基于K-means的邻域结合随机吸引的萤火虫算法

[目的]为解决传统萤火虫算法收敛速度慢,特别是对于复杂的优化问题,容易陷入局部最优,从而导致收敛精度低的问题,提出了基于K-means的邻域结合随机吸引的萤火虫算法.[方法]先将初始萤火虫种群进行K-means聚类,用聚类中心的萤火虫种群为寻优萤火虫,然后以提出的邻域与随机相结合的吸引模型进行寻优,在寻优过程中,还引入...     

基于改进萤火虫算法的人群疏散仿真

基本萤火虫算法在人群疏散仿真中存在疏散速度慢、疏散路径不平滑的缺陷,针对该问题,提出一种改进萤火虫算法。借鉴微粒群算法的位置更新策略,将全局最优引入到萤火虫算法的位置更新过程。与原始算法相比,改进后的算法在收敛速度和求解精度方面有明显的提升。在搭建的3D仿真系统中,对改进后的算法进行人群疏散仿真实验。仿真实验表明,该算法能够实现人群远离危险源并最终到达目标安全区域的路径规划,仿真效果逼真。与原始算法及微粒群算法相比,该算法在提高人群疏散速度的同时,也提高了疏散路径的平滑性和稳定性。     

具有全局收敛性的改进萤火虫优化算法

对萤火虫优化(Glowworm swarm optimization,GSO)算法全局收敛性及其改进算法性能进行了研究。分析了GSO全局收敛性,针对其收敛效率低的缺陷,提出了一种基于族群划分的改进GSO算法,借鉴混合蛙跳算法思想,将萤火虫群体进行族群划分,局部搜索及全局信息交换的方式改善了算法性能,通过引入萤火虫移动组元概念,改进了萤火虫更新策略,在此基础上,利用混沌优化技术,对萤火虫群体进行初始化,使得算法获得较高质量的初始解群体,并证明了改进算法以概率1收敛于全局最优,最后,采用经典测试函数进行测试,仿真结果表明,改进的萤火虫优化算法在收敛速度及求解精度上有明显改善。     

双种群协同下带混沌闪烁机制的萤火虫算法研究

针对萤火虫算法处理高非线性、多极值的复杂工程优化问题所存在的快速收敛与早熟、全局探索和局部探索之间的矛盾,提出了一种在双种群策略下具备混沌闪烁机制的萤火虫改进算法。首先,通过引入混沌闪烁因子ξ调制萤火虫运动状态,模拟萤火虫发光习性,能够在保持种群内个体自主动力性的前提下大幅提升算法的收敛速度;同时,使用双种群策略进行全局种群和局部种群的划分,保持种群间信息交互,有效平衡了算法全局探索和局部探索的能力,降低了陷入局部最优的风险。采用经典单模、多模测试函数集对算法进行测试,结果表明,在相同种群规模和迭代次数下,算法能够提高收敛速度,避免了局部最优,从而达到更好的寻优效果。部分测试函数收敛精度相比于其他算法,可得到5、6个数量级以上的提升,而且算法也能够在相对最少的函数评价次数内满足精度要求。     

一种存在全局站点的分布式增量挖掘算法

随着互联网技术的快速发展与普及,尤其是Web2.0时代的来临,网络数据量与日俱增.对新增数据进行挖掘成为数据挖掘领域研究的热点之一.基于存在全局站点的分布式数据挖掘思想,提出了一种存在全局站点的分布式增量挖掘算法.首先对局部站点的增量数据进行全局挖掘,有效减少了局部站点对原有数据的扫描次数;然后在全局站点采用新的剪枝策略,极大地降低了产生的候选集数量;最后通过实例验证了所给算法切实可行,并具有较好的挖掘效率.     

