双核因素蝙蝠算法

提出了一种基于蝙蝠算法的新型仿生优化算法——双核因素蝙蝠算法(DCFBA).通过改变蝙蝠算法中的速度更新公式,可有效提高寻优效率.为了验证DCFBA的性能,在9个测试函数上使用标准蝙蝠算法(BA)、粒子群算法(PSO)和DCFBA进行了实验.结果表明:DCFBA在算法的有效性、优越性和稳定性上都优于BA和PSO算法.     

基于Fuch映射的混沌蝙蝠算法

为了改善基本蝙蝠算法(bat-inspired algorithm,BA)的求解性能,提高其搜索效率,避免其搜索过程陷入局部最优,利用Fuch映射对基本蝙蝠算法的局部最优解的邻域和蝙蝠的频率变化区间进行混沌遍历搜索,提出了一种新型混合蝙蝠算法——Fuch混沌蝙蝠算法(FCBA).仿真计算结果表明:与BA相比,FCBA具有较好的收敛性能,能够较快地收敛于测试算例的全局最优解.     

基于遗传扰动机制的改进蝙蝠优化算法

针对蝙蝠算法现存的缺点,如收敛速度慢、优化精确度低、早熟,提出一种基于遗传扰动机制的改进蝙蝠算法(GDBA).该优化算法引入了遗传竞争机制,通过比较与全局最优解的差异,随时调整遗传算法的交叉率和变异率,使得种群具有遗传性和多样性,解决了蝙蝠算法早熟的问题,同时加快了收敛速度,提高了优化精度.采用基准测试函数进行仿真验证,实验结果表明:与蝙蝠算法(BA)和基于速度权重扰动机制的改进蝙蝠算法(WDBA)相比,该算法(GDBA)具有更好的收敛速度和搜索精度,加强了寻找全局最优解的能力.     

蝙蝠算法的一种改进

为了保持蝙蝠算法快速搜索能力,并提高算法寻优精度和搜索能力,分析蝙蝠算法适应度值方差与搜索过程中影响蝙蝠音量和脉冲发生率变化的参数的关系,为了维持解的多样性,动态调整蝙蝠算法搜索过程中影响蝙蝠音量和脉冲发生率变化的参数,并对适应度值进行扰动,提出了一种基于方差改进的蝙蝠算法(The improved Bat Algorithm based on the Variance,VBA),并通过7个标准测试函数分别对BA和VBA进行测试,结果表明,VBA的寻优性能优于BA.     

花朵授粉算法及其在断路器优化设计中的应用

为了解决花朵授粉算法(flower pollination algorithm,FPA)在寻优过程中容易陷入局部最优解、后期收敛速度慢等问题,提出一种结合鲶鱼效应和均匀变异算子的改进FPA算法.首先,引入鲶鱼效应可以来避免算法陷入局部最优解;其次,加入均匀变异算子使其后期收敛速度加快,并通过经典测试函数验证改进的FPA算法性能优于其他算法;最后,将改进的FPA算法应用到断路器优化设计中,对两种不同类型的万能式断路器的能耗模型进行优化仿真,并计算出对应的断路器参数.结果 表明,采用改进的FPA算法设计的断路器参数更加合理,能耗值更低,可以有效提高能耗参数的设计精度和设计效率.     

应用小生境混沌搜索策略的花朵授粉算法

针对花朵授粉算法（FPA,flower pollination algorithm）存在的全局收敛能力不足、寻优精度低、易早熟等局限,提出一种应用小生境混沌搜索策略的花朵授粉算法（NCFPA,flower pollination algorithm with niche chaotic search strategy）。为增加算法搜索的广度,使用小生境技术保持种群的多样性,提升了算法的全局优化能力;引入逻辑自映射函数产生的混沌序列对精英个体进行局部优化,增强算法的搜索精度;通过经典测试函数对算法性能进行测试。测试结果表明,与花朵授粉算法、差分进化（DE,differential evolution）和蝙蝠算法（BA,bat algorithm）相比,NCFPA表现出较优的全局寻优能力和搜索精度。     

具有协同寻优的蝙蝠萤火虫混合优化算法

萤火虫算法存在着对于初始解分布的依赖性、后期收敛速度慢、易于停滞、早熟和求解精度低等缺陷。本研究在萤火虫算法引入蝙蝠种群在全局最优附近进行更加详细的局部搜索,以协助萤火虫种群进行寻优;并在寻优过程中加强蝙蝠种群与萤火虫种群的信息交互,协调寻优;最后对全局最优个体进行高斯扰动以增加种群的多样性,从而避免种群陷入局部最优解。通过使用6个常见的基准测试函数对该算法进行测试,并与其他3种算法(标准粒子群算法、蝙蝠算法、萤火虫算法)进行对比实验,结果表明该混合算法的总体性能优于其他3种算法。引入蝙蝠种群对萤火虫性能有较大提升,改善切实有效。     

