融合鲸鱼算法的混合灰狼优化算法

针对灰狼优化(GWO)算法存在容易陷入局部最优、收敛速度慢、求解精度不高等问题,提出一种融合鲸鱼算法的混合灰狼优化(HWGWO)算法.首先在鲸鱼算法的螺旋泡网狩猎行为中融入Levy飞行并将其整体引入灰狼优化算法;然后将动态权重和差分进化思想引入灰狼优化算法;最后利用贪婪选择策略来保留较好的灰狼位置.选取23个测试函数进行数值试验,结果表明,HWGWO算法在收敛速度和求解精度上都有所提升.此外,利用HWGWO算法求解拉伸/压缩弹簧设计问题得到的设计方案更有效.     

改进种群多样性的双变异差分进化算法

差分进化算法(DE)是一种基于种群的启发式随机搜索技术,对于解决连续性优化问题具有较强的鲁棒性.然而传统差分进化算法存在种群多样性和收敛速度之间的矛盾,一种改进种群多样性的双变异差分进化算法(DADE),通过引入BFS-best机制(基于排序的可行解选取递减策略)改进变异算子"DE/current-to-best",将其与DE/rand/1构成双变异策略来改善DE算法中种群多样性减少的问题.同时,每个个体的控制参数基于排序自适应更新.最后,利用多个CEC2013标准测试函数对改进算法进行测试,实验结果表明,改进后的算法能有效改善种群多样性,较好地提高了算法的全局收敛能力和收敛速度.     

求解高维全局优化问题的改进飞蛾火焰优化算法

针对标准飞蛾火焰优化算法在求解高维全局优化问题时存在收敛速度慢、解精度低和易陷入局部最优等缺点,提出一种改进的飞蛾火焰优化算法(简记为IMFO).该算法首先引入动态惯性权重对飞蛾位置更新方程进行修改以平衡算法的勘探和开采能力.受差分进化算法启发,设计出一种新的随机差分变异策略,以帮助种群跳出局部最优.选取18个高维(100、500和1000维)全局优化问题进行数值测试,结果表明,在相同的适应度函数评价次数下,IMFO在收敛速度和求解精度指标上明显优于基本MFO算法和其他对比算法.     

基于t分布的自适应花授粉算法

花授粉算法是一种新型启发式优化算法,算法存在易陷入局部最优、后期收敛速度慢等缺陷,为了进一步提高花授粉算法的寻优性能,在异花授粉过程中引入t分布变异算子,提出了一种基于t分布的自适应花授粉算法(tFPA).通过7个标准测试函数进行测试比较,并对改进算法的时间复杂度进行分析,仿真结果表明,改进算法是可行有效的,其寻优速度、寻优精度以及鲁棒性均有很大程度的改善.     

蜜蜂进化遗传与捕鱼策略相结合的优化算法

针对捕鱼策略优化算法未充分利用群体最优个体信息因而收敛速度较慢的缺陷,提出了将蜜蜂进化遗传算法与捕鱼策略相结合的混合优化算法.算法将蜂王具有最优遗传基因的特点引入到渔夫撒网捕鱼策略中,能较好利用群体当前最优个体的信息,提高搜索速率;并保留捕鱼策略中渔夫移动搜索策略的独立性,避免陷入不成熟收敛.通过对多个典型测试函数的测试表明:蜜蜂进化遗传算法与捕鱼策略相结合的优化算法,比简单的捕鱼策略的优化算法在寻优能力、稳定性和收敛速度等方面均有提高.     

融合差分进化与多策略的阿基米德优化算法

鉴于阿基米德优化算法存在易早熟,收敛慢等缺点,提出一种融合差分进化与多策略的阿基米德优化算法.首先,通过位置参数,随机选择两种混沌映射初始化种群来增强种群的多样性;其次,通过余弦控制因子的动态边界策略改进密度因子,来平衡算法的全局探索与局部开发能力;接着,融合差分进化算法,缩小最优位置的范围,以达到快速向最优位置靠拢的目的.最后,选取10个基准测试函数进行仿真实验,并对实验结果进行Wilcoxon秩和检验,结果表明所提算法性能优于对比算法.     

