混合改进搜索策略的鸡群优化算法

针对鸡群算法易陷入局部最优和出现早熟收敛的情况,提出一种混合改进搜索策略的鸡群优化算法。该算法通过种内和种间竞争,确定子群规模及等级次序,子群角色通过竞争繁殖进行动态更新。种群进化寻优中引入全局最优引导策略和动态惯性策略,个体的寻食学习通过动态惯性策略进行自我调整,并同时接受子群与种群中的最优个体引导,以平衡局部搜索和全局搜索之间的关系。仿真实验结果表明,与基本鸡群算法和粒子群算法等相比,改进后的鸡群算法能有效提高算法的收敛精度和收敛速度。     

基于SQP局部搜索的蝙蝠优化算法

针对基本蝙蝠算法存在寻优精度不高,后期收敛速度较慢和易陷入局部最优等问题,提出一种基于序贯二次规划（Sequential Quadratic Programming,SQP）的蝙蝠优化算法。该算法应用佳点集理论构造初始种群,增强了初始种群的遍历性;为避免算法陷入早熟收敛,引入柯西变异算子对种群中精英个体进行变异操作,增加种群多样性;在迭代后期,对最优个体进行SQP局部搜索,提高蝙蝠算法的局部深度搜索能力,保证个体在靠近全局最优值时能够寻优到全局最优解,加快种群进化速度。通过仿真实验结果证明,改进后的蝙蝠算法性能优越,具有良好的寻优精度和收敛速度。     

拉丁超立方抽样的自适应高斯小孔成像蝴蝶优化算法

针对蝴蝶优化算法存在种群多样性差、寻优精度低、收敛速度慢的不足,提出了拉丁超立方抽样的自适应高斯小孔成像蝴蝶优化算法。首先利用拉丁超立方抽样种群初始化策略以提高种群的多样性,从而增强算法的全局搜索能力;然后引入在不同进化时期自动调节搜索范围的自适应最优引导策略,平衡算法的全局和局部搜索能力,从而提升算法的寻优精度;最后采用高斯小孔成像策略,对最优个体进行扰动,使得种群个体向最优个体靠近,以进一步提升算法的寻优精度并加快算法的收敛速度。通过对14个基准测试函数进行仿真实验以及Wilcoxon秩和检验,结果表明改进算法的寻优精度、收敛速度、稳定性和可扩展性等性能均得到了较大提高。     

融合单纯形法和个体记忆的鲸鱼算法及工程应用

针对传统鲸鱼优化算法寻优精度低、收敛速度慢、易获局部最优的不足,提出基于单纯形法和融入个体记忆的改进鲸鱼优化算法。引入非线性收敛因子调整机制,使收敛因子呈现不同递减速率,前期注重全局搜索,后期注重精细开发,协调搜索与开发的平滑转换;引入单纯形法增强种群局部搜索能力,提升寻优收敛速度;融合个体记忆和种群最优解改善位置更新,协调个体与种群的信息交流和个体记忆对算法的搜索和寻优能力。基准函数寻优测试结果表明,该算法可以有效提升收敛速度和寻优精度,避免局部最优解。将改进算法应用于拉伸弹簧设计这类典型工程设计问题,验证了算法的可行性。     

基于动态调整和协同搜索的花授粉算法

针对基本花授粉算法（Flower Pollination Algorithm,FPA）容易陷入局部最优、收敛速度慢及寻优精度低等缺陷,提出了基于动态调整和协同搜索的花授粉算法（Flower Pollination Algorithm based on Dynamic adjustment and Cooperative search,FPADC）。利用霍尔顿序列提升初始解的质量;通过对种群进行分工,从而提高种群的多样性以跳出局部最优;根据种群进化信息动态调整算法的寻优策略,从而提高收敛速度和精度。仿真实验结果表明,提出的改进算法相比基本花授粉算法和部分改进算法,有较好的寻优性能。     

引入莱维飞行与动态权重的改进灰狼算法

针对求解复杂优化问题时,灰狼（GWO）算法存在全局搜索能力不足、容易陷入局部最优值等问题,提出一种引入莱维飞行与动态权重策略的改进灰狼算法（LGWO）。基于Singer混沌映射初始化灰狼个体位置,增加种群多样性;收敛因子采用新的非线性更新策略,在种群迭代全期平衡全局搜索与局部搜索能力;在种群位置更新公式引入莱维飞行与动态权重策略,增加种群跳出局部最优值的概率,提升寻优准确度。通过8个基准函数的测试,并与其他优化算法和改进算法进行对比,LGWO取得了最优的收敛速度与预测精度,并验证了LGWO算法优化高维复杂问题的有效性。     

