融合信息反馈共享与蜉蝣搜索机制的樽海鞘群算法

针对樽海鞘群算法(SSA)收敛速度慢和易陷入局部最优的问题,提出了一种融合信息反馈共享与蜉蝣搜索机制的改进樽海鞘群算法。使用Piecewise映射的方法进行种群初始化,使初始樽海鞘种群更均匀的覆盖可行域空间;采用信息共享机制,提出辅助领导者策略,改进领导者位置更新公式,增强全局搜索能力;利用进化学说以及正负反馈调节的思想,通过变异操作和自然选择原则选取更优领导者,从而提高搜索精度;最后,提出蜉蝣搜索机制,选取蜉蝣算法的交配公式,优化追随者位置迭代公式,使算法在后期更快收敛。通过在12个基准测试函数的多个维度以及17个CEC测试函数的实验,证明了改进樽海鞘群算法的综合性能,并通过消融实验验证了改进策略的有效性,实验结果表明,改进算法在收敛速度以及搜索精度上具有明显的优势。     

t-分布扰动策略和变异策略的花授粉算法

为了解决传统花授粉算法(FPA)收敛速度慢、易陷入局部最优、寻优精度低等缺陷,提出了一种t-分布扰动策略和变异策略的花授粉算法(t MFPA).首先利用混沌映射初始化花朵个体的位置,然后在全局授粉过程中,利用t-分布扰动的随机个体和莱维飞行共同实现个体位置更新,加快收敛速度的同时提高搜索空间的多样性;在局部授粉过程中,加入具有两个差分向量的变异策略和小概率策略,结合两种策略使算法能够跳出局部最优.实验结果表明,t MFPA相比于FPA和其他启发式智能算法具有更好的寻优精度和收敛速度,相对于其他改进算法具有更好的收敛性能.     

自适应分组差分萤火虫算法求解连续空间优化问题

提出一种自适应分组差分萤火虫算法求解连续空间优化问题.利用自适应分组策略对种群进行分子群寻优,基于均匀设计理论调整算法参数,通过云模型算法来改进最优个体的随机扰动行为,引入个体能效吸引力来改进非最优个体更新方式.最后,利用差分变异算法和混沌理论完成个体变异.典型复杂函数测试表明,所提出的算法具有很好的收敛精度和计算速度.     

基于新变异策略的动态自适应差分进化算法

针对差分进化算法在复杂优化问题求解时后期收敛速度慢、易陷入局部最优和参数设置繁琐等问题,提出一种基于新变异策略的动态自适应差分进化算法p-ADE.首先,新变异策略中通过利用种群的全局最优解和目标个体的历史最优解引导种群搜索方向,为下一代个体的生成引入更多有效的方向性信息,避免差分向量中个体随机选择导致的搜索盲目性.其次,为加快收敛速度、提高算法稳定性、避免参数设置的繁琐与不精确,提出一种参数动态自适应调整策略,动态平衡算法局部搜索与全局搜索间的关系,有效调节个体在进化过程中的变异程度.在10个Benchmark函数上的实验结果表明,p-ADE相对于多种先进DE优化策略和全局优化算法在收敛精度、速度和鲁棒性上均具有明显优势.     

基于高斯-柯西变异的帝国竞争算法优化

为解决帝国竞争算法(Imperial Competitive Algorithm,ICA)竞争过程中收敛速度慢和易陷入局部最优的问题,提出了一种基于高斯-柯西变异的帝国竞争算法(Imperial Competitive Algorithm Based on Gauss-Cauchy Mutation,GCICA).在ICA帝国竞争时引入高斯变异,加快竞争过程中的收敛速度;帝国灭亡后多样性减少且仅在小范围区域内进行寻优,引入柯西变异,使其跳出局部最优.分析引入高斯、柯西、高斯-柯西变异后的算法在多个典型基准测试函数上的仿真结果,GCICA的收敛速度和寻优精度都得到了提升.     

自适应梯度指导交叉的进化算法

针对进化算法随机盲目搜索的缺点,提出一种新的自适应梯度信息指导交叉的进化算法.该算法首先利用混沌序列初始化种群,在迭代过程中,根据当前最优个体的梯度信息和种群与个体的聚集程度,自适应地确定最优个体的负梯度方向范围,在该范围内随机选择个体与当前最优个体进行算术交叉操作,使交叉后的个体以较大概率向较好解的方向进化.另外,引入自适应变异算子用于平衡算法的开发和探测能力.几个典型测试函数的实验结果表明,新算法具有较高的收敛精度.     

