一种改进的自适应差分进化算法

为了提高基本差分进化算法的寻优速度和寻优效能,提出了一种改进的自适应差分进化算法(ADE).在基本差分进化算法中引入了自适应变异算子,根据每个个体与最优个体适应度值的相互关系,自动地调节变异算子值,使之在进化初期较大,随着个体逐渐接近最优值,算子值逐渐变小,确保个体向最优值快速、稳定地逼近.在每一代变异、交叉和竞争之后,又增加了与随机新种群的竞争操作,使算法易于跳出局部最优点,以提高全局搜索能力.采用4个经典的测试函数对算法进行验证,结果显示:该算法的收敛速度与收敛精度在一定程度上优于基本差分进化算法,同时也优于基于代数进行自适应变异的差分进化算法.     

一种自适应混合纵向多变异粒子群算法

为克服标准粒子群算法搜索后期收敛速度慢、容易陷入局部最优的缺点,通过引进自适应惯性权重因子平衡标准粒子群优化算法的全局搜索和局部改良能力,同时设计了均匀分布变异和高斯分布变异相结合的粒子群混合纵向多变异策略,来提高算法摆脱局部极值和局部寻优的能力.根据提出的改进算法流程,针对公认的Sphere,Rastrigin,Griewank和Salomon四种标准测试函数进行了收敛精度和收敛速度的测试.测试结果表明,在标准粒子群、自适应权重粒子群、自适应变异粒子群和自适应混合多变异粒子群4种算法中,提出的新算法具有最好的全局最优值搜索能力和最稳定的全局收敛特性,且在提高收敛速度的同时,有效地避免了早熟收敛问题.     

基于改进樽海鞘群算法的提梁机主梁轻量化设计方法

针对樽海鞘群算法在优化过程中存在收敛速度慢、求解精度低、易于陷入局部最优解等缺点，提出了基于柯西和高斯混合变异的一种自适应变异策略的樽海鞘群算法，该算法通过选出适应度值最好的前S个个体进行自适应变异，可避免算法陷入局部最优解.通过柯西和高斯变异动态调整参数的变化提高算法的局部搜索能力和收敛速度.选取10个测试函数分别对樽海鞘群算法及改进樽海鞘群算法进行测试比较.数值分析表明，改进的樽海鞘群算法收敛速度快，寻优能力强且精度高.将改进后的算法用于提梁机主梁结构的优化设计中，该结构在满足强度、刚度、稳定性等设计要求条件下，主梁的截面积减少了13.58%,轻量化效果显著，表明该算法具有良好的工程应用价值.     

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.     

基于逐维改进的自适应步长布谷鸟搜索算法

步长的选取对于布谷鸟搜索算法的收敛速度与运算结果的精度起着关键作用。提出了一种基于逐维改进的自适应步长布谷鸟搜索算法。首先,在原始自适应步长布谷鸟搜索算法中,当上一代鸟窝位置为最优位置时,步长不再更新,则简单修正原有的步长让其更新;其次,将逐维更新评价策略引入修正后的自适应步长布谷鸟搜索算法。实验结果表明,该算法不仅平衡了全局寻优能力和寻优精度之间的矛盾而且具有较好的收敛速度。     

模糊变异算子的改进鸽群优化算法

针对鸽群优化算法易于早熟收敛、陷入局部最优的问题,提出了一种改进的鸽群优化算法.改进算法基于鸽群优化算法中地图和指南针算子与地标算子的位置更新公式,受差分进化算法的启发,引入模糊交叉变异算子,构建修改的个体位置更新公式来增强算法的搜索能力.与其他3种算法在19个测试函数上进行比较,比较结果表明:改进算法在测试函数上寻优...     

