基于灰狼-鸟群算法的特征权重优化方法

针对特征权重难以准确量化的问题，提出一种基于灰狼优化(grey wolf optimizer, GWO)算法和鸟群算法(bird swarm algorithm, BSA)的混合算法，用于特征权重的寻优。首先，将Chebyshev映射、反向学习与精英策略用于混合算法的初始种群生成；其次，将改进后的GWO算法位置更新策略融入BSA的觅食行为中，得到一种新的局部搜索策略；然后，将BSA的警觉行为与飞行行为用作混合算法的全局搜索平衡策略，从而得到一种收敛的灰狼-鸟群算法(grey wolf and bird swarm algorithm, GWBSA),通过GWBSA的迭代寻优可获得各特征的权重值。利用标准测试函数和标准分类数据集进行了对比实验，与遗传算法、蚁狮算法等方法相比，GWBSA具有较快的收敛速度且不易陷入局部最优，可以提高模式分类问题的求解质量。     

基于Levy飞行策略的自适应改进鸟群算法

针对新型生物启发式群智能算法—鸟群算法(BSA)因进化初期种群多样性不足,以及认知和群体行为调节参数的改变而导致在优化小部分多极值函数时种群收敛精度变差、收敛迭代次数偏大甚至出现早熟收敛、陷入局部最优的问题,提出了Levy自适应改进鸟群算法(LSABSA).该算法采用Levy飞行策略的随机游走模式来增加种群多样性和跳出局部最优值,并通过(0,1)随机均匀分布自适应改进惯性权重以及线性调整认知和社会系数来平衡BSA算法的全局和局部搜索能力,进而提高求解精度.最后采用10个典型测试函数对LSABSA算法以及粒子群算法(PSO)、改进粒子群算法(GPSO)和鸟群算法(BSA)进行仿真实验和分析对比,表明了LSABSA算法的收敛速度、精确度和稳定性均优于其他算法.     

一种改进的粒子群与人工蜂群融合算法

针对标准的粒子群算法和人工蜂群算法收敛性能差、在复杂优化问题易陷入局部最优的缺点,提出了一种改进的融合算法.改进融合算法拥有双种群并行进化,其中粒子群采用改进的反向学习策略,以增加群体的多样性;蜂群中跟随蜂根据个体停滞次数,自适应地改变进化策略,以平衡全局探索与局部开发能力.同时算法将交替共享两个种群的全局最优位置,通过相互引导使融合算法具有更好的寻优能力.8个经典函数和CEC2013的8个复合函数的实验结果表明,与最新的一些改进粒子群和人工蜂群算法相比,该算法的收敛速度和收敛精度均有较显著的优势.     

Tent混沌和变邻域局部搜索优化的GSA

针对引力搜索算法存在的易陷入局部最优、精度有待提高等问题,提出一种Tent混沌和变邻域局部搜索优化的引力搜索算法。首先改进Tent混沌,利用其遍历均匀性、随机性初始化种群,增强算法的全局搜索能力;然后改进粒子速度和引力系数公式,加快算法的收敛速度;最后设计一种基于莱维飞行的变邻域局部搜索策略,引导种群脱离局部最优,提高寻优精度。仿真结果显示,新算法能有效地抑制局部最优,相较其他测试算法有更好的寻优精度和稳定性。利用新算法优化径向基函数神经网络,对非线性系统的辨识结果证明,改进后的径向基函数神经网络比标准径向基函数神经网络和反向传播神经网络具备更好的模型逼近能力和泛化水平。     

一种改进的灰狼优化算法

为了克服标准灰狼优化(GWO)算法寻优精度不高,难以在收敛速度和避免陷入局部最优之间取得平衡等问题,提出了一种改进的灰狼优化(IGWO)算法.该算法采用非线性收敛因子策略和自适应调整策略来提高寻优精度和加快收敛速度.选取10个基准函数对IGWO算法进行验证表明,IGWO算法的优化精度和收敛速度显著优于标准GWO算法和其他元启发式算法,因此本文提出的IGWO算法在求解最优参数方面具有良好的应用价值.     

基于惯性权重和学习因子动态调整的粒子群算法

针对传统的粒子群算法易发生早熟收 敛、在寻优过程中易陷入局部最优等问题,提出了一种基于惯性权重和学习因子动态调整的粒子群算法,该算法通过改进惯性权重和学习因子参数以优化算法。随着算法的不断迭代,其惯性权重以及学习因子随着迭代次数的增加而动态优化,从而平衡其局部寻优能力与全局搜索能力。实验结果表明,改进后的算法在收敛速度以及收敛精度上比传统粒子群算法更优,能改善早熟收敛问题。     

一种改进的群搜索优化算法

群搜索优化算法是建立在群居动物觅食行为基础上的新型启发式算法,具有算法简单、易于实现的特点.标准群搜索优化算法(GSO)基于发现-追随的寻优策略,由于追随者搜索模式过于单一,从而容易陷入局部最优.为了提高标准GSO算法的收敛速度与收敛精度,提出一种改进群搜索优化算法(IGSO).在该算法中,发现者保持原有的寻优方式,追随者执行鱼群算法的寻优模式,通过引入鱼群算法的觅食、追尾、聚群与随机行为,使搜索方式多样化,可以同时考虑种群的个体最优与群体最优,从而有效避免陷入局部最优.通过6个基准测试函数对两种算法进行比较,实验结果表明,改进的群搜索优化算法优于标准群搜索优化算法.     

