具有Levy飞行特征的双子群果蝇优化算法

针对果蝇优化算法(FOA)易陷入局部最优和收敛精度不高等缺点,在果蝇算法中引入Levy飞行策略,提出了具有Levy飞行特征的双子群果蝇优化算法(LFOA).在迭代寻优过程中,根据果蝇种群的进化程度动态地将果蝇种群划分为以当代最差个体为中心的较差子群和以当代最优个体为中心的较优子群;较差子群在最优个体指导下进行全局搜索,较优子群则围绕最优个体做Levy飞行进行局部搜索,这样既平衡了种群的全局和局部搜索能力,同时又可以利用Levy飞行偶尔的长跳跃来跳出局部最优;两个子群的信息通过最优个体的改变和子群的重组进行交换.对6个典型测试函数的仿真实验表明,LFOA具有全局收敛的能力,相比FOA具有更好的收敛精度、收敛速度和收敛可靠性.     

双目标流水线调度的动态双子群离散果蝇算法

提出了一种基于动态双子群的离散果蝇优化算法,求解以最大完工时间和机床空闲时间的最小化为目标的无等待流水线调度问题。与传统的果蝇算法不同,该算法采用基于工序的编码方式,并用改进的NEH方法进行初始化,提高初始解的质量;根据算法在进化过程中个体的进化水平,动态地将整个群体划分为先进子群和后进子群,简单但有效地插入方法在先进个体邻域内进化精细搜索,贪婪迭代进化机制用于优化后进个体,以此平衡算法的全局开发能力和局部搜索能力;为了提高算法效率,快速算法用于计算函数目标值和判断更新非支配解。仿真试验表明了所提果蝇算法的有效性和高效性。     

局部深度搜索的混合果蝇优化算法

针对基本果蝇优化算法(FOA)局部深度搜索能力较差且易陷入局部最优的缺点,提出了局部深度搜索的混合果蝇优化算法(SFOALDS)。通过借鉴混合蛙跳算法(SFLA)的更新策略,循环进行局部深度搜索操作,使得SFOALDS既保持了FOA较快的收敛速度,又增强了FOA局部深度搜索能力,有效避免了基本FOA易陷入局部最优的缺点,提高了进化后期算法的收敛速度和精度。仿真实验结果表明,SFOALDS比基本FOA和SFLA有较强的全局寻优性能,并且在高维函数上的优势更加明显。     

动态双子群拟梯度蝙蝠算法

针对基本蝙蝠算法存在的易陷入局部最优、后期收敛速度慢等问题,提出动态双子群拟梯度蝙蝠算法。该算法利用蝙蝠脉冲发射频率将蝙蝠种群动态地划分为自由搜索种群和局部搜索种群两个子群,在局部搜索子群中利用拟梯度方向指导蝙蝠搜索。为了验证算法的有效性,通过对4个基准函数的实验测试,实验结果表明,该算法相对于基本蝙蝠算法具有较好的全局搜索能力和优化精度。     

采用动态双子群策略改进的灰狼算法及其在心电信号识别中的应用

针对基本灰狼优化算法(GWO)易陷入局部最优的缺点,将双子群策略引入灰狼算法,提出一种采用动态双子群策略改进的灰狼算法(DDGWO).该算法动态的将灰狼种群划分为较优子群和较差子群,较优子群与较差子群采用不同的非线性收敛因子,在进行全局搜索时,能够有效避免陷入局部最优.本文将DDGWO应用于SVM参数优化,并建立DDGWO-SVM模型进行心电信号识别实验,并与其他算法进行性能测试对比.结果表明,DDGWO具有更好的寻优特性,所建立的DDGWO-SVM模型获得了更高的心电分类识别精度.     

