多策略协同改进的麻雀搜索算法

针对麻雀搜索算法(SSA)种群多样性差、易陷入局部最优等问题,提出了一种多策略协同改进的麻雀搜索算法(ISSA)。首先,ISSA采用一种融合转移概率的边界学习策略的发现者位置更新方式,扩大发现者搜索范围并丰富其种群多样性;其次,ISSA在麻雀跟随者更新过程中引入混合粒子群机制,扩大目标跟随个体的选择范围;最后在算法寻优过程中,ISSA利用模糊推理系统动态监控种群陷入局部最优的概率,以差分变异操作提高种群跳出局部最优的能力。采用CEC2017测试函数中的12个函数作为性能基准函数,将ISSA与标准SSA及其他四种改进的麻雀搜索算法(ESSA、CSSOA、SSASC、MSSA)进行性能测试,基于实验数据的Friedman检验表明,ISSA能获取更好的性能。     

基于新型拥挤度距离的多目标麻雀搜索算法

现实中的多目标问题日益复杂,解决这类问题需要高效的优化算法。基于麻雀搜索算法,提出多目标麻雀搜索算法（Multi-objective Sparrow Search Algorithm,MSSA）,对多目标优化问题进行求解。依据外部存档收敛性动态调整麻雀种群比例因子,以达到全局探索能力和局部开发能力的最佳平衡,确保收敛性;对麻雀种群进行非支配排序;对麻雀种群的发现者引入多项式变异因子,增强算法跳出局部最优的能力;设计一种新型拥挤度距离计算策略,利用外部存档解的拥挤度大小剔除相似个体的方法对种群进行裁剪,使个体不超过存档上限的同时维持种群的多样性。分别使用多目标函数和盘式制动器设计测试算法性能。MSSA与MOPSO、MOGWO、NSGA-II和SPEA2在多目标测试函数上进行对比实验,结果表明MSSA算法在收敛性和均匀性两项指标上有显著的优势。盘式制动器仿真结果表明,MSSA可以快速地找到问题的非支配解,证明了该方法的有效性。     

改进多样性和局部优化能力的引力搜索算法

针对引力搜索算法局部搜索能力较弱,搜索过程容易出现早熟的现象,提出一种基于多样性和局部优化能力协同优化的引力搜索算法。将粒子群算法中局部最优解和细菌趋化中排斥操作的概念引入到引力搜索算法中,通过帮助粒子接近最优位置和逃离最差位置,改进了搜索算法中粒子的局部优化能力及种群多样性,并使用标准函数进行测试。结果表明,该算法能够实现全局搜索与局部搜索的平衡,最大程度地保持种群多样性,提高算法搜索能力。     

多策略融合的改进麻雀搜索算法及其应用

针对麻雀搜索算法易陷入局部最优、收敛速度慢等不足,提出一种多策略融合的改进麻雀搜索算法.采用精英混沌反向学习策略生成初始种群,增强初始个体的质量和种群多样性,实现对更多优质搜索区域的勘探以提升算法的局部极值逃逸能力和收敛性能;结合鸡群算法的随机跟随策略,优化麻雀搜索算法中跟随者的位置更新过程,平衡算法的局部开发性能和全局搜索能力;采用柯西-高斯变异策略提升算法的种群多样性保持能力和抗停滞能力.对10个不同特征的基准测试函数进行寻优,测试结果与Wilcoxon符号秩检验结果均表明改进算法具有更好的寻优精度、收敛性能和稳定性.最后,利用改进算法对最小二乘支持向量机的参数进行优化,应用于煤与瓦斯突出危险性辨识,通过实验进一步验证改进策略的有效性和改进算法的优越性.     

