猴群空翻机制作用下的自适应人工鱼群算法

针对人工鱼群算法在函数优化中存在陷入局部最优、后期收敛速度过慢及人工鱼群寻优精度低等问题,对动态分组方案的人工鱼群算法进行了研究,提出一种新的自适应人工鱼群算法。该算法利用猴群算法中的空翻行为替代鱼群的聚群和追尾行为,同时引入模糊函数,自适应调整鱼群算法的视野及步长,提高了算法的运行效率,更好地平衡了全局搜索与局部搜索之间的关系。算法在后期避免提前收敛,能够快速跳出局部最优位置,保证了寻优质量。仿真实验表明,该算法明显优于基于动态分组方案的人工鱼群算法,有效提高了寻优精度和寻优质量,避免了人工鱼群的早熟现象。     

几种改进的萤火虫算法性能比较及应用

萤火虫算法（FA）是继粒子群算法、遗传算法、模拟退火算法等经典智能算法之后,由剑桥学者YangXin-she提出的一种模仿自然界萤火虫捕食、求偶行为的新颖的群体智能随机优化算法。该算法近年来逐渐在不同优化领域得以成功应用,但也存在易陷入局部最优、算法过早收敛等问题,为此许多学者对萤火虫算法进行了改进。针对基于惯性权重的萤火虫算法、基于混沌算法的萤火虫算法这两种改进算法,通过几种标准检验函数对各算法的性能进行详细的仿真、比较,得出具体试验结果。在控制系统PID参数优化中应用改进后的萤火虫算法,仿真结果表明改进后的萤火虫算法寻优精度和搜索速度均优于基本粒子群算法。     

基于ICGSO算法的瓦斯突出预测研究

针对萤火虫群优化(GSO)算法在解决全局优化问题时出现的易陷入局部最优、收敛速度慢、求解精度不高等问题,提出一种改进的混沌萤火虫群优化(ICGSO)算法,修改了GSO算法动态决策域半径更新公式,并采用自适应动态步长,引入混沌优化算法提高局部搜索能力。实验结果表明将ICGSO算法应用于建立在神经网络预测模型上的瓦斯突出预测中的有效性。     

一种新的自适应动态网格优化算法

针对动态网格优化算法(GEA)收敛速度较快,收敛精度不够理想,特别是解决多峰函数有可能会错过全局最优解的缺陷,提出了一种新的自适应动态网格优化算法.通过评估早熟收敛程度,将早熟收敛程度、函数的峰值与步长的变化联系起来,加入1个随机因子用以调整搜索范围,从而提高了算法的寻优效率.通过对典型的MP问题的测试,并与其他的动态优化算法比较,证明了算法的有效性.     

基于自适应缩放因子的改进混合蛙跳算法

针对混合蛙跳算法局部搜索能力较弱且易发生早熟收敛的问题,提出了一种改进的混合蛙跳算法。改进算法在传统算法的更新策略中引入自适应缩放因子和欧式距离,提高了算法局部搜索能力;为了提高算法的收敛速度,改进了传统算法中的随机更新操作。改进后的算法在收敛速度、寻优精度和求解成功率上均有很大改善,提高了混合蛙跳算法求解高维复杂优化问题的能力。     

一种改进的粒子群算法研究

为了克服粒子群算法易发生早熟收敛、后期迭代速度较慢、易陷入局部最优的缺点,提出了一种改进的粒子群算法。该算法采用非线性动态自适应的更新权重,进一步提高收敛速度;通过引入差分进化算法中的交叉算子,以提高算法的全局探索能力,利用差分进化算法的变异策略产生候选解,克服种群多样性的下降,以跳出局部最优。利用该算法对2个测试函数进行寻优,仿真结果表明,文章提出的算法是一种收敛速度快、收敛精度高的全局寻优算法。     

基于改进狼群算法的机器人路径规划研究

路径规划是移动机器人研究的关键技术,针对狼群算法在路径规划中存在收敛速度慢、搜索效率低的问题,提出了一种改进的狼群优化算法。以栅格法构建基于改进狼群算法的机器人路径规划模型,并采用游走机制来改善模型的局部寻优能力;采用智能奔袭方式提高改进狼群算法的自适应调节能力,以使算法收敛到全局最优。仿真实验结果表明:改进后的狼群算法在收敛速度、精度、自适应调节能力上均优于对比算法且在实现机器人路径规划上更有效。     

萤火虫优化算法 Matlab 程序设计

萤火虫优化算法（GSO）是一种计算多模函数多峰值问题的群智能算法,由模拟自然界中萤火虫发光的生物学特征发展而来。在 GSO 算法中,萤火虫根据自适应的感应决策范围寻找比自身荧光素高的萤火虫,并通过概率选择机制朝其运动,以实现寻优目的。简要阐述 GSO 算法基本原理,对算法各个参数进行分析说明,利 用 Matlab 软件构建 GSO 算法在整个寻优过程中的可视化环境,并给出算法源代码。仿真实验首先实现了自适应感应决策范围更新过程,然后通过多模函数仿真示例测试了该方法的有效性,从而实现了利用萤火虫算法解决多模函数多峰值优化问题。     

基于自适应遗传算法的抽题组卷策略

为克服经典遗传算法求解智能组卷时存在的盲目搜索、收敛速度慢和个体易“早熟“等缺点,文章提出了基于动态自适应技术遗传算法。利用求解问题的特征改进经典遗传算法的多个关键部分,采用动态自适应技术,提高算法的寻优速度。实验结果表明,采用改进式的自适应遗传算法实现的组卷策略具有收敛速度快、搜索精度高、鲁棒性强等特点,具有很好的性能与实用性。     

基于自适应步长的改进布谷鸟算法

布谷鸟搜索算法在后期搜索过程中存在速度慢、计算精度低等问题,通过引入一种在迭代过程中发现概率和缩放因子自适应策略,对自适应步长布谷鸟搜索算法进行改进,以提高算法的收敛速度和精度.采用4个benchmark测试函数,对基本、自适应步长以及改进的布谷鸟算法进行比较讨论,验证改进算法的有效性.实验结果表明,经改进后的算法具有较好的收敛速度和精度.