基于疯狂自适应的樽海鞘群算法

针对樽海鞘群算法求解精度不高和收敛速度慢等缺点,提出一种基于疯狂自适应的樽海鞘群算法.引入Tent混沌序列生成初始种群,以增加初始个体的多样性;在食物源位置上引入疯狂算子,增强种群的多样性;在追随者位置更新公式中引入自适应惯性权重,使算法的全局搜索和局部搜索能力得到更好的平衡.使用统计分析、收敛速度分析、Wilcoxon检验、经典基准函数和CEC2014函数的标准差评估改进樽海鞘群算法的效率.结果表明,改进算法具有更好的全局搜索能力和求解鲁棒性,同时,寻优精度和收敛速度也比原来算法有所增强,尤其在求解高维和多峰测试函数上,改进算法拥有更好的性能.     

混沌映射与动态学习的自适应樽海鞘群算法

针对传统樽海鞘群算法寻优精度低、易于陷入局部最优的问题,提出基于混沌映射与动态学习的自适应樽海鞘群算法.引入改进混沌Tent映射实现种群初始化,确保更加均匀的搜索空间;设计基于Logistic映射的领导者更新机制,有效增强种群多样性;利用基于动态学习的追随者更新机制,使算法跳出局部最优,提升全局搜索能力;设计领导者/追随者规模的自适应调整机制,有效均衡种群的局部开发和全局勘探能力.实验结果表明,该算法在收敛速度、寻优精度及寻优成功率上均有大幅提升.     

改进的樽海鞘群算法

针对樽海鞘群算法在对函数优化问题求解上出现的求解精度不高、收敛速度慢的缺点,提出了一种改进的群海鞘群算法.对于领导者引入加权重心取代最优个体位置,防止过早聚集在最优个体附近;对于追随者引入自适应惯性权重平衡算法的全局搜索和局部寻优能力;最后对于个体进行逐维随机差分变异,减少维间干扰,提高了种群的多样性.仿真实验结果表明改进的樽海鞘群算法在均值、标准差和收敛曲线优于标准樽海鞘群算法和其他改进算法,说明改进后的算法提高了寻优性能,有较高的求解精度和较快的收敛速度.     

基于动态邻域和自适应惯性权重的微粒群算法

针对微粒群优化解决复杂优化问题时易陷入局部收敛、效率不高的缺点,提出一种基于动态邻域和自适应惯性权重的微粒群优化算法.通过定义动态邻域及其最优维值,提出种群个体的动态邻域最优维值学习策略,使微粒跟踪个体极值和邻域的最优维值进行搜索,以增加学习样本的多样性,避免局部收敛;提出一种基于个体适应度的惯性权重动态调整方法,提高算法的寻优效率.通过优化5个典型测试函数验证了本文所提方法的有效性.     

基于混沌映射的自适应樽海鞘群算法

针对樽海鞘群算法收敛速度慢、易陷入局部最优等问题,提出了一种基于混沌映射的自适应樽海鞘群算法。在种群初始化阶段引入混沌映射来增强种群的多样性,提高算法的收敛速度;改进领导者的更新方式,同时加入自适应权重,提高算法的探索和开发能力;改进追随者的位置更新方式,减少追随者的盲目性。通过对10个测试函数进行仿真实验,并与其他优化算法进行比较,实验结果表明,在不改变原有时间复杂度的前提下,提出的算法在收敛速度和寻优精度上有较大的提升,具有更好的优化性能。     

基于自适应惯性权重的樽海鞘群算法

针对标准樽海鞘群算法收敛精度低、收敛速度慢的问题,提出一种基于自适应惯性权重的樽海鞘群算法(AIWSSA).首先,在追随者位置更新公式中引入惯性权重因子评价个体之间的影响程度;然后,结合种群成功率与非线性递减函数对惯性权重因子进行自适应调整,使算法的全局和局部搜索能力得到更好地平衡;最后,为防止算法陷入局部最优,引入差分变异思想对非最优个体进行变异.对12个基准测试函数进行求解,实验结果表明:AIWSSA具有较高的收敛精度、收敛速度和鲁棒性; Wilcoxon统计检验结果表明:与标准樽海鞘群算法、改进的樽海鞘群算法、其他群体智能算法相比, AIWSSA表现出较好的性能.通过将其应用于两种带约束的工程设计问题,验证了AIWSSA的有效性.     