混合策略改进的麻雀搜索算法

针对麻雀搜索算法存在的迭代过程中种群多样性减少且容易陷入局部最优以及收敛速度慢等问题,提出混合策略改进的麻雀搜索算法（MSSSA）。利用Circle映射初始化麻雀个体位置,增加初始种群的多样性。结合蝴蝶优化算法（BOA）中蝴蝶飞行方式,改进发现者的位置更新策略,增强算法全局探索能力。采用逐维变异方法对个体位置进行扰动,提升算法跳出局部最优的能力。在仿真实验中与4种基本算法和5种改进算法基于10个基准测试函数进行比较并进行Wilcoxon秩和检验,结果表明所提算法具有更好的收敛性和求解精度,全局寻优能力得到大幅提升。     

基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法

针对多目标粒子群优化算法全局最优位置〖BP(〗(gbest)〖BP)〗选取存在的缺陷和局部搜索能力弱的缺点,提出一种基于全局最优位置自适应选取与局部搜索的多目标粒子群优化算法MOPSO-GL。首先对Sigma法进行改进,引入拥挤距离机制,不再是粒子从档案中选择全局最优位置,而是档案成员从种群中选择合适的被引导粒子,引导种群均匀快速地向Pareto前沿飞行,提高了Pareto解的收敛性和多样性;其次当种群寻优能力减弱时,引入基于Skew Tent映射的变尺度全面搜索混沌优化策略对外部档案进行局部搜索,以提高算法的收敛性;最后通过与其他多目标优化算法的比较,结果表明MOPSO-GL具有更好的收敛性和分布性。     

一种多策略改进的麻雀搜索算法

针对麻雀搜索算法在求解复杂优化问题时存在收敛速度慢、种群趋同性严重、易于陷入局部最优等不足,提出一种多策略改进的麻雀搜索算法（multi-strategy improved sparrow search algorithm,MISSA）。通过混沌映射和反向学习机制提高算法初始种群的质量;借鉴粒子群算法的学习策略来提升种群的信息交流能力和兼顾全局勘探与局部开发之间的平衡;融合差分进化算法的变异交叉操作提升算法跳出局部最优值的能力。通过对8个基准测试函数的寻优实验,结果表明改进算法具有更好的优化性能和收敛效率;进一步地,将改进算法应用于优化支持向量回归（support vector regression,SVR）模型的参数,并通过在选定的5个UCI数据集上的实验验证了改进算法的有效性。     

改进的麻雀搜索优化算法及其应用

麻雀搜索算法SSA在求解目标函数最优解时,存在种群多样性不丰富,易陷于局部最优,多维函数求解精度差等问题,针对这些问题提出改进的麻雀搜索算法ISSA。首先,利用反向学习策略初始化种群,增加种群多样性;然后,对步长因子进行动态调整,提高算法的求解精度;最后,在侦查预警的麻雀位置更新公式中引入Levy飞行,提高算法寻优能力和跳出局部极值的能力。将ISSA、SSA和其他算法在8个测试函数上进行求解,并进行秩和检验,仿真结果表明,ISSA具有更高的寻优性能。还将ISSA应用到认知无线电的频谱分配中,实验结果表明,ISSA的系统效益和公平性优于其他算法,验证了ISSA在实际应用中的可行性。     

基于种群分区的多策略自适应多目标粒子群算法

在多目标粒子群优化算法中, 平衡算法收敛性和多样性是获得良好分布和高精度Pareto前沿的关键, 多数已提出的方法仅依靠一种策略引导粒子搜索, 在解决复杂问题时算法收敛性和多样性不足. 为解决这一问题, 提出一种基于种群分区的多策略自适应多目标粒子群优化算法. 采用粒子收敛性贡献对算法环境进行检测, 自适应调整粒子的探索和开发过程; 为准确制定不同性能的粒子的搜索策略, 提出一种多策略的全局最优粒子选取方法和多策略的变异方法, 根据粒子的收敛性评价指标, 将种群划分为3个区域, 将粒子性能与算法寻优过程结合, 提升种群中各个粒子的搜索效率; 为解决因选取的个体最优粒子不能有效指导粒子飞行方向, 使算法停滞, 陷入局部最优的问题, 提出一种带有记忆区间的个体最优粒子选取方法, 提升个体最优粒子选取的可靠性并加快粒子收敛过程; 采用包含双性能测度的融合指标维护外部存档, 避免仅根据粒子密度对外部存档维护时, 删除收敛性较好的粒子, 导致种群产生退化, 影响粒子开发能力. 仿真实验结果表明, 与其他几种多目标优化算法相比, 该算法具有良好的收敛性和多样性.     

