基于协同变异与莱维飞行策略的教与学优化算法及其应用

针对教与学优化（TLBO）算法在处理优化问题时存在搜索不均衡、易陷入局部最优、综合求解性能弱等缺陷，提出一种基于均衡优化与莱维飞行策略的改进教与学优化算法ELMTLBO。首先设计精英均衡引导策略，通过种群中多个精英个体的均衡引导提高算法的全局寻优能力；其次在TLBO算法的学习者阶段后，利用自适应权重策略对莱维飞行产生的步长进行自适应缩量，以提高种群局部寻优能力，增强个体对复杂环境的自适应性；最后设计了变异算子池逃逸策略，通过多个变异算子的协同引导，提升算法的种群多样性。为验证算法改进的有效性，将EMLTLBO算法与侏儒猫鼬优化算法（DMOA）等先进的智能优化算法以及平衡教与学优化（BTLBO）算法、标准TLBO等同类型算法在15个国际测试函数上进行综合收敛性能比较。统计实验结果表明，与先进的智能优化算法和TLBO算法变体相比，ELMTLBO算法能够有效平衡其搜索能力，不但有效求解单峰和多峰问题，而且在复杂多峰问题上仍有显著的寻优能力。在不同策略的共同作用下，ELMTLBO算法的综合优化性能突出，全局收敛性能较为稳定。此外，ELMTLBO算法成功应用于基于隐马尔可夫模型（HMM）的多序列...     

基于讨论组和自主学习的教与学优化算法*

教与学优化算法(teaching-learning-based optimization, TLBO) 是一种模仿教学过程的新型启发式优化算法。针对TLBO 算法寻优精度低、稳定性差的特点, 提出了基于讨论组和自主学习的教学优化算法DSTLBO(discussion group and self-learning TLBO)。在原TLBO算法的“教”阶段当中加入了小组讨论,随机将全体同学分成若干组,通过组内学生向本组中学习最好的组长学习,提高了算法的局部开发和寻优能力;组长受老师和组内同学影响进行变异,提高了算法的探索能力;在“教”、“学”阶段后,每个学生进入“自我学习”阶段,从而提高了算法的全局搜索能力。通过对8个复杂的Benchmark函数的测试表明：DSTLBO 算法与基本TLBO算法和其经典改进算法ETLBO算法相比,在寻优精度、稳定性和收敛速度方面更具优势。     

一种求解多模态复杂问题的混合和声差分算法

针对多模态复杂优化问题,提出了一种基于和声搜索和差分进化的混合优化算法:HHSDE算法。在不同的进化阶段,HHSDE算法依据累积加权更新成功率来自适应地选择和声算法或差分算法作为更新下一代种群的方式,并改进了差分算法的变异策略来平衡差分算法的全局与局部搜索能力。通过对10个多模态Benchmark函数进行测试,利用Wilcoxon秩和检验对不同算法的计算结果进行比较,结果表明HHSDE算法具有收敛速度快,求解精度高,稳定性好等优势。     

融合头脑风暴思想的教与学优化算法

针对教与学优化（TLBO）算法在求解高维问题时表现出的收敛速度慢、解精度低、易陷入于局部最优的问题,提出了一种融合头脑风暴思想的改进教与学优化算法（ITLBOBSO）。在该算法中设计了一种新的“学”算子,并以其替换TLBO算法中的“学”。该算法在种群的迭代过程中,当前个体首先执行“教”算子。随后,在种群中随机选择两个个体,令其中优秀的个体与当前个体执行头脑风暴式学习,提升当前个体的状态。为了赋予算法早期良好的探索能力和后期对新解的开发能力,在该算子的公式中引入柯西变异和一个与迭代次数关联的随机参数。进行的一系列的仿真实验表明,与TLBO算法相比,所提算法在11个Benchmark函数上的解精度、鲁棒性和收敛速度都有大幅度提升。在2个约束工程优化问题上,ITLBOBSO所求得的耗费成本比TLBO算法降低了4个百分点。由此验证了所提出的机制对克服TLBO弱点的有效性,所提算法适合用来求解较高维度的连续优化问题。     

面向多模态函数优化的回溯克隆选择算法

针对多模态函数优化问题,提出了一种基于回溯机制的改进克隆选择算法--回溯克隆选择算法（BCSA）,采用改进回溯机制和记忆库抗体抑制策略,保持了抗体的多样性,以增强算法的全局搜索能力;通过改进动态变异、选择与交叉操作提高算法收敛速度。典型的多模态函数测试结果表明：回溯克隆选择算法具有优良的全局搜索能力和搜索效率。     