带可变随机函数和变异算子的粒子群优化算法

标准粒子群优化算法的收敛分析表明,改变随机函数、个体历史最优,群体全局最优,有助于提高该算法的性能。为此,本文提出了一种带可变随机函数和变异算子的粒子群优化算法,即通过改变速度更新方程中的随机函数分布来调节粒子在迭代过程中飞向个体历史最优和群体全局最优的比重,通过对个体历史最优和群体全局最优进行变异来增强种群的搜索能力。实验结果证实了该算法的有效性。     

基于自适应变异算子的差分进化算法

针对差分演化算法易于早熟、收敛速度慢和收敛精度低等问题,提出一种基于自适应变异算子的差分进化算法。给出个体向量粒子及维度层定义,并提出了基于维度层加权的异维维度选择策略,首次将加权异维学习策略引入差分演化算法中,有效地提高了种群的多样性;根据种群聚集度的思想,提出一种基于种群聚集度自适应的变异算子,该算子能依据种群个体当前的种群聚集度自适应地调整DE/best/1变异算子和加权异维学习变异算子的变异权重,加快算法收敛速度、提高其收敛精度。通过在20个典型的测试函数上进行测试,与7种具有代表性的算法相比,结果表明提出的算法在求解精度和收敛速度上具有很大优势,并显示出了非常好的鲁棒性。     

融合黄金正弦混合变异的自适应樽海鞘群算法

针对基本樽海鞘群算法收敛速度慢、收敛精度低、易陷入局部最优的缺点,提出了一种融合黄金正弦混合变异的自适应樽海鞘群算法AGHSSA（Adaptive Salp Swarm Algorithm with Golden Sine Algorithm and Hybrid Mutation）。该算法引入了自适应变化的权重因子以加强精英个体的引导作用,提升收敛速度与精度。通过黄金正弦算法优化领导者位置更新方式,增强算法的全局搜索和局部开发能力。融合邻域重心反向学习与柯西变异对最优个体位置进行扰动,提升算法跳出局部最优的能力。通过对12个基准测试函数进行仿真实验来评估改进算法的寻优能力,实验结果表明,改进算法能显著提升寻优速度和精度,并且具备较强的跳出局部最优的能力。     

趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法

针对蝴蝶优化算法(butterfly optimization algorithm, BOA)易陷入局部最优,且收敛速度慢和寻优精度低等问题,提出了一种趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法(hybrid optimization algorithm for salp swarm and butterfly with reverse mutation towards optimization learning, OMSSBOA)。引入柯西变异对最优蝴蝶个体进行扰动,避免算法陷入局部最优;将改进的樽海鞘群优化算法(salp swarm algorithm, SSA)嵌入到BOA,平衡算法全局勘探和局部开采的比重,进而提高算法收敛速度;利用趋优变异反向学习策略扩大算法搜索范围并提升解的质量,进而提高算法的寻优精度。将改进算法在10种基准测试函数上进行仿真实验,结果表明,改进算法具有较好的寻优性能和鲁棒性。     

群体智能算法在图像分割中的应用综述

图像分割的通用方法一直是图像处理领域中的热点和难点。随着人工智能的兴起和发展,群体智能算法成为当下热点研究的方向,将图像分割技术结合群体智能算法成为一种新型有效的改进方法。群智能算法通过模拟自然界的事物或生物的行动规律,将传统的人工智能和群体生物结合,在解空间中搜索最优解,为解决复杂问题提供了新的解决思路。阐述群体智能算法的研究现状和发展过程,将早期的蚁群算法（Ant Colony Optimization,ACO）、经典的粒子群算法（Particle Swarm Optimization Algorithm,PSO）以及较新的麻雀搜索算法（Sparrow Search Algorithm,SSA）为例详细介绍其算法原理方法,并简要表述蝙蝠算法（Bat Algorithm,BA）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、人工蜂群算法（Artificial Bee Colony Algorithm,ABC）、萤火虫算法（Firefly Algorithm,FA）、布谷鸟搜索法（Cuckoo Search,CS）、细菌觅食算法（Bacterial Foraging Optimization,BFO）和最新的蜉蝣算法（Mayfly Algorithm,MA）的原理,在此基础上,结合国内外文献对上述算法的改进方法和结合图像分割技术的综合改进及应用进行分析总结。将群体智能算法结合图像分割技术的代表性算法提取出来进行列表分析总结,随后概述总结群体智能算法的统一框架、共同特性、不同的差异并提出存在的问题,最后对未来趋势做出展望。     

基于粒子群优化和遗传算法的协同聚类算法

为充分发挥粒子群优化算法和遗传算法各自的优势,提出一种新的基于粒子群和遗传算法的协同进化算法,并将其应用于聚类分析。通过构建2个相互竞争的种群,采用相对适应度度量方法,在一个纯自举的过程中产生最优竞争个体。在现实世界数据集上的仿真实验表明,该算法在收敛精度方面优于基于遗传算法的聚类方法和基本粒子群优化聚类算法。     

结合元胞自动机的果蝇优化算法

果蝇优化算法(FOA)作为一类新的优化搜索算法,广泛应用于各种优化问题。针对该算法后期求解精度低、容易陷入局部最优且收敛缓慢的缺点,提出一种结合元胞自动机的果蝇优化算法(CAFOA)。该算法在首次求解时利用元胞演化规则选择果蝇最优个体邻域,然后对选择后的果蝇个体位置进行随机扰动,分别用邻域个体复制更新演化前个体位置,再次进行迭代寻优,从而有效克服算法陷入局部最优。对6种常见测试函数进行了运算仿真。实验结果表明,所提算法比传统算法的平均收敛精度提高10%,达到稳定全局最优值的平均迭代次数减少870次,从而论证了算法的有效性。     