改进麻雀搜索算法求解物流配送中心选址问题

为提升物流配送效率,降低配送成本,提出一种改进麻雀搜索算法M-SSA求解物流配送中心选址问题。在基本麻雀搜索算法SSA中,设计均匀化Logistic映射机制提升初始种群的均匀性和随机性;利用正余弦优化和惯性权重机制改进发现者位置更新,提升全局搜索能力;引入柯西混沌变异机制增强种群多样性,避免局部最优解。利用M-SSA算法求解物流配送中心选址问题。实验结果表明,在解决配送中心选址问题上,M-SSA算法可以降低物流配送成本,提升配送效率。     

改进搜索机制的单纯形法引导麻雀搜索算法

为了改善基本麻雀搜索算法在处理优化问题时存在的收敛精度不高、速度慢和易陷入局部极小值的问题,提出一种改进搜索机制的单纯形法引导麻雀搜索算法。首先,针对发现者搜索过程随机性过高的问题,改进发现者搜索机制,提高算法收敛速度和稳定性;其次,改进麻雀搜索算法侦察机制,提高算法跳出局部极小值能力;最后,对每一次迭代适应度较差的部分个体采用单纯形法的相关操作,提高算法搜索能力。在8个基准测试函数以及部分CEC2014测试函数上的性能对比,同时结合Wilcoxon秩和检测分析,验证了改进算法的鲁棒性。     

混合策略改进的麻雀搜索算法及其应用

针对麻雀搜索算法（sparrow search algorithm,SSA）在优化过程中易陷入局部最优、寻优精度低等问题,提出了一种混合策略改进的麻雀搜索算法（MSSA）。为了使麻雀个体在搜索空间中能够进行充分搜索,在算法寻优过程中引入存档阶段去接收麻雀发现者向安全区域移动时可能被捕获而残留的位置信息;在算法的迭代过程中对当前最优个体作自适应邻域搜索,通过充分探索优质个体周围的位置信息来增强算法跳出局部最优的能力。通过九个基准测试函数进行性能评估,将MSSA、SSA以及四个改进的麻雀搜索算法：混沌麻雀搜索算法、混合策略改进的麻雀搜索算法、改进的麻雀搜索算法、增强型的麻雀搜索算法进行性能评测比较。实验结果表明MSSA相较于其他对比算法在近80%的测试函数上都有更好的收敛精度和稳定性,并且在Friedman检验中MSSA的排名均获得了第一。最后,将MSSA应用于障碍物环境下的无线传感器网络（wireless sensor network,WSN）覆盖优化问题,MSSA比五个对比算法的覆盖率分别提高了9.77%、4.25%、6.62%、3.02%、7.38%。     

一种改进的多目标粒子群优化算法及其应用

为提高多目标粒子群优化 (MOPSO)算法处理多目标优化问题的性能, 降低计算复杂度, 改善算法的收敛性, 提出了一种改进的多目标粒子群优化算法。通过运用比例分布及跳数改进机制策略的方法, 使该算法不仅继承了MOPSO算法的优点, 而且具有很强的局部搜索能力和较好的鲁棒性能, 使非劣解集均匀分布, 尽可能逼近真实的非劣前沿。通过对多连杆悬架空间结构硬点的多目标优化, 进一步验证了该算法的实用性及其优越性。     

