混沌混合蛙跳算法

针对基本混合蛙跳算法(Shuffled Frog Leaping Algorithm,简称SFLA),收敛速度慢,优化精度低的问题,提出了混沌混合蛙跳算法。将混沌优化思想引入到蛙跳算法中,利用混沌运动的随机性和遍历性,对全局最优个体Xg或随机更新策略中的最差个体Xw进行混沌优化,并用优化结果随机替代当前种群中的某个体或Xw,通过这种处理增强了蛙跳算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。通过对6个测试函数和背包问题进行优化实验,仿真结果表明,混沌混合蛙跳算法的优化性能明显优于基本混合蛙跳算法和相关文献中的改进算法。     

改进混合蛙跳算法的云计算资源调度

资源合理调度是云计算研究热点。针对混合蛙跳算法不足,提出一种改进混合蛙跳算法的云计算资源调度策略(ISFLA)。首先在局部寻优过程中引入粒子更新思想,加快收敛速度,然后在全局寻优中对最优个体进行混沌扰动,降低局部最优出现的概率,最后在Cloud Sim平台进行仿真实验。结果表明,ISFLA缩短了云计算任务的完成时间,资源的负载分配更加合理。     

基于三角函数搜索因子的混合蛙跳算法

针对传统混合蛙跳算法存在收敛速度慢、容易陷入局部最优和搜索精度不高的缺陷,提出了基于三角函数搜索因子的混合蛙跳算法。该算法将基于三角函数搜索因子的局部进化策略和产生新个体策略引入到混合蛙跳算法中,改进混合蛙跳算法的局部搜索精度和全局收敛性能。实验结果表明,基于三角函数搜索因子的混合蛙跳算法能够显著改善混合蛙跳算法的寻优精度和收敛速度,使算法的搜索效率和稳定性同时得到提高。     

自适应混沌变异蛙跳算法*

研究蛙跳算法的寻优性能,主要在基本蛙跳算法的全局搜索过程中加入自适应混沌变异操作, 提出一种改进蛙跳算法。改进后的算法采用Logistic混沌序列构造混沌变异算子, 同时结合个体适应度和进化代数自适应调整变异尺度, 从而增强蛙跳算法搜索最优解的能力。仿真实验结果表明, 改进后的算法寻优精度和收敛速度得到了有效提高, 具有较好的实用性能。     

带记忆功能的混合蛙跳算法

针对基本混合蛙跳算法收敛速度慢、优化精度低的问题、提出了带记忆功能的混合蛙跳算法。引入自适应学习因子,使算法在迭代初期加速收敛并不断拓展新的搜索区域,在迭代后期能够在全局最优邻域进行精细搜索,从而保持了开发与探索的平衡,并提高了收敛精度;采用随机分组策略平衡各子群的寻优能力,维持了种群的多样性。对6个测试函数进行了优化实验,并与基本混合蛙跳算法和相关文献中的改进算法进行比较,结果表明了该算法具有更好的优化性能。     

基于改进的混合蛙跳算法机器人路径规划的研究

对于采用混合蛙跳算法进行机器人路径规划容易产生局部最优、收敛速度慢等问题,把人工鱼群算法融合到混合蛙跳算法。人工鱼群算法的追尾行为有利于加快收敛速度,群聚行为提高了跳出局部最优解的能力。把机器人路径规划问题转化为最小化问题,使用改进的算法对其进行优化,最终得到全局最优路径。仿真结果表明,与改进前的算法相比,改进后算法具有较强的全局寻优能力和较快的收敛速度。     

文化蛙跳算法性能分析研究

基本混合蛙跳算法收敛速度较慢,优化精度较低。为进一步提高混合蛙跳算法的优化速度和精度,将文化算法模型引入到混合蛙跳算法中,提出了一种文化蛙跳算法。利用混合蛙跳算法良好的全局协同搜索能力和文化算法模型中的遗传操作,提高了算法的收敛精度,增强了算法的群体多样性。通过对3个测试函数进行优化实验,并与文中文化蛙跳算法和相关文献中的改进算法进行比较,实验结果表明文中提出的改进文化蛙跳算法具有更好的优化性能。     

