灰狼与郊狼混合优化算法及其聚类优化

郊狼优化算法(Coyote optimization algorithm, COA)是最近提出的一种新颖且具有较大应用潜力的群智能优化算法, 具有独特的搜索机制和能较好解决全局优化问题等优势, 但在处理复杂优化问题时存在搜索效率低、可操作性差和收敛速度慢等不足. 为弥补其不足, 并借鉴灰狼优化算法(Grey wolf optimizer, GWO)的优势, 提出了一种COA与GWO的混合算法(Hybrid COA with GWO, HCOAG). 首先提出了一种改进的COA (Improved COA, ICOA), 即将一种高斯全局趋优成长算子替换原算法的成长算子以提高搜索效率和收敛速度, 并提出一种动态调整组内郊狼数方案, 使得算法的搜索能力和可操作性都得到增强; 然后提出了一种简化操作的GWO (Simplified GWO, SGWO), 以提高算法的可操作性和降低其计算复杂度; 最后采用正弦交叉策略将ICOA与SGWO二者融合, 进一步获得更好的优化性能. 大量的经典函数和CEC2017复杂函数优化以及K-Means聚类优化的实验结果表明, 与COA相比, HCOAG具有更高的搜索效率、更强的可操作性和更快的收敛速度, 与其他先进的对比算法相比, HCOAG具有更好的优化性能, 能更好地解决聚类优化问题.     

灰狼优化与差分进化的混合算法及函数优化

灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。     

应用反向学习和差分进化的群搜索优化算法

针对标准群搜索优化算法在解决一些复杂优化问题时容易陷入局部最优且收敛速度较慢的问题,提出一种应用反向学习和差分进化的群搜索优化算法(Group Search Optimization with Opposition-based Learning and Diffe-rential Evolution,OBDGSO)。该算法利用一般动态反向学习机制产生反向种群,扩大算法的全局勘探范围;对种群中较优解个体实施差分进化的变异操作,实现在较优解附近的局部开采,以改善算法的求解精度和收敛速度。这两种策略在GSO算法中相互协同,以更好地平衡算法的全局搜索能力和局部开采能力。将OBDGSO算法和另外4种群智能算法在12个基准测试函数上进行实验,结果表明OBDGSO算法在求解精度和收敛速度上具有较显著的性能优势。     

基于粒子群优化的模糊C-均值聚类改进算法

针对模糊C-均值聚类算法(FCM)存在易陷入局部优化的问题,将粒子群优化算法(PSO)和模糊C-均值聚类算法FCM相结合,提出了一种新的模糊聚类算法PSO-FCM.该算法使用PSO算法来代替FCM的迭代过程以实现模糊聚类,具有了很强的全局搜索能力,从而不用再为得到好的聚类效果而反复选择初值.仿真实验结果表明,提出的模糊聚类算法提高了FCM的搜索能力,具有更好的稳定性和健壮性,优化能力增强,提高了聚类的效率和效果.     

基于改进帝王蝶优化算法的特征选择方法

针对帝王蝶优化算法(MBO)全局搜索能力较弱、在迁移过程中容易出现种群多样性减少等问题,文中提出基于柯西变异的差分自适应MBO及其特征选择算法.首先,使用差分进化算法中的变异操作替换MBO的迁移算子,提升全局搜索能力.然后,将自适应调整策略融入MBO的调整算子,改变单一的调整方式.最后,对每次更新的种群进行柯西变异,增加种群多样性.为了验证改进帝王蝶优化算法及其特征选择方法的性能,通过基准函数和UCI数据集两部分实验对其进行测试,结果表明文中算法性能较优.     

基于优化遗传算法的FCM

针对FCM算法容易收敛于局部极小点的缺陷,将一种优化的遗传算法应用于FCM上,很好地解决了算法的抗局部收敛性。实验结果表明,改进后的算法不仅保留着原FCM算法的快速收敛优势,还很好地控制了局部收敛,提高了算法的全局搜索能力,具有更好的聚类性能。     

一种基于改进PSO的K—means优化聚类算法

针对传统的K—means算法对初始聚类中心的选取敏感、容易收敛到局部最优的缺点,提出一种基于改进粒子群优化算法（PSO）的K—means优化聚类算法。该算法利用PSO算法强大的全局搜索能力对初始聚类中心的选取进行优化：通过动态调整惯性权重等参数增强PSO算法的性能;利用群体适应度方差决定算法中前部分PSO算法和后部分K—means算法的转换时机;设置变量实时监控各个粒子和粒子群的最优值变化情况,及时地对出现早熟收敛的粒子进行变异操作,从而为K—means算法搜索到全局最优的初始聚类中心,使聚类结果不受初始聚类中心影响,易于获得全局最优解。实验结果表明文中提出的改进算法与传统聚类算法相比具有更高的聚类正确率、更好的聚类质量及全局搜索能力。     

