一种改进的蛙跳算法的研究

蛙跳算法是一种启发式的智能算法,在优化问题中具有广泛的应用,针对该算法求解精度低,收敛速度慢,容易陷入局部的缺点,从4个方面提出了改进:(1)引入Tent混沌来改进蛙跳的种群初始化;(2)通过最大化搜索策略提高局部搜索;(3)最差个体中引入柯西因子进行优化;(4)采用模式搜索来优化最优个体.通过5个测试函数说明本文的算法能够有效的提高算法的性能.     

基于混沌和非线性规划的萤火虫算法

为了弥补标准萤火虫算法(FA)收敛性差、精度低和时间性能差等不足,采用Tent混沌映射初始化萤火虫种群位置,提升初始化萤火虫种群质量;在萤火虫位置更新迭代过程中,采用非线性规划优化萤火虫位置,增强了算法的局部搜索能力,提高了算法的收敛性能和优化精度以及时间性能。通过仿真证明所提出的新算法具有较强的搜索能力和收敛性,提高了标准萤火虫算法的求解精度。     

AdHoc中的一种改进的人工蜂群和粒子群算法的组播路由的研究

Adhoc的组播路由问题需要考虑延迟、带宽、费用和丢包率等服务质量约束的问题,其本质是一个NP问题。本文将人工蜂群算法和粒子群算法进行混合,在蜂群算法的蜜源更新的公式中引入柯西分布,能够帮助探路蜂跳出局部最优,提高产生全局最优解的速度,使用列维飞行可以减少寻找优化解的时间,在粒子群算法中采用自适应参数变换的思想,加速了产生种群的最优解。本文算法应用在Ad Hoc网络的组播路由算法中,在满足Qo S约束函数的前提下,降低了产生路由最优解的费用,缩短了时间。仿真实验说明本文的算法与基本的人工蜂群算法和粒子群算法相比在网络时延,网络消耗费用,网络成本和丢包率方面具有很好的效果。     

改进的人工鱼群算法求解TSP问题的研究

针对旅行商(traveling salesman problem,TSP)是一个NP问题,本文使用改进的人工鱼群算法(improved artificial fish swarm algorithm,AFSA)进行线路的优化.首先阐述了TSP问题基本概念,其次针对基本的人工鱼群算法分别优化:(1)使用Laplace进行种群初始化,提高种群多样性;(2)使用正弦余弦算法取代觅食行为,保证算法在全局和局部范围内具有一定的平衡性;(3)利用人工蜂群算法对每一次迭代后的个体进行筛选,保证了算法的解的质量.仿真实验中本文算法在TSP路径规划方面具有一定的效果.     

基于改进MPA优化的高斯混合模型算法

针对高斯混合模型算法（GMM）对初始参数敏感、易陷入局部最优的问题,本文提出一种基于改进海洋捕食者算法优化的GMM算法（MMPA-GMM）。首先基于混沌序列和伪对立学习策略初始化种群,引入非线性收敛因子平衡MPA算法的全局与局部搜索,同时提出融入社会等级制度的位置更新策略;然后从搜索能力和收敛速度对改进的MPA进行分析;最后以S_Dbw指标作为算法的适应度函数,利用改进的MPA优化GMM算法的初始参数。实验结果表明,改进的MPA在4种测试函数上表现良好,并且MMPA-GMM算法对4个数据集的聚类效果均有改善,有效避免了GMM算法陷入局部最优的问题。     

基于混沌映射和收缩因子的改进蝙蝠算法

蝙蝠算法(BA)在优化设计中以迭代方法进行更新,初始化种群的规模、范围,对后续的优化性能、收敛速率、最优解获取质量有着巨大影响,因此,文中采用混沌映射的方法进行种群初始化操作,提高初始解空间的覆盖率。在此基础上,引入收缩因子,有效降低算法复杂度,加速算法趋于收敛,并借助自适应的方法计算声波频率,确保算法求解的前期、后期都具有高效的搜索能力。选取三种具有不同特征的典型基准测试函数进行分析,验证改进蝙蝠算法(改进BA)的优化性能。     