采用差分进化策略的入侵杂草改进算法及函数优化应用

针对入侵杂草优化算法易出现早熟且收敛速度较慢的问题,提出一种具有差分进化策略的入侵杂草算法。利用差分进化策略较强的开发能力,对种子进行交叉变异选择操作以帮助算法跳出局部最优;同时,为了提高算法的收敛速度和种群多样性,提出对杂草进行初始化并采用基于混沌反向学习的初始化方法。对8个标准测试函数进行的仿真实验表明:与标准杂草优化、差分进化及混合杂草优化算法相比,提出的改进算法具有较快的收敛速度、较高的收敛精度及较强的搜索全局最优解的能力。     

基于混沌和自适应搜索策略的GSO算法分析与优化

针对基本萤火虫群算法在全局优化问题求解过程中存在的求解精度偏低、易陷入局部最优、收敛速度较慢等问题，提出一种基于混沌和自适应搜索策略的萤火虫优化算法（CSAGSO）。利用混沌搜索技术对萤火虫种群进行初始化以得到分布更为均匀、合理的较优初始解；运用混沌扰动优化策略对每一代适应度较差的部分萤火虫个体进行混沌扰动以增强种群多样性和提高全局搜索能力。采用动态步长的自适应搜索策略，并对寻优过程中静止不动的萤火虫个体位置进行更新，加快了算法前期收敛速度，减少了后期震荡现象发生。仿真实验结果表明，优化后的萤火虫算法参数较少并具有较好稳定性，同时在求解精度和收敛速度上都明显优于基本萤火虫群算法。     

带有选择和自适应变异机制的混合蛙跳算法

混合蛙跳算法易陷入局部最优,且收敛速度较慢。为此,提出一种带有选择和自适应变异机制的蛙跳算法。引入线性递减的动态惯性权重修正最差青蛙,按照一定的概率选择适应度值较优的青蛙代替较差青蛙,并对每只青蛙个体以不同概率进行自适应变异。仿真结果表明,该算法可以平衡全局搜索和局部搜索,寻优能力强、迭代次数少,解的精度较高,更适合高维复杂函数的优化。     

正态变异优胜劣汰的混合蛙跳算法

针对基本混合蛙跳算法收敛速度慢、求解精度不高且易陷入局部最优的缺陷,提出了一种新的正态变异优胜劣汰的混合蛙跳算法。该算法在局部搜索策略中,对子群内最差个体的更新融入了服从正态分布的变异扰动,可有效避免青蛙个体向局部最优聚集,扩大搜索空间,增加种群的多样性;同时对子群内少量的较差青蛙进行变异选择,摒弃不利的变异,继承有用的变异,优胜劣汰,整体提高种群的质量,减少算法寻优过程的盲目性,提高算法的寻优速度。对每个子群内的最优个体引入精英变异机制以获得更优秀的个体,进一步提升算法的全局寻优能力,避免陷入局部最优,引领种群向更好的方向进化。实验独立运行30次,所提算法在Sphere、Rastrigrin、Griewank、Ackley和Quadric函数中均能收敛到最优解0,优于其他对比算法。实验结果表明,所提算法可有效避免算法陷入早熟收敛,提高了算法的收敛速度和精度。     

融合变异策略的自适应蝴蝶优化算法

蝴蝶优化算法是近年来提出的一种新型自然启发式算法。针对基本蝴蝶优化算法收敛速度慢、求解精度低、稳定性差等问题,提出了一种融合变异策略的自适应蝴蝶优化算法。通过引入动态调整转换概率策略,利用迭代次数和个体适应度的变化信息动态调整转换概率,有效维持了算法全局探索与局部搜索的平衡;通过引入自适应惯性权重策略和局部变异策略,利用惯性权重值和混沌记忆权重因子进一步提高了算法的多样性,有效避免算法早熟收敛,同时加快了算法的收敛速度和求解精度。利用改进算法对12个基准测试函数进行仿真实验,与基本蝴蝶优化算法、粒子群算法、樽海鞘群算法、灰狼优化算法等其他算法对比表明,改进算法具有收敛速度快、寻优精度高、稳定性强等优异性能。     

Enhanced shuffled frog-leaping algorithm for solving numerical function optimization problems

The shuffled frog-leaping algorithm (SFLA) is a relatively new meta-heuristic optimization algorithm that can be applied to a wide range of problems. After analyzing the weakness of traditional SFLA, this paper presents an enhanced shuffled frog-leaping algorithm (MS-SFLA) for solving numerical function optimization problems. As the first extension, a new population initialization scheme based on chaotic opposition-based learning is employed to speed up the global convergence. In addition, to maintain efficiently the balance between exploration and exploitation, an adaptive nonlinear inertia weight is introduced into the SFLA algorithm. Further, a perturbation operator strategy based on Gaussian mutation is designed for local evolutionary, so as to help the best frog to jump out of any possible local optima and/or to refine its accuracy. In order to illustrate the efficiency of the proposed method (MS-SFLA), 23 well-known numerical function optimization problems and 25 benchmark functions of CEC2005 are selected as testing functions. The experimental results show that the enhanced SFLA has a faster convergence speed and better search ability than other relevant methods for almost all functions.     