一种融合粒子群算法的蝙蝠优化算法

针对基本蝙蝠算法(BA)在寻优后期存在搜索性能差,寻优精度低,处理误差大,易陷入局部最优及早熟等缺陷,提出一种融合粒子群算法进行局部搜索的蝙蝠优化算法。该算法在局部搜索中,嵌入粒子群算法生成备选最优蝙蝠,并与基本蝙蝠算法生成的随机蝙蝠进行再竞争的方式优化种群,丰富了种群的多样性,提高了算法的全局搜索能力和局部搜索能力。Matlab环境下的仿真结果表明,改进后算法(PSOBA)在收敛速度及精度上均有明显提高,处理维度更高,是解决复杂函数优化问题的一种有效方法。     

改进花朵授粉算法

智能系统试图模拟人类专家来解决复杂的现实问题。问题的领域从工程、工业到医学、教育都各不相同。在大多数情况下,系统需要根据多个输入进行决策,但是搜索空间通常很大,因此很难使用传统的算法进行决策;元启发式算法可以用作寻找最优解的一种工具。因此,改进元启发式技术和现有算法是必要的。本文介绍了一种改进的花朵授粉算法(FPA)。将标准的FPA与克隆选择算法(CSA)结合,应用到23个优化基准函数上,并对其进行测试。将改进算法与五种著名的优化算法(模拟退火、遗传算法、花授粉算法、蝙蝠算法和萤火虫算法)进行比较。实验结果表明,相比标准FPA和其他四种方法,改进花朵授粉算法能够找到更精确的解。     

基于遗传算法的蝙蝠优化算法研究

针对基本蝙蝠算法后期收敛速度不够快、早熟、寻优精度不高、容易出现局部最优问题等情况,提出与遗传算法相结合的优化蝙蝠算法(GABA)。该优化算法嵌入了竞争机制以及遗传算法,利用遗传算法具有的全局搜索性能,让种群进化时具有更丰富的多样性,在解决算法早熟问题的同时,提高了局部广度搜索性能,避免产生局部最优问题。Matlab环境下的仿真实验结果表明:与基本BA算法对比,改进后算法(GABA)在收敛速度及精度上均有明显提高,特别在高维函数上的搜索能力更为明显,可针对工程应用过程中出现的高维多极值复杂函数进行优化。     

快速差分进化算法

提出一种快速差分进化(FDE)算法.该算法采用根据上一代最优个体确定下一代搜索区间的技术不断更新和缩小搜索区域,从而加快收敛速率,提高收敛精度和鲁棒性.通过对21个极值函数仿真试验分析表明,该算法在问题维数多时,极值函数的收敛速率、收敛鲁棒性和收敛精度明显优于其他算法,且种群初始化形式不影响算法的收敛性能.     

求解广义分配问题的拉格朗日蝙蝠算法

基于广义分配问题(GAP)自身的特点,将拉格朗日松弛算法(LR)和蝙蝠算法(BA)相结合,提出了一种高效的拉格朗日蝙蝠算法(LR-DBA)。首先,基于GAP的数学模型,在BA算法的基本框架上,重新定义了蝙蝠速度、位置以及局部更新公式,得出全新的求解GAP的离散蝙蝠算法(DBA)。其次,将其与LR相结合,设计出求解GAP的LR-DBA算法。最后,经过大量算例测试表明,对比DBA算法,LR-DBA混合算法在求解GAP时具有明显优势。     

全局混沌蝙蝠优化算法

为提高蝙蝠算法进行特征选择的正确率,提出全局混沌蝙蝠优化算法(GCBA).首先,GCBA采用混沌映射方法使种群的初始化能够遍历整个解空间,获取蝙蝠初始的最优位置,使其具有更加丰富的种群,解决了初始化种群随机性的问题.同时,GCBA引入当前粒子的最优解和当前种群的最优解跳出局部最优解,可有效避免算法早熟,有利于提高算法的全局搜索能力.蝙蝠算法(BA)、粒子群算法(PSO)与遗传算法(GA)在10个数据集上的测试结果表明,所提算法具有更高的分类精度和更强的跳出局部最优的能力.     