基于遗传算法的TSP问题优化方法

针对传统遗传算法在巡回商旅问题优化计算中存在的弊端——收敛速度慢,迭代次数多。在传统遗传算法基础上,设计出一种加入人工选择和定向突变的优化改进算法。该优化算法通过人工方法保存具有有利变异个体和淘汰具有不利变异个体,有利变异个体进行杂交和变异,从而提高遗传算法的收敛速度,减少遗传算法的迭代次数。同时针对遗传算法易陷入局部最优解的情况,在优化算法中引入自适应参数算法,针对遗传算法的不同阶段,实现杂交概率和变异概率的自适应调节,防止算法陷入局部最优解。最后,采用国际标准的TSP测试集(TSPLIB)对优化算法的优良性进行验证,实验表明,对比其他算法,该优化算法在TSP最优解的质量上提高10%左右。     

自适应粒子群算法在微波电路中应用

常规粒子群算法(SPSO)在优化过程中易陷入局部最优,本文分析了常规粒子群算法陷入局部最优的原因,提出采用一种自适应粒子群算法(APSO)避免陷入局部最优,改善算法的收敛性和精度。最后用自适应粒子群算法设计宽带阶梯阻抗变换器,结果表明,与常规粒子群算法相比,自适应粒子群算法全局速度快、成功率和精度也有显著提高。     

自适应粒子群算法在水库优化调度中的应用研究

针对传统粒子群算法在求解梯级水库调度问题时,容易陷入局部最优而早熟收敛的问题,提出自适应粒子群算法。该改进算法结合种群进化程度自适应调整算法控制参数,从而克服传统粒子群算法参数固定引起的搜索能力不足的问题。同时,采用种群局部重建策略解决种群进化后期多样性下降的问题。将改进的粒子群算法应用于清江梯级水电站的发电调度求解,模拟计算结果表明,文章提出的改进算法具有较强的全局寻优能力,可以进一步提高算法的搜索性能和求解精度。     

遗传算法中初始种群与交叉、变异率对解的影响及其解决方案

本文的研究表明，在相同的遗传算子下，初始种群性状和数量以及交叉、变异率的确定对算法收敛速度和结果的影响不能忽略。初始种群或交叉、变异率选择不当，将增加迭代次数，甚至直接导致算法陷入局部最优解。为此，本文提出一种基于空间分割的遗传算法及初始种群产生和种群数量确定方法，并根据有关文献，提出一种自适应交叉、变异率方法。实际计算表明，该算法在很大程度上避免了算法收敛于局部最优点，取得较好的效果。     

云计算下的一种自适应负载均衡算法的研究

针对云计算下的负载均衡存在效率低的问题,本文首先在鲸鱼算法的基础上,通过种群初始化,淘汰和竞争机制提高算法的局部搜索能力,然后通过人工蜂群算法进行融合提高算法全局搜索能力,融合后算法用于云计算负载均衡中,在调度时间跨度,负载均衡度和任务平均等待时间方面都具有较好效果。     

蜂群K-means聚类算法改进研究

针对经典K-means聚类算法过于依赖初始聚类中心和易陷入局部最优的不足,提出一种带有学习能力的人工蜂群算法(ABC)与K-means迭代相结合的聚类算法。该算法通过能动态调节的学习权重因子来平衡人工蜂群算法的全局探测与局部搜索能力,同时结合K-means聚类快速的优点,来提高聚类算法的全局寻优能力,降低初始聚类中心对算法聚类质量的影响。通过仿真试验验证,该算法克服了K-means算法的缺点,具有收敛速度快、稳定性强和聚类精度高的优势,得到良好的聚类效果。     

基于改进的GA优化BP神经网络的煤矿设备的故障诊断

面对越来越多的煤矿设备出现的故障,本文提出了将遗传算法(GA)和BP神经网络结合进行预测的方法。针对遗传算法存在收敛速度慢,容易陷入局部最优的情况,本文首先采用混沌和反向学习初始化个体,其次运用差分算法对个体最优进行操作,最后,将改进的适应度函数运用到选择操作中,通过变异概率和交叉概率提高操作的准确率。将改进后的算法运用到BP神经网络中提高了样本训练效果,仿真实验表明本文算法相比于传统BP神经网络提高了精度和增强了稳定性     

一种改进的粒子群算法的优化

粒子群算法是一种全局智能优化算法,针对该算法在早期迭代中容易造成局部极值,在后期迭代中容易造成种群的多样性消失,使得算法收敛速度减慢,求解质量不高等缺点。本文提出通过收敛吸引因子粒子来获得局部最优值;加入扰动函数来更新粒子的速度来提高了算法整体效率。经典测试函数证明本文算法性能明显优于基本PSO算法,同时在算法复杂度方面优于其他的智能算法,有效地提升了算法的求解精度。     

