一种新的仿生优化算法及其改进

针对基本混合蛙跳算法随机性强,在处理复杂函数优化问题时容易陷入局部最优、收敛速度慢的缺点,提出了一种改进的混合蛙跳算法,该算法利用高斯变异算子对子群最差青蛙进行适当的扰动,修正了其更新策略,从而维持了群体的多样性.用典型测试函数对粒子群优化算法、基本混合蛙跳算法及改进算法进行对比实验,仿真结果验证了新算法的有效性和鲁棒性.     

一种新型自适应遗传算法在多峰函数优化中的应用

为解决传统遗传算法在一维多峰函数优化中容易陷入局部极值、收敛概率低、稳定性不理想等问题,提出了一种新型的自适应遗传算法。结合自适应差分进化算法流程,提出了一种基于种群适应度变化程度而变化的非线性交叉算子和变异算子,使算法跳出局部极值,寻找到全局最优解,提升最优值迭代效率。函数测试实验表明,在一维多峰函数优化中,该算法在函数收敛概率、最优值迭代效率以及稳定性上比已有算法均有提高。     

带自适应变异的粒子群优化算法改进研究

针对函数优化的非线性特点,在标准粒子群优化算法的基础上,提出了一种带自适应变异的粒子群优化算法.该算法对惯性权值进行参数设计,建立非线性递减策略曲线模型,通过设置校准系数,改变惯性权值的曲线变化率,使其随迭代过程进行自适应变化.通过在迭代初期选取较大的惯性权值,增强算法的局部寻优能力,加快算法收敛速度,而在迭代后期选取较小的惯性权值,提升算法的全局搜索性能.同时,在算法中引入变异机制,增加种群的多样性,从而更好地提升算法由局部到全局的开放式搜索能力.通过选择基准测试函数对几种算法进行性能测试,证明改进算法收敛速度快、精度高,总体性能优于对比算法.     

混合进化策略算法及其在函数优化中的应用

自适应进化策略中高斯变异算子容易使进化过程陷入局部最优,出现进化早熟.文中针对上述缺点,引入柯西变异算子和子代距离率方法.在进化前期采用柯西的变异,保证个体能够快速地向全局最优的方向移动;在进化后期采用高斯变异,当个体聚集在全局最优解附近时,以较小的变异步长驱动个体向全局最优解方向移动.子代距离率系数进行调整变异算子.通过对单峰与多峰函数仿真试验,验证了算法的有效性.     

基于交叉变异机制的正余弦算法

正余弦算法(SCA)是近年提出的一种基于种群的求解优化问题的元启发式算法,针对其收敛速度慢、算法自适应性能较弱的缺点,提出一种引入交叉变异机制的正余弦算法(ICMSCA).首先在标准SCA算法中引入交叉操作,根据个体适应度与群体平均适应度的关系,设计两种不同的交叉方法,实现个体间的自适应交叉,改善群体多样性;其次为每个个体设计自适应变异概率,采用最优个体引导变异和贪婪选择方法,提高算法的收敛速度;为验证算法的有效性,在18个典型函数优化问题数据集上对算法进行测试,结果与其它算法进行对比分析,实验结果表明,相比于其它优化算法,改进后的算法在收敛速度和收敛精度上具有一定的优势,提高标准SCA算法的性能.     

基于距离度量的差分进化算法

针对差分进化算法求解函数优化问题存在过早收敛和不稳定等缺陷,提出一种基于距离度量的差分进化算法.该算法考虑各粒子的差异,利用欧式距离计算粒子与已知最优粒子的距离,然后根据差异自适应调整自身的交叉概率因子,同时增加柯西变异算子对部分个体进行变异操作,以提高种群多样性,增强算法跳出局部最优解的能力.用三种经典函数检验说明,新算法在收敛精度、速度上优于基本差分进化算法.     

