求解约束优化问题的自适应免疫混合蛙跳算法

针对基本混合蛙跳算法存在收敛速度幔和优化精度低等不足,提出了免疫混合蛙跳算法.将免疫算法的信息处理机制插入到基本混合蛙跳算法中,免疫接种算子可以改善算法的搜索能力,以此引导算法的进程.同时通过自适应机制来维持种群的多样性,使得算法在保持开发与探索平衡的同时提高了收敛精度.通过对13个经典约束优化问题测试函数的仿真实验,表明了自适应免疫混合蛙跳算法在约束优化问题上具有很好的性能.     

求解约束优化问题的元胞混洗蛙跳算法及应用

为解决混合蛙跳算法在求解连续函数优化问题中出现的收敛速度慢、求解精度低的问题,提出一种求解约束优化问题的元胞混洗蛙跳算法.算法利用元胞的邻域结构代替基本蛙跳算法的分组方法,进而克服经典混洗蛙跳算法分组的缺点.通过元胞自动机的邻域结构和演化规则降低算法的选择压力和保持种群多样性,利用改进的螺旋进化方式和混沌变异方式平衡局部搜索和全局寻优的关系,进而提高算法寻优速度和寻优精度.经仿真实验将所提算法与5个改进蛙跳算法进行对比可知,无论是典型基准函数优化问题,还是油田措施规划方案求解产出投入比,该算法都能获得很好的求解结果.     

具有全局收敛性的改进萤火虫优化算法

对萤火虫优化(Glowworm swarm optimization,GSO)算法全局收敛性及其改进算法性能进行了研究。分析了GSO全局收敛性,针对其收敛效率低的缺陷,提出了一种基于族群划分的改进GSO算法,借鉴混合蛙跳算法思想,将萤火虫群体进行族群划分,局部搜索及全局信息交换的方式改善了算法性能,通过引入萤火虫移动组元概念,改进了萤火虫更新策略,在此基础上,利用混沌优化技术,对萤火虫群体进行初始化,使得算法获得较高质量的初始解群体,并证明了改进算法以概率1收敛于全局最优,最后,采用经典测试函数进行测试,仿真结果表明,改进的萤火虫优化算法在收敛速度及求解精度上有明显改善。     

非劣解变异蛙跳算法

针对基本蛙跳算法搜索速度和精度不高的缺点,将变异的思路融入基本蛙跳算法,提出了一种非劣解变异蛙跳算法.算法充分利用蛙群的群体信息,对青蛙子族群中的若干非劣解结合自身信息和群体信息进行变异,避免了算法陷入局部最优,并大幅度提高了算法的搜索速度.实验表明,改进后的算法收敛速度以及收敛精度方面都比基本蛙跳算法有了很大程度的提高,同时,该算法与相关文献中的算法进行比较发现,其性能有较大的提高.     

改进蛙跳算法的网格任务调度优化模型

为解决当前调度模型存在的局限性, 以更好完成网格环境下的任务调度目标, 结合网格任务调度的NP(Non-deterministic Polynomial)问题特点, 提出了改进蛙跳算法的网格任务调度优化模型。首先以网格任务完成时间作为调度优化指标, 然后采用蛙跳算法找到最优的网格任务调度方案, 并对蛙跳算法存在不足进行改进,以改善算法工作性能, 最后在网格仿真平台GridSim 上进行性能验证分析。实验结果表明, 改进蛙跳算法可较好完成网格任务调度, 缩短了任务完成的时间, 资源负载更加均衡, 而且性能明显要优于其他算法。     

混合蛙跳融合蚁群算法在群体动画中的应用

针对计算机辅助群体动画路径设计中群体规模大、路径多样性的问题,提出基于混合蛙跳算法和蚁群算法的混合蛙跳融合蚁群的算法模型.该融合算法前期利用混合蛙跳算法建立初始优化解群,后期利用蚁群算法进行精细解搜索,有效地解决了混合蛙跳算法搜索精确解和蚁算法早熟收敛、前期搜索速度慢的问题,进而解决了群体动画中路径复杂多样的问题.最后数值实验结果和仿真算例验证了算法的有效性和鲁棒性.     

