平面选址问题的引力搜索算法求解

为求解平面选址问题,给出了一种基于引力搜索算法的求解方法。算法利用万有引力定律进行全局搜索,采用一种邻域搜索方法进行局部搜索,实现算法全局优化和局部优化的平衡。通过大量实验和与现有求解方法的比较,结果验证了算法的可行性和有效性。     

求解函数优化问题的反向自适应和声搜索算法

针对多维函数优化问题,提出2种新的反向自适应和声搜索算法。在自适应和声搜索算法的基础上,通过引入反向初始化操作,增强初始和声库的质量。设计一种反向自适应新和声搜索产生策略,加强算法的寻优能力。分别设计2种不同的和声微调概率的设置方式,并研究其对于算法收敛速度的影响。针对4个标准测试函数的仿真实验结果表明,与传统的和声搜索算法相比,2种算法的求解质量和收敛速度都有所提升。     

自适应中心引力优化算法

针对函数全局优化问题,提出了一种自适应中心引力算法,以平衡全局探测能力和局部搜索能力。首先定义粒子的适应值函数,然后根据与平均适应值的比较,更新粒子运动时间,并引进交叉操作更新当前粒子位置,从而提高算法的收敛速度。最后选择8个典型测试函数进行测试,并与中心引力优化算法和其他粒子群优化算法进行比较。结果表明,该算法得到的结果十分精确,鲁棒性强,优于其他算法。     

最小比率旅行商问题的引力搜索算法求解

经典旅行商问题的目标函数是总路程最小,而在实际情况中往往会考虑旅行商的收益问题,研究了以总路程和总收益之比为目标函数的最小比率旅行商问题.由于该问题的目标函数是非线性的,比求解目标函数是线性的旅行商问题更为困难,为有效求解该问题,提出一种引力搜索算法.算法基于万有引力定律和牛顿第二定律进行寻优,并采用速度和位置的计算模型.同时结合随机键的编码方法,将搜索个体的连续位置转换为离散的城市访问顺序.给出了算法的具体实现方案,并通过仿真和比较实验验证算法的优化性能.实验结果表明该算法可以有效求解最小比率旅行商问题.     

求解函数优化问题的改进布谷鸟搜索算法

为了提高布谷鸟搜索算法求解函数优化问题的求精能力和收敛速度,提出了一种基于自适应机制的改进算法.自适应机制用于控制缩放因子和发现概率,以提高种群的多样性,避免早熟,从而使更多的个体参与演化,达到提高求精能力和收敛速度的效果.仿真实验结果表明,与标准的布谷鸟搜索算法相比,基于自适应机制缩放因子的改进算法(rCS)和基于自适应机制发现概率的改进算法(paCS)在求精能力和收敛速度上都有明显的提高;同时具有自适应缩放因子和自适应发现概率的改进算法(iCS)比rCS和paCS具有更优的求精能力和收敛速度.     

一种求解高维复杂优化问题的动态自适应和声搜索算法

为了更好地提高求解高维复杂优化问题的能力,提出一种动态自适应和声搜索(DSHS)算法。该算法采用正交试验来设计算法的初始化和声记忆库;利用多维动态自适应调整算子和单维和声微调算子相结合的策略进行和声创作;改进和声音调调解步长,从而增强算法的扰动能力,避免其陷入局部搜索。通过6个标准Benchmark函数测试表明,该算法在全局搜索能力、收敛速度和稳定性方面都有明显提高。     

