帝国竞争算法求解CVRP

针对带容量约束的车辆路径问题(CVRP),提出了一种带分裂机制的帝国竞争算法进行求解。首先,结合CVRP的特性,采用基于贪婪准则的编解码策略实现算法空间到解空间的转换。其次,提出帝国分裂策略来增强算法的全局搜索能力,并结合2-Opt提高算法的局部搜索能力。最后,通过25个基准算例的仿真实验表明:所提算法能有效求解CVRP,所有算例的优化误差不超过1.0%;与已有的帝国竞争算法、粒子群算法、遗传算法、布谷鸟搜索算法相比,所提算法的求解效率更高。     

基于新型蛙跳算法的低碳柔性作业车间调度

针对低碳柔性作业车间调度问题(flexible job shop scheduling problem,FJSP),提出一种新型蛙跳算法(shuffled frog leaping algorithm,SFLA)以总碳排放最小化,该算法运用记忆保留搜索所得一定数量的最优解,并采取基于种群和记忆的种群划分方法,应用新的搜索策略如全局搜索与局部搜索的协调优化以实现模因组内的搜索,取消种群重组使算法得到简化.采用混合遗传算法和教–学优化算法作为对比算法,大量仿真对比实验验证了SFLA对于求解低碳FJSP具有较强的搜索能力和竞争力.     

分支定价方法求解带二维装箱约束的车辆路径问题EI北大核心CSCD

面向家具、电器等货物的物流配送场景,研究带二维装箱约束的车辆路径问题(2L–CVRP),构建了2L–CVRP的混合整数线性规划模型.为求解大规模2L–CVRP,构建了该问题集合划分模型,提出基于分支定价的方法.针对分支节点的松弛模型,基于列生成策略将其分解为线性规划主问题、带资源和二维装箱约束的最短路径子问题,并提出基于ng-route松弛策略的标签算法和基于禁忌搜索的装箱算法有效求解复杂子问题.仿真结果表明,提出的方法可高效求解大规模2L–CVRP,其中ng-route松弛策略能有效提升算法求解效率,研究成果为装箱约束下大规模车辆路径问题的高效求解提供了有效途径.     

基于粒子群算法的混洗蛙跳算法

基于模因进化的演化算法是一种模拟自然界生物进化或社会种群活动的随机搜索方法。本文介绍一种基于新的智能搜索算法——混洗蛙跳算法的改进演化算法。对SFLA算法和PSO算法的基本原理进行阐述,为了更好地改进SFLA算法局部搜索能力差、收敛速度降低,将粒子群优化算法（PSO）与混洗蛙跳算法（SFLA）相结合,提出一种改进的混洗蛙跳算法（SFLA）,能够提高算法的局部搜索能力和稳定性。该算法比上述两种算法具有更好的性能,特别是对函数优化等问题计算效果更好。     

基于群体爬山策略的混合粒子群优化算法

针对粒子群优化算法（PSO）在求解高维复杂优化问题时存在搜索精度不高和易陷入局部最优解的缺陷,借鉴混合蛙跳算法（SFLA）的群体爬山思想,提出一种基于群体爬山策略的混合粒子群优化算法（CMCPSO）,并证明了CMCPSO算法的全局收敛性。对四个典型高维连续优化函数的求解表明,该算法不仅保持了PSO算法的快速收敛能力,而且吸收了SFLA算法局部精细搜索和保持种群多样性的优点,具有良好的全局收敛性。     

基于改进混合蛙跳算法的电渣重熔过程多变量PID 控制器设计

根据电渣重熔过程的工艺特点和数学模型,提出了基于改进混合蛙跳算法（ISFLA）的多变量参数自整定PID控制策略.提出一种新的蛙跳规则,用以增强SFLA的局部搜索能力.该规则主要通过模拟青蛙的感知和运动的不确定性来动态随机地调整青蛙的局部搜索空间和步长,以防止SFLA算法过早收敛,提高算法的搜索效率.仿真结果和工业应用实验均表明了所提出控制方法的可行性和有效性.     

基于SFLA和FCM的Web搜索结果聚类

针对模糊聚类算法中存在的对初始值敏感、易陷入局部最优等问题,提出了一种融合改进的混合蛙跳算法（SFLA）的模糊C均值算法（FCM）用于Web搜索结果的聚类。新算法中,使用SFLA的优化过程代替FCM的基于梯度下降的迭代过程。改进的SFLA通过混沌搜索优化初始解,变异操作生成新个体,并设计了一种新的搜索策略,有效地提高了算法寻优能力。实验结果表明,该算法提高了模糊聚类算法的搜索能力和聚类精度,在全局寻优能力方面具有优势。     

随机蛙跳算法的研究进展

随机蛙跳算法(Shuffled Frog Leaping Lgorithm,SFLA)是进化计算领域中一种新兴、有效的亚启发式群体计算技术,近几年来逐渐受到学术界和工程优化领域的关注.SFLA结合了具有较强局部搜索(Local Search,LS)能力的元算法(Memetic Algorithm,MA)和具有良好全局搜索(Global Search,GS)性能的粒子群算法(Particle Swarm Optimization,PSO)的特点,因此其寻优能力强,易于编程实现.详细阐述了SFLA的基本原理和流程,总结了SFLA目前在优化和工程技术等领域中的研究,展望了SFLA的发展前景.     

