云模型的布谷鸟搜索算法*

针对布谷鸟搜索算法(CS)存在的不足,优化布谷鸟搜索算法求解连续函数问题的性能,结合云模型在定性与定量之间相互转换的优良特性,设计出云模型的布谷鸟搜索算法(CCS)。其核心思想是通过云模型实现布谷鸟的进化学习过程,类似差分进化进行群体间的信息交流。经过10个测试函数的实验仿真,测试结果表明该文算法能有效改善求解连续函数优化问题的性能。同时,针对连续函数优化问题,该算法与其它算法相比是有更好性能的优化算法。     

采用多搜索模式的粒子群算法

从现实中鸟的搜索方式中得到灵感,提出一种新的变异粒子群算法,称之为采用多搜索模式的粒子群优化算法（ＭＭＰＳＯ）。该算法中的每个粒子使用３种搜索模式在搜索空间中搜索食物,可随时调整其搜索方式。在数值仿真实验中选择了几个比较典型的高维复杂优化问题用来测试算法的性能。结果表明：算法的全局搜索能力和避免粒子陷入局部最优的能力都得到了明显提高,在一定程度上避免了早收敛现象的发生,可用于求解高维复杂函数的优化问题。     

一种采用动态游动模式的鱼群算法

在鱼群算法优化的研究中,针对人工鱼群算法(AFSA)存在的速度慢、精度差、早熟收敛等问题,提出一种新的改进人工鱼群算法,即一种采用动态游动模式的鱼群算法(DSMFSA).上述算法让每条“鱼”具有多种搜索模式,让每条“鱼”具有机动搜索食物的能力,并可根据群体信息的反馈和自身状态随时调整搜索方式.在数值实验中选择了几个比较典型的基准函数,用来测试上述算法的性能.实验结果表明:DSMFSA算法大大改善了人工鱼群算法(AFSA)存在的易陷入局部最优、优化精度不高之不足,明显具有比AFSA好得多的优化性能.说明改进算法具有跳出局部最优的能力,可用于求解高维的复杂优化问题.