基于离散人工蜂群算法的认知无线电频谱分配

针对二进制粒子群优化算法在认知无线电频谱分配中容易陷入局部最优等问题,将人工蜂群算法引入到认知无线电频谱分配中,提出了基于离散人工蜂群算法的认知无线电频谱分配方法。针对一种认知无线电网络模型,将离散人工蜂群算法中的蜜源位置离散化,与模型中的可用频谱矩阵相结合产生分配矩阵,对目标函数进行优化,并且使用了一种新的比例公平性目标函数评价该算法的性能;通过仿真比较了本文算法与二进制粒子群优化算法的频谱分配方法的性能,同时在使用电视频段的认知无线电系统进行了验证,结果表明本文算法的高效性和优越性。     

双尺度变异离散粒子群算法求解背包问题

针对传统离散粒子群算法求解背包问题早熟收敛、精度低等缺点提出一种解决背包问题的双尺度变异离散粒子群算法.利用对当前最优解进行双尺度速度变异,可以实现提高算法局部最优解搜索能力的同时,保持算法的全局搜索能力和逃出局部极值的能力.在算法初期利用粗尺度速度变异可使粒子快速定位到最优解区域,算法后期则通过逐渐减小的细尺度变异可提高算法最优解的精度.粒子位置初始化过程中,把采用贫心策略所得的结果作为一个粒子的初始位置.将改进算法与其他算法比较证明该算法不仅能够有效解决其他算法搜索能力差的问题,同时还提高了最优解的精度和收敛速度.     

基于改进局部搜索遗传算法的目标分配决策

为满足舰载武器目标分配需求,对传统的局部搜索遗传算法进行了改进,并用其求解目标分配问题的最优解。构造了适合于目标分配问题的染色体;设计了搜索性能较好且能够保留优秀基因的交叉操作方法;将局部搜索机制引入标准遗传算法,提高了目标分配算法的收敛速度;把模拟退火算法引入局部搜索问题,在一定程度上避免了局部最优问题;将贪婪算法应用于局部搜索提高了最优分配方案的搜索效率。仿真计算表明,改进局部搜索遗传算法的目标分配性能优于已有算法。     

函数优化的量子蝙蝠算法

基于量子进化算法和蝙蝠算法,提出一种新型优化算法——量子蝙蝠算法。该算法采用量子位对蝙蝠的位置进行编码,用量子旋转门实现对蝙蝠最优位置的搜索,用量子非门实现蝙蝠的变异以避免早熟收敛。通过对典型复杂函数的实验和与其他算法的比较,结果表明,该算法能够有效避免局部最优,全局寻优能力强。     

具有广泛学习策略的回溯搜索优化算法

回溯搜索优化算法(backtracking search optimization algorithm, BSA)是一种新型的进化算法。同其他进化算法类似,该算法仍存在收敛速度较慢的缺点。针对这一问题,在详细分析该算法原理的基础上,提出了具有广泛学习策略的改进算法。为了充分利用种群搜索到的较优位置,该策略首先利用提出的最优学习进化方程,通过与引入的随机进化方程之间随机选择来提高算法的收敛速度和搜索精度;另一方面,该策略利用提出的最优学习搜索方程,通过控制种群的搜索方向,促使种群尽快收敛至全局最优解。最后对20个复杂测试函数进行了仿真实验,并与其他3种目前流行的算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。     

复合最优模型微粒群优化算法研究及应用

针对微粒群算法全局最优(Gbest)模型收敛速度快、局部搜索能力强、鲁棒性差,局部最优(Lbest)模型全局搜索能力强、鲁棒性好、收敛速度慢的特点,提出了一种结合全局最优和局部最优两基本模型特点的复合最优模型微粒群优化算法。用4个Benchmarks函数进行了测试,实验结果表明,与微粒群算法的两种基本模型相比,该复合模型算法能有效提高算法的收敛速度及全局搜索能力。最后将算法应用于一个非线性系统模型的辨识,辨识结果验证了该算法的有效性。     

具有混沌搜索策略的蝙蝠优化算法及性能仿真

蝙蝠算法是受自然界中的蝙蝠通过回声定位进行搜寻、捕食行为的启发演变而来的一种新颖的仿生群智能优化算法.在分析基本算法仿生原理和局限性的基础上,提出一种改进蝙蝠局部搜索能力的优化算法,通过逻辑自映射函数产生混沌序列,引入到蝙蝠算法中对精英个体进行混沌优化,同时动态收缩搜索空间以加快收敛速度.改进算法有效结合了基本蝙蝠算法的全局优化能力和混沌算法的局部搜索能力,对经典函数的仿真测试表明,改进算法显著提高了优化性能,在寻优精度和全局收敛能力方面优于基本蝙蝠算法,是解决工程应用中复杂函数优化问题的一种有效方法.     

