求解大规模函数优化的粒子群优化算法

针对大规模全局函数优化的维数制约求解性能的问题,提出一种多策略混合进化的粒子群算法.为平衡算法的勘测与开采能力,利用种群分割思想将进化种群分为精英、优质、中等和劣质种群;为增强算法的全局搜索能力,劣质种群向精英种群进行对称学习;为增强算法的局部搜索能力,采用局部高斯扰动增强中等种群中粒子的局部勘测能力;为提升算法的搜索效率,精英以及优质种群直接进入下一代.借助两种标准测试集,比较性的实验结果表明,提出的算法在相同终止条件下,其寻优质量有明显优势,有较好的应用潜力.     

求解高维优化问题的混合灰狼优化算法

针对基本灰狼优化算法在求解高维优化问题时存在解精度低、收敛速度慢和易陷入局部最优的缺点,提出一种基于混沌映射和的精英反向学习策略的混合灰狼优化算法用于解决无约束高维函数优化问题. 该混合算法首先采用混沌序列产生初始种群为算法进行全局搜索奠定基础;对当前种群中的精英个体分别执行精英反向学习策略以协调算法的勘探和开采能力;在搜索过程中对决策层个体进行混沌扰动,以避免算法陷入局部最优的可能性. 选取10个高维(100维、500维和1000维)标准测试函数进行数值实验,结果表明混合灰狼优化算法在求解精度及收敛速度指标上明显优于对比算法.     

一种遗传算法与粒子群优化的多子群分层混合算法

针对遗传算法全局搜索能力强和粒子群优化收敛速度快的特点, 本文从种群个体组织结构上着手, 进行优势互补, 提出了一种遗传算法和粒子群优化的多子群分层混合算法(multi-subgroup hierarchical hybrid of genetic algorithm and particle swarm optimization, HGA–PSO). 算法采用分层结构, 底层由一系列的遗传算法子群组成, 贡献算法的全局搜索能力; 上层是由每个子群的最优个体组成的精英群, 采用钳制了初始速度的粒子群算法进行精确局部搜索. 文中分析论证了HGA–PSO算法具有全局收敛性, 并采用7个典型高维Benchmark函数进行测试, 实验结果显示该算法的优化性能显著优于其他测试算法.     

应用精英反向学习的混合烟花爆炸优化算法

针对烟花爆炸优化(FEO)算法容易早熟、解精度低的弱点,提出了一种精英反向学习(OBL)的解空间搜索策略。在每次迭代过程中均对当前最佳个体执行反向学习,生成其动态搜索边界内的反向搜索种群,引导算法向包含全局最优的解空间逼近,以提高算法的平衡和探索能力。为了保持种群的多样性,计算种群内个体对当前最佳个体的突跳概率,并依据此概率值采用轮盘赌机制选择进入子种群的个体。通过在5组标准测试函数的实验仿真并与相关的算法对比,结果表明所提出的改进算法对数值优化具有更高的收敛速度和收敛精度,适合求解高维的数值优化问题。     

具有Levy变异和精英自适应竞争机制的蚁狮优化算法

针对蚁狮优化算法易陷入局部最优、收敛速度慢的缺点,本文提出一种具有Levy变异和精英自适应竞争机制的蚁狮优化算法。利用服从Levy分布的随机数对种群较差个体进行变异,可改善种群多样性提高算法的全局搜索能力;精英自适应竞争机制使得多个精英并行带领种群寻优,提高了算法的收敛速度,为避免较大计算量,并行竞争的精英个数会随着寻优代数增加而减少。同多个改进算法进行比较,结果表明本文所提算法具有更好的寻优精度和收敛速度。最后将本文改进算法应用于硅单晶热场温度模型的参数辨识,仿真结果说明该算法具有较好的参数辨识能力。     

混沌映射与精英高斯扰动的非线性灰狼优化算法

针对传统灰狼优化算法处理复杂优化问题时易于陷入局部最优,提出基于混沌Tent映射与精英高斯扰动的非线性灰狼优化算法.根据混沌Tent映射与对立学习机制,保证较优个体的同时,设计种群初始化方法,可使个体尽可能均匀分布;为有效均衡个体的局部开发和全局勘探能力,设计一种非线性收敛因子控制策略;在头狼选取上引入面向精英个体的高...     