基于改进的鲸鱼算法在云计算任务调度中的研究

针对云计算下的任务调度存在花费时间长、消耗成本高和负载率大等缺点,提出了一种改进的鲸鱼算法用于云计算中的任务调度。首先,提出了以时间、成本和负载为主要指标的云计算任务调度模型,其次使用改进的鲸鱼算法进行任务调度,采用改进的Bernouilli Shift混沌映射进行了种群初始化提高种群的多样性,使用自适应因子优化参数平衡了局部和全局搜索的能力,使用差分算法进行个体更新。最后在仿真实验中将本文算法进行与其他算法进行对比,实验结果说明本文算法具有一定的优势,能够有效的提高云计算下的任务调度效率。     

基于细胞膜优化的人工鱼群算法研究

研究人工鱼群算法优化问题,为了改进AFSA在非全局极值点出现较严重聚集情况时,收敛速度降低,甚至陷入局部极值,搜索性能劣化的问题,采用细胞膜优化算法物质的转运方式,对人工鱼群算法的寻优行为进行改进,从而一定程度上避免算法陷入局部最优,提出了一种基于细胞膜优化的人工鱼群算法.通过4个典型函数仿真和应用实例仿真结果表明,该算法是可行有效的,求解精度更高,算法更稳定.     

一种基于收缩因子的改进粒子群算法

针对基本粒子群优化算法(简称PSO)存在的早熟收敛问题,提出了一种既保持粒子活性又保证粒子快速收敛于全局极值点的改进粒子群优化(XARPSO)算法。在算法运行过程中,如果种群多样性逐步减小,直至超出下限时,种群不再向整体最优位置靠近,而是纷纷远离该最优位置,从而执行了"扩散"操作,而当种群多样性逐步增大,直至超出上限时,种群又开始向整体最优位置靠拢,即执行了"吸引"操作,从而保持了粒子的多样性。同时,该方法引入收缩因子的概念,即通过正确选择惯性权重系数与加速常数即学习因子这些控制参数的值的方法,确保算法收敛。     

一种多目标的粒子群算法的研究

如何能够更好的进行多目标的优化一直以来都是研究的重点,本文在粒子群算法的基础上,提出了首先引入精英策略初始化粒子群,其次对粒子的速度和位置计算方法进行更新,最后采用多尺度的变异算子提高粒子的变异能力,增强种群多样性,测试函数的实验说明了本文算法能够有效提高算法的效率,在多目标Pareto最优解测试中取得了比较好的效果,说明本文算法能够运用在多目标的优化中。     

云计算中的基于ACA-GA的资源调度的研究

如何更好地进行资源调度一直都是云计算的研究方向,本文针对蚁群算法存在收敛速度慢,容易陷入局部最优的缺点,将遗传算法融合到蚁群算法中得到混合算法(ACA-GA),在蚁群算法的初始解的过程中采用遗传算法的选择、交叉、变异等操作得到有效的初始解;其次,对蚁群算法中的路径选择设定感觉阀值用来调节个体选择最优路径的概率;最后针对挥发因子的改进使得信息素的更新的效率得到提高。本文算法通过经典测试函数证明算法的性能有了明显的提高。Cloudsim平台说明本文算法在云计算的资源调度中降低了消耗的时间和花费成本,具有一定的推广价值。     

趋化繁殖细菌觅食的种群寻优方法及数据挖掘

针对传统的细菌觅食算法限于梯度信息优化,对非线性特征数据挖掘效果不好的缺陷,提出一种基于趋化繁殖算法的细菌觅食种群寻优方法,并有效应用海量非线性特征数据挖掘中。首先根据现有细菌觅食算法,引入细菌趋化算子和细菌繁殖算子,设计一种新的个体编码方式及进化模式。然后通过设计种群的自适应调整因子增强个体活力,并融合禁忌搜索算法,提高种群搜索寻优能力,克服算法易于陷入过早收敛和限于梯度信息优化的不足,提高对非线性特征数据挖掘性能。仿真实验表明,新算法可以搜索到种群最优组合,非线性特征数据挖掘跟踪曲线表明,算法具有较好的预测和数据挖掘能力,特征数据挖掘准确率提高显著,收敛速度高。