多策略融合的改进粒子群优化算法

为解决传统粒子群算法收敛精度低、收敛速度慢和易陷入局部最优的问题,提出了一种多策略融合的改进粒子群算法。首先,设计了一种基于中垂线算法的游离粒子位置更新方法,加快了游离粒子的收敛速度;其次,设计了一种在最优粒子附近生成爆炸粒子的策略,以增强算法的寻优精度和寻优速度,为适应前两个策略,设计了一种仅依靠全局最优粒子位置的粒子速度更新策略;最后,将基于概率分层的简化粒子群优化算法的惯性权重和粒子位置更新方法用于本算法。与其他五种改进粒子群算法进行了对比实验,结果表明提出的改进算法无论是处理低维问题还是高维问题表现均具有较大优势,性能更优越。     

改进的万有引力搜索算法在函数优化中的应用

万有引力搜索算法应用于函数优化问题时易陷入局部最优解且优化精度不高。针对这些问题,提出了一种改进的万有引力搜索算法。该算法通过引入反向学习策略、精英策略和边界变异策略,显著地提高了万有引力搜索算法中粒子的探索能力与开发能力,获得了较强的全局优化能力和局部优化能力。通过对6个非线性基准函数进行仿真实验,结果表明：与基本的万有引力搜索算法、加权的万有引力搜索算法和人工蜂群算法相比,改进的万有引力搜索算法在求解复杂函数的优化问题时具有更好的优化性能。     

基于改进的Tent混沌万有引力搜索算法

万有引力搜索算法(gravitational search algorithm,GSA)相比于传统的优化算法具有收敛速度快、开拓性能强等特点,但GSA易陷入早熟收敛和局部最优,搜索能力较弱.为此,提出一种基于改进的Tent混沌万有引力搜索算法(gravitational search algorithm based on improved tent chaos,ITC-GSA).首先,改进Tent混沌映射来初始化种群,利用Tent混沌序列随机性、遍历性和规律性的特性使得初始种群随机性和遍历性在可行域内,具有加强算法的全局搜索能力;其次,引入引力常数G的动态调整策略提高算法的收敛速度和收敛精度;再次,设计成熟度指标判断种群成熟度,并使用Tent混沌搜索有效抑制算法早熟收敛,帮助种群跳出局部最优;最后,对10个基准函数进行仿真实验,结果表明所提算法能够有效克服GSA易陷入早熟收敛和局部最优的缺点,提高算法的收敛速度和寻优精度.     

引入混合蛙跳搜索策略的人工蜂群粒子群算法

由于标准粒子群算法易于陷入局部最优和收敛速度慢等问题,提出了一种引入人工蜂群搜索策略和混合蛙跳搜索策略的粒子群算法（ABCSFL-PSO）。使用人工蜂群的搜索策略提高算法的探索能力,避免算法陷入局部最优;使用蛙跳算法中更新最差粒子的策略,来加快算法收敛速度,并进一步提高求解精度。在12个标准测试函数上的仿真实验结果表明,算法性能优良,不仅能够避免陷入局部最优,而且显著提升了收敛速度。     

融合差分进化和混合多策略的麻雀搜索算法

针对麻雀搜索算法(spar row search algori thm,SSA)存在收敛速度慢、稳定性差和易陷入局部最优等问题,提出融合差分进化和混合多策略的麻雀搜索算法(DEH-SSA)。引入反向学习初始化以增加种群的多样性,避免陷入局部最优;加入非线性权重因子改进麻雀发现者的位置更新公式以平衡算法的局部和全局搜索能力,使算法的收敛速度加快;融合差分进化和精英策略增强SSA算法的全局搜索能力并提高算法的收敛精度。在10个基准测试函数上与其它群智能算法进行比较实验,其结果表明,DEH-SSA具有更高的收敛精度、更快的收敛速度和更好的稳定性,通过Wilcoxon秩和检验方法也验证了DEH-SSA算法具有更好的显著性差异。     

基于正余弦优化算子和Levy飞行机制的和声搜索算法

针对基本和声搜索（Harmony search, HS）算法收敛速度较慢、易陷入局部最优和计算精度不高的缺点,结合正余弦优化算子、Levy飞行机制和参数动态调整策略,提出一种改进的和声搜索算法。该算法在即兴创作阶段,首先引入正余弦优化算子和微调带宽相结合的方式对和声向量进行微调操作,充分利用最优个体和当前个体的位置信息,提高算法的计算精度和收敛速度;再采用Levy飞行机制对微调带宽进行更新,避免算法陷入局部最优,提高全局搜索能力;在算法迭代过程中,对和声记忆库存储概率、基音微调概率和搜索域进行自适应动态调整,以进一步提高算法收敛性能。在10个基准函数上进行性能对比试验的结果表明,本文提出的算法具有较强的全局搜索能力,较快的收敛速度和较高的计算精度。     