基于模糊阈值补偿的混合蛙跳算法

针对混合蛙跳算法(SFLA)求解复杂问题时收敛速度慢、优化精度低的缺点,提出一种基于模糊阈值补偿的混合蛙跳算法(FTCSFLA)。在SFLA的基础上,采用模糊分组方法对青蛙分组并改进局部搜索的扰动策略。在族群中定义模糊隶属度、隶属度阈值和补偿系数,利用邻域青蛙之间的分布程度衡量某一青蛙的模糊隶属度。在一次局部搜索中,对族群最差个体按模糊隶属度和隶属度阈值关系给出2种更新方法,设置相应的补偿系数。实验结果表明,隶属度阈值为0.9的FTCSFLA其收敛精度、速度均优于SFLA和隶属度阈值为0.5的FTCSFLA,当隶属度阈值取值在(0.5,0.9]之间时,FTCSFLA的性能达到最优。     

基于蚁群优化蛙跳算法的云计算资源调度算法

针对云计算资源调度存在效率低的问题,提出了基于服务质量（QoS）的云计算资源调度算法。首先,在蚁群优化（ACO）算法中采用质量函数和收敛因子来保证信息素更新的有效性,设置反馈因子来提高概率的选择;其次,在蛙跳算法（SFLA）中通过交叉因子和变异因子来提高SFLA的局部搜索效率;最后,在ACO算法的每一次迭代中通过引入SFLA的局部搜索和全局搜索进行更新,提高了算法的效率。云计算的仿真实验结果表明,与基本的ACO算法、SFLA、改进后的粒子群优化（IPSO）算法、改进的人工蜂群算法（IABC）相比,所提算法在QoS的4个指标中有最少的完成时间、最低的消耗成本、最高的满意度和最低的异常数值,表明所提算法能够有效地运用在云计算资源调度中。     

求解复杂函数优化问题的混合蛙跳算法*

针对基本混合蛙跳算法在处理复杂函数优化问题时容易陷入局部最优、收敛速度慢的缺点,提出了一种改进的混合蛙跳算法。该算法把生物学中的吸引排斥思想引入到混合蛙跳算法中,修正了其更新策略,从而维持了子群的多样性。实验仿真结果表明,改进的混合蛙跳算法提高了算法的收敛速度,有效地避免了SFLA的早熟收敛问题,从而改善了对复杂问题的搜索效率,数值实验结果验证了算法的有效性和鲁棒性。     

融合粒子群和混合蛙跳的模糊C-均值算法

针对模糊聚类算法中存在的对初始值敏感、易陷入局部最优等问题,提出了一种融合粒子群算法和混合蛙跳算法的模糊C-均值聚算法。通过设计了一种新颖的搜索粒度系数,充分利用粒子群算法收敛速度快、局部搜索能力强的优点与混合蛙跳算法全局寻优能力强、跳出局部最优能力好的特点,同时对SFLA中更新算法进行了改进。实验结果表明,该算法提高了模糊聚类算法的搜索能力和聚类效果,在全局寻优能力、跳出局部最优能力、收敛速度等方面具有优势。     

一种基于阈值选择策略的改进混合蛙跳算法

混合蛙跳算法（SFLA）是一种全新的后启发式群体进化算法,具有高效的计算性能和优良的全局搜索能力。对混合蛙跳算法的基本原理进行了阐述,针对算法局部更新策略引起的更新操作前后个体空间位置变化较大,降低收敛速度这一问题,提出一种基于阈值选择策略的改进混合蛙跳算法。通过不满足阈值条件的个体分量不予更新的策略,减小了个体空间差异,从而改善了算法性能。数值实验证明了该改进算法的有效性,并对改进算法的阈值参数进行了率定。     

自适应混合变异的蛙跳算法

蛙跳算法是一种受自然界生物现象启发产生的群体进化算法,计算速度快,寻优能力强,但局部搜索能力较弱,容易陷入早熟收敛。针对其缺点,结合高斯变异和柯西变异的优点,提出了一种改进的混合蛙跳算法。改进后的算法收敛速度加快,在一定程度上避免陷入局部最优,提高了蛙跳算法解决复杂函数问题的能力。实验验证了其有效性。     