精英扩散蚁群优化算法求解运输无人机三维路径规划

针对受灾山区运输物资的三维无人机路径规划问题,提出了一种精英扩散蚁群优化算法EDACO,首先通过极值限定策略限定了信息素浓度的范围,防止算法前期陷入局部最优;然后采用精英策略改进信息素浓度更新公式,加强优质个体对种群的影响力; 再引入信息素扩散策略,加强距离较近个体间的交流协作,以防止蚂蚁个体间联系不紧密造成的算法停滞。最后,将精英扩散蚁群优化算法、传统蚁群算法、遗传算法和萤火虫算法运用于4个山区受灾无人机运输实例中,结果表明了EDACO的优越性和有效性,且该算法对无人机三维路径规划问题有着良好的适应性。     

混合策略改进的哈里斯鹰优化算法及其应用

针对哈里斯鹰优化算法收敛精度低、易陷入局部最优空间等局限性,提出一种混合策略改进的哈里斯鹰优化算法。采用精英混沌反向学习策略初始化种群,增加初始种群多样性和精英个体数量,提高算法收敛性能;利用引入动态自适应权重的逃逸能量非线性递减策略替代哈里斯鹰算法的线性递减机制,提高算法全局探索和局部开发行为的平衡能力;采用拉普拉斯交叉算子策略生成适应度更高的新个体,提高算法抗停滞能力。对10个测试函数进行求解,结果表明改进算法的收敛精度、寻优性能及鲁棒性明显高于对比算法。通过对比改进前后算法的种群分布均匀性和收敛能力,验证了改进策略的有效性。利用改进算法优化长短时记忆网络参数,并应用于瓦斯涌出量预测,实验结果进一步验证改进算法的优越性和适用性。     

基于非线性自适应比例因子的雪豹优化算法

针对雪豹优化算法在求解复杂优化问题时,存在全局勘探能力不足、寻优精度低等问题,提出一种改进的雪豹优化算法。首先,基于分段Logistic混沌映射初始化从而提高初始种群多样性;其次,引入非线性比例因子用于平衡算法的全局勘探能力和局部开发能力;然后,提出了一种差分变异策略,在第一次种群更新位置后,使用5个随机个体提高全局搜索能力和算法收敛能力,在第二次种群更新位置后,使用3个随机个体保证在求解过程的中后期也具有一定的全局勘探能力,尽可能避免陷入局部最优。通过在IEEE CEC2022基准函数测试集上测试,并与其他算法进行比较,结果表明所提出的算法在种群质量、求解精度以及算法稳定性上均有较大提升。最后将所提出的算法应用于工程优化,计算结果进一步证实了算法的强优化能力。     

一类求解箱式约束优化问题的自适应引力搜索算法

为了改进引力搜索算法求解箱式约束优化问题的性能,提出了一类自适应引力搜索算法,新算法定义了算法停滞系数,当算法陷入停滞时,可以自适应的修改引力参数,帮助算法跳出停滞状态;定义了个体相似系数,当种群陷入局部最优时,通过变异策略改善种群的多样性;数值试验结果表明,新算法有效的平衡了全局开发和局部搜索能力,具有更强的全局寻优能力,适于求解复杂优化问题。     

动态调整成长方式的郊狼优化算法及其应用

郊狼优化算法在迭代运行时种群多样性降低,收敛速度变慢,易陷入局部最优,并且在求解约束优化问题时难以获得可行解。提出一种动态调整成长方式的郊狼优化算法（DGCOA）。在狼群进化中引入变异交叉策略,增强种群多样性,基于郊狼成长策略加入全局最优个体指导搜索,使得每个子种群中的个体从不同的方向快速逼近最优解位置,并根据种群中个体相似度对郊狼位置更新方式进行调整,平衡算法的全局探索与局部开发能力。在求解约束优化问题时,利用自适应约束处理方法构建新的适应度函数,协调优化目标和约束违反度。基于CEC2006对22个测试函数和3个工程设计问题进行仿真,结果表明,与COA、ICTLBO、ODPSO等算法相比,DGCOA算法具有较高的收敛精度和稳定性,适用于求解复杂优化问题。     

多模态函数优化的多种群进化策略

在一种使用单基因变异、精英繁殖、递减型策略参数的改进进化策略基础上,提出了一种求解多模态函数多个极值点的多种群协同进化策略,并给出了子种群进化概率、停止条件的确定和收敛到极值点的判断条件,在求多极值点的进化算法中,判别两个极值点是同峰还是异峰极值点是一个困难而关键的问题,为此引入了一种新的判别方法——山谷探索法,从而避免了确定小生境单径或峰半径,一组测试函数的仿真计算结果表明了所提出的算法能准确地找到全部极值点.     

函数全局优化的改进实数遗传算法

针对有界区域复杂函数的全局优化问题,分析了一般实数遗传算法的不足,提出了一种新的改进实数遗传算法。在改进算法中,个体的适应度值直接按其目标值排序的方法获得,这可避免进化后期陷入局部极值;基于适应度的线性逼近交叉策略,随机遍历抽样选择、最优保存和子代淘汰父代选择结合的混合选择策略及变异概率动态变化的实值变异策略,可使算法以较快的速度收敛于最优值。对12个典型的复杂函数进行优化仿真,结果表明改进算法不仅收敛速度快,鲁棒性好,而且能得到较高的优化精度。     

修正免疫克隆约束多目标优化算法

针对约束多目标优化问题,提出修正免疫克隆约束多目标优化算法.该算法通过引进一个约束处理策略,用一个修正算法对个体的目标函数值进行修正,并对修正后的目标函数值采用免疫克隆算法进行优化,用一个精英种群对可行非支配解进行存储.该算法在优化过程中,既保留了非支配可行解,也充分利用了约束偏离值小的非可行解,同时引进整体克隆策略来提高解分布的多样性.通过对约束多目标问题的各项性能指标的测试以及和对比算法的比较可以看出:该算法在处理约束多目标优化测试问题时,所得解的多样性得到了一定的提高.同时,解的收敛性和均匀性也得到了一定的改进.     