简化粒子群优化方法的改进研究

为了有效提高粒子群优化算法的收敛速度和搜索精度,增强算法跳出局部最优,寻得全局最优的能力,提出了一种改进的简化粒子群优化算法。该算法考虑了粒子惯性、个体经验和全局经验对于位置更新影响力的不同,改进了位置更新公式,克服了粒子群优化算法收敛速度慢和易陷入局部最优的缺点。标准函数测试结果表明该改进算法的收敛速度和搜索精度有了很大的提高。     

基于改进邻域搜索策略的人工蜂群算法

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.     

基于改进自适应黑洞机制的引力搜索算法

针对基本引力搜索算法（gravity search algorithm,GSA）易早熟、易陷入局部最优、缺少有效加速机制等缺点,提出了基于改进自适应黑洞机制的GSA（improved adaptive black hole gravity search algorithm,IABHGSA）。通过改进Tent映射对种群初始化,使得初始种群的分布更随机、均匀、遍历,增强算法的全局勘探能力;引入改进自适应黑洞机制,根据粒子进化情况选择位置更新策略,使得位置更新更为合理,有效减小粒子陷入局部最优的可能性;通过基于学习思想的最优与最差粒子更新策略增强算法逃离局部最优的能力以及提高算法的寻优速度;引入群体迁徙,为算法提供有效的加速收敛机制。最后,选取八个基准测试函数对IABHGSA进行测试,并与相关算法的实验结果进行了对比,结果证明IABHGSA有更好的寻优性能。     

基于反向学习和精英提升的无速度项动态粒子群算法

针对粒子群优化算法在处理复杂优化问题时搜索精度低、收敛速度慢且易陷入局部最优的问题，提出一种基于反向学习和精英提升的动态多种群无速度项粒子群算法。首先基于无速度项的粒子位置更新模式，动态划分子群并采用不同的进化策略，利用反向学习为子群拓宽搜索范围，保证种群多样性的同时避免粒子过早陷入局部最优。然后为充分利用优秀粒子的信息并提高搜索精度，改进精英提升策略优化个体历史最优粒子，使用差分进化算法对种群最优粒子进行更新。最后通过CEC2006提出的22个测试函数进行性能测试。结果表明，本文提出的算法相比于其他算法在搜索精度和稳定性上拥有更加出色的性能，并能有效提升算法收敛速度。     

基于混合策略改进的鲸鱼优化算法

针对传统鲸鱼优化算法收敛速度慢、易陷入局部最优等问题,提出一种基于混合策略改进的鲸鱼优化算法。首先,引入非线性调整策略改进收敛因子,平衡算法的全局探索与局部开发能力并加快算法收敛速度;然后,将自适应权重系数引入鲸鱼位置更新式中,从而提高算法的寻优精度;最后,结合人工蜂群算法的limit阈值思想,使算法能够有效跳出局部最优,改善算法早熟收敛现象。通过对14个基准测试函数在不同维度上的仿真实验表明,改进算法具有较高的寻优精度和较快的收敛速度。     

一种基于改进BA算法的K-means聚类

摘要：针对传统BA（蝙蝠）算法易被局部极值吸引、发生过早收敛等问题,将莱维飞行搜索策略引入传统BA算法对蝙蝠的位置和速度更新方式进行改进,从而提高算法的全局搜索能力;通过引入非线性惯性权重平衡算法的全局和局部搜索能力并提高算法搜索精度;结合Limit阈值的思想避免算法过快陷入局部极值。通过对6个标准测试函数的实验表明,改进后的BA算法不仅在全局搜索能力上有所提高,而且具有较好的搜索精度。最后将改进后的BA算法同K-means聚类算法进行结合,提出了一种基于改进BA算法的K-means聚类算法,实验结果表明,改进的算法提高了聚类准确率及算法鲁棒性。     

Logistic型混合自适应分数阶达尔文粒子群优化算法

针对传统的粒子群优化算法中存在的问题及分数阶达尔文微粒群优化(FDPSO)算法收敛速度慢,收敛精度不高的问题,改进其算法中分数阶速度更新策略,同时引入Logistic型混合分数阶自适应动态调整策略,得到一种改进的自适应分数阶达尔文粒子群优化(LFDPSO)算法,并通过相应理论分析,证明了该算法在给定条件下的收敛性,并由6个经典函数的数值测验表明,Logistic型混合自适应分数阶达尔文粒子群(LFDPSO)算法在收敛精度和收敛速度上得到了有效改善与提高,粒子在局部最优时的逃逸能力、全局寻优及智能搜索能力显著增强。     