混合改进搜索策略的鸡群优化算法

针对鸡群算法易陷入局部最优和出现早熟收敛的情况,提出一种混合改进搜索策略的鸡群优化算法。该算法通过种内和种间竞争,确定子群规模及等级次序,子群角色通过竞争繁殖进行动态更新。种群进化寻优中引入全局最优引导策略和动态惯性策略,个体的寻食学习通过动态惯性策略进行自我调整,并同时接受子群与种群中的最优个体引导,以平衡局部搜索和全局搜索之间的关系。仿真实验结果表明,与基本鸡群算法和粒子群算法等相比,改进后的鸡群算法能有效提高算法的收敛精度和收敛速度。     

改进步长与策略的果蝇优化算法

针对基本果蝇优化算法（FOA）容易陷入局部最优、收敛速度慢和寻优精度不高的缺点,提出了改进步长与策略的果蝇优化算法（CSSFOA）。在一定范围内随机选取历史最优值作为步长变化依据,动态改变果蝇群体的搜寻半径,有效权衡了算法的全局与局部搜索能力;为了避免陷入局部最优,在果蝇群体趋于稳定时选取一定数量的果蝇个体执行变异操作。仿真实验结果表明,提出的改进算法在收敛速度和寻优精度上较基本FOA及其几种改进算法有更好的寻优性能。     

自适应混沌果蝇优化算法

本文针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点,融入混沌算法对果蝇优化算法的进化机制进行优化,提出自适应混沌果蝇优化算法(ACFOA)。在算法处于收敛状态时,应用混沌算法进行全局寻优,从而跳出局部极值而继续优化。对几种经典测试函数的仿真结果表明,ACFOA算法具有更好的全局搜索能力,在收敛速度、收敛可靠性及收敛精度上均比基本FOA算法有较大的提高。     

协同进化混合蛙跳算法

针对基本混合蛙跳算法收敛速度慢、求解精度低且易陷入局部最优的问题,提出了一种新的协同进化混合蛙跳算法。该算法在局部搜索策略中,对子群内最差个体的更新引入平均值的同时充分利用最优个体的优秀基因,可有效扩大搜索空间,增加种群的多样性;同时对子群内少量的较差青蛙采取交互学习策略向邻近子群的最优个体交流学习,增加子群间交互的频繁性,提高信息共享程度,有利于进化。在全局迭代过程中采取精英群自学习进化机制,以对精英空间进行精细搜索,获得更优解,进一步提升算法的全局寻优能力,正确导向算法的进化。实验结果表明,所提算法在七个测试函数中均能收敛到最优解0,成功率为100%,优于其他对比算法。所提算法可有效避免陷入早熟收敛,极大地提高了算法的收敛速度和优化精度。     

自适应变异的果蝇优化算法

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点, 提出自适应变异的果蝇优化算法(FOAAM)。该算法在运行过程中根据群体适应度方差和当前最优解的大小判断算法陷入局部最优时, 首先将最优果蝇个体复制M个; 然后对复制的最优果蝇个体进行扰动, 按一定的概率P执行高斯变异操作; 最后对变异后的最优果蝇个体进行二次寻优, 从而跳出局部极值而继续优化。对几种经典测试函数的仿真结果表明, FOAAM算法具有更好的全局搜索能力, 在收敛速度、收敛可靠性及收敛精度上均比基本FOA算法有较大的提高。     

动态调整搜索策略的果蝇优化算法

针对标准果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）收敛速度慢、容易陷入局部最优及寻优精度低等缺陷,提出了一种动态调整搜索策略的果蝇优化算法（Fruit Fly Optimization Algorithm with Dynamic Adjustment of Search Strategy,FOAASS）。利用混沌映射增强种群初始位置的均匀性和随机性;根据种群进化信息动态调整部分果蝇的搜索策略;通过转换概率随机选取搜索半径并对其进行动态调整;当算法陷入早熟时,改变搜索策略以跳出局部最优。仿真实验结果表明,提出的改进算法相比标准果蝇优化算法和部分改进算法,有较好的寻优精度和收敛速度。     

