一种改进的混合蛙跳算法求解有约束优化问题

提出一种适用于求解有约束优化问题的改进混合蛙跳算法(improved shuffled frog leaping algorithm, Im-SFLA)。该算法针对混合蛙跳算法(shuffled frog leaping algorithm, SFLA)在进化后期搜索速度变慢且容易陷入局部极值的缺陷,将模拟退火和免疫接种思想引入到具有高斯变异和混沌扰动的SFLA中。标准测试函数仿真结果表明Im-SFLA能显著提高收敛速度和精度,并能有效克服局部极值,全局寻优能力明显优于SFLA。使用静态罚函数法将有约束优化转化为无约束优化,对12个有约束优化测试函数的实验结果表明Im-SFLA寻优精度高、鲁棒性强,是一种十分有效的求解有约束优化问题的算法。     

CMSFLA-SVM算法在人脸识别中的应用

针对蛙跳算法(shuffled frog leaping algorithm,SFLA)易陷入局部最优,且求解精度较低的问题,提出一种交叉变异的蛙跳算法(crossover and mutation shuffled frog leaping algorithm,CMSFLA).该算法在全局搜索中,青蛙个体依适应度值而选择不同概率分别进行交叉和变异操作.将改进的蛙跳算法CMSFLA训练支持向量机(support vectors machines,SVM),并将其用于人脸识别中.ORL和CAS-PEAL-R     

基于局部优化SFLA的VCSEL模型参数识别

垂直腔面发射激光器(VCSEL)是光纤通信系统的重要光源,精确的参数是光纤通信仿真分析取得正确结果的必要因素. 通过实验测得激光器L-I-V关系和小信号响应,引入混合蛙跳算法(SFLA)来实现参数搜索. 针对经典SFLA收敛速度慢、子群易陷入局部最优的缺点,引入NM单一形状搜索法改进局部搜索方案. 实验结果表明,局部优化SFLA在本工作中收敛速度更快、适应度更优,可准确实现对VCSEL实际参数的识别.     

基于SFLA-PSO算法的几何约束求解

为提高求解几何约束问题的效率和收敛性,将几何约束问题等价为求解非线性方程组问题。并将约束问题转化为一个优化问题,采用基于混洗蛙跳（SFLA：Shuffled Frog Leaping Algorithm）和粒子群优化（PSO：Particle Swarm Optimization）算法求解该问题。SFLA-PSO算法采用将SFLA和PSO二者相结合的方法,利用PSO算法进行族群局部搜索,利用SFLA的多种群的进化方法进行族群的混选,相互取长补短,以达到收敛速度快和全局搜索的目的。实验表明,该方法可以提高几何约束求解的效率和收敛性。     

求解TSP的改进混合蛙跳算法

重新定义表示青蛙移动距离和位置的数据结构及运算符意义,提出混合蛙跳算法(shuffled frogleaping algorithm,SFLA)求解旅行商问题(traveling salesman problem,TSP)基于交换序的实现方法.把具有极强局部搜索能力的幂律极值动力学优化(power law extremal optim ization,τ-EO)融合于SFLA,并针对TSP对τ-EO过程进行设计和改进.改进后的τ-EO采用新颖的组元适应度计算方法,通过定义边置换增益能量,结合模拟退火控制过程,并采取幂律定律用概率的方式选取2-opt置换产生邻域解.为避免每个族群最优解的趋同性,提出最优样本差异控制策略.通过求解TSPLIB数据库中的实例,证明该改进算法有效.     

对较好和较差个体双向更新的混合蛙跳算法

针对基本蛙跳算法在处理复杂函数优化问题时求解精度低且易陷入局部最优的缺点,将共轭梯度法引入基本蛙跳算法,对排名靠前的p个模因组中的精英个体和排名靠后的q个模因组中的落后个体同时使用共轭梯度法进行更新,一方面增强对较差青蛙的指导能力,另一方面使最差的青蛙直接更新,提高了算法的收敛精度.所得混合蛙跳算法有效结合了基本蛙跳算法较强的全局搜索能力和共轭梯度法快速精确的局部搜索能力.将所得的混合蛙跳算法与其他智能优化算法进行对比,数值试验结果表明,无论从收敛精度还是进化代数而言,所得混合蛙跳算法较其他算法均有较大的改进,具有更高的收敛精度,能有效避免陷入局部最优,且优化结果更加稳定.     

改进混合蛙跳优化的片上网络低功耗映射算法

随着片上网络集成度的提高,低功耗映射逐渐成为研究的热点.文中利用调整序思想,将混合蛙跳算法应用到片上网络低功耗映射问题中;同时对混合蛙跳算法进行改进,引入自适应混沌方法优化较差个体,采用多邻域退火策略优化较优个体.实验结果表明,相比于传统混合蛙跳算法和模拟退火混合蛙跳算法,改进混合蛙跳算法具有更优的搜索能力,从而能进一步降低通信功耗.     

基于双子群和分区采样的果蝇优化新算法

针对传统果蝇优化算法面临的搜索半径依赖性大、收敛稳定性差、难以协调全局搜索能力及局部搜索能力等问题,提出基于双子群和分区采样的果蝇优化新算法.将果蝇种群划分为搜索果蝇子群和跟随果蝇子群并分别使用这2个子群进行全局化搜索与局部精细化搜索;在每次迭代过程中利用基于分区采样的搜索果蝇位置更新策略,提高算法全局搜索的稳定性;定义了群体聚集度的概念并将其用于协调果蝇的全局搜索能力和局部搜索能力.针对6种典型函数及工业控制系统的测试结果表明,该算法收敛精度高、稳定性好、收敛速度快,与传统算法相比,表现出明显优势.     

基于讨论机制的头脑风暴优化算法

为了克服头脑风暴优化(BSO)算法易陷入局部最优导致早熟收敛的问题,提出新型的基于讨论机制的头脑风暴优化(DMBSO)算法.该算法运用组内讨论和组间讨论这一新机制取代BSO算法中的个体更新过程,分别控制算法的全局搜索和局部搜索能力.通过线性递减和线性递增方式调整组间讨论和组内讨论次数,使算法搜索初期加强全局搜索能力,搜索后期加强局部细致搜索能力,有效地防止早熟问题.对6个经典测试函数(BFs)的10维、20维、30维问题分别进行测试来评估DMBSO的效果.结果表明,DMBSO算法与BSO算法和经典的粒子群(PSO)算法相比,可以有效地避免陷入局部最优,稳定地找到更好的最优值,而且随着问题维度的增加,DMBSO表现出更强的鲁棒性.     

全局组搜索优化算法及其应用研究

组搜索优化算法GSO(Group Search Optimizer)是一种基于动物捕食原理的新型群智能优化算法。本研究提出了一种改进的GSO优化算法:全局组搜索优化算法GGSO(Global GSO)。主要在两个方面对GSO算法进行了改进,一是在迭代过程中引入加速系数,加快种群收敛速度,增强算法的局部搜索能力;二是用高斯函数来产生随机位置变异,扩大搜索空间,从而增强算法的全局搜索能力。经过11个无约束测试函数和3个带约束问题的测试及与其他文献的比较可知,GGSO算法具有较好的局部和全局搜索能力,并且能够解决复杂的实际问题。