基于精英区域学习的多种群自适应的差分进化算法

为了进一步提高差分进化算法的收敛速度、算法精度和稳定性,采用多种群技术来增加算法收敛速度和降低复杂度;利用精英区域学习策略来对算法的全局搜索能力和算法精度进一步提升,引进自适应免疫搜索策略,以实现自适应修正差分算法的变异因子和交叉因子。通过五个测试函数,把本文算法与最新文献中的算法进行对比,表明算法在收敛速度、精度和高维问题寻优能力方面的优越性。     

基于Cubic混沌模型的自适应布谷鸟优化算法

针对基本布谷鸟算法(CS)求解精度有限、收敛速度慢,易陷入局部最优的不足,提出一种基于Cubic混沌模型的自适应布谷鸟优化算法.算法在迭代时,自动调整Lévy flights随机搜索的步长因子,提高算法的收敛速度;将Cubic混沌映射模型嵌入布谷鸟算法,产生混沌扰动信号,对鸟巢位置进行更新,扩大种群多样性,提高全局最优值的搜索能力.通过10个标准测试函数的实验及结果分析,表明算法在寻优精度和收敛速度两方面的改进是有效的.     

基于信息熵的改进鲸鱼优化算法

针对鲸鱼优化算法在面对复杂优化问题时,存在易陷入局部最优和收敛精度低等缺点,在原始鲸鱼算法的基础上,提出了信息熵的改进鲸鱼优化算法.信息熵本身是一种不确定的度量,利用信息熵在路径选择时调控鲸鱼搜索的范围,克服基本鲸鱼优化算法的不足,使算法的全局收敛速度得到提高.通过选取6个标准测试函数进行仿真实验,对改进鲸鱼优化算法、基本鲸鱼优化算法、粒子群算法进行比较,数据结果表明改进鲸鱼算法在处理高维复杂组合优化问题上的可行性与有效性.     

求解带时间窗车辆路径问题的改进离散花朵授粉算法

针对当前算法在求解带时间窗车辆路径问题(Vehicle Routing Problem with Time Windows,VRPTW)时存在精度、效率方面的不足,提出一种改进的离散花朵授粉算法.算法在基本花朵授粉算法的基础上进行离散化,使其适合求解带时间窗车辆路径问题,重新定义花朵授粉算子操作.为了提高求解精度和效率,设计了随机插入、路径内的2-opt、交换和逆序操作,为了增加种群间信息的交互,结合改进的遗传算子.通过11个测试算例表明,改进的离散花朵授粉算法在求解VRPTW是行之有效的,与文献中其他算法比较,算法在精度、效率和鲁棒性方面具有优势.     

基于自适应子种群和动态反向学习的改进鸡群算法

针对鸡群算法(Chicken swarm optimization,CSO)求解复杂高维问题收敛精度低、容易陷入局部极值等问题,提出了一种基于自适应子种群和动态反向学习的改进鸡群(ICSO)算法.根据鸡群算法迭代进化进程,自适应确定公鸡种群规模大小,并据此将母鸡种群和小鸡分成若干个子种群;设计进化停滞判定机制,并引入动态反向学习因子以改进算法个体更新方式,有效保持鸡群样本多样性和算法全局深度搜索能力.典型测试函数仿真实验结果表明,与SFLA算法、PSO等智能优化算法相比,ICSO算法具有更高的收敛精度和更优的复杂函数优化能力.     

改进的群搜索优化算法

标准的群搜索优化算法(GSO)是一种新的群智能优化算法,适用于解决高维函数的优化问题,而且简单高效,易于实现,但在其优化的后期容易陷入局部最优.为进一步提高其收敛速度和精度,对GSO算法进行了改进.保留其"发现者-加入者"模型,针对GSO算法发现者和游荡者搜索的无目的性,引进最大下降方向和杂交策略,发现者按角度搜索的同时也按最大下降方向进行搜索,游荡者通过基因突变策略的方式生成.通过23个基准测试函数对GSO算法和改进的GSO算法进行测试,结果表明改进的GSO算法在收敛速度和收敛精度上优于标准GSO算法.     

基于正弦控制因子的Lateral变异鲨鱼优化算法

针对传统鲨鱼优化算法在求解高维目标函数时,易早熟收敛,陷入局部最优的缺陷.提出一种基于正弦控制因子的Lateral变异鲨鱼优化算法.通过正弦曲线的特性和自适应惯性权重,改善了传统鲨鱼优化算法中由于随机选取控制因子数值大小可能导致算法在迭代后期全局搜索能力降低的问题,提高了算法在迭代后期的全局收敛能力,并对最佳鲨鱼位置引入Lateral变异策略,加强了算法跳出局部最优的可能性.改进后的算法对多个shifted单峰,多峰以及固定维测试函数进行求解,实验结果表明,对比多种不同优化算法而言,本文所提LSSO算法具有更高的收敛精度和搜索速度.     

