基于错位突变策略的改进人工蜂群算法

人工蜂群算法是一种模拟蜜蜂觅食行为的群智能优化算法,具有较好的全局搜索能力,但收敛速度较慢且容易陷入局部最优.针对其不足之处,提出了一种基于错位突变策略的人工蜂群算法(DMABC).该算法在搜索蜜源的时候运用错位突变策略增强种群多样性,并使用排序选择机制和新的比较机制防止过早收敛.通过对几个标准测试函数的实验表明,改进算法具有更快的收敛速度,优化精度更高.     

一种改进的人工蜂群算法及其应用研究

针对传统的人工蜂群算法具有较强的勘探能力,但是算法局部开采能力较弱,演化后期收敛速度慢,容易陷入局部最优,提出了基于混沌算法和逆向学习算法相结合的初始化种群方法,有效改进种群的多样性;提出了一种新型的搜索策略来改进观察峰与侦察蜂的搜索过程,加快了算法的收敛速度;通过5个标准函数进行测试,文中算法在搜索效率、最优解质量、稳定性均优于传统的人工蜂群算法.     

人工蜂群算法的改进及应用

针对人工蜂群算法容易陷入局部最优值,收敛到最优解速度慢的缺点,通过使用固定步长和可变步长,定义采蜜蜂搜索食物源的公式,提出了一种改进的人工蜂群算法.对四个标准测试函数仿真表明该改进算法提高了算法的优化性能.为了改善数据挖掘中聚类算法效率,从人工蜂群算法评价函数入手,使用凝聚度函数、分散度函数,将改进的人工蜂群算法用于解决聚类问题,对三个数据集测试表明新算法在聚类准确率方面有一定提高.     

基于人工蜂群算法的BP神经网络研究

BP神经网络具有实现非线性映射特点和较强的容错能力、泛化能力等优点。然而,因为其采用了最速下降梯度寻优算法,在实际应用中往往出现收敛速度缓慢、时常陷入局部极小值等缺陷。人工蜂群算法是受蜂群个体间通过相互协作对既定目标进行寻优的群体行为启发提出的一种新型群智能优化算法,具有很好的全局收敛特性,其次有较强的自适应性、协作性、鲁棒性、快速性等特点。文中探讨用人工蜂群算法来优化BP神经网络算法,进一步提高BP神经网络性能。     

混合差分蜂群算法求解带容量约束车辆路径问题

为求解带容量约束车辆路径问题,提出了一种差分算法改进的人工蜂群算法(DABC).针对人工蜂群算法开发能力较弱的缺陷,采用了全局最优解引导的邻域搜索策略.为避免早熟,引入差分算法的交叉更新策略进行局域优化.仿真实验结果证明,混合差分蜂群算法在求解带容量约束车辆路径问题时,能较好地平衡了探索能力和开发能力,在求解速度和稳定性上有良好的效果.     

菌落挑选仪挑选通量提升算法研究

针对菌落挑选仪挑选通量低、耗时长、未挑选菌落易污染的问题,提出一种基于人工蜂群算法的多目标优化菌落挑选仪挑选方案。利用人工蜂群算法对菌落挑选仪中多目标问题进行优化,通过对蜂群初始化方式和邻域搜索方式进行改进,以提高算法寻找最优解的速度和全局搜索能力。将改进后的算法应用于挑选仪中,实验结果表明,该算法在优化菌落挑选仪的挑选行为上具有有效性和优越性。     

基于鲸鱼优化算法的PID参数整定研究

为进一步提高PID参数整定方法的收敛精度和收敛速度,在PID参数整定中引入了鲸鱼优化算法(WOA)。仿真实验结果表明,鲸鱼优化算法(WOA)与改进粒子群优化算法(IPSO)、改进人工蜂群算法(IABC)和遗传算法(GA)相比,收敛精度和收敛速度都优于其它算法。     

算法参数对人工蜂群算法性能的影响

作为一种新兴的群体智能优化方法,人工蜂群算法在函数优化方面具有较好的优化能力。然而其收敛速度也受到控制参数的影响,为了考察算法各参数对其性能的影响,使用VS2010编写了一套标准人工蜂群算法,并选取两个标准函数作为测试对象,对这种影响进行了测试,最后给出了测试结论。     

基于改进模糊ABC算法的水轮机调节系统仿真研究

针对水轮机调节系统的非线性特性和"水锤"效应,结合人工蜂群算法(ABC)搜索过程精细、全局收敛性较强的特点,提出一种改进模糊人工蜂群算法(MFABC),将其应用于不同扰动工况下的水轮机调节系统中,并利用Matlab强大的仿真能力完成水轮机调节系统参数的优化。通过仿真实验,验证了所提出的MFABC算法较Ziegler Nichols算法、模糊PID算法、粒子群算法和标准ABC算法在全局搜索能力和收敛速度方面的有效性和优越性,保证该方案下系统能获得更好的动态性能。该仿真实验既可加深学生对水轮机调速器参数优化问题的认识与理解,也有利于提高学生的实验仿真能力。     