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。     

融合多策略的增强海鸥优化算法

针对海鸥优化算法(SOA)求解精度低、种群多样性差、易陷入早熟收敛的缺点,提出了一种融合多策略的海鸥优化算法(ESOA)。首先,在每次迭代的过程中,引入改进的自适应差分变异策略,对单个海鸥个体进行差分变异操作并通过自适应机制扩大海鸥的全局搜索范围及提高种群的多样性;其次,设置了基于粒子群算法的机制来处理最差的海鸥个体位置;最后,针对海鸥的最优位置,采用了动态透镜映射的策略增加算法跳出局部最优的能力。采用CEC2017测试函数中的14个函数作为基准测试函数,将ESOA与麻雀算法(SSA)、飞蛾扑火算法(MFO)、灰狼算法(GWO),以及改进的GSCSOA、CCSOA进行性能对比。实验结果表明ESOA在统计学意义上具有显著的性能优势。     

基于PSO的模糊聚类算法

提出了一种基于模糊C-均值算法和粒子群算法的混合聚类算法。该算法结合PSO的全局搜索和FCM局部搜索的特点,将PSO优化聚类结果作为后续FCM算法的初始值,有效地克服了FCM对初始值敏感、易陷入局部最优和PSO算法局部搜索较弱的问题,同时增强了跳出局部最优的能力。实验表明,新算法得到的目标函数值更小,并能减小分类错误率,聚类效果优于单一使用FCM或PSO。     

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。     

基于混合身份搜索黏菌优化的模糊C-均值聚类算法

针对模糊C-均值聚类算法(fuzzy C-means clustering, FCM)对于初始化聚类中心敏感、收敛速度慢,聚类效果不稳定且容易陷入局部最优等问题,提出了一种将黏菌(SMA)与青少年身份搜索(AISA)相融合的自适应优化模糊C-均值算法(AISA-SMA-FCM)。该算法首先通过引入AISA算法中的青少年社会机制,改善SMA算法中的全局搜索和局部开发性能。克服了SMA对于高维数据及部分混峰数据不敏感的缺陷,通过标准测试函数验证改进后的混合AISA-SMA算法寻优求解性能更为优秀;其次此算法用于FCM聚类算法的迭代机制中,通过将AISA-SMA聚类环节加入FCM算法聚类中心迭代过程中,使FCM算法获得自适应优化算法相同的特性,即算法在每次迭代中都将具有探索和开发两个过程,并依据循环迭代次数调节比重,求解聚类结果;最后通过UCI标准数据集仿真测试,利用适应度平均值与聚类正确率评价所提算法的稳定性与有效性,结果表明,AISA-SMA算法用于FCM聚类问题效果较好,AISA-SMA-FCM算法较其他聚类方式和相应的优化技术具有收敛速度快、求解精度高的优点。     

融合差分变异和切线飞行的天鹰优化器

针对天鹰优化器（aquila optimizer,AO）虽然拥有强大的全局勘探能力,但局部开发能力不足的问题,提出融合差分变异和切线飞行的天鹰优化器（differential evolution mutation and tangent flight aquila optimizer,DEtanAO）。首先,根据差分进化算法中的变异操作能使算法具有较强的开发能力弥补了AO算法的不足,然后,利用切线搜索算法中切线飞行策略具有较强的探索搜索空间的能力并能使算法跳出局部最优解的优势,用其替换了AO算法中的莱维飞行。这两种策略的结合有效地平衡了DEtanAO算法的勘探和开发阶段。最后,为验证DEtanAO算法的优化性能,在12个标准基准函数、高维函数、Wilcoxon秩和检验和工程优化问题上来测试所改进算法的寻优能力。实验结果表明,相比其他智能算法,DEtanAO算法具有更强的寻优能力和更快的收敛速度。     

一种离散混合蛙跳算法及其应用

为提高混合蛙跳算法在求解高维复杂函数和离散优化问题的性能, 提出一种离散混合蛙跳算法. 首先, 引入扰动系数来调控青蛙个体的移动距离, 从而更好的平衡迭代中算法的全局探索和局部开发能力;其次, 利用螺旋更新位置策略使算法能够在最优解附近进行更加精细的搜索; 同时, 采用随机搜索策略, 提高算法的全局搜索能力; 另外, 通过借鉴2-opt方法, 实现全局最优解变异, 丰富种群的多样性; 最后, 利用改进的Sigmoid函数对个体位置进行离散化处理. 通过对9个典型的基准函数和油田措施规划方案的仿真实验表明, 相较于对比的算法, DSFLA的收敛精度和寻优速度有明显的提升.     