结合全局最优策略的双层线性规划算法

运用线性规划内点算法求解双层线性规划的内层规划，使双层线性规划等价于一序列非线性规划问题；证明了该算法的收敛性。并结合全局最优策略给出了可行的算法步骤。     

具有协同寻优的蝙蝠萤火虫混合优化算法

萤火虫算法存在着对于初始解分布的依赖性、后期收敛速度慢、易于停滞、早熟和求解精度低等缺陷。本研究在萤火虫算法引入蝙蝠种群在全局最优附近进行更加详细的局部搜索,以协助萤火虫种群进行寻优;并在寻优过程中加强蝙蝠种群与萤火虫种群的信息交互,协调寻优;最后对全局最优个体进行高斯扰动以增加种群的多样性,从而避免种群陷入局部最优解。通过使用6个常见的基准测试函数对该算法进行测试,并与其他3种算法(标准粒子群算法、蝙蝠算法、萤火虫算法)进行对比实验,结果表明该混合算法的总体性能优于其他3种算法。引入蝙蝠种群对萤火虫性能有较大提升,改善切实有效。     

基于神经网络的全局寻优自适应BP学习算法

根据梯度算法中网络权值的演化规律，并基于终端吸引子，提出一种能全局寻优自适应的快速BP算法，该算法的基本思想足最小二乘算法，采用梯度搜索技术，以期使网络的实际输出值与期望值的误差的均方值为最小．同时，进行BP学习算法的稳定性和快速收敛问题分析研究．并进一步给出改善BP算法学习率修正、假饱和现象消除等训练结果的措施．     

阴阳萤火虫算法及其在全局优化问题中的应用研究

针对萤火虫算法(Firefly Algorithm, FA)在寻优中容易出现早熟现象、收敛不稳定的缺点,基于中国阴阳学说的内涵,提出一种新颖的阴阳萤火虫算法(Yin-Yang firefly algorithm, YYFA).首先,为了降低算法时间复杂度,设计一种新型随机吸引模型;其次,根据深度学习思想,采用阴阳萤火虫深度学习策略对当前最优萤火虫进行有效信息深度挖掘来引导萤火虫种群向更优方向移动.利用13个典型全局优化测试函数对阴阳萤火虫算法进行仿真实验,并与不同组合策略算法进行对比分析,实验结果表明YYFA算法表现出较好的全局寻优能力和稳定性,Friedman检验方法显示阴阳萤火虫深度学习策略是一种有效的改进方法.最后将YYFA算法应用到黄甫川站年径流预报问题中,利用其优选支持向量回归模型(Support Vector Regression, SVR)的超参数,构建YYFA-SVR预报模型.应用结果表明YYFA-SVR模型预报效果优于BOA-SVR模型、WOA-SVR模型和ESDA-SVR模型,预报精度较高,可为相关预报工作提供新思路.     

融合多策略的萤火虫算法

针对萤火虫算法在求解高维复杂函数时存在的收敛速度慢、寻优精度低和易陷入局部最优等缺点,提出一种融合多策略的萤火虫算法（IMSFA）。首先,利用混沌映射和动态对立学习策略优化初始种群,加快算法的收敛速度;其次,对个体的移动策略进行多样化设计,降低算法陷入局部最优的概率,提高算法的寻优精度;最后,对超出解空间的个体使用归优边界限制策略,保证算法可以朝着一个较优的方向进行搜索。在8个基准函数上对IMSFA进行优化测试,并使用Wilcoxon秩和检验对其进行评估,结果表明,IMSFA在收敛速度、搜索精度、克服局部最优和寻优稳定性方面有着出色的表现。     

基于Boltzmann学习策略的粒子群算法

针对粒子群算法过早收敛导致容易陷入局部极值的问题,提出了一种基于Boltzmann学习策略的粒子群算法(BLSPSO).借鉴模拟退火算法的思想,在标准粒子群算法中引入Boltzmann学习策略.在BLSPSO前期粒子能够学习不同的极值点,适当保持粒子个体多样性,提高算法全局寻优能力.在BLSPSO后期粒子更倾向于学习全局最优粒子,提高收敛速度,保证算法的稳定性.仿真结果表明,所提出的算法具有寻优能力强、搜索精度高等优点,可有效避免标准PSO算法的早熟收敛.该算法在求解多极值问题上与其他PSO算法相比有较好表现.     