融入动态学习与高斯变异的自适应秃鹰搜索算法

针对标准秃鹰搜索算法寻优时存在的初始种群分布不均匀、个体适应性差和易陷入局部最优等问题,提出一种改进的秃鹰搜索算法应用于求解函数优化问题。首先,引入Circle混沌映射丰富初始种群的多样性,在搜索空间阶段引入一种非线性权重自适应地调整算法搜索与开发的能力;其次,令螺旋搜索过程中秃鹰领导者个体向具有代表性的秃鹰个体进行动态学习,产生出适应性强的秃鹰个体;最后,对最佳搜索位置的秃鹰个体执行高斯变异策略,根据个体适应度大小择优更新曲线俯冲过程中的秃鹰领导者个体,种群中多数秃鹰个体的适应性得到增强,能够一定程度上避免算法在函数寻优时出现的停滞局面。通过在若干基准测试函数与部分CEC2017函数的对比实验验证了本文算法的优越性。     

多策略融合粒子群算法及其收敛性分析

针对使用经典线性递减策略来确定惯性权重的粒子群优化算法在实际运算过程中与粒子寻优的非线性变化特点不匹配的问题,提出一种改进的粒子群算法。该算法采用多次随机初始化的策略初始种群位置,再对惯性权重引入随机因子,使其基于粒子适应度大小来动态调节惯性权重,更好地引导粒子进行搜索,提高算法的收敛精度,并证明其能以概率1全局收敛。为了验证该算法的寻优性能,通过8个经典测试函数将标准粒子群算法、惯性权重递减的粒子群算法及提出的改进算法在不同维度下进行测试比较。结果表明,该算法的寻优精度更高。     

改进双边滤波与平均 γ 矫正的图像增强

为了提高无线传感器网络节点覆盖率,均衡能量利用,提出一种基于动态分级蝴蝶优化算法的节点部署策略。为了提高传统蝴蝶优化算法的寻优精度和速度,引入混沌映射进行种群初始化,确保种群多样性;采用动态分级策略,根据种群个体适应度,将种群划分为差质、中等和优质三种等级,并分别利用黄金正弦变异、惯性权重位置更新和精英引导对三类种群优化,提高算法收敛速度,增强摆脱局部极值的能力。应用动态分级蝴蝶优化算法求解传感器节点覆盖优化问题,将融合覆盖率、能量均衡和节点闲置率的目标函数作为适应度函数,对节点部署位置迭代寻优。实验表明,改进蝴蝶优化算法能够有效实现节点优化部署,提高网络覆盖率,以均衡的能量使用,提升网络生存时间。     

基于Baker映射的自适应樽海鞘群算法

为了克服樽海鞘群算法(Salp Swarm Algorithm,SSA)求解准确性不足和易过早收敛的缺点,提出了一种多策略改进的樽海鞘群算法(MISSA)。引入Baker混沌映射生成樽海鞘群的初始种群,以提高初始个体的均匀性;将T分布策略应用到食物源位置公式中,对原始位置进行随机干扰,引导樽海鞘个体向最优解空间运动;在跟随者位置更新公式中引入不完全Γ函数的自适应权重,以改善算法的局部和全局搜索能力。将改进算法在8个测试函数上进行仿真实验,并与不同的群智能算法进行了比较。结果表明,改进算法具有更好的全局和局部搜索性能以及更高的搜索精度。     

混沌粒子群算法及其在优化设计中的应用

针对粒子群算法易早熟收敛的局限性,提出了一种基于Hénon 映射的混沌粒子群优化(CPSO)算法。该算法采用Hénon 映射,利用种群适应度方差进行早熟收敛判断,根据群体早熟收敛程度和个体适应值来调整惯性权重。仿真实验表明,改进后的混沌粒子群优化算法使收敛速度加快,且不易陷入局部极值点。     

基于自适应惯性权重的均值粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖参数选取等缺点,提出了一种基于自适应惯性权重的均值粒子群优化算法。对算法中的惯性权重参数采用动态自适应变化方式,在迭代过程中根据粒子适应度差值将种群划分为三个等级,对不同等级的粒子采用不同的惯性权重策略,使粒子能根据自己所处的位置选择合适的惯性权重值,更快地收敛到全局最优位置;同时分别用个体极值和全局极值的线性组合取代PSO算法中的全局最优位置与个体最优位置。通过实验仿真与对比,验证了新算法性能优于标准PSO及其它一些改进的PSO算法,能够用较少的迭代次数找到最优解,具有更快的收敛速度和更高的收敛精度。     

一种自适应惯性权重的粒子群优化算法

为较好平衡粒子群算法中全局搜索能力与局部搜索能力,分析了PSO(Particle Swarm Optimization)算法中的惯性权重与种群规模、粒子适应度以及搜索空间维度的关系,并把粒子惯性权重定义为这三者的函数.通过在每次迭代后更新每个粒子的惯性权重,实现了自适应调整全局搜索能力与局部搜索能力,并结合动态管理种群的策略提出了改进的粒子群算法.通过在多个常用测试函数上与已有惯性权重调整算法测试比较,证明新算法具有较强的全局寻优能力与较高的搜索效率.     