融合混沌映射和二次插值的自适应鲸鱼优化算法

针对鲸鱼优化算法(whale optimization algorithm, WOA)易陷入局部最优，收敛速度慢和寻优精度低等问题，提出一种融合混沌映射和二次插值的自适应鲸鱼优化算法(adaptive whale optimization algorithm based on chaotic mapping and quadratic interpolation, CQAWOA)。引入混沌映射在初始化阶段生成新种群，实现种群多样性；设计自适应权重，提高算法全局搜索和局部寻优能力并加快收敛速度；利用二次插值策略生成新的鲸鱼个体，采用贪婪策略更新局部最优解，提高种群计算的精度。通过15个基准函数将改进算法与其它优化算法进行对比测试，测试结果验证了在求解过程中，改进算法寻优速度和求解精度均存在显著提升。     

多策略黑猩猩优化算法研究及其工程应用

针对基本黑猩猩优化算法存在的依赖初始种群、易陷入局部最优和收敛精度低等问题,提出一种多策略黑猩猩优化算法EOSMICOA（chaotic elite opposition-based simple method improved COA）。在EOSMICOA算法中,利用混沌精英反向学习策略对黑猩猩个体位置进行初始化,提高种群的多样性和质量,同时在位置更新过程中利用单纯形法和群个体记忆机制对较差个体进行改进,进一步提高算法的局部开发能力和勘探能力,以及算法的寻优精度。为验证改进算法的寻优能力,将EOSMICOA算法与多个智能算法对20个复杂函数进行对比实验,结果表明EOSMICOA在收敛精度、寻优速度等方面都有明显优势。最后,将EOSMICOA与当前最新改进算法应用于焊接梁设计中,对比结果表明EOSMICOA可以更有效地应用于工程设计优化问题。     

混合改进策略的黑猩猩优化算法及其机械应用

针对黑猩猩优化算法存在易陷入局部最优、收敛速度慢、寻优精度低等缺陷,提出混合改进策略的黑猩猩优化算法(SLWChOA).首先,利用Sobol序列初始化种群,增加种群的随机性和多样性,为算法全局寻优奠定基础;其次,引入基于凸透镜成像的反向学习策略,将其应用到当前最优个体上产生新的个体,提高算法的收敛精度和速度;同时,将水波动态自适应因子添加到攻击者位置更新处,增强算法跳出局部最优的能力;最后,通过10个基准测试函数、Wilcoxon秩和检验以及部分CEC2014函数进行仿真实验来评价改进算法的寻优性能,实验结果表明,所提算法在寻优精度、收敛速度和鲁棒性上均较对比算法有较大提升.另外,通过一个机械优化设计实验进行测试分析,进一步验证了SLWChOA的可行性和适用性.     

融合黄金正弦混合变异的自适应樽海鞘群算法

针对基本樽海鞘群算法收敛速度慢、收敛精度低、易陷入局部最优的缺点,提出了一种融合黄金正弦混合变异的自适应樽海鞘群算法AGHSSA（Adaptive Salp Swarm Algorithm with Golden Sine Algorithm and Hybrid Mutation）。该算法引入了自适应变化的权重因子以加强精英个体的引导作用,提升收敛速度与精度。通过黄金正弦算法优化领导者位置更新方式,增强算法的全局搜索和局部开发能力。融合邻域重心反向学习与柯西变异对最优个体位置进行扰动,提升算法跳出局部最优的能力。通过对12个基准测试函数进行仿真实验来评估改进算法的寻优能力,实验结果表明,改进算法能显著提升寻优速度和精度,并且具备较强的跳出局部最优的能力。     

求解高维优化问题的遗传鸡群优化算法

针对鸡群算法在求解高维复杂优化问题时收敛速度慢、寻优精度不高、容易陷入局部最优等不足,结合遗传思想,增加公鸡和母鸡交配、变异产生新小鸡的概念,并设定交配周期和小鸡淘汰更新周期,利用交叉、变异算子对算法进行改进,得到一种改进的鸡群算法。通过对10组基准函数的实验结果进行分析,相比于标准鸡群算法和其他两种目前比较流行的群体智能优化算法,提出的改进鸡群算法在寻优精度、解的质量、收敛速度、稳定性及鲁棒性等方面优势明显,具有良好的性能。     