带有倒位变异的差分进化算法

针对高维复杂函数的优化问题,提出一种带有倒位变异的差分进化算法.当个体适应度值连续几代不变时,对前一代的最优个体进行倒位变异,以增强种群的多样性,使其跳出局部最优.数值实验结果表明:该算法全局搜索能力强,收敛速度快,且鲁棒性好.     

基于带容量约束Memetic算法的动态车辆调度问题研究

针对物流配送过程中带容量约束的动态车辆调度问题,提出一种Memetic算法,旨在最小化成本。Memetic算法中采用量子与遗传算法混合进行全局搜索,并根据搜索点目标函数变化率,设计了一种自适应量子旋转门更新方式,通过子代种群适应度变化确定量子旋转角大小与方向,明确了种群进化方向,扩展了全局搜索范围,引入了一种变异操作,使算法种群多样性得以保持,提高全局搜索宽度,采用2-opt法结合swap法增强算法局部搜索能力。仿真实验验证了所提算法的有效性与优越性。     

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。     

基于改进PSO的多传感器数据自适应加权融合算法

加权融合算法是多传感器数据融合中的常用方法,但加权因子的确定非常困难并直接影响算法的性能.文章提出利用改进的粒子群优化算法对各个传感器的加权因子进行自适应优化,引入种群进化度、聚合度来反映种群的多样性,当种群多样性低于阈值时执行变异操作,并交替使用基于聚合度、进化度的自适应惯性权重函数,从而避免算法陷入局部最优解.通过UCI数据集测例表明本文算法是一种较有效的多传感器数据融合方法,相对其它算法具有较高的融合精度.     

混合蛙跳算法改进及其对旅行商问题的求解

针对混合蛙跳算法在进化过程中容易陷入局部最优的问题,使用群体适应度值判断算法在进化过程中是否陷入局部最优,如果陷入局部最优,则对整个种群的当前最优解Gb进行贪婪倒位变异,如果变异后的Gb(新)要优于Gb(旧),则使用Gb (新);否则,使用模拟退火算法判断是否接受Gb (旧)。通过实验,将改进前后的混合蛙跳算法用于对旅行商问题的求解,并通过对比,验证了改进后的算法较未改进的算法更有效。     

改进自适应禁忌退火粒子群算法的电力系统环境经济调度

为提高粒子群算法的全局搜索能力,避免陷入局部极值,提出一种改进自适应禁忌退火粒子群算法(IATAPSO),用于求解电力系统环境经济调度。采用修改平均价格罚因子将环境经济调度转化为单目标优化问题。在IATAPSO中,惯性系数采用反正切函数控制策略,学习因子按照余弦函数策略进行变换,实现全局搜索能力与局部搜索能力之间的协调与配合;为避免出现前期大量粒子聚集的“早熟”现象,引入禁忌激励的退火选择机制,来选择全局最优位置的替代解,增大粒子跳出局部极值的概率。通过15机系统仿真验证了IATAPSO算法的可行性和有效性。     

改进型蛙跳萤火虫算法及其在CRN频谱分配中的应用

原始萤火虫（GSO）算法存在收敛速度慢、搜索精度不高等缺点,故设计一种改进型蛙跳萤火虫（FGSO）算法。该算法采用自适应可变步长替换固定步长,并且结合蛙跳算法的族群划分策略,提升萤火虫个体交流能力,实现信息群内共享,以及跳出局部最优的目的。将改进算法应用到认知无线电网络CRN频谱分配问题中,可获取更为优化的频谱分配方案。实验仿真结果表明,从网络效益方面考虑,改进的蛙跳萤火虫算法在总体性能及稳定性方面均优于原始萤火虫算法,并能给出有效的CRN频谱分配策略。     

