一种随机调整控制参数的鲸鱼优化算法

针对标准鲸鱼优化算法在处理复杂优化问题时出现搜索精度低和易出现早熟收敛等缺点,提出一种随机调整控制参数的改进鲸鱼优化算法(EWOA)。受粒子群优化算法中惯性权重的启发,利用随机分布的方式调整控制参数,以平衡鲸鱼优化算法的全局搜索和局部搜索能力。对当前最优个体执行服从正态分布的变异扰动,以避免算法出现早熟收敛现象。此外,采取佳点集方法替代随机方法产生初始个体以提高算法的全局收敛速度。6个标准测试函数的仿真实验结果表明EWOA能有效处理高维复杂优化问题。     

鲸鱼优化算法及断路器触头弹簧小型化设计

为了克服低压断路器体积大、分断性能差等缺陷,结合弹簧约束条件构建触头弹簧小型化数学模型,提出一种改进的鲸鱼优化算法(CA-WOA)进行优化求解,即在标准鲸鱼优化算法(whale optimization algorithm,WOA)的基础上,结合云模型与自适应权重策略改进鲸鱼优化算法,引入云模型加强算法的全局与局部搜索能力,避免陷入局部极值;再引入自适应权重策略,提高算法的收敛速度与精度;通过经典测试函数仿真和对比分析,表明其改进算法具有更好的性能.进而,采用改进的鲸鱼优化对所构建的触头弹簧数学模型进行迭代寻优,实验结果表明其改进算法能够有效地减小触头弹簧质量与体积,实现低压断路器小型化目标.     

粒子群优化算法中惯性权重改进策略综述

在粒子群优化算法的3个参数中,惯性权重是最重要的参数,它对粒子群优化算法性能的提高起到至关重要作用.因此许多学者对粒子群优化算法中的惯性权重设计进行了广泛研究,目前取得许多成果.本文介绍了基本粒子群优化和标准粒子群优化算法,综述了惯性权重在粒子群优化算法中的各种改进策略.为粒子群优化算法的进一步改进研究提供参考.     

基于混沌理论和自适应惯性权重的PSO算法优化

针对粒子群算法固定惯性权重和早熟收敛的缺陷,提出一种动态自适应惯性权重调整策略,有效增强了算法的全局和局部寻优能力;并针对早熟问题,采用混沌映射方法增加种群多样性,同时利用负梯度方向调整群体极值,极大降低了算法陷入局部极值的概率.通过在多个常用测试函数上与其他算法比较,证明了所提改进粒子群算法的正确性和有效性.     

一种融合多种策略的改进鲸鱼优化算法

针对标准鲸鱼优化算法容易陷入局部最优、收敛精度低的问题,提出一种融合动态划分等级策略和交叉存档策略的自适应鲸鱼优化算法,记为IWOA。首先引入自适应收敛因子,根据适应度值动态调整个体在迭代过程中的包围步长,平衡算法的探索和开发能力;然后对适应度不同的个体采用不同的自主学习策略,在增加种群多样性的同时加快算法的收敛速度;最后提出一种交叉存档策略,赋予陷入更新停滞的个体更好的位置,增强算法跳出局部最优的能力。在22个基准测试函数上的实验结果表明,IWOA在收敛速度和寻优精度等方面均有显著改善。在压力容器设计问题中的应用也表明IWOA可以有效解决复杂的非线性优化问题。     

基于Iterative映射和非线性拟合的鲸鱼优化算法

为解决鲸鱼优化算法中收敛速度慢和寻优精度低等问题,提出一种基于Iterative映射和非线性拟合的鲸鱼优化算法（NWOA）。首先,该算法利用了Iterative映射对鲸鱼种群初始化,保证初始种群的多样性;其次,采用非线性拟合的策略对收敛因子和惯性权重进行改进,以平衡算法的全局勘测能力和局部开发能力。通过对13种函数进行仿真实验,从均方差和平均值的角度分析,改进后算法寻优精度显著提高,且稳定性较强。实验结果表明NWOA与传统的鲸鱼优化算法相比,收敛速度明显加快。     