引入PSO加速因子和个体认知的改进蝙蝠算法

针对蝙蝠算法后期收敛速度慢,易陷入早熟收敛,求解精度低的缺点,提出一种引入粒子群算法中的个体认知与加速因子的改进方法。该方法增加了蝙蝠的个体历史飞行经验,提高了个体自主性,以避免群体经验过度影响带来的进化能力丧失;利用加速因子对速度的控制,增加蝙蝠的可飞行范围,提高搜索能力,加快收敛速度。最后选取标准测试函数对设置不同加速因子的改进算法进行仿真验证,并与基本蝙蝠算法进行对比,结果显示改进后的算法在收敛速度和求解精度上有进一步提高。     

基于蝙蝠算法的支持向量机参数优化

目的针对支持向量机(support vector machine,SVM)的参数选择的重要性,研究一种新的参数优化方法。方法介于蝙蝠算法的模型简单、全局搜索能力强等特点。本文提出基于蝙蝠算法(BA)的SVM参数优化方法,对SVM的惩罚参数和核参数进行优化。结果通过8个UCI标准数据库集的Matlab仿真实验,验证了算法的有效性和可靠性。结论本文方法搜索的最优参数较大地提高了SVM的分类精度,加强了SVM的学习和泛化能力,是一种有效及稳定的支持向量机参数优化方法。     

一种基于鲶鱼效应和新型搜索机制的混沌蝙蝠算法

针对蝙蝠算法(BA)收敛速度慢、易早熟、寻优精度差的缺点,该文提出一种基于鲶鱼效应和新型搜索机制的改进的混沌蝙蝠算法。首先采用均匀性更好的Tent混沌序列产生初始种群,以增强初始种群多样性。设计了新型频度和速度更新函数,以更好地调节种群的聚集速度,提高全局搜索能力,缓解局部最优现象。将混沌扰动思想引入蝙蝠算法,提出一种新的局部搜索机制和变步长搜索策略,以提高局部搜索的效率和精度。设计了基于混沌鲶鱼效应的种群激活机制,增强了蝙蝠群体跳出局部最优和加速收敛的能力。典型函数的对比测试结果证明了该算法的有效性。     

基于同步扰动随机逼近的混合萤火虫算法

针对标准萤火虫算法(FA)中存在的种群过早收敛、容易陷入局部最优等不足,提出一种以memetic算法为框架、将同步扰动随机逼近和萤火虫算法相结合的混合算法(FA-SPSA),即首先使用萤火虫算法对种群进行全局寻优,然后使用同步扰动随机逼近算法对选出的部分最优个体进行局部搜索,从而增强萤火虫算法跳出局部最优解的能力。通过6个标准测试函数对FA-SPSA算法的性能进行检验,并与标准萤火虫算法、果蝇算法、改进的果蝇算法等其他4种算法进行比较,结果表明,FA-SPSA算法在寻优精度、收敛速度、鲁棒性等方面的性能总体上优于对比算法。     

引入粒子群算法加速因子和个体认知的改进蝙蝠算法

针对蝙蝠算法后期收敛速度慢、易陷入早熟收敛、求解精度低的缺点,提出一种引入粒子群算法中的个体认知与加速因子的改进方法。该方法增加了蝙蝠的个体历史飞行经验,提高了个体自主性,以避免群体经验过度影响带来的进化能力丧失。利用加速因子对速度的控制,增加蝙蝠的可飞行范围,提高搜索能力,加快收敛速度。最后选取标准测试函数对设置不同加速因子的改进算法进行仿真验证,并与基本蝙蝠算法进行对比,结果显示改进后的算法在收敛速度和求解精度上有进一步提高。     

基于自适应调整权重和搜索策略的鲸鱼优化算法

针对鲸鱼优化算法(WOA)收敛速度慢、收敛精度低、易陷入局部最优的问题,提出一种基于自适应调整权重和搜索策略的鲸鱼优化算法(AWOA).设计一种随着鲸鱼种群变化情况而自适应调整权重的方法,提高了算法的收敛速度; 设计一种自适应调整搜索策略,提高了算法跳出局部最优的能力.利用23个标准测试函数,分别针对高维和低维问题进行测试,仿真结果表明,AWOA在收敛精度和收敛速度方面总体上明显优于其他多种改进的鲸鱼优化算法.     

一种改进的变步长自适应蝙蝠算法及其应用

提出一种变步长自适应BA算法，该算法在一定程度上可以避免算法过早陷入局部最优，且步长随迭代次数的增加而自适应地调整，从而使算法在后期获得精度更高的解；运用6个标准测试函数进行实验，结果表明，与BA算法相比，该算法的收敛速度及精度均有明显提高．