一种社会网络搜索免疫优化算法

基于社会网络所表现出的强大的信息搜索和传播能力,提出了一种新颖的免疫优化算法--社会网络搜索免疫优化算法．该算法将优化问题的求解看作是信息的传递过程,利用经典社会网络搜索模型即Kleinberg网络模型的建模方法来构造免疫算法的寻优进化过程．通过网络的结构增长机制,分别由短程连接算子和长程连接算子来引入抗体种群中的新个体．当搜索进行到一定程度时,自适应地调整长程连接搜索概率,避免算法陷入局部极值,能够最终找到目标的最优解．短程连接算子和长程连接算子的引入充分利用了抗体种群的结构信息,加快了种群收敛速度,同时降低了算法陷入局部极值点的概率．通过对复杂函数优化问题的测试、理论分析及实验结果表明,与粒子群算法、克隆选择算法等已有算法相比,新算法可以更好地保持解的多样性,收敛速度快,求解精度高,鲁棒性强．     

基于偏好粒子群算法的移动机器人路径规划

针对粒子群算法收敛速度快,但易陷入局部最优的问题,提出一种基于偏好粒子群算法的移动机器人路径规划方法.在对障碍物环境建模的基础上,根据避障偏好利用粒子群优化算法规划出全局最优路径.为避免搜索过程中算法陷入局部最优,采用深度优先搜索策略,保持了种群的多样性,提高了算法的搜索能力.实验结果表明:该方法能够有效地避开障碍物,并且获得较好的路径规划效果.     

约束优化问题的免疫混沌算法

结合免疫算法极强的全局搜索能力以及混沌优化方法适合局部搜索的特点，提出了一种新的免疫混沌算法.从一组可行解出发，采用免疫算法通过克隆选择、克隆扩增、高频变异和审查形成记忆细胞，并将其作为全局近似最优解，然后采用混沌优化方法按照混沌运动规律在近似最优解的邻域内进行局部搜索并审查，从而获得全局精确最优解.审查过程包含了对约束条件的处理，即对新产生的候选解进行审查，保留满足约束条件的可行解.利用该算法对几个经典约束优化问题进行了仿真测试，与以往方法相比获得了更优的结果，表明该算法是一种解决约束优化问题的有效方法.     

一种基于优胜劣汰的多粒子群替代优化算法的设计

微粒群算法是一种新颖的优化算法,已成功应用于许多优化问题,但该算法容易陷入局部极值.针对这种缺陷,提出了一种基于优胜劣汰的多粒子群替代算法,该算法先通过多个种群彼此独立地搜索解空间,增强全局搜索能力;各种群每次进化完成后,核心种群中的最差微粒与其他种群的最好微粒互相替代.通过对3种常用测试函数进行测试和比较,结果表明该算法比标准微粒群算法具有更低的平均最好适应值,可快速收敛到全局最优解,优化效率明显提高.     

全局最优位置变异粒子群优化算法

针对粒子群优化算法的早熟收敛,容易陷入局部最优且搜索精度不高等缺点,在现有的粒子群优化算法的基础上对其进行了若干改进,提出了避免微粒群陷入局部最优的全局最优位置变异的粒子群算法,并与其他算法做了比较,体现了其优越性.     

多模态函数优化的免疫算法

模拟抗体搜索机制,结合免疫网络理论,提出一种新的优化算法.该算法用抗体表示函数优化解的可能模式,通过构造克隆选择算子完成全局和局部最优解的搜索,利用B细胞网络保持多种抗体并存.典型函数优化测试结果表明,该算法能够较好地实现全局最优解和局部最优解的同步搜索和保持,具有较强的多模态函数优化能力.     

禁忌粒子群算法

针对基本粒子群算法容易陷入局部最优的缺点,将禁忌搜索算法中的禁忌思想与粒子群算法结合,提出了一种新的粒子群算法——禁忌粒子群算法（TPSO）。该算法将粒子群算法找到的当前最优值禁忌一段时间后再释放,以此避免算法陷入局部最优,即使算法暂时陷入局部最优,该算法跳出局优的能力也很强。实验表明,TPSO在收敛速度以及收敛精度方面都比基本粒子群算法有了很大程度的提高,特别对于多极值问题搜索效果非常好,可以很好的解决算法陷入局部最优的问题。     

基于不同进化模型的双群交换微粒群优化算法

针对标准微粒群优化算法(PSO)在全局优化过程中容易陷入局部极值的问题,分析了标准微粒群优化算法早熟收敛的原因,提出了一种新的基于不同进化模型的双群交换技术的改进微粒群优化算法.该方法将微粒分成两个大小相同的分群,其中第一分群采用标准PSO模型进化,第二分群采用cognition only模型进化.两个分群每选代一次后,将第一分群的适应值最差的微粒与第二分群的适应值最优的微粒进行交换,以提高种群的多样性,改善算法的收敛性.与其它双群算法相比,该算法概念简单,程序实现容易.与标准微粒群优化算法相比.全局寻优能力更强,函数测试结果表明,提出的双群交换微粒群优化算法的收敛性能明显优于标准PSO算法.     

一种引入随机摄动操作的新型复合粒子群优化算法

针对传统粒子群优化算法不能根据实际问题自行选择参数,搜索后期容易陷入局部最优的缺点,提出了一种基于随机摄动的复合粒子群优化算法．该算法在利用简单遗传算法优选粒子群三个参数的基础上,根据粒子种群间的相互独立性,引入随机摄动操作,提高了解的精确度和算法的搜索效率,同时通过对种群中的最差粒子重新进行初始化来保持种群的多样性,以避免陷入局部最优解．     

一种改进的群搜索优化算法

群搜索优化算法是建立在群居动物觅食行为基础上的新型启发式算法,具有算法简单、易于实现的特点.标准群搜索优化算法(GSO)基于发现-追随的寻优策略,由于追随者搜索模式过于单一,从而容易陷入局部最优.为了提高标准GSO算法的收敛速度与收敛精度,提出一种改进群搜索优化算法(IGSO).在该算法中,发现者保持原有的寻优方式,追随者执行鱼群算法的寻优模式,通过引入鱼群算法的觅食、追尾、聚群与随机行为,使搜索方式多样化,可以同时考虑种群的个体最优与群体最优,从而有效避免陷入局部最优.通过6个基准测试函数对两种算法进行比较,实验结果表明,改进的群搜索优化算法优于标准群搜索优化算法.