基于扰动的自适应粒子群优化算法

【目的】针对标准粒子群优化算法在应用中暴露出的缺点,如在迭代后期收敛速度慢、搜索精度不高、容易陷入局部最优等,提出一种基于扰动的自适应粒子群优化算法。【方法】该算法将扰动因子加入速度更新公式中,使种群搜索范围扩大;采用自适应的惯性权重,以起到平衡全局和局部寻优能力的作用;对最优粒子进行自适应的柯西变异,拓展最优粒子的搜索空间,降低粒子陷入局部最优的可能性;最后对算法进行仿真实验。【结果】新算法能够增强全局搜索能力,有效避免局部最优,具有更快的收敛速度。【结论】新算法克服了标准粒子群优化算法的缺点,为进一步研究粒子群优化算法的改进和应用提供科学依据。     

蚁群优化算法在发电机励磁控制中的应用研究

针对现有发电机励磁控制器参数优化中存在的寻优时间长、易陷入局部最优的问题,提出了一种引入杂交及变异算子的蚁群算法。该算法利用蚁群算法良好的全局寻优能力,避免搜索陷入局部最优,同时借鉴遗传算法的思想,利用杂交及变异算子来进行局部寻优,使其能快速搜索到全局最优点。MATLAB仿真结果表明,该算法可行且有效。     

基于随机替换和混合变异的蜻蜓算法

针对基本蜻蜓算法(dragonfly algorithm, DA)容易陷入局部最优、收敛速度慢及寻优精度低等缺陷,提出了基于随机替换和混合变异的蜻蜓算法(dragonfly algorithm based on random substitution and hybrid mutation, DASM)。首先,利用混沌映射提升初始解的质量;其次,引入中心点随机替换策略,从而提高算法收敛速度;最后,通过对种群个体进行变异操作,从而跳出局部最优,提高算法收敛精度。仿真实验结果表明,提出的改进算法相比基本蜻蜓算法和部分改进算法,有较好的寻优性能。     

带有自适应变异和指数递增交叉算子的差分进化算法

针对基本差分进化算法的缺陷,融入指数递增交叉算子以增加算法的收敛速度.当算法陷入早熟后,对最优个体和随机选取的个体采用随机扰动的变异策略,帮助其跳出局部极值.数值仿真实验表明,该算法的收敛速度和精度都明显优于仅带有指数递增交叉算子的差分进化算法和仅带有随机扰动变异策略的差分进化算法.     

一种改进遗传算法

针对遗传算法(Genetic Algorithm,GA)存在的未成熟收敛现象,本文提出一种改进的遗传算法(IGA),该算法采用双变异算子,即正交变异和多位点变异两种变异算子联合作用,提高了算法的全局寻优能力。仿真实验表明,对遗传算法的改进是有效的,改进后的算法与标准遗传算法相比具有更高的全局收敛性,并在一定程度上克服了未成熟收敛。     

基于布谷鸟算法的给水管网调压阀优化设计

针对城市给水管网漏损日益严重的问题,采用压力管理的策略,通过在管网中安装调压阀降低管网压力,从而达到减少管网真实漏损的目的.利用一个新的优化算法布谷鸟算法,建立管网调压阀优化模型,确定调压阀的数量、最优安装位置以及最优操作方式,并在算例管网中与遗传算法进行对比测试.结果显示:布谷鸟算法由于其调节参数少,随机搜索路径优,在调压阀优化设计中显示了更优秀的优化能力,显示了强大的算法应用可扩展性,使得对真实管网通过最优化算法来确定最佳阀门控制策略成为可能.     

融合正弦余弦算法的蝴蝶优化算法

针对蝴蝶优化算法存在收敛速度慢、求解精度差和易陷入局部最优等缺陷,提出一种融合正弦余弦算法的蝴蝶优化算法。首先在蝴蝶自身认知部分引入非线性自适应因子,其次重新定义香味浓度计算公式,最后在局部搜索阶段引入改进的正弦余弦算法。通过19个基准函数的测试,实验结果表明,本算法在收敛速度、寻优精度和鲁棒性方面均优于蝴蝶优化算法(Butterfly Optimization Algorithm,BOA)、正弦余弦算法(Sine Cosine Algorithm,SCA)、樽海鞘群算法(Salp Swarm Algorithm,SSA)、狼群算法(Grey Wolf Optimizer,GWO)和布谷鸟搜索算法(Cuckoo Search Algorithm,CS),与其他改进蝴蝶优化算法相比,在寻优精度方面也具有一定优势。     

