趋磁性细菌多目标优化算法

提出趋磁性细菌多目标优化算法(MTBMO).该算法以趋磁性细菌优化算法(MBOA)中磁小体(MTSs)的生成机制为基础,设计适用于多目标优化的新型MTSs磁矩调节机制,确保群体的收敛性;同时采用基于混沌变异的替换方法取代MBOA中的磁小体替换机制来增强群体的多样性.通过标准函数测试和与现有多目标优化算法的比较表明,MTBMO对于求解多目标优化问题(MOPs)是可行且有效的.     

含分布式发电的改进BFO算法配电网无功优化

在含分布式电源的电网无功优化研究中,为了更有效地提高配电网性能,提出了一种改进细菌觅食算法(CP-BFO).以电网网损最小、负荷节点电压和发电机的无功出力约束作为综合目标函数,采用细菌觅食算法,在聚焦操作中引入粒子群变异算子,使算法具有良好的全局搜索能力,提高了算法的寻优效率.同时利用混沌原理对改进的细菌觅食算法的参数进行自适应调节,改善了算法的收敛性能.通过节点系统的仿真表明,CP-BFO算法在提高含分布式电源的智能电网电压质量与减少功率损耗的优化过程中具有可行性和有效性.     

基于功率谱收敛的低压电力载波信道中的噪声检测与建模

在低压电力线载波信道中,复杂的噪声特性是阻碍低电压电力线载波通信广泛应用的主要原因之一,因此,准确的噪声模型对于设计和优化电力线通信系统具有重要意义;为了得到更加准确的噪声模型,给出一种等效背景噪声和功率谱收敛算法;通过对多组拟合参数的求解,并以归一化理论和噪声特性为基础,实现功率谱收敛算法对准确噪声模型的搭建;通过低压电力线信道噪声分析,得出功率谱收敛算法能够收敛,功率谱收敛值0.535%,表明噪声模型可以准确地反映实际噪声特性,验证了功率谱收敛算法在噪声模型中应用的可行性。     

基于交叉迁移和共享调整的改进蝴蝶优化算法

针对蝴蝶优化（monarch butterfly optimization,MBO）算法易陷入局部最优和收敛速度慢等问题,提出了一种基于改进的交叉迁移和共享调整的蝴蝶优化（MBO with cross migration and sharing adjustment,CSMBO）算法。首先,利用基于维度的垂直交叉操作来替换标准MBO算法的迁移算子,形成交叉迁移算子,有效提升其搜索能力;其次,将原始调整算子改为具有信息分享功能的共享调整算子,以加快算法的收敛速度;最后,采用贪婪选择策略取代标准MBO算法中的精英保留策略,减少一次排序操作进而提高其计算效率。为了验证CSMBO算法的优化能力,测试了其在30维和50维函数上的优化,并与三种优化算法进行比较,其实验结果表明CSMBO算法具有良好的优化性能。     

基于差分进化的细菌觅食群游算法*

针对细菌觅食算法在优化过程中步长一致、速度较慢的缺陷,赋予细菌对环境感知的能力,并利用灵敏度的概念来调节群游步长,提高收敛速度;将差分进化的思想引入趋化算子,对趋化过程中的细菌位置进行修正,改善群游过程中部分维的退化现象,增加收敛的精度。采用高维典型测试函数对算法进行测试,新算法明显提高了搜索速度和精度,改造后适用于多维、约束等实际工程问题的优化。     

求解0/1背包问题的快速收敛的混合遗传算法

在结合贪婪算法的混合遗传算法中,将基于轮盘赌的选择算子改为稳态复制的选择算子,形成的新的混合遗传算法能显著加快收敛。文中也给出了结束迭代的两个判定条件。通过对三个实例的大量仿真实验,研究了交叉概率、种群数量和替换率对算法性能的影响。实验结果表明这一新算法收敛速度快,寻优能力强,更适合于求解大规模0/1背包问题。     

基于混合变异策略的动态差分演化算法

为提高差分演化算法的收敛速度和求解精度,提出了一种基于混合变异策略和参数自适应调整的动态差分演化算法,该算法首先选用3种变异策略作为候选池,通过记录各策略的历史效果来设置其候选概率,每个个体采用轮盘赌的机制从候选池中选取一个变异策略进行变异,在选择时采用动态机制让变异交叉产生的优秀试验个体直接替换目标个体来提高算法的收敛速度,算法的变异算子F、交叉算子CR根据进化中的反馈信息自适应动态调整。利用13个不同类型的经典测试函数进行实验,结果表明算法在收敛速度和求解精度上具有比较好的优势。     