基于模拟退火的果蝇优化算法

针对果蝇算法（FOA）寻优精度不高且易陷入局部最优的缺陷,提出了一种基于模拟退火思想的果蝇优化算法（SA-FOA）。所提算法对解的接收机制和寻优步长进行了改进：以广义的Gibbs分布产生的概率为接收概率,解的接收满足Metropolis准则;参考非均匀变异的思想,使步长随迭代次数的增加逐渐减小。通过对几种典型测试函数的仿真表明,改进算法具有较强的全局搜索能力,同时寻优精度和收敛速度比果蝇算法也有较大的提高。因此,可以用改进算法对神经网络和服务调度问题的参数进行优化。     

基于适应性动态步长的变异果蝇优化算法

针对基本果蝇优化算法（FOA）容易陷入局部最优值、后期收敛速度变慢和收敛精度较低的缺点,提出了一种基于适应性动态步长的变异果蝇优化算法（MFOAADS）。首先,利用佳点集法选取种群初始位置,降低算法初始点选取的随机性和陷入局部最优值的概率;然后,采用适应性动态步长优化策略,提高收敛速度和求解精度;最后,若算法陷入了早熟,则对种群最优个体按一定概率执行柯西变异扰动,赋予其跳出局部最优的能力。经5个经典函数测试表明,固定迭代次数时MFOAADS的收敛精度与收敛速度明显优于FOA;固定目标精度时,MFOAADS相对于FOA平均迭代次数有着大幅下降且成功率达97%以上。实验结果表明,所提算法求解精度、运行效率以及可靠性相对于基本FOA算法都有着显著提高。     

自适应调整参数的果蝇优化算法

针对基本果蝇优化算法因参数选取不当而导致的收敛精度偏低且不稳定的问题,提出了自适应调整参数的果蝇优化算法（FOA with Adaptive Parameter,FOAAP）。该算法在每个进化代输入描述种群整体特征的精确数值,由逆向云发生器算法得到当代云模型的3个数字特征[C(Ext,Ent,Het)],按照[U]条件隶属云发生器自适应调整果蝇个体搜寻食物的方向与距离[Value]这一参数。将该算法在函数优化中,与基本果蝇优化算法以及相关文献中算法进行仿真对比,结果表明,新算法在收敛速度、收敛可靠性及收敛精度方面具有明显优势。     

参数修正与收敛策略融合的果蝇优化算法

传统的果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）容易陷入局部最优,而且传统果蝇个体味道浓度判定值S是非负数,不能解决最优解是负数的优化问题。针对以上问题,多重改进策略被应用到果蝇优化算法中。为了解决味道浓度判定值不能是负数的问题,对味道浓度公式进行了修正;为了避免高维函数维间互扰问题,迭代优化的过程中对果蝇个体在最优值附近寻优采取逐维扰动的方法;为了避免陷入局部最优,迭代过程中加入了收敛判断因子,如果多次迭代没有改善,说明陷入了局部最优。此时,一部分果蝇个体继续在最优解附近寻优,另外一部分个体在解空间混沌扰动寻找全局最优解。收敛判断因子阈值的取值会影响优化的速度和精度,通过实验确定了收敛判断阈值。通过对测试函数结果验证表明,改进的果蝇算法比FOA算法具有更高的搜索精度和更快的收敛速度。     

OMP信号稀疏分解的改进ACFOA实现

稀疏分解能用少数原子表示原始信号,但运算复杂是阻碍其实际应用的一个重要原因。果蝇优化算法（FOA）能有效地提高稀疏分解中原子的搜索效率,但其易于陷入局部最优。自适应混沌果蝇优化算法（ACFOA）能够针对局部最优进行混沌操作,提高全局寻优性能。正交匹配追踪（OMP）通过对已选原子的正交化,能够增加稀疏分解的收敛速度,但计算复杂度却有所增加。因此,利用智能算法的并行性,将ACFOA应用于OMP,并对其味道浓度判定值和混沌映射函数进行改进,以降低整个算法的复杂度,提升最优原子的搜索性能。实验结果表明,相比于其他几种算法,改进的ACFOA-OMP算法重建信号均方误差是最佳的。