求解高维复杂函数的遗传-灰狼混合算法

高维函数优化一般是指维数超过100维的函数优化问题,由于"维数灾难"的存在,求解起来十分困难.针对灰狼算法迭代后期收敛速度慢,求解高维函数易陷入局部最优的缺点,在基本灰狼算法中引入3种遗传算子,提出一种遗传-灰狼混合算法(hybrid genetic grey wolf algorithm,HGGWA).混合算法能够充分发挥两种算法各自的优势,提高算法的全局收敛性,针对精英个体的变异操作有效防止算法陷入局部最优值.通过13个标准测试函数和10个高维测试函数验证算法的性能,并将优化结果与PSO、GSA、GWO三种基本算法以及9种改进算法进行比较.仿真结果表明,所提算法在收敛精度方面得到了极大改进,验证了HGGWA算法求解高维函数的有效性.     

Multi-strategy ensemble grey wolf optimizer and its application to feature selection

To overcome the limitation of single search strategy of grey wolf optimizer (GWO) in solving various function optimization problems, we propose a multi-strategy ensemble GWO (MEGWO) in this paper. The proposed MEGWO incorporates three different search strategies to update the solutions. Firstly, the enhanced global-best lead strategy can improve the local search ability of GWO by fully exploiting the search space around the current best solution. Secondly, the adaptable cooperative strategy embeds one-dimensional update operation into the framework of GWO to provide a higher population diversity and promote the global search ability. Thirdly, the disperse foraging strategy forces a part of search agents to explore a promising area based on a self-adjusting parameter, which contributes to the balance between the exploitation and exploration. We conducted numerical experiments based on various functions form CEC2014. The obtained results are compared with other three modified GWO and seven state-of-the-art algorithms. Furthermore, feature selection is employed to investigate the effectiveness of MEGWO on real-world applications. The experimental results show that the proposed algorithm which integrate multiple improved search strategies, outperforms other variants of GWO and other algorithms in terms of accuracy and convergence speed. It is validated that MEGWO is an efficient and reliable algorithm not only for optimization of functions with different characteristics but also for real-world optimization problems.     

微分进化自适应模糊C均值分割算法

模糊C均值（FCM）聚类算法分割图像时,对图像的背景噪声和聚类算法的初始值比较敏感,为了克服这个问题,进而提出了微分进化模糊[C]均值分割算法。为了避免陷入局部极值,首先使用FCM聚类初始化,接着用改进的FCM进行模糊聚类;然后进行初始化种群操作,设置微分进化DE算法的参数,计算种群中每个个体的适应值,最后对满足条件的适应值进行变异、交叉、选择操作。利用DE算法的全局搜索优化能力,有效抑制了局部极值的产生和图像的背景噪声、纹理细节对图像分割效果的影响。还克服了对初值选择敏感的问题,保证图像分割边界的完整性,是一个比较高效的方法,有效地提升了分割效果。DE算法本身具有简单,快速,鲁棒性好等优点,利用这些优点可以有效地克服FCM算法的缺点。     

用于函数优化和特征选择的翻筋斗觅食海鸥优化算法

针对基本海鸥优化算法（SOA）在处理复杂优化问题中存在低精度、慢收敛和易陷入局部最优的不足,提出了一种基于翻筋斗觅食策略的SOA算法（SFSOA）。该算法首先采用基于倒S型函数的控制参数A非线性递减策略更新海鸥个体的位置,以改善个体的质量和加快收敛速度;引入一种基于翻筋斗觅食策略的学习机制以增加海鸥个体位置的多样性,避免算法在搜索后期陷入局部最优值。选取八个基准函数优化问题进行数值实验,并与基本SOA、灰狼优化算法和改进SOA进行比较,结果表明,所提算法具有较高的解精度、较快的收敛速度和较强的全局搜索能力,能有效地处理复杂函数优化问题。最后,将SFSOA用于求解特征选择问题,获得了满意的结果。     

基于局部搜索的反向学习竞争粒子群优化算法

为提升粒子群优化算法在复杂优化问题,特别是高维优化问题上的优化性能,提出一种基于Solis&Wets局部搜索的反向学习竞争粒子群优化算法(solis and wets-opposition based learning competitive particle swarm optimizer with local se...