具有差分进化算子的社会蜘蛛群优化算法

[目的]社会蜘蛛群优化算法 (SSO) 是一种新颖的元启发式优化算法,自从它被提出之后就受到该领域学者的广泛关注,并且也被成功应用到许多领域.但是由于社会蜘蛛群优化算法还处在算法的研究初期,该算法的收敛速度与收敛精度还需要进一步提高.[方法]将差分进化算子引入到社会蜘蛛群优化算法(SSO-DM)中,并将改进的算法应用于函数优化问题中,通过5个标准测试函数来验证基于差分进化算子的社会蜘蛛群优化算法(SSO-DM)的优化性能.[结果]差分进化算子增强了社会蜘蛛群优化算法的收敛速度与收敛精度.[结论]本研究中所提出的算法能够获得精确解,并且它也具有较快的收敛速度和较高的算法稳定性.     

基于智能优化算法的供水管网漏水点定位

针对城市供水管网的爆管事故,基于管网水力学模型和管网水压监测点的监测信息,利用3种智能优化算法——杜鹃算法、遗传算法和粒子群算法,建立了爆管定位模型,并在2个算例管网中进行了测试.2个算例管网的运行结果显示,杜鹃算法由于其调节参数少,快速搜寻能力强,在爆管定位的智能优化算法中显示了更优秀的定位能力,在小规模算例管网中可以实现对爆管点的定位,在较大规模的算例管网中也可以实现90%以上的定位寻优效果,显示了强大的算法应用可扩展性.     

Job-shop调度问题的离散布谷鸟搜索算法求解

在布谷鸟搜索算法的基础上,提出了一种基于升序排列的离散布谷鸟搜索算法(DCS),使用该算法求解Job-shop的经典LA问题.仿真数据显示,该算法在收敛速度、精度和稳定性方面都明显优于粒子群优化算法和萤火虫优化算法,显示出DCS算法的可行性和有效性.     

Sequencing of Mixed Model Assembly Lines Based on Improved Shuffled Frog Leaping Algorithm

Shuffled frog leaping algorithm( SFLA) was used to solve multi-objective sequencing problem of mixed model assembly line( MMAL). Local convergence can be avoided and optimal solution can be obtained to a certain extent. However,the multi-objective sequencing problem of MMAL is an non-deterministic polynomial hard( NP-hard) problem and the shortcomings are slow convergence rate and low precision. To solve the shortcomings for optimization objectives of minimizing total utility time and keeping average consumption rate of parts, a chaos differential evolution SFLA( CDESFLA) is proposed in this study. Because SFLA is easy to fall into local optimum,the evolution operator of differential evolution algorithms is introduced in SFLA as a local search strategy,and differential mutation operator is introduced in chaotic sequence to prevent premature convergence. The examples show that the proposed CDESFLA is better for convergence accuracy than SFLA,genetic algorithm( GA) and particle swarm optimization( PSO)     

具有遗传特性的粒子群优化算法及在非线性盲分离中的应用

粒子群优化算法是一种新的基于群智能的随机优化进化算法.文章将变异和交叉思想引入到粒子群优化算法中,其基本思想是利用粒子群优化算法每次迭代的最优粒子位置及速度为基础对部分粒子进行变异,然后对变异前后粒子的分量进行随机交叉操作,从而产生新一代粒子群.通过这种处理使得粒子群体的进化速度加快,从而提高了算法的收敛速度和精度.该算法应用于盲信号分离中而获得一种非线性盲信号分离算法.计算机仿真结果表明该算法的收敛性能优于粒子群优化算法,并且在非线性盲信号分离中是有效的.     

基于改进粒子群算法的优化策略

为提高传统粒子群算法的搜索速度和搜索精度,提出了一种改进的自适应粒子群优化算法.将正则变化函数和慢变函数引入传统位置更新和速度更新公式当中,形成两种新的更新机制:搜索算子和开发算子.在算法运行的初始阶段,种群中大部分个体将按照搜索算子进行更新,搜索算子将有助于种群遍历整个解空间;随着迭代次数的增加,按照搜索算子进行更新的个体将逐渐减少,而按照开发算子进行更新的个体将逐渐增多,开发算子将有效地克服陷入局部最优解的问题.通过典型测试函数的仿真实验,新算法在加快收敛速度同时,提高了算法的全局搜索能力.