一种基于离散蛙跳算法的旅行商问题求解方法

针对旅行商问题,提出了一种新的离散化蛙跳求解算法.新算法借助蛙跳算法优化机理,采用基于城市序列的编码方式和新的个体产生方法扩展了传统蛙跳算法的求解模型,并结合简化邻域搜索算法给出了改进策略.仿真实验表明了所提算法及策略的有效性.     

改进混合蛙跳算法的研究

针对传统混合蛙跳算法(SFLA)在优化过程中出现的求解精度不高、收敛速度慢、算法易陷入局部最优的问题,本文经过改变种群个体的位置更新公式,提出一种改进混合蛙跳算法(ISFLA)。在种群个体位置更新公式中,引入自适应同步因子和惯性权重系数。通过引入自适应同步因子,控制青蛙寻优过程中的移动步长,改进算法的局部搜索范围,保持种群的多样性。通过引入惯性权重系数,加入上一次的移动距离,表示对过去的经验记忆,加快搜索速度。通过对6个测试函数的实验结果表明,改进后的混合蛙跳算法相较于传统混合蛙跳算法具有较好的寻优性能。     

差分头脑风暴算法及其在频谱感知中的应用

为了有效求解连续优化问题,基于差分进化算法和头脑风暴优化算法的智能演进原理,提出一种新的全局搜索算法,即差分头脑风暴算法。通过4个经典的基准函数对该算法进行测试,并将该算法应用于频谱感知这个认知无线电领域的热点问题,提出基于差分头脑风暴的协作式频谱感知算法。使用差分头脑风暴算法、头脑风暴算法、混合蛙跳算法以及粒子群算法进行仿真对比。仿真结果表明,所提出的算法基于设计的创新方程,具有很强的全局收敛能力,能够显著改进头脑风暴算法的性能;基于差分头脑风暴的频谱感知检测概率比其他算法都高,且收敛速度比头脑风暴算法提高至少3倍。     

基于自适应蛙跳算法的入侵检测特征选择

针对目前蛙跳算法应用到入侵检测特征选择时均存在容易陷入局部最优、迭代后期收敛速度慢等问题,提出一种基于自适应蛙跳算法的特征选择方法。该方法采用自适应的变异策略,通过层次分析法自适应调整各影响参数权重以及建立模糊判断矩阵选择调整参数概率来改进蛙跳算法。实验结果表明:改进的算法显著提高了收敛性能,具有很强的自适应能力,不但能对不同类型攻击进行检测,并且对不同类型攻击具有较好的均衡性;在保证检测率较高的同时也具有较低的误报率。     

基于改进蛙跳算法测量圆度误差

针对传统圆度误差评定方法容易陷入局部最优而影响测量精度的问题,提出一种基于改进蛙跳算法的圆度误差评定方法.首先分析了最小区域圆法、最小二乘圆法、最大内接圆法和最小外接圆法这四种圆度误差评定方法的基本原理,并分别建立了非线性优化的数学模型然后介绍了蛙跳算法的基本思想,引入邻域搜索操作提出了一种改进的蛙跳算法,并给出了利用该算法求解圆度误差问题的具体步骤.最后为了验证新算法的有效性,进行了仿真实验,实验结果表明本文算法可以有效、正确地评价圆度误差.这也为圆度误差评定问题的研究提供一种新的途径和手段.     

一种基于复合惯性权值的粒子群优化算法

在研究神经网络优化的问题上,粒子群优化算法被广泛应用.针对基本粒子群优化算法收敛速度慢和易陷入局部最优等问题,提出了一种改进的粒子群优化算法.该算法除了采用线性惯性权值和进化速度-聚集度动态惯性权值相结合的方式来调整其权值,还将一种新颖的收缩因子引入到算法中.通过对4种典型测试函数进行仿真测试,实验结果表明新算法在收敛速度、收敛精度、改善优化性能上完全优于基本的粒子群优化算法,有效避免了基本群优化算法的缺陷.     

