聚类精度高的优势。     

基于改进径向基神经网络的船舶设备故障诊断方法

For the ships equipment fault diagnosis problems with lack of applicability and accuracy during ships sailing, this paper designs a radical basis function neural network method for ships equipment fault diagnosis. An improved artificial bee colony (IABC) algorithm combining opposite learning initialization strategy and auto-adapted search strategy is designed, which builds higher quality initial solution space through opposite learning initialization strategy and adapts its local search length automatically to improve the ability of convergence and local optimization searching. IABC algorithm is used in parameter optimization of radical basis function neural network (RBFNN) for constructing a better performed classifier. The results show that the IABC-RBFNN framework can improve the accuracy and usability of ship fault diagnosis, and satisfy the real-time requirement of ships equipment fault diagnosis.