基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法

针对蝴蝶优化算法（BOA）收敛速度较慢和过早收敛到局部解的问题,提出一种基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法（HSSBOA）。首先,将樽海鞘群算法（SSA）引入BOA中,使算法快速处理局部搜索阶段,并更新种群位置,从而更有效地完成寻优过程,避免算法陷入局部最优;然后,引入邻域重心反向学习以便更好地帮助算法在邻域内进行小范围精确搜索,从而提高算法的精度;最后,引入动态切换概率以改善搜索中全局与局部的比重,从而加快算法的搜索速度。选取10个标准检测函数进行测试,将HSSBOA与几个先进的优化算法从收敛精度、高维度数据、收敛速度、Wilcoxon秩和检验和平均绝对误差（MAE）五个方面进行对比分析。研究结果表明,相较于其他算法,HSSBOA取得了更优的结果。消融实验进一步验证了各项改进均为正向作用。实例问题上的表现表明相较于其他方法,在求解有约束的复杂问题时,HSSBOA能够更有效地搜索出最优解。可见HSSBOA在寻优精度、稳定性和收敛效率等方面取得了一定的优势,并且能够求解复杂的现实问题。     

秃鹰搜索算法的优化及图像分类应用

针对秃鹰搜索算法(BES)存在求解的稳定性差且准确性低, 鲁棒性差等缺点, 提出了一种基于秃鹰搜索算法的新型算法(NBES). 首先, 在BES算法的选择搜索空间阶段融合正余弦优化机制算法, 构建融合后的位置更新公式. 其次, 在BES算法的搜索空间猎物阶段加入惯性权重自适应位置更新策略. 最后, 在BES算法俯冲阶段融合萤火虫优化机制算法, 重新定义位置更新公式. 通过11个标准测试函数验证NBES算法性能, 实验表明, NBES算法寻优准确性、收敛速度、鲁棒性都优于BES算法. 为了验证新算法的实际应用价值, 利用NBES算法优化卷积神经网络(CNN)中的超参数学习率, 并将优化后的图像分类模型用于医学影像病理性分类预测, 实验表明, 经过优化的CNN模型分类精度提高9%.     

基于多智能体的新型遗传算法及其在复杂系统中的应用研究

通过对简单遗传算法及其研究现状的分析研究，及对复杂系统与简单遗传 算法特点的比较分析，针对简单遗传算法的不足，提出了一种基于多智能体的新型遗传算法，定义了新型遗传算法中的环境、智能体结构、遗传算子、目标/评估函数和流程图，最后用一个测试函数和复杂环境下的多峰函数对它进行了验证分析. 结果表明，新型遗传算法具有明显的优点和优势，特别适合于复杂系统中的问题求解．     

基于KDMSPCS-GRNN的室内定位技术研究

针对利用广义神经网络(Generalized Regression Neural Network,GRNN)搭建的定位预测模型定位精度低、效率慢等问题,基于动态分群策略,提出一种线性递减粒子群(Linear Decreasing Contraction Particle Swarm Optimization,LDCPS...     

基于改进粒子群的焊点检测路径规划方法

针对电路板的焊点检测路径优化问题,提出一种改进的粒子群优化算法。在粒子进化过程中,根据时间函数的变化,调整粒子进化参数组合。在焊点空间路径规划过程中,将最小时间函数作为移动准则。在当前焊点检测点,建立路径规划时间函数,利用改进粒子群算法求取时间函数最小点,作为下一路径点,从而逐步得到焊点移动路径。仿真结果表明,利用所提方法可以规划出一条有效最优路径,进行完成焊点路径规划任务。同时实验结果表明,相对于其他粒子群算法,该算法具有较好的收敛精度,且收敛速度可控。     

基于个体排序的自适应遗传算法

针对遗传算法容易陷入局部最优的缺点,文中提出了一种基于个体排序的自适应遗传算法。在传统自适应遗传算法中,交叉概率和变异概率的自适应更新是依据个体的适应度值进行的。但是在算法后期,由于种群陷入局部极值,使得值的差异变小,更新时难以体现个体差异。借鉴序优化的思想,在所提改进算法中,将个体适应度值排序,并采用排序号替代适应度值。这种采用序差异取代值差异的方法能够增大种群中、后期的交叉概率和变异率的值,有利于避免算法陷入早熟收敛。文中对几种标准的函数进行了测试,结果表明,改进后的算法在收敛速度和收敛精度方面优于其他两种自适应改进算法。     

基于猴群算法和单纯法的混合优化算法

针对猴群算法求解全局优化问题精度不高和花费大量的计算时间等问题,结合传统的单纯法的搜索思想,设计出一种基于猴群算法和单纯法的混合算法。该混合算法较大程度上提高了猴群算法求解精度,且加快了猴群算法的收敛速度。通过18个标准测试函数进行了测试,结果表明, 与PSO、GA与MA比较,文中提出的猴群-单纯形混合算法在函数优化方面有较强的优势,其测试函数最优解更接近理论最优解。     

基于模拟退火和文化粒子群的优化算法

提出一种基于模拟退火和文化粒子群的新型混合优化算法,该算法针对基本文化粒子群优化算法易陷入局部最优的缺点,将模拟退火引入文化算法框架中,作为知识空间的一个演化过程,通过模拟退火的概率突跳特性促使寻优过程跳出局部极值,保证了群体的多样性。最后通过8个标准测试函数的测试,仿真结果表明,该文算法是一种计算精度高、收敛速度快的混合优化算法。     

一种自适应寻优的社会蜘蛛优化算法(SA-SSA)

针对标准社会蜘蛛优化算法(SSA)全局搜索能力不足、收敛速度慢等问题。提出一种自适应寻优的社会蜘蛛优化算法(SA-SSA)。在蜘蛛振动更新公式中,引入权重思想来构成振动自适应函数,动态调节最优位置的影响力,提高算法收敛速度;引入最优领域扰动策略,避免算法早熟,解决算法易陷入局部最优解的问题。在6个测试函数中进行仿真实验,结果表明所改进的自适应寻优的社会蜘蛛优化算法(SA-SSA)相较于其他群优化算法,如蝙蝠优化算法(BA)、人工鱼群(AFA)以及标准社会蜘蛛优化算法(SSA),具有更高的寻优精度和收敛速度,证明了改进策略的有效性。     

多样性监控的免疫微粒群算法

标准微粒群算法的种群多样性随进化变差是造成陷于局部最优的主要原因,本文提出了一种多样性监控的免疫微粒群算法.利用多样性函数对种群的多样性进行监控,并在多样性下降到一定程度时,引入免疫机制中的克隆选择算子和免疫记忆特性来对粒子进行更新,从而有效地克服了微粒群算法易陷于局部最优以及对多峰值函数搜索效果不佳的缺点.用经典benchmark测试函数对算法进行仿真实验,实验结果表明该算法比标准微粒群算法有着更好的收敛性能.