基于多策略融合灰狼优化算法的特征选择方法

针对基本灰狼优化算法(grey wolf optimizer,GWO)在求解复杂优化问题时存在解精度低、探索与开发能力不平衡、收敛速度慢和易陷入局部最优的缺点,提出一种基于多策略融合的改进灰狼优化算法.首先,设计一种基于正弦函数的非线性过渡参数策略替代原灰狼优化算法中的线性递减策略,以实现算法从勘探到开发的良好过渡;其次,利用个体自身历史最佳位置和决策层个体共同引导群体进行搜索,以加速算法收敛速度和提高寻优精度;然后,在当前最优灰狼个体上引入小孔成像学习策略产生新的候选个体,以降低算法陷入局部最优的概率.选取6个基准测试函数进行数值实验.结果 表明:改进算法在求解精度和收敛速度指标上均优于其他比较算法.最后,将改进算法用于求解特征选择问题,对10个基准数据集的仿真结果表明,改进算法能有效地提高分类精度和选择最优特征.     

基于改进灰狼优化算法的医学数据特征选择应用研究

针对灰狼优化算法收敛速度慢、寻优精度低、易陷入局部最优等缺陷,提出一种基于差分进化(DE)的灰狼优化算法(GWODE).该算法在灰狼优化算法的基础上,引进差分进化机制生成变异种群,通过调节缩放因子和交叉概率因子避免算法陷入局部最优.引入精英保留策略,根据进化后狼群适应度进行排序,淘汰适应度差的灰狼,同时再引进相同数量灰狼确保种群的竞争力.本文将该算法应用于生物医学诊断方面.实验结果表明,本文提出的算法性能优于实验对比的特征选择算法.     

求解全局优化问题的改进灰狼算法

灰狼算法是一种高效的优化技术,但其在一些问题上存在求解精度不高、收敛速度较慢和易于陷入局部最优的缺点。因此,提出了一种改进的灰狼优化算法（MGWO）。该算法引入了3种改进策略：平衡算法全局搜索性和局部开发性的指数规律收敛因子调整策略、提高算法求解精度的自适应位置更新策略和修订动态权重策略。通过两组在10个基准测试函数上的对比实验,验证3种改进策略的有效性。实验结果表明,综合使用3种策略的MGWO_4明显提升了基本灰狼算法（GWO）的性能,而且优于其他文献中的改进灰狼算法和其他数个优化算法。最后,在工程设计问题上的实验结果进一步证明了MGWO高效的寻优能力。     

一种基于差分进化和灰狼算法的混合优化算法

针对差分进化易陷入局部最优和灰狼算法易早熟停滞的缺点,提出了一种基于差分进化(DE)算法和灰狼(GWO)算法的混合优化算法(DEGWO)。该算法利用差分进化的变异、选择算子维持种群的多样性,然后引入灰狼算法与差分进化的交叉、选择算子进行全局搜索。在整个寻优过程中,反复迭代渐进收敛。选取此3个测试函数进行仿真验证,结果表明,混合优化算法相比于DE算法和GWO算法,其求解精度、收敛速度、搜索能力都有了显著提高。     

基于莱维飞行和布朗运动的鲸鱼优化算法

针对鲸鱼优化算法存在的求解精度不高、收敛速度较慢和易陷入局部最优等缺点，设计了一种基于莱维飞行和布朗运动的鲸鱼优化算法.先利用莱维飞行方法对鲸鱼种群进行初始化，以增加初始种群的多样性；再根据布朗运动原理对鲸鱼种群的位置更新进行随机扰动，以避免算法提前陷入局部最优.将改进的鲸鱼优化算法与鲸鱼优化算法、粒子群优化算法、遗传算法和蚁群优化算法在7个不同的基准测试函数上进行对比测试，结果表明，改进的鲸鱼优化算法在求解精度、收敛速度方面均优于其他4种算法.对初始化阶段采用莱维飞行策略的改进鲸鱼优化算法与采用随机搜索策略的鲸鱼优化算法的初始解探索范围进行仿真对比实验，结果表明，改进鲸鱼优化算法一定程度上可以避免陷入局部最优.     