多策略融合的黄金正弦樽海鞘群算法

针对樽海鞘群算法（Salp Swarm Algorithm，SSA）收敛性能差、容易陷入局部最优等问题，提出了多策略融合的黄金正弦樽海鞘群算法（Golden sine Salp Swarm Algorithm with Multi-strategy，MGSSA）.首先采用选择反向学习策略对种群中完全偏离最优个体寻优方向的个体计算选择反向解，改善种群质量；然后在跟随者位置更新阶段加入最优个体和精英均值个体引导，以加快算法收敛速度；最后根据概率选择黄金正弦算法变异策略，进一步改善解的质量，同时便于算法后期跳出局部最优.本研究在14个基准测试函数上进行实验，与其他群智能优化算法和其他改进樽海鞘群算法对比，将其应用于拉压弹簧设计问题测试解决工程优化问题的性能.结果表明：MGSSA具有较高的收敛精度和稳定性，在求解工程问题时性能良好.     

Fourier神经网络非线性拟合性能优化研究

针对采用传统BP(back propagation)算法训练的Fourier基函数神经网络拟合非线性函数容易陷入局部最优、拟合精度较差等问题,提出采用粒子群(particle swarm optimization,PSO)算法优化Fourier基函数神经网络拟合非线性函数的方法。通过引入具有全局搜索能力的PSO算法对Fourier正交基神经网络权值进行优化,达到提高非线性函数拟合精度的目的,并进行实例仿真实验,通过比较PSO和BP算法训练Fourier基函数神经网络的预测输出结果,验证PSO算法拟合非线性函数的优越性。结果表明,经PSO算法优化后的Fourier基函数神经网络学习能力更强,非线性函数的拟合精度更高。     

一种结合自适应惯性权重的混合粒子群算法

粒子群算法(particle swarm optimization,PSO)是一种容易实现且高效的优化算法,但该算法对各种参数反应较为敏感.本文针对经典粒子群算法容易陷入局部最优的不足之处进行研究,提出对经典粒子群算法使用自适应惯性权重并引入模拟退火法的思想来解决经典粒子群优化算法容易陷入局部最优解的问题.仿真实验结果表明,本文提出的混合算法与经典粒子群算法相比,不仅能够避免寻优过程中陷入局部最优问题,而且还具有收敛速度快、成功次数高、稳定性及寻优结果好等特点.     

改进反向粒子群算法及其在噪声中的应用

粒子群优化算法规则简单,收敛速度较快,但易陷入局部最优值,在噪声问题中也显示出较差的寻优能力．针对算法存在的不足,本文结合反向学习机制较快的学习速度及优化能力,并在算法进化过程中引入交叉因子,提出一种新的改进的反向粒子群算法（COPSO）．实验表明,该算法在噪声问题中要优于反向粒子群算法．     

一种基于折射反向学习机制与自适应控制因子的改进樽海鞘群算法

为克服基本樽海鞘群算法（SSA）存在的收敛速度慢、易陷入局部最优等不足,提出了一种基于折射反向学习和自适应控制因子的新型改进樽海鞘群算法（RCSSA）.首先,采用折射反向学习机制在每一次个体的求解中计算折射反向解,极大地提高了算法收敛精度和速度.然后,将原SSA算法中引导者的自适应控制因子引入跟随者的位置更新中,有效地控制整个搜索过程并增加了算法的局部开发能力.为验证所提RCSSA算法的优化性能,采用了7个单峰、16个多峰基准测试函数以及1个工程设计问题对其进行测试.试验中,先引入两种单策略改进的SSA算法来验证所提算法的有效性,再加入鲸鱼优化算法等5个先进的智能优化算法与之进行对比,进一步验证所提算法的优越性.研究结果表明:无论对于低维度还是高维度基准优化问题,所提算法都能有效地增强原SSA算法的开发和探索能力;并且RCSSA算法在整体优化性能方面要优于其他大多数群智能算法.     