基于负熵和智能优化算法的盲源分离方法

针对混合蛙跳算法(SFLA)更新策略会陷入局部最优、降低收敛速度的问题,提出一种自适应阈值更新策略。根据盲源分离中常用峭度和负熵作为非高斯性的度量,但峭度对野值敏感,影响算法性能,研究一种基于负熵准则的采用粒子群优化(PSO)算法和混合蛙跳算法的盲源分离方法。仿真结果表明,基于负熵的盲分离算法性能优于基于峭度的盲分离算法,基于SFLA的盲分离算法性能优于基于PSO的盲分离算法。     

基于微粒群与混合蛙跳融合的群体智能算法

针对微粒群算法和混合蛙跳算法存在的早熟收敛问题,提出一种基于微粒群与混合蛙跳算法融合的群体智能算法。新算法将整个群体分成数目相等的蛙群和微粒群群体。在两群体独立进化过程中,设计了一种两群之间的信息替换策略：比较蛙群与微粒群的最佳适应值,如果蛙群进化较好,利用蛙群各子群中最差个体替换微粒群一部分较好个体;否则,用微粒群中较好的一部分个体替换蛙群各子群的最好个体。同时,设计了一种两群之间的相互协作方式。为避免微粒群因早熟收敛而影响信息替换策略效果,适时对其所有个体最好位置进行随机扰动。仿真实验表明,新算法可以有效提高全局搜索能力及收敛速度,对于高维复杂函数问题,算法具有很好的稳定性。     

一种自适应惯性权重的混合蛙跳算法

针对混合蛙跳算法(SFLA)易陷入局部最优、收敛速度慢的问题,提出一种改进的混合蛙跳算法。该算法用相对基学习法初始化青蛙群体,从而提高初始解的质量。通过引入自适应惯性权重修正青蛙的更新策略,可以平衡算法的全局搜索和局部搜索。对6个经典函数的仿真测试结果表明,该算法与SFLA和ISFLA1算法相比寻优能力强、迭代次数少、解的精度高,更适合高维复杂函数的优化。     

基于三角函数搜索因子的混合蛙跳算法

针对传统混合蛙跳算法存在收敛速度慢、容易陷入局部最优和搜索精度不高的缺陷,提出了基于三角函数搜索因子的混合蛙跳算法。该算法将基于三角函数搜索因子的局部进化策略和产生新个体策略引入到混合蛙跳算法中,改进混合蛙跳算法的局部搜索精度和全局收敛性能。实验结果表明,基于三角函数搜索因子的混合蛙跳算法能够显著改善混合蛙跳算法的寻优精度和收敛速度,使算法的搜索效率和稳定性同时得到提高。     

基于免疫进化的粒子群混洗蛙跳算法

为了避免混洗蛙跳算法易于出现不成熟收敛,提高求解质量,提出了基于免疫进化的粒子群混洗蛙跳算法。该算法将粒子群算法中粒子追踪全局极值的思想融入混洗蛙跳算法中,对族群内的最差个体同时跟踪族群内和全局两个最优个体的信息,进行深度搜索;并引入免疫进化算法对群体中的最优个体进行免疫进化迭代计算,以达到充分利用最优个体的信息的目的。该算法不仅避免了陷入局部极值的局限,以更高的精度逼近全局最优解,而且能加速收敛。对多个典型测试函数的计算表明：基于免疫进化的粒子群混洗蛙跳算法比传统的混洗蛙跳算法具有更好的寻优能力、稳定效果和更快的收敛速度。     

正态变异优胜劣汰的混合蛙跳算法

针对基本混合蛙跳算法收敛速度慢、求解精度不高且易陷入局部最优的缺陷,提出了一种新的正态变异优胜劣汰的混合蛙跳算法。该算法在局部搜索策略中,对子群内最差个体的更新融入了服从正态分布的变异扰动,可有效避免青蛙个体向局部最优聚集,扩大搜索空间,增加种群的多样性;同时对子群内少量的较差青蛙进行变异选择,摒弃不利的变异,继承有用的变异,优胜劣汰,整体提高种群的质量,减少算法寻优过程的盲目性,提高算法的寻优速度。对每个子群内的最优个体引入精英变异机制以获得更优秀的个体,进一步提升算法的全局寻优能力,避免陷入局部最优,引领种群向更好的方向进化。实验独立运行30次,所提算法在Sphere、Rastrigrin、Griewank、Ackley和Quadric函数中均能收敛到最优解0,优于其他对比算法。实验结果表明,所提算法可有效避免算法陷入早熟收敛,提高了算法的收敛速度和精度。