改进迁移算子的BBO算法及其在PID参数中的优化

针对生物地理学优化（BBO）算法寻优过程中易陷入搜索动力不足、收敛精度不高等问题,提出一种基于改进迁移算子的生物地理学优化算法（IMO-BBO）。在BBO算法基础上,结合“优胜劣汰”的进化思想,将迁移距离作为影响因素对迁移算子进行改进,并用差分策略将不适宜迁移的个体进行替换,以增加算法的局部探索能力。同时为丰富物种的多样性,引入多种群概念。利用IMO-BBO算法分别对13个基准测试函数进行测试,与基于协方差迁移算子和混合差分策略的BBO （CMM-DE/BBO）算法和BBO算法相比,改进算法提高了对全局最优解的搜索能力,在收敛速度和精确度上也都有显著提高;将IMO-BBO算法应用到PID参数整定中,仿真结果表明,所提算法优化后的控制器具有更快的响应速度和更稳定的精度。     

基于BP算子的自适应混合遗传算法研究

将误差反向传播算法(BP算法)以一个算子的形式融入到遗传算法中,以提高遗传算法的优化性能.其基本思路是:在遗传算法收敛速度放慢时启用BP算子,把新一代群体作为BP算子的初始值再用BP算法训练网络,这样交替运行BP算法和遗传算法,直到达到问题要求的精度.通过对4例实验函数的优化,证明了混合遗传算法具有良好的收敛性和稳定性.实验对插入BP算子的遗传算法和传统遗传算法的优化结果进行了比较分析,结果表明BP算子的插入对遗传算法的优化性能、收敛速度和收敛精度方面都有了很大的改进.     

求解旅行商问题的二阶段演化算法

对Inver-over算子进行了改进,提出了1st-Inver-over算子和2nd-Inver-over算子,实现了求解TSP问题的基于改进Inver-over算子的二阶段演化算法（Two-stage Inver-over EA）。在算法前期,只采用1st-Inver-over算子来保证算法的收敛速度;在算法后期,根据种群的多样性自适应地选取1st-Inver-over算子和2nd-Inver-over算子来协调算法的收敛速度和种群的多样性。在TSPLIB（Traveling Salesman Problem Library）中的典型实例上的实验结果表明,Two-stage Inver-over EA比经典的GT算法具有更好的收敛性和搜索效率。     

A power spectrum optimization algorithm inspired by magnetotactic bacteria

Magnetotactic bacteria (MTB) are one kind of bacteria with magnetic particles called magnetosomes in their bodies. These particles often connect together like a chain. The MTB move toward the ideal living conditions under the interaction between magnetic field produced by the magnetic particles chain and that of the earth. In the paper, a new magnetic bacteria algorithm based on power spectrum (PSMBA) for optimization is proposed. The candidate solutions are decided by power spectrum in the algorithm. It mainly includes four steps: power spectrum calculation, bacteria swimming, bacteria rotation and bacteria replacement. The effect of swimming schemes and parameter settings on the performance of PSMBA is studied. And it is compared with GA, PSO and its variants and some other optimization algorithms on 25 benchmark functions including CEC2005. The simulation results show that PSMBA has better performance on most of the problems than most of the compared algorithms.     

改进的混合蛙跳算法

为提高混合蛙跳算法在优化问题求解中的性能,提出了一种改进混合蛙跳算法。改进算法在原算法基础上加入了变异算子,并根据算法进化过程的不同阶段和进化过程中候选解分布情况,利用模糊控制器对变异算子的变异尺度进行调整,实现了变异算子在解空间中搜索范围的动态调整。通过对优化问题中4个典型测试函数的仿真实验表明,与基本蛙跳算法和已有改进算法相比,改进算法在寻优精度、收敛速度和求解成功率上均有一倍以上的提高,尤其在高维复杂优化问题求解中体现出较强的寻优能力。     