融合头脑风暴思想的教与学优化算法

针对教与学优化（TLBO）算法在求解高维问题时表现出的收敛速度慢、解精度低、易陷入于局部最优的问题，提出了一种融合头脑风暴思想的改进教与学优化算法（ITLBOBSO）。在该算法中设计了一种新的“学”算子，并以其替换TLBO算法中的“学”。该算法在种群的迭代过程中，当前个体首先执行“教”算子。随后，在种群中随机选择两个个体，令其中优秀的个体与当前个体执行头脑风暴式学习，提升当前个体的状态。为了赋予算法早期良好的探索能力和后期对新解的开发能力，在该算子的公式中引入柯西变异和一个与迭代次数关联的随机参数。进行的一系列的仿真实验表明，与TLBO算法相比，所提算法在11个Benchmark函数上的解精度、鲁棒性和收敛速度都有大幅度提升。在2个约束工程优化问题上，ITLBOBSO所求得的耗费成本比TLBO算法降低了4个百分点。由此验证了所提出的机制对克服TLBO弱点的有效性，所提算法适合用来求解较高维度的连续优化问题。     

基于混合策略改进的鲸鱼优化算法

针对原始鲸鱼优化算法（WOA）收敛速度慢、全局搜索能力弱、求解精度低且易陷入局部最优等问题,提出一种混合策略来改进的鲸鱼优化算法（LGWOA）。首先将莱维飞行引入鲸鱼全局搜索的公式中,通过莱维飞行加大全局搜索步长,扩大搜索空间、提高全局搜索能力;其次,在鲸鱼螺旋上升阶段,加入一个自适应权重参数来提高算法的局部搜索能力和求解精度;最后结合遗传算法的交叉变异思想平衡算法的全局搜索和局部搜索能力,维持种群的多样性,规避陷入局部最优。通过对12个基准测试函数从2个角度进行实验对比分析,结果表明,基于混合策略改进的鲸鱼优化算法在收敛速度和求解精度上均有明显提升。     

基于DE 和SA 的Memetic 高维全局优化算法

针对高维复杂多模态优化问题,传统的进化算法存在收敛速度慢,求解精度低等缺点,提出一种面向高维优化问题的Memetic全局优化算法。算法通过全局搜索和局部搜索结合的混合搜索策略,采用多模式并行差分进化算法进行全局搜索,基于高斯分布估计的模拟退火算法进行局部搜索。改进后的Memetic算法不仅继承了差分进化算法能发现全局最优解的优点,而且能大幅度提高搜索效率。最后,通过对4个高维多峰值Benchmark函数进行仿真实验,实验结果表明本文算法有效提高了算法的收敛速度和求解精度。     

基于群体爬山策略的混合粒子群优化算法

针对粒子群优化算法（PSO）在求解高维复杂优化问题时存在搜索精度不高和易陷入局部最优解的缺陷,借鉴混合蛙跳算法（SFLA）的群体爬山思想,提出一种基于群体爬山策略的混合粒子群优化算法（CMCPSO）,并证明了CMCPSO算法的全局收敛性。对四个典型高维连续优化函数的求解表明,该算法不仅保持了PSO算法的快速收敛能力,而且吸收了SFLA算法局部精细搜索和保持种群多样性的优点,具有良好的全局收敛性。     

基于多种群的改进粒子群算法多模态优化

针对多模态函数寻优过程中开发与探索能力难以平衡的问题,提出一种基于多种群的改进粒子群算法（EMSPSO）。该算法在基于种群的粒子群算法（SPSO）的基础上改进了种群生成策略,通过在个体最优值中选择种子,将粒子群分为若干独立进化的种群,增强了算法收敛的稳定性;为了提高粒子的利用率、算法的全局搜索能力和搜索效率,引入冗余粒子重新初始化策略;同时为了防止算法在寻优的过程中遗漏适应度较优的极值点,对速度更新公式进行改进,使算法的开发与探索能力得到了有效的均衡。最后选用6个典型的测试函数进行对比实验,实验结果表明,EMSPSO具有较高的多模态寻优成功率与较优的全局极值搜索性能。     

粒子群优化点匹配算法

点匹配问题一直是计算机视觉,模式识别,医学临床诊断等领域的一项重要基础性工作。本文提出了一种基于粒子群优化算法的准确、快速和鲁棒性的点匹配方法。该方法首先确定两个特征点集的点匹配问题的能量函数,通过最小化该能量函数可以同时得到点集之间的匹配矩阵和映射参数,利用粒子群优化算法求解变换参数。实验表明,该算法适用于点匹配,具有操作方便,可靠性好,不易陷入局部极值等优点。     

Bacterial Foraging Optimization Approach to Portfolio Optimization

In this paper we propose a heuristic approach based on bacterial foraging optimization (BFO) in order to find the efficient frontier associated with the portfolio optimization (PO) problem. The PO model with cardinality and bounding constraints is a mixed quadratic and integer programming problem for which no exact algorithms can solve in an efficient way. Consequently, various heuristic algorithms, such as genetic algorithms and particle swarm optimization, have been proposed in the past. This paper aims to examine the potential of a BFO algorithm in solving the PO problem. BFO is a new swarm intelligence technique that has been successfully applied to several real world problems. Through three operations, chemotaxis, reproduction, and elimination-dispersal, the proposed BFO algorithm can effectively solve a PO problem. The performance of the proposed approach was evaluated in computational tests on five benchmark data sets, and the results were compared to those obtained from existing heuristic algorithms. The proposed BFO algorithm is found to be superior to previous heuristic algorithms in terms of solution quality and time.     