求解TSP问题的改进离散蝴蝶优化算法

针对离散蝴蝶优化算法求解TSP问题时精度低和收敛速度慢等问题,提出一种改进离散蝴蝶优化算法.为了提升搜索效率,利用贪婪机制初始化种群,同时结合2-opt算子、改进的2-opt算子和模拟退火等策略来提高寻优能力.通过标准TSPLIB数据库中几十个实例仿真实验,并与一些经典、新型的智能算法比较,结果表明提出的算法在寻优能力和鲁棒性方面表现优越.     

基于近邻刺激的改进粒子群优化算法

针对粒子群算法在优化复杂问题时收敛速度慢和易早熟的缺点,提出了基于近邻刺激的改进粒子群优化算法(NSPSO),通过增加一维刺激机制,加强了种群中粒子相互间的信息交流,改善了粒子的学习能力和算法的搜索能力.同时,粒子在速度更新时自适应采用两种更新机制,防止了陷入局部最优,也增强了粒子的搜索效率.在8个测试函数上的实验表明,与一些改进的粒子群算法相比较,在6个函数上的收敛精度和收敛速度都优于其他改进算法,且t检验结果证明了NSPSO算法具有明显的优势,并通过混合动力汽车能源控制策略的优化问题,进一步验证了NSPSO的有效性.     

一种基于DE算法和NSGA-Ⅱ的多目标混合进化算法

设计了一种新颖的基于差分进化算法和NSGA-Ⅱ的混合进化算法用来解决多目标优化问题。在此算法中,根据算法的搜索情况设计相应的自适应变异算子,以便在突变操作中找到Pareto解。同时,选择操作将基于NSGA-Ⅱ快速非优超排序和拥挤机制将父代与子代的双种群进行截短,确保最优解不会丢失并保证解的多样性。三个经典测试函数的仿真结果表明,文中算法在实现多目标优化问题的两个目标(获得收敛于真实Pareto前沿的解和解沿着前沿均匀扩展)方面表现出良好的综合性能。     

嵌入差分进化算子的混合蜂群算法及其在VRPSDP的应用

针对人工蜂群算法进化速度慢、容易陷入搜索停滞的问题,通过嵌入差分进化算子,提出了一种混合蜂群算法(Hybrid Artificial Bee Colony algorithm, HABC).基本思想是:在迭代中嵌入差分进化算子,充分利用差分算法全局收敛性和鲁棒性强的特点,寻求全局最优蜜源;此外,在标准蜂群算方法基础上进行两点改进:在采蜜蜂阶段搜索策略中加入最优位置引导,提高搜索的效率;对超边界的个体重新进行变异,以增强种群的多样性.将混合算法应用于带同时送取货的车辆路径问题(VRPSDP),计算结果表明了混合算法的有效性.     

基于混沌优化和自适应反向学习的秃鹰搜索算法

针对秃鹰搜索算法求解精度低、收敛速度较慢、容易陷入局部最优的问题,提出一种基于混沌优化和自适应反向学习的秃鹰搜索算法.首先,在选择搜索空间阶段引入正弦混沌映射更新秃鹰群位置,增加随机性,优化全局搜索能力;其次,在俯冲捕获猎物阶段加入指数自适应,平衡了全局搜索和局部搜索,同时加快收敛速度;最后,对更新后的最优秃鹰位置使用反向学习策略,提高跳出局部最优的可能性.选取12个测试函数对算法的性能进行了测试,结果表明本文改进的秃鹰搜索算法具有更优的求解精度和收敛速度.     

免疫逃避型粒子群优化算法

针对基本粒子群优化算法容易陷入局部极值的缺陷,提出了一种免疫逃避型粒子群优化算法.其基本思想是将初始粒子群划分为寄生与宿主两个种群以模拟生物寄生行为,对寄生种群的粒子采用精英学习策略,对宿主群的粒子采用探索策略,再引入免疫系统的高频变异对寄生群采用相应的免疫逃避机制,以增强群体逃离局部极值、提高算法的全局寻优能力.采用标准测试函数的实验结果表明,该算法在收敛速度和求解精度方面均有显著改进.     

求解旅行商问题的搜寻者遗传算法

针对简单遗传算法易陷入局部最优及收敛速度慢的不足,提出一种改进遗传算法-基于启发式策略的搜寻者遗传算法.首先将搜寻者优化算法中的模糊思想和近邻策略相结合改进变异算子,增强种群多样性,避免陷入局部最优;然后针对路径优化问题基于启发式策略设计反转算子,使得路径中不存在交叉边,加快收敛速度;最后将改进遗传算法用于求解旅行商问题.结果表明,改进遗传算法的求解精度和求解效率明显优于基本遗传算法.