基于广义反向学习的磷虾群算法及其在数据聚类中的应用

针对磷虾群（KH）算法在寻优过程中因种群多样性降低而过早收敛的问题，提出基于广义反向学习的磷虾群算法GOBL-KH。首先，通过余弦递减策略确定步长因子平衡算法的探索与开发能力；然后，加入广义反向学习策略对每个磷虾进行广义反向搜索，增强磷虾探索其周围邻域空间的能力。将改进的算法在15个经典测试函数上进行测试并与KH算法、步长线性递减的磷虾群（KHLD）算法和余弦递减步长的磷虾群（KHCD）算法比较，实验结果表明:GOBL-KH算法可有效避免早熟且具有较高的求解精度。为体现算法有效性，将GOBL-KH算法与K均值算法结合提出HK-KH算法用于解决数据聚类问题，即在每次迭代后用最优个体或经过K均值迭代一次后的新个体替换最差个体，使用UCI五个真实数据集进行测试并与K均值、遗传算法（GA）、粒子群优化（PSO）算法、蚁群算法（ACO）、KH算法、磷虾群聚类算法（KHCA）、改进磷虾群（IKH）算法进行比较，结果表明:HK-KH算法适用于解决数据聚类问题且具有较强的全局收敛性和较高的稳定性。     

混沌遗传算法在优化问题中的应用

文章结合遗传算法优化的反演性与混沌优化方法的遍历性,提出了混沌遗传算法,并将其应用于优化问题的求解.实验结果表明,与标准遗传算法比较,该算法具有更好的收敛性能与搜索效率.     

基于Pareto的多目标优化免疫算法

免疫算法具有搜索效率高、避免过早收敛、群体优化、保持个体多样性等优点。将其应用于多目标优化问题,建立了一种新型的基于Pareto的多目标优化免疫算法(MOIA)。算法中,将优化问题的可行解对应抗体,优化问题的目标函数对应抗原,Pareto最优解被保存在记忆细胞集中,并利用有别于聚类的邻近排挤算法对其进行不断更新,进而获得分布均匀的Pareto最优解。文章最后,对MOIA算法与文献[3]中SPEA算法进行仿真,通过比较两者的收敛性和分布性,得到了MOIA优于SPEA的结论。     

BP神经网络的优化算法研究

BP学习算法通常具有收敛速度慢,易陷入局部极小值等缺点;遗传算法是全局优化算法,具有较强的全局搜索性能,但它在实际应用中容易产生早熟收敛的问题,且在进化后期搜索效率较低;模拟退火算法具有摆脱局部最优点的能力,能抑制遗传算法的早熟现象.因此,本文在BP算法结合遗传算法的同时,再加入模拟退火算法,可以有效地缓解遗传算法的选择压力.     

一种新颖的差分混合蛙跳算法

在使用智能优化算法处理函数优化问题时,保持种群的多样性及加快种群的收敛速度可以提升一个算法的性能.针对混合蛙跳算法在寻优过程中易陷入局部最优和早熟收敛的缺点,本文提出了一种新颖的差分混合蛙跳算法.该算法借鉴差分进化中的变异交叉思想,在前期利用子群中其他个体的有用信息来更新最差个体,增加局部扰动性,以提高种群的多样性;在后期为加快收敛速度使用最好个体的信息进行变异交叉操作.同时本文使用归档集进一步保留种群的多样性.仿真测试结果表明:该算法在求解优化问题时较基本蛙跳算法和平均值蛙跳算法具有更好的寻优性能.     

智能体遗传算法空间维数的比较研究

将智能体引入到遗传算法构成一个局部环境,可有效保持种群的多样性从而获得优良的优化性能。但是这个局部环境的空间维数一直未得到研究。根据智能体遗传算法的工作原理,空间维数越小,越能避免过早收敛现象发生。基于此,提出一种维数为1的链式智能体遗传算法(CAGA),并针对函数优化问题将其与文献[4]提出的维数为2的网络式智能体遗传算法(MAGA)进行了比较。实验采用了多个多维复杂函数进行优化实验,结果表明,该遗传算法比二维网格式遗传算法可获得更优的优化结果。     

基于混沌搜索的思维进化算法

针对思维进化算法中的产生初始种群的盲目随机性和冗余性以及现有搜索方式易陷入局部最优的问题,将混沌优化和思维进化算法结合,提出了一种基于混沌搜索的思维进化算法（Chaos Mind Evaluation Algorithm,CMEA）。该算法在进化的不同阶段引入混沌优化操作,利用混沌的遍历性提高算法的收敛速度,克服了早熟现象,同时利用思维进化算法的记忆特性和当代最优解指导混沌搜索,提高算法的搜索能力。仿真结果表明,与标准思维进化相比,该算法优化能力强,能有效地避免局部收敛,具有更快的收敛速度。