基于进化策略的函数优化问题研究

针对进化策略算法在解决具体问题是熟练速度较慢这一问题的原因进行分析,提出自适应变异步长的方法,以在全局和局部范围内进行搜索．变异步长的值依赖于目标变量与全局最优解之间的距离．步长随距离自适应变化,可避免局部熟练和早熟．通过对经典dejong函数和Shubert函数的仿真试验,验证了文中算法的有效性．仿真结果表明,该算法收敛速度快,搜索精度高,且具有良好的全局搜索能力．     

改进蛙跳算法的小波神经网络短时交通流预测

为改进小波神经网络模型对短时交通流的预测效果,提出一种基于改进混合蛙跳算法的短时交通流预测模型用以优化小波神经网络。该算法使用交叉分组法对子群进行划分,再利用具有自适应因子的局部搜索策略平衡混合蛙跳算法局部与全局搜索能力,最后把得到的最优解用于优化小波神经网络模型初始值,并对短时交通流进行预测。实验结果表明,该方法对短时交通流预测精确度达到97.43%,比传统方法提高1.016 1%,均方根误差比传统方法降低了5.587 9%,具有较高的应用价值。     

基于t-分布的混沌蝙蝠算法及其在弹簧设计中的应用

蝙蝠算法(BA)作为一种新型的元启发算法,应用于解决复杂系统的优化问题。但由于算法后期收敛速度较慢,容易产生陷入局部最优的问题。采用Tent混沌映射的随机性和遍历性对种群进行初始化,可有效提升种群分布均匀度,进而通过动态递减的惯性权重更新速度公式,并在局部搜索过程中对非优蝙蝠个体进行自适应t-分布变异,在此基础上提出改进的蝙蝠算法(CTBA),有效规避了算法在搜索过程中的早熟收敛,提高了算法的探索和开发能力。模拟实验选择8个基准测试函数,与其他算法进行对比并且应用于弹簧设计问题,结果表明CTBA算法的性能更优。     

一种改进的自适应变异的粒子群优化算法

针对粒子群优化算法存在的早熟收敛问题,提出了一种改进的自适应变异的粒子群优化算法。该算法根据群体适应度方差和当前最优解的大小,确定当前粒子的最佳变异因子。使用变异因子来改变粒子的运动方向,使粒子进入临近区域继续搜索,以确定新的个体极值和全局极值,避免出现局部最优解。仿真结果表明:自适应变异操作增强了粒子群优化算法跳出局部最优解的能力,其全局搜索能力有了一定提高,收敛速度较快,并且能够有效避免早熟收敛问题;虽然耗费时间有所增加,但在可接受范围内,用少许的时间代价换取全局最优解是值得的。     

一种改进的遗传算法及其应用

为解决遗传算法的早熟和局部收敛现象,提出的一种改进的遗传算法,该算法引入海明距离构造初始种群,在选择、交叉、变异过程中采用最优保存策略。实验表明改进的遗传算法增强了种群的多样性,并在一定程度上避免早熟现象发生,同时又能较快找到全局最优解。     

一种求解函数优化问题的自适应遗传算法

为克服人们在运用遗传算法求解问题时选择参数的经验主义或盲目性,提出了一种动态调整参数并结合直观的参数关系图和统计分析以寻找解决函数优化问题的最优交叉和变异率的组合参数的方法。同时,提出了一种根据群体适应度的情况动态调整交叉和变异率的自适应遗传算法,并通过实例验证了算法的优越性能。     

基于层级交流机制的混合蛙跳算法

针对混合蛙跳算法收敛速度慢,求解精度不高且易于早熟的缺点,提出了一种新的基于层间交流机制的混合蛙跳算法。该算法在原混合蛙跳算法的基础上增加了层间交流机制,使得群中的个体能够进行纵向学习,增强了个体之间信息共享,有利于增强全局搜索能力;并且在对最差青蛙更新的过程中添加了自旋操作,保证了算法后期的多样性,减少了其陷入局部最优的概率。实验结果表明,在6个常用的测试函数上,该算法相比于混合蛙跳算法都取得了较优的结果。