一种多反向学习的教与学优化算法

针对原始教与学优化算法全局搜索和局部搜索协调不足、当前反向学习策略过于单一的问题,将多种反向学习策略同教与学优化算法相结合,提出一种基于多反向学习的教与学优化（MOTLBO）算法。首先,借鉴反向学习的思想,设计一种基于Sigmoid函数且随进化代数逐渐变化的非线性混合反向学习模型,模型综合考虑了问题的搜索边界信息和种群的历史搜索信息;其次,在原始教与学算法教和学两个阶段的基础上,增加了基于搜索边界指导的自学习阶段,增强了种群的多样性;最后,将混合反向学习模型与算法的各阶段相结合,根据各阶段的不同特征,设计了基于均值个体、随机个体和最优个体的反向解计算方法,充分吸收种群的历史搜索经验,提高算法的收敛精度和速度。采用具有不同特征的Benchmark测试函数对算法的非线性混合反向学习模型和收敛性能进行测试,实验结果表明：非线性混合反向学习模型相对于单一的边界信息反向学习或种群信息反向学习,具有更强的全局搜索和局部探测能力;而与原始教与学优化算法及其改进算法相比,MOTLBO算法在获得较高的收敛精度和稳定性的同时保持了更快的收敛速度,其综合性能得到较大提升。此外,对扩频雷达相位编码求解的实验结果进一步表明,MOTLBO算法能有效避免陷入局部最优,亦适用于求解实际的工程优化问题。     

粒子群优化算法惯性权重的一种动态调整策略

为了有效地调整粒子群优化算法的全局开拓和局部搜索能力,提出一种基于Logistic模型动态调整惯性权重的粒子群优化算法.该算法在初期保持较大的惯性权重,使其具有较大的全局开拓能力,在进化后期保持较小的惯性权重,有利于局部搜索,加速算法的收敛.通过标准测试函数的仿真实验表明：该调整策略优于线性递减的调整策略,且对于优化多峰值函数具有一定的优越性.     

新型混合粒子群算法在核动力设备优化设计中的应用

针对标准粒子群算法在处理非线性约束优化问题时存在收敛速度慢、精度低和易陷入局部最优的缺点,设计了一种新型混合粒子群算法,该算法采用可行性原则处理约束条件,避免惩罚函数法中惩罚因子选取的困难;引入基本复合形法产生初始可行群体,加快粒子群收敛速度;引入遗传算法的交叉和变异策略,避免粒子群陷入局部最优;在迭代末期的优解附近,进行改进复合形算法的寻优,提高最优解的精度.通过算法测试基准函数的优化计算,结果显示,新型混合粒子群算法有较好的优化性能,并在核动力设备优化设计中有很好的应用.     

基于改进狮群算法和BP神经网络模型的房价预测

将狮群算法(lion swarm optimization, LSO)与海鸥算法的迁徙机制和螺旋搜索机制结合,增强算法的局部搜索能力;同时增加监督机制,提高算法的全局搜索能力。与粒子群算法和狮群算法对比,在常用的测试函数上验证改进狮群算法的优越性。采用改进后的狮群算法优化BP神经网络模型,对房屋价格预测问题进行研究,通过房屋的户型、面积等相关指标有效地对青岛市的二手房价格进行预测。改进后的狮群算法对BP神经网络的权值和偏置进行优化,提高BP神经网络的收敛速度和训练精度。试验结果表明,提出的螺旋搜索狮群和BP结合算法(spiral search lion swarm optimization-BP, SLSO-BP)模型在房价预测问题上预测效果更好。     

一种具有随机变异性质的粒子群协同优化算法

给出了一种具有随机变异特性的改进型粒子群协同优化算法,该算法克服了传统粒子群算法易陷入局部最优解且后续迭代过程速度慢的缺点.在迭代过程中,粒子的变异概率取决于粒子的适应度值以及当前所有粒子的聚集度.通过变异,粒子可有效地探索新的空间领域,从而可以有效地避免陷入局部最优解.Benchmark函数实验结果表明,优化后的粒子群算法比传统粒子群算法具有较快的收敛速度和较高的全局收敛能力.     

一种新颖的人工鱼群算法

为了克服基本人工鱼群算法(AFSA)收敛速度慢、求解精度不高和易陷入局部最优的不足,提出了一种新颖的人工鱼群算法(AO-AFSA).该算法结合人工鱼与粒子群(PSO)中的粒子都具有个体学习能力和社会学习能力,模拟粒子群中粒子的速度位置更新公式去分别修改人工鱼群算法中人工鱼的觅食行为、聚群行为、追尾行为的更新公式.并采用5个典型的测试函数进行仿真实验,分析算法的寻优精度、收敛速度以及稳定性.测试结果表明改进后的算法能够较快地收敛至全局较优解,有更强的稳定性,并具有较好的寻优性能.     

室内可见光定位算法研究

针对室内场所定位精度低的问题,本文提出一种基于改进粒子群算法的 RSSI（Received Signal Strength Indication：接收信号强度指示）可见光定位方法。采用莱维飞行算法对粒子群算法进行改进,解决了标准粒子群算法易陷入局部最优的问题,提高了算法的收敛速度和定位精度。在 5m×5m×3m 的室内环境下,经过仿真测试,本文改进后的粒子群算法结合 RSSI 定位方法定位精度可以达到0.038241m,算法稳定度上升,定位精度更高,更适合在室内定位中使用。