一种基于元胞自动机的混洗蛙跳优化算法

基于元胞自动机理论提出一种改进混洗蛙跳算法. 该算法将元胞自动机嵌入到混洗蛙跳算法中改进分组策略, 应用云模型和混沌理论改进个体更新方式, 利用演化规则模拟生物进化的动态特征. 对6个基准函数进行测试的实验结果表明, 该算法具有较好的收敛精度和计算速度, 适用于多峰值函数寻优.     

基于重建策略的云工作流调度算法优化

为了进一步提高算法性能,提出一种改进的蛙跳算法,并与调度方案相结合,以期为云工作流资源分配提供最优调度.通过在蛙跳算法的局部搜索中加入重建策略,提高了数据随机性,有效避免了局部最优.研究了调度方案生成算法,与改进算法相结合得到接近最优的调度.利用Java模拟器进行仿真试验,并与粒子群优化算法和传统蛙跳算法作比较.实验证明,提出的方法可以在满足最长截止时间约束的情况下,使总执行成本最小化.     

一种新的自适应步长果蝇优化算法

针对基本果蝇优化算法(FOA)易陷入局部最优、寻优精度低和后期收敛速度慢的问题,提出了一种自适应步长果蝇优化算法(ASFOA).该算法在运行过程中根据上一代最优味道浓度判断值和当前迭代次数来自适应调整进化移动步长,使算法在初期的步长大而避免种群个体陷入局部最优,到后期果蝇移动的步长变小而获得更高的收敛精度解,并加快收敛速度.通过6个标准测试函数对改进算法进行仿真测试,结果表明ASFOA算法具有更好的全局搜索能力,其收敛精度、收敛速度均比FOA算法及参考文献中其他改进果蝇优化算法有较大的提高.     

基于信息交互的改进鸡群优化算法

针对鸡群优化(chicken swarm optimization,CSO)算法易陷入局部最优、收敛速度慢以及高维和超高维问题求解困难等缺点,提出了一种基于信息交互的改进鸡群优化(information sharing chicken swarm optimization,ISCSO)算法。通过引入信息交互和边界变异策略,增强子群的信息交互能力和种群的多样性,从而提高算法的收敛能力和寻优能力。通过对6个基本测试函数进行数值仿真,实验结果表明:改进后的算法ISCSO相比于CSO具有更好的寻优精度,与其他改进算法相比具有更好的高维寻优能力和收敛性能。     

基于改进遗传算法的PID参数整定

为了克服基本遗传算法收敛速度和寻优效果的不足,提出一种改进交叉和选择操作的遗传算法,并把它应用于PID控制器参数的优化中。仿真试验结果表明,该算法PID参数整定效果优于基本遗传算法,不仅解决了遗传算法存在的缺陷,而且提高了寻优精度和快速收敛性能。     

基于改进混合蛙跳算法的软测量建模方法

针对混合蛙跳算法的寻优机制在寻优过程中易陷入局部最优和收敛效果不理想的问题,该文提出一种改进的混合蛙跳算法。该算法在更新群中最差个体时同步更新最优个体。更新最差个体步长时引入上一次的移动步长并赋予动态权值。改进算法舍弃了原算法中用随机值代替最差值的做法,引入高斯变异算子对最差个体进行高斯变异,使种群进化更趋合理。将改进的混合蛙跳算法运用到模糊C均值聚类算法的聚类中心优化中,得到最优的聚类中心。利用该聚类中心对样本进行模糊C均值聚类,并用高斯过程回归对各类样本子集分别建立对应的子模型,通过加权得到系统输出。以双酚A生产过程结晶单元为例进行仿真,对装置出口处的苯酚浓度进行软测量建模,获得了较好的实验结果。     

一种改进的差分进化算法

针对基本差分进化算法收敛速度较慢的问题,将粒子群优化算法中的社会学习部分引入到差分进化算法中,提出一种改进的差分进化算法。该算法通过小概率随机变异操作增加种群的多样性和全局搜索能力;变异向量和个体向群体最优个体学习的结果进行交叉操作,利用最优个体指导进化过程,加快了算法的收敛速度,提高了优化精度。仿真实验结果表明,该算法具有更好的优化性能。     

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。