一种改进的生物地理学优化算法

生物地理学优化算法（BBO）作为一种新型的智能算法,在其提出不到十年的时间内受到学界的广泛关注和研究,并显示出了广阔的应用前景。为了提高算法的优化性能,对BBO算法提出一种改进,该算法在将差分优化算法（DE）中的局部搜索策略同BBO算法中的迁移策略相结合的基础上,针对迁移算子和变异算子分别进行改进,提出了二重迁移算子和二重变异算子,使得栖息地个体在进化过程中得到更高的进化概率,从而使得算法的寻优能力得到进一步提升。通过6个高维函数的测试,结果表明该算法在优化高维优化问题时,较其他几种生物地理学优化算法具有更好的收敛性和稳定性。     

引入学习机制的自适应遗传算法设计与实现

目前遗传算法研究中,缺乏对历代群体进化规律的充分利用,因此引入学习机制,设计反映个体自主学习进化规律的自适应算子,并且结合现有的改进遗传算法,提出一种新的自适应遗传算法。最后以两个通用的测试函数为例对算法进行性能测试,结果表明,在采用相同参数的条件下,自适应算子能够以较低的代价提高遗传算法的收敛速度,并获得更好的最终优化结果。     

求解高维优化问题的遗传鸡群优化算法

针对鸡群算法在求解高维复杂优化问题时收敛速度慢、寻优精度不高、容易陷入局部最优等不足,结合遗传思想,增加公鸡和母鸡交配、变异产生新小鸡的概念,并设定交配周期和小鸡淘汰更新周期,利用交叉、变异算子对算法进行改进,得到一种改进的鸡群算法。通过对10组基准函数的实验结果进行分析,相比于标准鸡群算法和其他两种目前比较流行的群体智能优化算法,提出的改进鸡群算法在寻优精度、解的质量、收敛速度、稳定性及鲁棒性等方面优势明显,具有良好的性能。     

一维下料的改进遗传算法优化

针对一维下料优化问题,在对一维下料方案数学模型分析的基础上,提出了基于改进遗传算法的优化求解方案。主要思想是把零件的一个顺序作为一种下料方案,定义了遗传算法中的关键问题:编码、解码方法、遗传算子和适应度函数的定义。该算法设计了一种新颖的遗传算子,包括顺序交叉算子、线性变异算子、扩展选择算子。根据这一算法开发出了一维下料方案的优化系统。实际应用表明,该算法逼近理论最优值,而且收敛速度快,较好地解决了一维下料问题。     

一种高效的复杂系统遗传算法

针对遗传算法效率低等问题,基于复杂系统理论对其作了以下改进:首先,用反映复杂系统能量分布的幂律法则改造了选择算子;其次,引入复杂系统自学习特性重新设计了交叉算子;再次,采用反馈机理改进了更新策略;最后,在算法中增加了基因漂流算子。通过上述改造,复杂系统遗传算法各个算子相互平衡、相互制约,有效地抑制了遗传算法的“早熟”,并在很大程度上提高了算法的效率。进一步通过实验结果表明,该算法在高维优化中具有较好的性能。     

基于标准差的自适应激素调节遗传算法

基于生物内分泌系统的激素调节原理,提出了一种新的自适应遗传算法。该算法以内分泌激素调节的H ill函数下降形式为基础,设计了自适应交叉算子和自适应变异算子,使交叉率和变异率在遗传算法迭代过程中,能够根据函数适应度值的标准差进行自适应调节,使得整个进化过程中将种群多样性维持在合理水平,从而保证算法的正常进化。4种测试函数及三维人脑图像分割的实验结果显示,提出的自适应遗传算法可较好地保持种群多样性并克服早熟现象,性能优于其他3种自适应遗传算法及传统遗传算法。     

自适应激素调节遗传算法

基于生物内分泌系统的激素调节原理,提出了一种新的自适应遗传算法。该算法以内分泌激素调节的Hill函数下降形式为基础,设计了自适应交叉算子和自适应变异算子,使交叉率和变异率在遗传算法迭代过程中,能够根据各代种群多样性的变化进行自适应调节,在整个进化过程中将种群多样性维持在合理水平。4种测试函数及三维人脑图像分割的实验结果显示,提出的自适应遗传算法可较好地保持种群多样性并克服早熟现象,性能优于其他两种自适应遗传算法及传统遗传算法。