基于改进引力搜索算法的桁架结构优化设计

引力搜索算法是近几年提出的较有竞争力的群智能优化算法,然而,标准引力搜索算法存在后期收敛速度慢的缺点。为有效利用优化算法来解决结构优化的问题,提出一种改进的引力搜索算法(improved gravitational search algorithm,IGSA)。通过引入Logistic映射,使GSA初始种群遍历整个搜索空间,提高算法找出最优解的可能性。通过引入粒子群算法(particle swarm optimization,PSO)的信息交互机制,利用个体粒子历史最佳位置和种群历史最佳位置动态调整粒子的速度和位置,使个体粒子更快地向适应度值更高的位置移动,使算法搜索能力加强。对6个经典测试函数进行寻优,结果表明改进后算法收敛速度快,收敛精度高,稳定性较佳,跳出局部最佳解的能力较强。用IGSA和GSA对72杆空间桁架进行尺寸优化,与其他算法相比,结果表明IGSA得到最优值的迭代次数明显减少,得到的最优解明显优于通用算法。     

基于改进自适应黑洞机制的引力搜索算法

针对基本引力搜索算法(gravity search algorithm, GSA)易早熟、易陷入局部最优、缺少有效加速机制等缺点,提出了基于改进自适应黑洞机制的GSA(improved adaptive black hole gravity search algorithm, IABHGSA)。通过改进Tent映射对种群初始化,使得初始种群的分布更随机、均匀、全面,增强算法的全局勘探能力;引入改进自适应黑洞机制,根据粒子进化情况选择位置更新策略,使得位置更新更为合理,有效减小粒子陷入局部最优的可能性;通过基于学习思想的最优与最差粒子更新策略增强算法逃离局部最优的能力,并提高算法的寻优速度;引入群体迁徙,为算法提供有效的加速收敛机制。最后,选取八个基准测试函数对IABHGSA进行测试,并与相关算法的实验结果进行了对比,结果证明IABHGSA有更好的寻优性能。     

引力搜索算法的改进

引力搜索算法GSA(Gravitationa lSearch Algorithm)是最近由Esmat Rashedi基于引力定律提出的一个新算法。在引力搜索算法的基础上对其进行改进,得到了基于权值的引力搜索算法。与引力搜索算法相比,该算法在每一次迭代的过程中,都对粒子的惯性质量加一个权值。用算法对许多基准函数测试的实验效果表明,该方法可以使得引力搜索算法得到更好的结果。     

基于斥力的引力搜索算法

针对引力搜索算法(Gravitational Search Algorithm,GSA)收敛速度较快、易陷入局部最优的缺点,提出一种加入斥力的引力搜索算法RFGSA(Repulsion Force based Gravitational Search Algorithm)。该算法在引力搜索算法中引入斥力,即将一部分引力变为斥力,从而增加种群的多样性,有利于寻找全局最优。对10个基准测试函数进行优化的结果表明:该算法的收敛结果明显优于遗传算法、粒子群算法及原始的引力搜索算法。     

A Multi-Layered Gravitational Search Algorithm for Function Optimization and Real-World Problems

A gravitational search algorithm(GSA)uses gravitational force among individuals to evolve population.Though GSA is an effective population-based algorithm,it exhibits low search performance and premature convergence.To ameliorate these issues,this work proposes a multi-layered GSA called MLGSA.Inspired by the two-layered structure of GSA,four layers consisting of population,iteration-best,personal-best and global-best layers are constructed.Hierarchical interactions among four layers are dynamically implemented in different search stages to greatly improve both exploration and exploitation abilities of population.Performance comparison between MLGSA and nine existing GSA variants on twenty-nine CEC2017 test functions with low,medium and high dimensions demonstrates that MLGSA is the most competitive one.It is also compared with four particle swarm optimization variants to verify its excellent performance.Moreover,the analysis of hierarchical interactions is discussed to illustrate the influence of a complete hierarchy on its performance.The relationship between its population diversity and fitness diversity is analyzed to clarify its search performance.Its computational complexity is given to show its efficiency.Finally,it is applied to twenty-two CEC2011 real-world optimization problems to show its practicality.     