基于改进动态因子的鲸鱼优化算法

为了实现鲸鱼优化算法的种群多样性、减小计算复杂度,构造具有搜索上下界的初始种群。进一步,设计动态收敛因子和动态权重因子,以提高算法的收敛速度和计算精度,在此基础上,提出基于改进动态因子的鲸鱼优化算法并证明了其收敛性,分析了其复杂度。为了验证新算法优化性能和普适性,将改进的鲸鱼优化算法与其他优化算法进行比较,并将其应用到无人机路径规划中。结果表明：基于改进动态因子的鲸鱼优化算法相比于其他优化算法有更好的收敛精度和更快的收敛速度。可见,基于改进动态因子的鲸鱼优化算法性能更好,能更高效的完成任务。     

多惯性权重的自适应粒子群优化算法

惯性权重是粒子群优化算法重要参数之一,它能够平衡算法的全局搜索能力和局部搜索能力.为了利用已知惯性权重解决某些问题的优点,提出一种多惯性权重的自适应粒子群优化算法.首先定义了K步进化度的概念,然后基于进化度,从惯性权重集中随机选择惯性权重,使得适合解决某一问题的惯性权重在迭代过程中能够多次被使用,从而提高算法性能,把该...     

基于改进鲸鱼优化算法的资源调度方法

针对在大量数据背景下云计算资源调度模型存在调度效率低、分配不合理等问题,提出一种基于改进鲸鱼优化算法（m-WOA）的云计算资源调度方法。提出了云计算资源调度模型,针对基本鲸鱼优化算法存在迭代后期种群多样性减弱、易陷入局部最优等不足,提出使用Tent混沌反向学习策略来增强种群多样性;并使用精英随机组合策略平衡算法开发和探索能力。将改进后的m-WOA算法用于数值仿真实验和云计算资源调度模型求解。实验结果表明,m-WOA具有更好的收敛精度和更强的稳定性;m-WOA能有效减少云计算完成时间和能源消耗,并提供更合理的资源调度分配方案,从而提升云计算资源利用率。     

多策略自适应共生生物搜索算法

针对共生生物搜索算法搜索速度慢、收敛精度不高且易早熟的缺点,提出了一种多策略自适应改进算法。首先,根据适应度将种群分为3个群体,每个群体采用不同的搜索策略以实现不同功能。其次,提出了一种基于实时信息反馈的的混合搜索策略,使其搜索策略实现自适应调整。最后,对超边界个体进行变异操作,以增加种群多样性。对14个标准测试函数的仿真测试表明改进算法全局优化能力更强,具有更好的搜索速度和收敛精度。     

改进的自适应和声搜索算法

和声搜索算法是一种启发式优化算法,针对现有改进的和声搜索算法(IHS)的不足,提出了一种改进的自适应和声搜索算法(IAHS).在该算法中,采用自适应的和声保留概率、音调调节概率和音调调节步长产生新解,每次迭代产生多个新解,充分利用和声记忆库的信息.本文用了5个标准的测试函数对该算法进行测试,结果表明该算法(IAHS)有较强的寻优能力和跳出局部最优解的能力.     

遗传搜索优化算法

简述了多峰优化的主要问题及遗传算法的基本概念及算法.在传统的优化方法基础上,引入遗传算法的思想,提出以优化搜索方向向量为研究对象,在连续空间进行优化的遗传搜索优化算法;给出了算法中关键参数的选取方法;最后,给出了该算法的计算实例,结果表明,用该算法能较稳定地找出全局最优点.     