改进的人工免疫算法求解武器-目标分配问题

为提高武器-目标分配（weapon-target assignment, WTA）模型求解的实时性与精确度,针对人工免疫算法（artificial immune algorithm, AIA）提出了一系列改进措施。在采用自适应锦标赛选择算子的基础上,引入“(1+λ)-选择”全局更新技术以提高算法的全局寻优能力,引入Memetic局部更新技术以提高算法的局部搜索能力,采用最优抗体抑制机制减小了AIA陷入局部最优的危险。仿真实验结果显示,改进的人工免疫算法（improved AIA, IAIA）具有较快的收敛速度及较高的收敛精度,满足WTA问题解算需求。     

求解大规模优化问题的改进鲸鱼优化算法

提出一种基于非线性收敛因子的改进鲸鱼优化算法(简记为IWOA)用于求解大规模复杂优化问题.为算法全局搜索奠定基础,在搜索空间中利用对立学习策略进行初始化鲸鱼个体位置;设计一种随进化迭代次数非线性变化的收敛因子更新公式以协调WOA算法的探索和开发能力;对当前最优鲸鱼个体执行多样性变异操作以减少算法陷入局部最优的概率.选取15个大规模(200维、500维和1000维)标准测试函数进行数值实验,结果表明,IWOA在求解精度和收敛速度方面明显优于其他对比算法.     

装备保障任务分配建模与DLS-BCIWBA算法求解

针对以时效优先为目标的装备精确保障协同任务分配问题,设计考虑保障单元能力更新机制,提出基于动态列表规划 (dynamic list scheduling,DLS)和二进制混沌入侵杂草蝙蝠算法 (binary chaotic invasive weed bat algorithm,BCIWBA)的混合任务分配方法,通过DLS选择所需执行的任务,设计BCIWBA为选定任务分配保障单元。BCIWBA利用蝙蝠算法的全局寻优能力和迭代初期快速收敛性进行全局搜索,然后选取部分最优个体融合入侵杂草生长繁殖、空间扩散和竞争生存机制进行局部搜索,并通过学习因子和惯性权重的自适应协同更新以平衡探索和开发能力,结合脉冲频率、响度和发生率变化区间的混沌搜索避免早熟收敛。仿真算例表明,所提方法可对时序逻辑任务分配问题进行快速高效求解。     

一种量子磷虾群融合算法及其应用

针对磷虾群算法和量子进化算法的缺陷，提出了一种量子磷虾群融合算法(quantum krill herd fusion algorithm， QKH)。该算法通过采用双链实数编码量子磷虾位置，加快收敛速度，避免量子观测的随机性和复杂性；通过利用动态调整的量子磷虾群旋转门更新磷虾位置，提升收敛精度，提高量子旋转相位的确定效率；通过改进的量子全干扰交叉策略，避免算法陷入局部最优，提升优化效率。通过经典测试函数验证了所提算法的优势。建立了QKH-BPNN空调负荷预测模型，仿真结果表明：该模型具有更好的准确性和稳定性。     

末段反TBM火力目标匹配优化及APSO求解算法

末段反导作战火力任务分配建模是一个复杂的不确定多约束问题建模,首先建立了末段双层反战术弹道导弹火力〖CD*2〗目标匹配模型,其次对传统粒子群优化算法（particle swarm optimization,PSO）进行改进给出了一种吸引子PSO（attractor PSO,APSO）,APSO引入吸引子,在保持群体多样性的基础上,将粒子聚集在最优值附近,增加相应区域的粒子密度。其中,为了方便问题求解,将火力目标匹配优化任务进行分解,转化成多个子时间段,再用APSO对多个子时间段进行求解。仿真实例表明,APSO有更加优良的收敛精度尤其是收敛速度,满足了反TBM作战火力任务分配的高时效性要求。     

使用高斯分布估计策略的改进樽海鞘群算法

针对樽海鞘群算法在求解复杂优化问题时存在种群多样性减弱、易于陷入局部最优等不足, 提出了一种使用高斯分布估计策略的改进樽海鞘群算法(salp swarm algorithm using elite pool strategy and Gaussian distribution estimation strategy, GDESSA)。首先提出一种精英池选择策略, 领导者位置在每次更新时随机从精英池中选择一个个体作为食物源, 增强领导者的探索能力, 丰富种群多样性。其次利用高斯分布估计策略对追随者公式进行改进, 通过拟合优势群体信息, 修正种群进化方向, 增强算法的寻优能力。使用CEC2017测试函数对改进算法进行测试, 并通过统计分析、收敛性分析、稳定性分析、Wilcoxon检验、Friedman检验、Iman-Davenport检验评估改进算法性能。仿真结果表明: 本文提出的改进策略能有效提高算法性能; 提出的改进算法相比其他算法, 具有更快的收敛速度和更好的收敛精度。     