搜索空间自适应量子搜索算法

量子搜索算法,相较于经典计算有着平方根的加速,在许多机器学习算法中都有广泛应用,如量子KNN算法、量子特征提取、量子主成分分析等.在目标分量占比较小的时候,量子搜索算法总能以较高的概率得到目标分量;然而,当目标分量占比较大时,量子搜索算法的成功概率急剧下降.为解决这个问题,本文拟提出一种搜索空间自适应的量子搜索算法.新算法依据目标分量占比的不同采用不同的策略:当目标分量占比为λ≥1/2,将搜索空间扩大为8N;当目标分量占比1/4≤λ<1/2时,将搜索空间扩大为4N;当目标分量占比1/8≤λ<1/4时,将搜索空间扩大为2N;当目标分量占比λ<1/8时,保持搜索空间不变.通过理论分析,改进算法整体效率得到显著的改进,能够保持93%以上的成功概率.     

融合模式搜索与人口迁移的优化算法

针对人口迁移算法存在的收敛速度慢、优化精度低、易陷入局部最优等问题,提出一种融合模式搜索与人口迁移的优化算法。将模式搜索方法作为一种局部优化算子嵌入到人口迁移算法中,对人口迁移算法随机产生的点利用模式搜索方法进行局部优化。通过5个典型函数进行测试,结果表明,该算法收敛速度快、优化精度高,能有效求解全局优化问题。     

融合混沌反学习与蜂群搜索算子的引力搜索算法

引力搜索算法是最近提出的一种较有竞争力的群智能优化技术,然而,标准引力算法存在的收敛速度慢、容易在进化过程中陷入停滞状态.针对上述问题,提出一种改进的引力搜索算法.该算法采用混沌反学习策略初始化种群,以便获得遍历整个解空间的初始种群,进而提高算法的收敛速度和解的精度.此外,该算法利用人工蜂群搜索策略很强的探索能力,对种群进行引导以帮助算法快速跳出局部最优点.通过对13个非线性基准函数进行仿真实验,验证了改进的引力搜索算法的有效性和优越性.     

云搜索优化算法

本文将云的生成、动态运动、降雨和再生成等自然现象与智能优化算法的思想融合,建立了一种新的智能优化算法-云搜索优化算法(CSO)。生成与移动的云可以弥漫于整个搜索空间,这使得新算法具有较强的全局搜索能力;收缩与扩张的云团在形态上会有千奇百态的变化,这使得算法具有较强的局部搜索能力;降雨后产生新的云团可以保持云团的多样性,这也是使搜索避免陷入局优的有效手段。实验表明,基于这三点建立的新算法具有优异的性能,benchmark函数最优值的计算结果以及与已有智能优化算法的比较展现了新算法精确的、稳定的全局求解能力。     

带有Levy Flight机制的引力搜索算法

引力搜索算法（gravitational search algorithm,GSA）是模拟万有引力定律进行搜索的一种新颖的优化算法,已有研究表明GSA算法相比一些传统的优化算法拥有较好的收敛性能,但其缺乏有效的全局寻优机制,易于被局部极值吸引,从而陷入早熟收敛。因此提出了一种基于Levy Flight和权值惯性递减的引力搜索算法QmuGSA,以加强算法的全局寻优能力。该算法通过Levy Flight独特的不均匀随机游走的机制扩大粒子的搜索范围,增加种群多样性,从而更容易跳出局部最优点。通过4个标准测试函数对所提算法进行了仿真测试,结果表明所提算法能够有效克服基本引力搜索算法易早熟、收敛精度低等缺陷,具有较好的寻优精度和全局收敛性能,能够解决一些复杂函数的优化问题。     

用于一类函数全局优化问题的混合遗传算法

为了克服传统遗传算法收敛速度缓慢且易于收敛到局部最优解的缺点,该文将遗传算法与传统的局部搜索方法相结合,采用新的交叉变异准则,提出一种新型的混合遗传算法。该算法可以很好地处理一类带上下界约束的全局优化问题,具有很强的全局寻优能力。数值实验表明,该算法的计算结果明显优于传统遗传算法。