改进的基于局部搜索策略的生物地理学优化算法

为了提高生物地理学优化（BBO）算法的优化特性,提出一种改进的基于局部搜索策略的生物地理学优化算法（ILSBBO）。改进的算法将差分进化算法的局部搜索策略与BBO算法的迁移策略进行结合,并引入了差分进化算法中的选择操作。在13个基准测试函数上,对改进的算法、基本BBO算法,以及基于BBO的混合差分进化算法（DE/BBO）进行比较,结果表明改进的算法优于所比较的其他两种算法;此外,改进后的算法在收敛速度上也优于基本BBO算法。     

基于鲸鱼优化算法的自适应共振解调轴承故障诊断方法

针对共振解调方法需要选取包含较多故障信息的共振频带这一特点,提出了一种基于鲸鱼优化算法的自适应共振解调轴承故障诊断方法。首先,使用鲸鱼优化算法,以峭度和包络谱峭度构造的复合峭度作为优化目标,对带通滤波器参数中心频率和带宽进行自适应选择。然后,使用寻优得到的最优中心频率和带宽对轴承故障信号进行滤波分析。最后,对滤波后信号进行包络解调处理,提取出故障特征频率,判断轴承故障类型。通过对仿真信号和轴承内、外圈故障信号的分析诊断,可以证明该方法能够满足共振解调方法中对共振频带选取的要求,完成轴承信号故障频率的提取,是一种有效的轴承故障诊断方法。     

自适应搜索的改进遗传算法及其应用

提出了一种具有自适应搜索能力的快速收敛遗传算法。在计算过程中，设计变量的搜索范围依据每代自变量的数学期望和方差自动进行调整，并且通过引入进化策略中的自适应高斯变异算子，对变异算子进行改进，加速了算法的收敛性。为了验证算法的可行性和鲁棒性，对一个高维多峰函数的极小值搜索问题进行了求解，并将算法进一步应用于离心叶轮的形状优化问题。计算结果表明，该算法克服了传统遗传算法中设计区间的给定具有一定盲目性的缺陷，在收敛性和鲁棒性方面均优于传统的实数编码遗传算法。     

基于改进鲸鱼优化算法的GBDT回归预测模型

针对梯度提升决策树（gradient boosting decision tree, GBDT）参数难以选择的问题, 提出一种基于改进鲸鱼优化算法（improved whale optimization algorithm, IWOA）的GBDT回归预测算法. 首先, 提出一种改进的鲸鱼优化算法, 利用混沌映射初始化种群提高种群多样性, 引入惯性权重与差分进化算法中的变异交叉策略解决迭代后期易陷入局部最优的问题; 其次, 利用IWOA对GBDT的关键参数寻优, 避免参数选择的盲目性, 提高回归预测模型的泛化能力; 最后, 建立IWOA-GBDT回归预测模型, 并利用UCI数据集对模型进行验证. 实验结果表明, 相比于决策树、 支持向量机、 Adaboost和GBDT算法, 该模型算法具有更好的拟合效果, 并有一定的实用价值.     

一种新型快速的直接随机优化算法

 针对常用优化算法求解时实时性较差且易陷于局部最优解的问题, 提出一种新型快速的直接随机优化算法(DROA). 该算法直接利用随机搜索过程寻找最优解, 减少了额外计算, 降低了计算复杂度; 其搜索过程分为全局搜索和局部搜索两个阶段, 各阶段选用不同的调节参数公式和搜索方式. 先将递增参数的3个随机优化模块串接构造全局优化子, 并将多个全局优化子并行搜索构造全局优化器以获得全局最优解; 再将多个局部优化模块串接在一起运行构造局部优化器使优化解更精确. 测试结果表明, 该方法快速高效, 优于目前的全局优化算法.     

基于遗传算法和模式搜索的混合优化方法

遗传算法具有快速随机的全局搜索能力,但当求解到一定范围时往往做大量无为的冗余迭代,求精确解效率低.模式搜索具有很强的细搜索能力,但是其搜索结果的好坏在很大程度上依赖于初始点的选择.本文提出了一种混合遗传-模式搜索算法,该方法是将种群分成两个子群,分别进行遗传算法与模式搜索算法,在每一步中两个子群的最佳结果收集起来,用于更新相互的最优个体.仿真结果表明遗传算法与模式搜索的混合优化方法取得了较好的效果.