基于改进正弦余弦算法的无线传感器节点部署优化

为了提高无线传感器网络（WSN）的性能，提出了一种基于改进正弦余弦算法（ESCA）的节点部署优化方法。首先，引入双曲正弦调节因子和动态余弦波权重系数，以平衡算法的全局探索与局部开发能力；然后，提出了一种基于拉普拉斯和高斯分布的变异策略，避免算法陷入局部最优。对于基准函数的优化实验结果表明，ESCA相比引力搜索算法、鲸鱼优化算法、基本正弦余弦算法（SCA）及其改进算法具有更高的收敛精度和收敛速度。最后，将ESCA应用于WSN节点部署优化，结果表明其优化覆盖率相比改进粒子群优化算法、外推人工蜂群算法、改进灰狼优化算法和自适应混沌量子粒子群算法分别提高了1.55个百分点、7.72个百分点、2.99个百分点和7.63个百分点，用更少节点便可达到相同目标精度。     

量子粒子群优化的人工蜂群算法

针对传统的人工蜂群算法在求解函数优化问题中具有收敛速度慢、局部搜索能力低的缺点,将量子粒子群优化算法中粒子位移的更新方法引入到跟随蜂的局部搜索策略中,使人工蜂群具有更高的局部搜索能力.6个标准测试函数的仿真实验结果表明:与传统的人工蜂群算法相比,改进后的人工蜂群算法在收敛速度和寻优精度上大幅提高.     

基于改进GSA的数据聚类机制

数据聚类是大数据分析的基本手段,传统聚类方法易于陷入局部最优。针对这一问题,提出一种基于改进引力搜索机制GSA的数据聚类算法。定义一种适合于引力搜索进化的聚类解编码方式。为了衡量不同聚类解的差异,设计一种基于汉明距离的引力搜索粒子距离度量方法,有效衡量数据对象在各维度属性上的不同。同时,在粒子速度更新方面,引入加速因子到粒子速度更新策略中,利用最优粒子位置代表的聚类解加速局部开发过程,加速粒子向最优粒子移动,有效保持局部开发与全局搜索间的平衡。实验结果表明,在经典数据集测试下,该算法在多数测试集中比同类算法具有更低的聚类失误率。     

具有万有引力加速机理的布谷鸟搜索算法

为了解决布谷鸟搜索算法收敛速度较低、全局收敛效率不高的问题,提出了具有万有引力加速机理的布谷鸟算法.该算法基于万有引力搜索无需学习外部环境因素的变化亦能感知全局最优的特点,将布谷鸟巢穴等价为不同质量的个体,使其在优化过程中不仅遵循Levy飞行规律,而且遵循万有引力定律.不仅利用布谷鸟巢穴间存在的万有引力进行加速搜索,而且提出了一种概率变异的方法,增大了种群多样性,有效地平衡了算法的全局搜索能力和局部开采能力,提高了算法的全局搜索效率和收敛精度.通过算法的数学机理分析和26个基准测试函数实验结果表明,所提出的算法与其他改进智能优化算法比较,具有更优的性能.     

改进蚁群算法的移动机器人路径规划

针对传统蚁群算法在路径规划中存在易陷入局部最优与收敛速度慢等问题,提出一种改进的蚁群算法.采用初始信息素差异化分布策略,增强目标点导向区的初始信息素浓度;基于回退策略与禁忌搜索结合分块优化,利用叉积运算进行局部折点优化;引入信息素自调节加强因子,改进信息素浓度更新公式;引入随机状态转移参数,增强全局搜索能力;将改进算法...     

基于改进引力搜索算法的桁架结构优化设计

引力搜索算法是近几年提出的较有竞争力的群智能优化算法,然而,标准引力搜索算法存在后期收敛速度慢的缺点。为有效利用优化算法来解决结构优化的问题,提出一种改进的引力搜索算法(improved gravitational search algorithm,IGSA)。通过引入Logistic映射,使GSA初始种群遍历整个搜索空间,提高算法找出最优解的可能性。通过引入粒子群算法(particle swarm optimization,PSO)的信息交互机制,利用个体粒子历史最佳位置和种群历史最佳位置动态调整粒子的速度和位置,使个体粒子更快地向适应度值更高的位置移动,使算法搜索能力加强。对6个经典测试函数进行寻优,结果表明改进后算法收敛速度快,收敛精度高,稳定性较佳,跳出局部最佳解的能力较强。用IGSA和GSA对72杆空间桁架进行尺寸优化,与其他算法相比,结果表明IGSA得到最优值的迭代次数明显减少,得到的最优解明显优于通用算法。