育种遗传算法及函数优化应用

提出一种新的育种遗传算法.采用在解空间产生均匀分布初始种群和最优值保留策略.每代个体依优劣按比例分成雌雄两性.随机产生一部分雌性个体直接进入下一代种群.按照育种学理论,一个雄性与多个雌性进行级进杂交,雄性进行自交.初始种群的规模和两性比例调控全局搜索能力,杂交时雌雄双方遗传比例调控收敛速度.函数优化实验表明,本算法具有强鲁棒性,种群进化快,能快速收敛到最优解.     

改进的自适应遗传算法在函数优化中的应用*

针对传统遗传算法在复杂函数优化的寻优搜索中容易陷入局部极值,搜索效率低,不稳定等特点,提出一种改进的自适应遗传算法,该算法的思想是根据进化中种群适应度的集中分散的程度非线性地自适应调节遗传进化的运算流程和交叉概率Pc、变异概率Pm的值,从而能更好地产生新的个体摆脱局部极值搜索到全局最优解,并采取最优保存策略来保证改进的自适应遗传算法的收敛性。仿真实验结果表明,与现存其他算法相比,改进的自适应遗传算法在全局寻优的收敛速度、最优解、求解精度、和稳定性等方面都有了较大的改进和提高。     

基于精英种群策略的协同差分进化算法

针对差分进化算法在处理函数优化时存在的过早收敛和易陷入局部最优的问题,提出了一种基于精英种群策略的协同差分进化算法。在优化过程中,首先对种群进行适应度值评估和排序,提取前N个优秀个体组成精英种群,其余个体随机分为3个等大的子种群,每个子种群采取不同的进化策略,以此来保证种群的多样性;然后每隔一定代数,根据新的适应度值更新精英种群和其余3个子种群,这样可以有效地避免算法陷入局部最优;最后,将所提出的算法与4个先进的差分进化算法在CEC2014的30个标准测试函数上进行对比实验。实验结果表明,所提出的算法能够有效提高收敛速度,具有较高的收敛精度和较好的优化性能。     

基于遗传算法的时空数据压缩策略优化

针对时空数据因为有损压缩导致的还原精度不高的问题,提出了使用遗传算法对时空数据压缩策略进行优化。算法模拟生物进化过程,首先,在初始阶段,根据所处数据环境在格拉斯-普克算法基础上自适应地调整压缩参数,进行染色体编码,初始种群生成;然后在进化阶段,引入"精英保留策略"保证全局最优个体;最后完成交叉、变异等操作。采用四种不同的压缩策略进行实验,对比了各自压缩率和还原误差的详细情况。实验结果表明,遗传算法对于时空数据压缩的策略优化具有良好的效果,可以有效地降低还原误差。     

基于伪并行混合遗传算法的神经网络优化

在分析并行多物种遗传算法应用于神经网络拓扑结构的设计和学习之后,提出一种伪并行遗传（PPGA-MBP）混合算法,结合改进的BP算法对多层前馈神经网络的拓扑结构进行优化。算法编码采用基于实数的层次混合方式,允许两个不同结构的网络个体交叉生成有效子个体。利用该算法对N-Parity问题进行了实验仿真,并对算法中评价函数各部分系数和种群规模对算法的影响进行了分析。实验证明取得了明显的优化效果,提高了神经网络的自适应能力和泛化能力,具有全局快速收敛的性能。     

多种群并行协作的粒子群算法

针对高维复杂优化问题在求解时容易产生维数灾难导致算法极易陷入局部最优的问题,提出一种能够综合考虑高维复杂优化问题的特性,动态调整进化策略的多种群并行协作的粒子群算法。该算法在分析高维复杂问题求解过程中的粒子特点的基础上,建立融合环形拓扑、全连接形拓扑和冯诺依曼拓扑结构的粒子群算法的多种群并行协作的网络模型。该模型结合3种拓扑结构的粒子群算法在解决高维复杂优化问题时的优点,设计一种基于多群落粒子广播-反馈的动态进化策略及其进化算法,实现高维复杂优化环境中拓扑的动态适应,使算法在求解高维单峰函数和多峰函数时均具有较强的搜索能力。仿真结果表明,该算法在求解高维复杂优化问题的寻优精度和收敛速度方面均有良好的性能。