基于蜂群算法的坦克阵地部署与火力分配模型

为了解决坦克分队进攻战斗中的兵力部署和火力协同问题, 提出坦克阵地部署模型和坦克火力分配模型, 前者解决坦克分队从集结区域到作战区域的兵力分配问题, 后者解决坦克接敌后的火力协同问题。针对坦克作战中的对抗特性, 建立确定型火力对抗模型, 在火力分配模型中体现敌我动态对抗过程。为了求取坦克阵地部署和火力分配最优方案, 采取双层迭代策略, 底层迭代求解火力分配模型, 上层迭代调用底层迭代的结果, 寻优坦克阵地部署最优方案。算法方面, 基于模型的具体特点和先验知识, 对人工蜂群(artifitial bee colony, ABC)算法进行有针对性的设计, 提高了算法的收敛速度和收敛精度。仿真实验说明了本文对人工蜂群算法设计的有效性和双层迭代寻优策略的合理性。     

基于MAPSO算法的小波神经网络训练方法研究

为提高小波神经网络(Wavelet Neural Network,WNN)的建模质量,针对标准粒子群(Particle Swarm Optimization,PSO)算法优化WNN存在的早熟和局部收敛问题,提出一种基于多粒子信息共享(Multi-particle information share)和自适应惯性权重(Adaptive inertia weight)策略的PSO方法(MAPSO)用于WNN训练。多粒子信息共享采用多粒子信息来修正各粒子下一次的行动策略,以降低粒子陷入局部最优的可能性;惯性权重自适应调整根据群体早熟收敛程度,按个体适应度自适应调整惯性权重,以使陷入局部最优粒子跳出。同时,给出了算法实现的基本流程。仿真结果表明MAPSO算法既具有PSO算法的简捷性,又能够提高WNN学习速度和精度及全局搜索能力,是小波网络的有效训练方法。     

结合局部理想点搜索的多目标粒子群算法

提出了一种结合约束二次逼近优化(bound optimization by quadratic approximation,BOBYQA)搜索算法的理想点法对非支配解进行局部优化的混合多目标粒子群方法(local search with multiobjective particle swarm optimization, LSMOPSO),以提高多目标粒子群算法的收敛性能和非支配解集的精度与多样性。LSMOPSO算法使用拥挤距离选择领导粒子组成领导粒子集,并对其进行理想点局部搜索;分析比较了全局理想点和局部理想点对算法性能的影响,提出基于局部理想点的局部搜索策略;在粒子的设计空间的多个维度上引入均匀变异操作,降低算法陷入局部最优的可能。基本测试函数的求解结果表明,算法的收敛速度很快,而且搜索到的非支配解集的精度高、多样性好。     

基于IBPSO的编队协同对地攻击目标分配算法

针对编队协同对地攻击目标分配问题特点,对二进制粒子群算法应用于编队协同对地攻击目标分配的若干问题进行研究。首先,通过战斗机毁伤目标收益和攻击目标代价建立了目标分配问题的评估标准。然后,在引入了一系列操作符的基础上,对二进制粒子群算法的速度和位置更新计算公式进行了改进,并利用改进的二进制粒子群算法完成了编队协同对地攻击目标分配。仿真结果表明,改进的二进制粒子群算法比遗传算法具有更强的全局寻优能力、更快的收敛速度。     

基于动态分级策略的改进正余弦算法

针对正余弦算法存在易陷入局部最优、求解精度不高、收敛速度较慢等问题, 提出一种基于动态分级策略的改进正余弦算法。首先, 引入拉丁超立方抽样法, 将搜索空间均匀划分, 使初始种群覆盖整个搜索空间, 以保持初始种群的多样性。其次, 采用动态分级策略, 根据适应度值的排序情况, 将种群动态划分为好中差3个等级, 并应用破坏策略与精英引导方法对其进行扰动, 以提高算法的收敛精度, 增强跳出局部最优的能力。最后, 引入反向学习方法, 设计了动态反向学习全局搜索策略, 以提高算法的收敛速度，同时对改进算法在复杂度、收敛性和稳定性方面进行性能测试, 选取15个标准测试函数在低维和高维状态下进行仿真实验分析, 并与粒子群算法、回溯搜索算法和其他改进正余弦算法进行比较。仿真分析结果表明, 所提算法有效地提高了算法的收敛性和稳定性。     

改进萤火虫算法及其收敛性分析

萤火虫算法因具有结构简单、控制参数少、易于实现的特点而得到广泛的关注和应用, 但其易陷入局部最优导致过早收敛, 从而影响寻优精度。针对这一问题, 本文在位置更新规则中加入随机扰动因子, 并剔除了冗余的随机项, 以提高算法搜索能力; 引入位置置换变异和差分进化算法中的最优变异策略, 在保持种群多样性的同时, 增强算法跳出局部最优的能力。采用马尔可夫过程证明了算法以概率1收敛到全局最优。利用基准函数和装箱问题对算法进行仿真测试, 结果表明, 改进后的算法能够有效跳出局部最优, 对给出的所有问题均能找到理论最优解, 寻优精度和成功率有明显提升。