混沌混合蛙跳算法

针对基本混合蛙跳算法(Shuffled Frog Leaping Algorithm,简称SFLA),收敛速度慢,优化精度低的问题,提出了混沌混合蛙跳算法。将混沌优化思想引入到蛙跳算法中,利用混沌运动的随机性和遍历性,对全局最优个体Xg或随机更新策略中的最差个体Xw进行混沌优化,并用优化结果随机替代当前种群中的某个体或Xw,通过这种处理增强了蛙跳算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。通过对6个测试函数和背包问题进行优化实验,仿真结果表明,混沌混合蛙跳算法的优化性能明显优于基本混合蛙跳算法和相关文献中的改进算法。     

PSO和AFSA混合优化算法

结合粒子群优化(PSO)算法和人工鱼群算法(AFSA)的优势,提出一种PSO-AFSA混合算法。将种群分为2个子群体,在每次迭代中,一个子群体利用PSO算法进化,另一个子群体利用AFSA进化,2个算法共享整个种群极值信息。通过混合算法对5个标准函数进行实验,并与标准PSO算法进行比较,结果表明混合算法具有更好的优化性能。     

人工鱼群算法的参数分析

针对人工鱼群算法由于参数选择不合理而导致算法运行时间长或陷入局部最优的问题,利用改进的全局版人工鱼群算法,采用不同参数匹配,以优化3个典型的测试函数为例进行仿真实验研究,分析人工鱼群算法在主要参数影响下,算法优化性能及收敛速度的变化规律,给出算法参数设置的适当取值。实验结果表明参数的合理设置使算法可以较快地收敛至全局较优解,并具有较好的性能。     

改进的混合蛙跳算法性能分析及其在电力系统经济调度中的应用

针对基本混合蛙跳算法收敛速度慢,优化精度低的问题,提出了改进的混合蛙跳算法:通过引入自适应因子,保持了算法开发与探索的平衡,维持了种群的多样性,提高了个体向局部最优或全局最优个体学习的能力,加快了算法的收敛速度。通过对4个测试函数和电力系统中经济调度问题进行优化实验,并与基本混合蛙跳算法和相关文献中的改进算法进行比较,实验结果表明所提出的改进算法取得了更加理想的运算结果,具有更好的优化性能。     

自竞争粒子群优化算法

粒子群优化算法由于简单有效而受到重视,但其求解过程容易陷入局部极值点以及存在收敛速度慢和稳定性较差等问题。提出自竞争粒子群优化算法,在优化过程中依适应值将劣势粒子予以淘汰,重新初始化,增强了搜索能力。同时,给出了惯性权值因子按非线性Logistic模型递减取值方法。实验结果表明,该方法是可行的,而且提高了收敛速度,增强了稳定性,达优率得到了提高。     

种群拓扑结构对人工鱼群算法性能的影响

基本人工鱼群算法采用基于距离的邻域拓扑结构,存在计算量大、运行速度慢等问题。为此,引入粒子群优化算法中的4种典型种群拓扑结构:星形,轮形,环形和冯·诺依曼结构,代替基于距离的邻域拓扑结构,并分析不同构对算法性能的影响。在5个准测试函数上的实验结果表明,对于单峰函数,星形结构算法的优化效果较好;对于局部最优点较多的函数,轮形和环形结构算法的优化效果较好。根据优化问题的复杂度选用不同的拓扑结构,可以提高人工鱼群算法的优化性能。     

一种改进的混合蛙跳算法

针对基本混合蛙跳算法存在的易陷入局部最优、随着迭代次数增加种群退化的缺点,提出了一种改进的混合蛙跳算法。该算法将混合蛙跳算法中子群体内最差解根据子群内最优解和全局最优解进行更新的方式转换为最差个体根据子群内中心点和全局最优解进行更新的方式,使得最差解通过获得来自子种群内其他解的更多信息量来调整自身的状态。同时,算法在完成一次内迭代合并之后利用选择算子对整个种群进行选择更新。中值策略较好地平衡了算法的全局搜索与局部搜索能力,选择策略保持了进化过程中种群的多样性。实验结果表明:改进后的算法具有更好的优化性能。