一种融合加权策略及分布估计的蚁群优化算法

通过对蚁群算法、加权策略、分布估算算法等进行研究和分析,首先提出将加权策略应用于蚁群算法的信息素更新,有效地提高了算法的全局收敛速度,然后将蚁群算法与分布估算算法进行融合,从而避免了由于信息素的正反馈机制而陷入局部最优的问题,仿真实验表明该算法在收敛速度及最优路径求解方面有较好的改进。     

人工蜂群算法在高层建筑火灾逃生中的应用研究

为了最大限度地减少突发灾难带来的损失,研究了人工蜂群算法在提高高层建筑火灾逃生疏散效率中的应用。根据人工蜂群算法的基本原理和特点,结合火灾时期被困人员的个体差异和从众行为,利用采蜜蜂、侦察蜂、观察蜂的行为将趋光趋众两个疏散模型参数化,建立了高层建筑火灾中人员疏散的人工蜂群模型。利用简单规则实现对突发紧急情况下复杂的人员疏散行为模拟,以更加方便、合理而有效地指导人员疏散、逃生。     

一种求解不等式约束优化问题的新算法

针对基本遗传算法收敛速度缓慢现象，提出了基于多父体杂交和按较差个体顺序变异的改进策略，从而加快收敛速度，提高了算法性能，通过验算表明，改进后的算法，能够迅速找到全局最优解。     

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。     

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。     

一种改进的灰狼算法

针对灰狼算法的缺点,提出一种改进的灰狼算法。引入混沌策略初始化种群,产生更均匀的初始种群;将线性收敛因子改进为非线性收敛因子,能更好地均衡全局搜索和局部搜索;在灰狼更新位置时,根据头狼的决策能力,加入权重策略,使每个灰狼个体更快地向最优的位置移动。最后用6个标准测试函数做仿真实验,结果表明,改进后的灰狼算法在单峰函数和多峰函数求解中,收敛速度和寻优精度都优于其他算法。     

最速下降算法的改进研究

最速下降算法在最优化理论中一个重要的算法,最速下降算法更是共轭梯度算法中不可或缺的重要组成部分,所以研究最速下降算法的改进,对改进共轭梯度算法,以至与之相关的一些最优化算法,都有一定的研究价值.本文主要针对最速下降算法的一些不足之处,进行改进.理论证明,该改进方法确实能抑制最速下降算法的锯齿现象,并大大提升了原算法的收敛速度.     

基于改进蚁群算法的TSP问题研究

蚁群算法作为解决TSP中组合优化问题方案,其搜索路径能力较其它算法优异,但传统蚁群算法的选取策略较随机,导致进化速度慢。为了优化传统蚁群算法速度较慢、过早收敛以致停滞现象,针对概率选取公式随机搜索下一节点,以延缓其收敛速度。对信息素调节公式进行更新以提高蚁群的搜索能力。实验结果表明,改进算法在最短路径、平均路径和搜索最短路径时间上较蚁群算法提高很大,改进的蚁群算法能有效提高算法的收敛速度和搜索能力。     

基于免疫单亲遗传算法在TSP中的应用

基本遗传算法保持群体多样性的能力较差,所以经常在问题求解的过程中极易陷入局部最优解。根据生物的免疫原理和单亲遗传算法并结合最近邻域算法思想提出的一种改进算法———基于免疫单亲遗传算法（IPGA）。免疫遗传算法中的基因重组、免疫记忆以及免疫元动态等特性,这些特性有助于改进基本遗传算法群体多样性的保持能力。最后结合48个城市旅行商问题进行了求解,仿真结果表明,基于免疫单亲遗传算法具有更好的性能,相对于传统的遗传算法收敛速度提高了30%。     

全局人工鱼群优化的动量常模盲均衡算法

针对常模盲均衡算法(CMA)存在局部收敛和慢收敛的缺陷,提出了一种全局人工鱼群优化的动量常模盲均衡算法(GAFSA-MCMA)。该算法首先利用全局人工鱼群算法(GAFSA)收敛速度快、全局搜索能力强的优点,寻找人工鱼群的最优位置向量并作为CMA的初始优化权向量,从而使权向量在迭代过程中获得全局最优,同时将动量算法引入到CMA中,提高收敛速度。与CMA、MCMA相比,该算法均方误差较小、收敛速度较快。     

基于修补粒子群算法的动态网格数据流优化

针对粒子群优化算法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修补粒子群算法.在修补更新方程中设置参数以限制粒子在搜索区域内、采用减弱速度更新的策略减少速度更新的次,如果种群多样性逐步减小下限时,种群纷纷远离该最优位置,而当种群多样性逐步增大超出上限时,种群又开始向整体最优位置靠拢,从而保持了粒子的多样性.数值实验结果表明,算法在解决问题上表现出了良好的性能.