基于精英邻居引导的萤火虫算法

由于萤火虫的移动采用的是全吸引模型,所以当迭代过程中有移动时,可能会存在振荡较大、时间计算复杂度较高等问题.为了克服这些不足,提出了一种基于精英邻居引导的萤火虫算法.算法通过利用精英邻居的信息引导萤火虫的移动,减少振荡的发生,降低时间计算复杂度.同时,若某只萤火虫周围不存在精英邻居,则利用自身的信息进行反向学习以提高算法跳出局部最优的能力.数值实验表明本文算法的鲁棒性、寻优精度及搜索速度均优于其他几种算法.     

基于同步扰动随机逼近的混合萤火虫算法

针对标准萤火虫算法(FA)中存在的种群过早收敛、容易陷入局部最优等不足,提出一种以memetic算法为框架、将同步扰动随机逼近和萤火虫算法相结合的混合算法(FA-SPSA),即首先使用萤火虫算法对种群进行全局寻优,然后使用同步扰动随机逼近算法对选出的部分最优个体进行局部搜索,从而增强萤火虫算法跳出局部最优解的能力。通过6个标准测试函数对FA-SPSA算法的性能进行检验,并与标准萤火虫算法、果蝇算法、改进的果蝇算法等其他4种算法进行比较,结果表明,FA-SPSA算法在寻优精度、收敛速度、鲁棒性等方面的性能总体上优于对比算法。     

基于改进混沌算法的寻优策略

混沌是有着精致内在结构的一类现象.本文通过在对一种混沌算法进行讨论的基础上,提出一些改进措施,并利用常用寻优函数进行仿真验证.     

多峰函数寻优的微粒群算法

某些实际问题的优化目标是求所有的局部最优解，即求解多峰寻优问题，为了求解多峰优化问题，提出了改造的微粒群优化算法．尽量减少微粒群算法中的全局因素，从而增大其局部因素，同时采用变步长方法增加微粒的多样性．并给出了该算法的原理和步骤．仿真实验表明该算法概念清楚，计算简单，具有很好的局部寻优特性，可应用求解于多峰寻优问题．另外还给出了几个运算实例和与其它优化算法的比较．图表，表1，参9．     

求解布局问题的混合萤火虫群优化算法

为了充分发挥萤火虫算法的优点,将人工萤火虫群优化算法与启发式策略相结合,设计了一个新的求解布局问题的高效萤火虫优化算法.实例测试和实验对比结果表明:相对于已有文献中的算法,提出的混合布局方法更加有效.     

维度学习探路者算法

针对探路者算法在解决最优化问题存在收敛速度慢、易陷入局部最优的缺点,提出维度学习策略改善不足.在种群搜寻最优解的过程中,通过对越界个体执行限制维度学习,对迭代不成功个体采取加强维度学习策略,帮助种群跳出局部最优,提高算法的收敛性能.为验证策略可行性,通过5个Benchmark测试函数与4种算法进行对比实验,结果表明,改进后的算法明显优于其他算法.维度学习策略用于粒子群优化算法表明,该策略对于提高算法性能具有普适性.     

基于新选择机制的萤火虫算法

虽然萤火虫算法已经得了广泛的应用,但仍存在收敛精度不高、后期收敛速度慢、易陷于局部最优的缺陷,针对这些缺陷,笔者提出了一种结合吸引度和个体距离的选择机制。通过对经典测试函数的实验仿真结果的分析表明,新的选择机制在收敛精度和避免过早陷于局部最优等方面得到了明显改善,提高了算法性能。     

求非线性规划全局最优解的一个算法

首先给出了判别ｆ（ｘ）的极小值点ｘ０∈Ｄ是否为ｍｉｎ ｆ（ｘ）的最优解的充分必要条件,在此基础上,给出了求一元函数及多元函烽全局最优解的方法,此外,还给出了求一元函数极值的一个迭代算法。     

基于应变增量迭代的单桩分析方法

结合单桩荷载传递模型基本假定,提出一种计算分层土中竖向受荷单桩桩身变形和内力的迭代算法.该算法在假定桩顶沉降的前提下,通过对桩身应变和桩周土弹簧反力积分,求得桩身各部位的变形、内力及应变,并以桩身应变增量收敛控制迭代过程,进而得到桩身摩阻力和端阻力分布及相应的桩顶竖向荷载.算例分析表明,该算法对多种类型荷载传递函数具有良好的适应性,计算值与实测值和其他方法的计算值具有较好的一致性.