改进收敛因子和变异策略的灰狼优化算法

针对灰狼优化算法(GWO)在求解复杂优化问题时容易出现收敛速度慢和早熟收敛等缺点,提出了一种改进收敛因子和变异策略的新型灰狼优化算法(CMGWO)。为了平衡GWO算法的全局探索能力与局部开发能力,设计了一种基于反余弦函数变化策略的收敛因子;为了进一步提高算法跳出局部最优解的能力,提出了一种新的位置变异策略。仿真实验结果表明,与已有的3种智能优化算法和5种典型改进灰狼优化算法相比,改进算法具有更快的收敛速度和更高的寻优精度,更适用于解决各种函数优化问题。     

嵌入遗传算子的改进灰狼优化算法

针对基本灰狼优化算法(GWO)存在求解精度低、后期收敛速度慢和易陷入局部最优的问题,提出一种基于遗传算子的改进灰狼优化(IGWO)算法用于求解无约束优化问题.该算法首先利用佳点集理论初始化种群,为算法全局搜索多样性奠定基础;然后在决策层以外的群体中随机选取三个个体与决策层个体执行算术交叉操作,引导群体向决策层区域移动以增强算法局部搜索能力和加快算法收敛速度;最后,对决策层个体进行多样性变异操作以避免算法陷入局部最优.采用几个标准测试函数进行仿真实验:当维数较高(D=30或D=50)时,IGWO算法的总体性能上均优于基本GWO算法.实验结果表明IGWO算法在收敛速度和求解精度指标上明显优于对比算法.     

改进的灰狼算法在电动汽车充电调度中的应用

针对灰狼优化算法（grey wolf opotimizer, GWO）易早熟收敛和陷入局部最优的缺点,提出一种基于精英反向学习的混合灰狼算法（grey wolf optimizer based on particle swarm optimizer,PSO-GWO）。首先,利用精英反向学习机制初始化种群,使种群保持多样性;然后提出一种非线性控制因子策略,增加算法的搜索能力,提高算法的收敛速度;最后基于差分进化和粒子群思想更新了位置方程,从而提升算法的收敛性能。采取10个基准测试函数将本文提出的改进的算法与差分进化算法、粒子群算法、传统灰狼算法、其他学者提出的改进灰狼优化算法进行对比。实验结果表明,本文提出的算法与其他算法相比,在求解多峰函数问题上效果显著,可以搜索到最优解0,同时求解最优非0解函数的效果也体现地较优越;同时运用改进的算法在实际电动汽车充电调度上进行了对比分析,发现也取得了不错的效果。     

基于改进灰狼优化算法的区域监测机器人路径规划

为了解决大任务量作业监测中机器人路径规划问题,提出了一种区域监测的机器人路径规划算法。模拟大任务量监测真实环境进行问题建模。针对传统灰狼优化算法求解模型时全局搜索能力差且易陷入局部最优解的问题,提出了一种改进的灰狼优化算法。引入Logistic混沌映射,以加强初始化种群的多样性;引入一种控制参数的自适应调整策略,以平衡灰狼优化算法的搜索能力和开发能力;引入静态加权平均权重策略,更新种群位置,加快收敛速度。将机器人载电量与路径长度短作为约束,引入K-means算法进行任务聚类,通过改进灰狼优化算法对模型进行离线求解以规划出路径,将大任务量监测作业自动转换成分时分步作业。实验结果表明:通过国际通用6个基准函数进行测试,改进的灰狼优化算法在收敛速度、搜索精度及稳定性上均有明显提高。通过50任务点与100任务点作业场景对机器人路径规划模型进行算法仿真,验证了算法的真实有效性,且任务量越大模型优越性越好,路径缩短比例越高。     

求解函数优化和特征选择的改进金豺狼优化算法

针对基本金豺狼优化算法(Golden Jackal Optimization, GJO)在解决高维优化问题时存在计算精度低、开发能力弱、容易陷入局部最优的缺点,提出一种改进GJO算法(I-GJO)。在改进算法中,设计一种基于正弦函数的非线性能量因子替代原随机递减能量因子,以平衡算法在搜索过程中的全局探索和局部开发能力。在算法迭代后期引入翻筋斗学习策略,从而扩大群体搜索范围和改善解的精度。为了验证I-GJO算法的有效性,选取6个基准函数优化问题进行数值实验,并与灰狼优化、海鸥优化算法和基本GJO算法比较。结果表明,I-GJO获得较高的精度和较快的收敛速度。最后利用I-GJO算法求解特征选择问题,对16个基准数据集的数值结果显示,改进算法能有效去除冗余特征和提高分类精度。     

基于改进灰狼算法的自动导航小车控制策略

针对灰狼算法(grey wolf optimizer, GWO)易陷入局部最优、后期收敛速度慢等问题,通过引入改进Tent混沌映射反向学习策略和非线性收敛因子,并加入差分进化的变异、交叉、选择操作,提出一种改进的差分灰狼优化算法(improved differential evolution grey wolf optimizer, IDE-GWO)。将改进算法应用于优化自动导航小车(automated guided vehicle, AGV)的比例积分微分(proportion integration differentiation, PID)控制参数,并与其他几种算法进行对比。Simulink仿真实验结果表明：该改进算法优化PID参数的控制效果明显优于其他智能优化算法,能够有效地提升AGV轨迹跟踪性能,使得AGV实际轨迹能较好拟合目标轨迹。     