融合多策略的改进麻雀搜索算法

针对麻雀搜索算法收敛速度缓慢、寻优精度不足和容易陷入局部最优等缺点,提出了一种融合正弦搜索策略和多样性变异处理策略的改进麻雀搜索算法。通过引入正弦搜索策略,自适应调整个体权重提高算法收敛速度;针对个体聚集程度过高问题,采用多样性变异处理,引入生物学中种群聚集度的概念和柯西变异对最优解进行扰动,提高算法逃离局部最优的可能。通过九个不同特征的基准函数进行寻优测试,测试结果表明改进算法能够更快地收敛于最优值,有更好的平均值和标准差,表明了其具备更优的收敛速度、收敛稳定性和逃离局部最优值的能力。通过应用该改进优化算法于分数阶PID控制器的参数整定上,进一步验证了改进策略的有效性和可行性。     

改进的混合蛙跳算法

为提高混合蛙跳算法在优化问题求解中的性能,提出了一种改进混合蛙跳算法。改进算法在原算法基础上加入了变异算子,并根据算法进化过程的不同阶段和进化过程中候选解分布情况,利用模糊控制器对变异算子的变异尺度进行调整,实现了变异算子在解空间中搜索范围的动态调整。通过对优化问题中4个典型测试函数的仿真实验表明,与基本蛙跳算法和已有改进算法相比,改进算法在寻优精度、收敛速度和求解成功率上均有一倍以上的提高,尤其在高维复杂优化问题求解中体现出较强的寻优能力。     

一种自适应惯性权重的混合蛙跳算法

针对混合蛙跳算法(SFLA)易陷入局部最优、收敛速度慢的问题,提出一种改进的混合蛙跳算法。该算法用相对基学习法初始化青蛙群体,从而提高初始解的质量。通过引入自适应惯性权重修正青蛙的更新策略,可以平衡算法的全局搜索和局部搜索。对6个经典函数的仿真测试结果表明,该算法与SFLA和ISFLA1算法相比寻优能力强、迭代次数少、解的精度高,更适合高维复杂函数的优化。     

双策略学习和自适应混沌变异的郊狼优化算法

针对郊狼优化算法（coyote optimization algorithm,COA）存在收敛速度慢、求解精度低、易陷入局部最优的不足,提出一种基于双策略学习机制和自适应混沌变异策略的改进郊狼算法（coyote optimization algorithm based on dual strategy learning and adaptive chaotic mutation,DCSCOA）。首先,引入振荡递减因子,以产生具有多样性的个体来增强全局搜索能力;其次,利用双策略学习机制,适度地增强组群头狼的影响,以平衡算法的局部挖掘能力和全局搜索能力,同时提高算法的求解精度和收敛速度;最后,使用自适应混沌变异机制,在算法停滞时产生新个体,以使算法跳出局部最优。通过对20个基本测试函数和11个CEC2017测试函数进行仿真实验,结果验证了改进算法具有更高的求解精度、更快的收敛速度和更强的稳定性。     

自适应混合变异的蛙跳算法

蛙跳算法是一种受自然界生物现象启发产生的群体进化算法,计算速度快,寻优能力强,但局部搜索能力较弱,容易陷入早熟收敛。针对其缺点,结合高斯变异和柯西变异的优点,提出了一种改进的混合蛙跳算法。改进后的算法收敛速度加快,在一定程度上避免陷入局部最优,提高了蛙跳算法解决复杂函数问题的能力。实验验证了其有效性。     

求解复杂函数优化问题的混合蛙跳算法*

针对基本混合蛙跳算法在处理复杂函数优化问题时容易陷入局部最优、收敛速度慢的缺点,提出了一种改进的混合蛙跳算法。该算法把生物学中的吸引排斥思想引入到混合蛙跳算法中,修正了其更新策略,从而维持了子群的多样性。实验仿真结果表明,改进的混合蛙跳算法提高了算法的收敛速度,有效地避免了SFLA的早熟收敛问题,从而改善了对复杂问题的搜索效率,数值实验结果验证了算法的有效性和鲁棒性。