基于切线飞行的麻雀搜索算法

为解决在临近全局最优条件下,原始麻雀搜索算法(sparrow search algorithm, SSA)存在种群多样性降低,局部开发能力薄弱导致不容易跳出局部最优点的问题,提出基于切线飞行的麻雀搜索算法(tangent flight sparrow search algorithm, tanSSA)。首先,使用自适应t分布策略改进发现者位置更新公式,可以提高麻雀个体的寻优能力,同时防止算法早熟。然后,利用切线搜索算法中切线飞行策略所具有的可以增强算法探索搜索空间能力,且能使算法跳出局部最优解的优势,在原始麻雀搜索算法中使用切线飞行扰动策略对最优解进行扰动。这两种策略相结合,可以有效提升tanSSA算法的勘探与开发性能。最后,使用12个标准基准测试函数,结合Wilcoxon秩和检验来测试验证tanSSA算法的优化性能,并与原始SSA算法、鲸鱼优化算法、粒子群优化算法以及自适应t分布SSA算法进行比较。实验证明,基于切线飞行的麻雀搜索算法的寻优能力和收敛速度都有显著提升。     

基于改进量子粒子群算法的Nash均衡研究

在N人非合作博弈Nash均衡问题求解过程中,将量子不确定性原理、协同演化以及免疫算法内的抗体浓度抑制机制引进到经典粒子群算法中,设计了一种新型改进量子粒子群算法来更好地处理Nash均衡问题。该算法在运算过程中,运用抗体浓度以及协同演化的方式来维系粒子群具备的多样性特征,并借助量子不确定性缩减迭代搜索耗时。该算法不仅有效地将粒子群算法运算简单与方便实现的特质承继下来,而且算法的收敛速度以及其全局搜索能力都获得了大幅度的提升。相关数值算例分析表明,改进的算法能够更好地处理粒子早熟,相较遗传算法以及免疫粒子群算法更具性能优越性。     

求解大规模优化问题的改进麻雀搜索算法

针对麻雀搜索算法在求解大规模优化问题时存在收敛速度慢、寻优精度低和易陷入局部极值的缺点,提出一种基于精英反向学习策略的萤火虫麻雀搜索算法(ELFASSA).首先,通过反向学习策略初始化种群,为全局寻优奠定基础;其次,利用萤火虫扰动策略提高算法跳出局部最优的能力并加速收敛;最后,在麻雀位置更新后引入精英反向学习策略以获取精英解及动态边界,使精英反向解可以定位在狭窄的搜索空间中,有利于算法收敛.通过选取10个高维标准测试函数进行仿真实验,将其与麻雀搜索算法(SSA)及4种先进的改进算法进行性能对比,并与3种单一策略改进的麻雀搜索算法进行改进策略的有效性分析,仿真结果表明, ELFASSA算法在收敛速度和求解精度两方面明显优于其他对比算法.     

基于高斯变异的量子粒子群算法

粒子群算法相对于其他优化算法来说有着较强的寻优能力以及收敛速度快等特点,但是在多峰值函数优化中,基本粒子群算法存在着早熟收敛现象。针对粒子群算法易于陷入局部最小的弱点,提出了一种基于高斯变异的量子粒子群算法。该算法使粒子同时具有良好的全局搜索能力以及快速收敛能力。典型函数优化的仿真结果表明,该算法具有寻优能力强、搜索精度高、稳定性好等优点,适合于工程应用中的函数优化问题。     

基于多样性检测的双子群多目标粒子群算法

为了平衡多目标粒子群算法的多样性和收敛性,提出一种基于多样性检测的多子群多目标粒子群算法.首先,将多样性检测方法引入到多目标粒子群算法中,并结合多目标粒子群算法的特点进行改进.然后,将种群分为两个不同分工的子群,一个子群保持较好的多样性,在搜索空间进行全局搜索;另一个子群保持较好的收敛性,在Pareto前沿附近进行局部搜索.最后,根据多样性度量指标调整两个子群的搜索行为,以达到兼顾多样性和收敛性的目的.在标准测试问题上的仿真结果表明了所提算法的有效性.