电力系统无功优化中PSO算法的改进研究

针对电力系统无功优化中的PSO算法的特点,采用的信息拓扑结构为环形结构,对PSO算法中的变异算子进行研究.针对环形拓扑结构的PSO算法,其后期收敛精度差是一个常见问题,提出了一种称之为"球面变异"的变异算子,充分利用粒子群迭代后期种群的信息,对变异的方向与速度进行引导,进而建立了变异算子与当代种群适应度之间的关系,明显地提高了算法收敛速度与精度.最后,对陷入局部收敛等问题进行相应的改良,诸如无法达到最优解等问题.使用IEEE14节点系统作为算例进行测试,结果达到优良.     

求解矩形包络问题的量子行为粒子群优化算法

介绍了一种利用量子行为粒子群算法（QPSO）求解矩形包络的方法。矩形包络是将二维不规则形状样片用它们的最佳包络矩形来代替，是服装排料的第一步。实验结果表明量子行为粒子群算法比粒子群算法，遗传算法能更好地解决求二维不规则形状样片的矩形包络的问题。     

用于函数优化的最大引力优化算法

提出一种基于牛顿万有引力定理的函数优化方法──最大引力优化算法。该算法通过“引力分组”和“引力淘汰”过程更新搜索体。文中给出4个引理来描述算法的数学基础,同时也给出算法的收敛性证明。此外还对该算法进行改进。最后与粒子群算法、差分算法、郭涛算法进行比较,数值结果显示该算法在解决连续函数优化问题具有较高的性能。     

基于粒子群优化算法的系统可靠性优化

系统可靠性优化问题是典型的NP难题,建立了可靠性冗余优化模型,采用粒子群优化算法对其进行求解。通过对其它文献中仿真实例的计算和结果对比,表明了算法对求解可靠性优化问题的可行性和有效性。     

改进聚合树的高维多目标降维优化算法

对于高维多目标优化问题,降维优化算法通过去除或融合冗余目标的方法解决算法耗时过多的问题,但同时也会导致算法分布性能下降。聚合树算法定义非参数秩冲突从而可以快速计算出各目标间冲突度,但聚合树算法鲁棒性有待提高,且需要用户自行决策去除冗余目标。针对这些问题,提出数组叠加机制并定义冲突趋势和冲突度误差,以提高算法鲁棒性;通过合并冲突度较低的冗余目标的方法来进行目标降维,并定义降维截止冲突度;与NSGA-III算法结合,以达到对高维多目标问题进行完整降维优化的目的。为检验该算法性能,与其他经典高维算法进行对DTLZ测试函数集的优化对比,实验结果表明,该算法在耗时更少的同时,也具有较为优秀的分布性能和收敛性能。     

电力系统无功优化的柯西粒子群算法

针对传统粒子群算法易陷入局部最优解、收敛速度慢的缺点,提出了柯西粒子群算法,并首次将其应用于电力系统无功优化问题.柯西粒子群算法是基于柯西分布的期望和方差均不存在的原理,对每一代粒子的全局极值进行柯西变异,以此来增加种群的多样性,扩大全局最优粒子的搜索区域,以尽快获得适应度更优的个体,从而可以避免算法陷入局部最优解,同...     

Hierarchical Cluster-Based Multispecies Particle-Swarm Optimization for Fuzzy-System Optimization

This paper proposes a hierarchical cluster-based multispecies particle-swarm optimization (HCMSPSO) algorithm for fuzzy-system optimization. The objective of this paper is to learn Takagi–Sugeno–Kang (TSK) type fuzzy rules with high accuracy. In the HCMSPSO-designed fuzzy system (FS), each rule defines its own fuzzy sets, which implies that the number of fuzzy sets for each input variable is equal to the number of fuzzy rules. A swarm in HCMSPSO is clustered into multiple species at an upper hierarchical level, and each species is further clustered into multiple subspecies at a lower hierarchical level. For an FS consisting of $r$ rules, $r$ species (swarms) are formed in the upper level, where one species optimizes a single fuzzy rule. Initially, there are no species in HCMSPSO. An online cluster-based algorithm is proposed to generate new species (fuzzy rules) automatically. In the lower layer, subspecies within the same species are formed adaptively in each iteration during the particle update. Several simulations are conducted to verify HCMSPSO performance. Comparisons with other neural learning, genetic, and PSO algorithms demonstrate the superiority of HCMSPSO performance.