基于IACPSO算法的摄像机镜头畸变校正

针对摄像机镜头畸变的非线性问题,提出一种基于改进的混沌变异自适应双粒子群优化(IACPSO)算法的畸变校正方法.IACPSO算法用两个独立的粒子群进行协同优化:种群一采用固定的惯性权重,同时利用立方映射混沌因子对进化过程中出现的停滞粒子进行扰动;种群二采用自适应的惯性权重,以适应度值为依据来动态调整惯性权重的大小,取两个种群进化过程中发现的最优粒子作为全局最优解.为了验证IACPSO算法在镜头畸变校正问题上的性能,将其与多种粒子群优化算法进行对比.仿真实验结果表明,IACPSO算法在求解过程中具有较强的鲁棒性,在低噪声下,其校正性能优于其他粒子群算法.最后,运用两组校正实例进一步验证所提出方法的有效性.     

动态改变惯性权重的自适应粒子群算法

惯性权重是平衡粒子群算法中平衡全局搜索能力与局部搜索能力的重要参数.为实现快速收敛与并避免陷入局部最优,分析了PSO算法中的惯性权重与种群规模、粒子适应度以及搜索空间维度这三者的关系,并把粒子惯性权重定义为这三者的函数以改进PSO算法.该算法在每次迭代后根据此函数更新每个粒子的惯性权重,实现了自适应调整全局搜索能力与局部搜索能力,并结合动态管理种群的策略提出了改进的粒子群算法.通过在多个常用测试函数上与已有惯性权重调整算法测试比较,证明新算法具有较强的全局寻优能力与较高的搜索效率.     

动态调整惯性权重的粒子群优化算法

针对高维复杂优化问题,提出一种改进适应度函数和动态调整惯性权重的粒子群优化算法.首先考虑了搜索点的函数值及其变化率,并将该信息加入适应度函数.利用维惯性权重矩阵自适应动态调整惯性权重,较好地平衡了算法的全局探索和局部开发,并分析了惯性权重随种群多样性的变化关系.在算法后期计算每一维的收敛度,以一定的概率对收敛度最小的维进行变异,以加快算法的收敛速度.对高维测试函数的实验表明,算法提高了全局搜索能力.     

改进樽海鞘群算法求解柔性作业车间调度问题

针对以最小化最大完工时间的柔性作业车间调度问题,在标准樽海鞘群算法(salp swarm slgorithm, SSA)的基础上,提出一种改进的樽海鞘群算法。采用基于工序和基于设备的二维向量进行编码,并考虑设备负载进行种群初始化。基于Lévy飞行对领导者位置更新方式进行离散化改进;在追随者位置更新公式中引入自适应惯性权重,使算法的全局搜索和局部搜索能力得到更好的平衡。为提高搜索效率,设计了交叉算子和基于关键路径的变异算子来保证种群的多样性,同时引入模拟退火(simulated annealing,SA)策略,改善算法的局部搜索能力。通过采用标准算例进行对比计算,结果验证了所提算法的有效性。     

基于质心和自适应指数惯性权重改进的粒子群算法

针对粒子群优化(PSO)算法易出现早熟收敛及寻优精度低等问题,为提高粒子群优化算法寻优能力,提出了一种基于质心和自适应指数惯性权重改进的粒子群优化算法(CEPSO)。首先,使用各粒子的适应度计算权重系数;然后,分别使用各粒子当前位置和迄今为止最优位置构造了加权的种群质心和最优个体质心,使用平均粒距来度量群体状态,并依据群体状态设计了分段指数惯性权重;最后,结合使用分段指数惯性权重和双质心调整了粒子速度更新公式。仿真结果表明,CEPSO能增强寻优能力,并具有较强的稳定性。     

基于Logistic映射的蜉蝣优化算法

在高维复杂问题上,蜉蝣优化算法存在易陷入局部最优区域且求解精度较差等问题,因而提出基于Logistic映射的蜉蝣优化算法.引入依据Logistic映射的混沌机制,当种群进化停滞时,当前最优蜉蝣通过混沌机制寻找适应度更好的蜉蝣,以激发种群进化能力;建立较劣蜉蝣加速进化机制,激励蜉蝣个体以达到种群寻优要求;采用动态惯性权重均衡算法全局和局部的搜索性能.抽取5个benchmark函数测试算法性能,实验结果验证了所提算法在寻优性能上的有效性.     

基于改进微粒群优化的PID控制器参数整定

针对微粒群优化用于PID参数整定时易陷入局部收敛、效率不高的缺点,提出一种基于动态邻域和自适应惯性权重的微粒群优化算法。首先,通过定义动态邻域及其最优维值,提出种群个体的动态邻域最优维值学习策略,使微粒跟踪个体极值和邻域的最优维值进行搜索,避免局部收敛;其次,提出一种基于个体适应度的惯性权重动态调整方法,提高算法的寻优效率。优化典型测试函数验证了本文所提方法的有效性。最后,将该方法应用于典型工业过程控制的PID参数整定,获得了满意的控制效果。