局部搜索灰狼优化算法求解武器-目标分配问题

武器—目标分配（Weapon Target Assignment, WTA）问题是根据武器对来袭目标毁伤概率的不同，合理确定待打击目标的武器分配方案，以达到尽可能少的武器对来袭目标毁伤程度最大化的目的，是作战指挥决策领域的重要研究内容。在构建WTA问题模型的基础上，针对传统灰狼优化（Grey Wolf Optimization, GWO）算法局部开发能力不足等问题，采取了一种精英保留及免疫变异局部搜索策略。改进灰狼优化算法（Improved Grey Wolf Optimization, IGWO）首先在灰狼种群中选择部分优质精英个体，然后通过随机点变异和受体编辑两种免疫局部搜索策略对精英个体进一步寻优，从而改善传统GWO算法过早收敛和易陷入局部最优的缺点。针对3种不同规模的武器—目标分配问题，将IGWO与交叉熵算法、传统GWO算法进行了对比，计算结果显示IGWO算法所求适应度值的分位数均明显高于对比算法，进而验证了IGWO算法的有效性。     

基于改进灰狼算法的混合发电系统优化设计

风光柴蓄混合发电系统的容量配置是系统优化设计中重要内容。针对基本灰狼算法在进化后期由于种群多样性的缺失而易于出现局部收敛或算法早熟的问题,提出一种具有全局寻优性能的改进灰狼优化算法(Improved Gray Wolf Optimization, IGWO)降低风光柴蓄混合发电系统的运行成本。引入收敛因子设置非线性调整策略来调节算法的全局探索与局部开发之间的平衡从而提高算法的收敛性;同时为了提高算法的全局寻优能力,通过柯西变异算子减少算法早熟收敛的概率。分析了风光蓄柴混合发电系统各发电单元特性,建立起以年均化系统成本最小化为目标的混合发电系统容量优化配置模型。分析优化结果,该改进灰狼优化算法能够有效对目标函数求解,从而证明了该算法的有效性和实用性。     

基于自适应头狼的灰狼优化算法

灰狼优化算法一种模拟灰狼捕食行为的元启发式优化算法.由于灰狼算法在种群迭代更新中始终靠近最优解,所以易陷入局部最优.提出了一种基于自适应头狼的灰狼优化算法,并在个体迭代更新中选择合适的头狼个数进行个体更新,这使得算法能够平衡开发和勘探能力.通过对20个基准函数优化问题的仿真实验表明,改进后的算法与原始灰狼优化算法相比,其全局搜索能力有显著提高.     

基于改进灰狼算法-BP神经网络的智能巡检机器人电磁兼容故障诊断

智能巡检机器人巡检电力线路时可能受到电磁干扰而影响工作甚至发生故障,为有效地完成智能巡检机器人电磁兼容故障的诊断,本文提出一种基于改进灰狼算法优化BP神经网络(TGWO-BP)的故障诊断模型。由于智能巡检机器人电磁兼容故障征兆与故障原因之间具有复杂的非线性关系,采用一般BP神经网络诊断模型存在着收敛速度较慢,易陷入局部最优,诊断准确率偏低的缺陷。针对以上问题,文中利用改进灰狼算法优化BP神经网络的权值与阈值,将优化后的BP神经网络应用于智能巡检机器人电磁兼容故障诊断。仿真结果表明,相比于GWO-BP神经网络和一般BP神经网络,TGWO-BP神经网络诊断模型收敛速度加快,网络泛化能力增强,故障诊断准确率提高。     

基于CGWO算法的边坡最小安全系数全局寻优方法

针对基本灰狼算法存在初始种群不均匀、早熟收敛等问题,基于混沌理论从三个方面对灰狼优化(grey wolf optimization, GWO)算法进行改进,提出了混沌灰狼优化(chaotic grey wolf optimization,CGWO)算法用于确定边坡的最小安全系数.首先,采用改进Tent混沌映射提高初始种群多样性;其次,通过混沌扰动策略避免算法陷入局部最优;最后,引入参数混沌非线性调节机制均衡算法的全局开发和局部勘探算力.13个基准测试函数的仿真结果表明,改进后的算法与基本GWO,WOA,PSO以及SCA相比具有更强的综合寻优性能.选取ACADS边坡考核题进行计算分析,CGWO算法表现出较高的计算精度和收敛速度,能够有效地搜索到复杂分层边坡的最小安全系数.对比有限元强度折减法,该方法具有操作简易、搜索区域易于设置等优点.