全局优化的改进鸡群算法

鸡群算法是一种新颖的群智能算法，模拟鸡群中的等级制度以及觅食行为，相比于传统的智能算法，其展现出了良好的寻优性能。在基本鸡群算法的基础之上，提出了一种改进版鸡群算法（ECSO），在公鸡位置的更新过程中引入自适应变异策略用于平衡算法迭代后期下降的种群多样性，提升收敛速度；在母鸡移动过程引入偏好随机游动策略来平衡了算法的“开发”与“探索”阶段，增强算法的稳定性；在小鸡位置更新时引入“领导者”策略，减少算法搜索的盲目性。最后，通过测试多组函数，并与基本蝙蝠算法和鸡群算法以及已有改进的鸡群算法进行对比，验证了改进算法的有效性。     

对精英加速的改进人工鱼群算法*

人工鱼群算法是一种群智能全局随机优化算法,存在算法收敛精度低和效率差的缺点。为克服这一缺点,利用最速下降法具有运算简单、运算速度较快的特点,提出了对精英加速的改进人工鱼群算法。该算法利用最速下降法对适应度值最好的人工鱼更新,通过人工鱼之间信息交换指导其他人工鱼,提高鱼群整体水平,加快人工鱼群算法收敛速度。数值试验结果表明,所得改进人工鱼群算法不仅运算量减少,而且具有更快的收敛速度和更高的收敛精度。改进算法提高收敛精度和运算效率,相较其他算法具有一定优势。     

Logistic型混合自适应分数阶达尔文粒子群优化算法

针对传统的粒子群优化算法中存在的问题及分数阶达尔文微粒群优化(FDPSO)算法收敛速度慢,收敛精度不高的问题,改进其算法中分数阶速度更新策略,同时引入Logistic型混合分数阶自适应动态调整策略,得到一种改进的自适应分数阶达尔文粒子群优化(LFDPSO)算法,并通过相应理论分析,证明了该算法在给定条件下的收敛性,并由6个经典函数的数值测验表明,Logistic型混合自适应分数阶达尔文粒子群(LFDPSO)算法在收敛精度和收敛速度上得到了有效改善与提高,粒子在局部最优时的逃逸能力、全局寻优及智能搜索能力显著增强。     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

改进约束鸡群算法在神经网络的应用

针对基本鸡群优化算法CSO存在收敛速度慢、易陷入局部最优等问题,提出一种改进约束鸡群算法ICCSO,改进了基本鸡群算法的边界约束处理机制,提高了算法的收敛速度和全局搜索能力。以标准测试函数和BP神经网络为例进行数值仿真,仿真结果表明了所提出的改进约束鸡群优化算法的合理性及有效性。     

自适应动态学习鸡群优化算法

针对标准鸡群优化算法存在求解精度偏低、局部搜索能力弱等问题,提出了一种自适应动态学习鸡群优化算法ADLCSO（Adaptive Dynamic Learning Chicken Swarm Optimization algorithm）。该算法利用反向觅食机制自适应更新每只公鸡的位置,并添加了非线性递减学习因子来动态调整公鸡位置的更新步长,以增强种群跳出局部极值的能力,从而提高算法的收敛速度和求解精度。此外,提出了一种基于个体间适应度值之差的种群相似度指标,并利用该指标对每只母鸡的位置进行自适应调整,以抑制种群多样性的衰减,从而进一步提高算法的求解精度。通过对12个经典测试函数进行仿真实验,结果表明ADLCSO算法在收敛速度、求解精度、稳定性及对高维问题的求解能力上均优于其他对比算法。     

新型改进果蝇优化算法

针对传统果蝇优化算法在进行优化时所存在的寻优精度偏低和收敛速度较慢的问题,提出了一种新的改进果蝇优化算法。该算法在迭代过程中将每次迭代所得最优值的变化率作为下一次果蝇种群飞行距离变化的参考依据。动态改变果蝇种群每次飞行的距离,能够有效地权衡算法的全局搜索能力和局部搜索能力。将该改进算法在函数优化中与原果蝇算法和另外两种果蝇改进算法进行仿真对比,结果表明,所提出的改进算法在收敛精度、收敛速度以及稳定性方面具有明显优势。     

基于全局和声搜索的模拟退火算法改进

本文针对传统的模拟退火算法存在收敛速度慢的问题,采用全局和声搜索算法对其进行了改进,即在保持模拟退火原有机制的基础上,使用一个函数随机产生模拟退火算法的初始解,采用全局和声搜索算法中产生候选解的方法产生新解。该方法的优点在于保留中间最优解并及时更新,从而既保证了优化质量又提高了算法的搜索效率。最后,采用benchmark测试函数进行仿真,仿真实验结果表明,该方法在收敛速度及优化质量上都优于传统的模拟退火及其它算法,值得进一步研究。