分阶段搜索的改进人工蜂群算法

针对人工蜂群(ABC)及其改进算法在求解高维复杂函数优化问题时,存在求解精度低、收敛速度慢、易陷入局部寻优且改进算法控制参数多的不足,提出一种分阶段搜索的改进人工蜂群算法。该算法设计了分阶段雇佣蜂搜索策略,使雇佣蜂在不同阶段具备不同的搜索特点,降低了算法陷入局部极值的概率;定义逃逸半径,使其能够更好地指导早熟个体跳出局部极值,避免了逃逸行为的盲目性;同时,采用均匀分布结合反向学习的初始化策略,促使初始解分布均匀且质量较优。通过对优化问题中8个典型高维复杂函数的仿真实验结果表明,该改进算法求解精度更高,收敛速度更快,更加适合高维复杂函数求解。     

一种基于混沌和单纯形法的水波优化算法

水波优化(Water Wave Optimization,WWO)算法是一种基于浅水波理论的新兴元启发式优化算法,通过模拟水波的传播、碎浪、折射操作在解空间中进行全局搜索。为提高算法的收敛速度和精度,提出了一种基于混沌(Ch-aotic)优化和单纯形法(Simplex Method,SM)的水波优化算法,简称为CSMWWO。在CSMWWO算法中,引入了混沌优化策略来降低随机初始化的种群对收敛速度和求解精度的影响,在混沌优化策略的基础上又引入了局部搜索能力较强的单纯形法来提高WWO算法的收敛速度。将CSMWWO与包括WWO在内的4个启发式算法在12个基本测试函数上进行了测试,结果表明改进后的算法在计算精度和收敛速度上都有一定程度的提高,所提出的混合水波优化算法能改进水波优化算法的整体性能。     

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。     

一种双种群差分蜂群算法

人工蜂群算法(ABC)是一种基于蜜蜂群智能搜索行为的随机优化算法.为了有效改善人工蜂群算法的性能,结合差分进化算法,提出一种新的双种群差分蜂群算法(BDABC).该算法首先通过基于反向学习的策略初始化种群,使得初始化的个体尽可能均匀分布在搜索空间,然后将种群中的个体随机分成两组,每组采用不同的优化策略同时进行寻优,并通过在两群体之间引入交互学习的思想,来提高算法的收敛速度.基于6个标准测试函数的仿真实验表明,BDABC算法能有效避免早熟收敛,全局优化能力和收敛速率都有显著提高.     

樽海鞘群算法的改进

针对樽海鞘群算法在求解过程中存在收敛速度慢、寻优精度低等问题,提出改进的樽海鞘群算法。采用混沌初始化,保证种群的多样性和均匀性;分别在领导者和追随者阶段引入正弦余弦策略和动态更新策略,提高算法全局和局部探索能力;对食物位置进行变异操作,有效避免算法陷入局部最优。为验证改进后算法的有效性,分别用其求解函数优化问题以及工程设计问题,其结果表明,该算法具有较高的收敛速度、寻优精度以及鲁棒性,总体性能优于其它智能优化算法。     

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。     

人工蜂群改进算法及其在参数估计中的应用

为提高新安江模型中参数估计的优化精度和算法性能,提出一种改进的人工蜂群(ABC)算法。设计基于最优个体的寻优和保优策略,采用寻优策略提高观察蜂的深度搜索能力,通过保优策略确保侦察蜂不会丢弃当前最优解,从而使算法能够在较短时间内得到收敛。将改进算法应用于新安江模型的参数估计中,并与ABC算法和SCPSO算法的参数估计结果进行对比。实验结果表明,改进算法得到的参数优化精度比ABC算法提高约4%,比SCPSO算法提高约1%,并且具有较快的收敛速度。     

仿生策略优化的鲸鱼算法研究

通过对混沌映射初始化种群和自适应调整搜索策略对鲸鱼优化算法(WOA)改进,提出了仿生策略优化的鲸鱼算法(BWOA),实现了对算法的全局优化能力和收敛速度的改进.通过基准测试函数的仿真,BWOA与标准WOA及高效的WOA(EWOA)对比分析,证明了BWOA的有效性.     

基于符号函数的多搜索策略人工蜂群算法

针对人工蜂群算法传统搜索策略在求解高维复杂函数时收敛速度较慢、容易陷入局部最优的缺陷,提出一种基于符号函数的多搜索策略人工蜂群算法。新算法借助符号函数将几种不同的搜索策略进行融合,在进化过程中充分发挥各搜索策略的优势,并基于目标函数值进行选择寻优,新算法能较好的平衡局部搜索能力和全局搜索能力。通过对16个基准函数的仿真实验及与其他改进算法的比较,表明了所提出的算法具有较快的收敛速度和较高的求解精度。     

深层加速搜索的蜂群算法

蜂群(ABC)算法是近年来提出的一种求解优化问题的较新型的仿生进化算法。针对蜂群算法的不足,依据反向搜索的思想,提出一种改进的蜂群算法。在改进算法中,每次邻域搜索之后,通过比较新旧食物源位置的花蜜值(而非适应度)来选择保留较优解。同时,在采蜜蜂采蜜后以一定概率进行反向搜索,保留较优解。邻域搜索的维数也不再限定某一维。基于五个标准测试函数的仿真结果表明,本算法能有效加快收敛速度,提高最优解的精度,其性能明显优于基本的蜂群算法。     

增强寻优能力的自适应人工蜂群算法*

针对人工蜂群算法在求解函数优化问题中存在收敛精度不高、收敛速度较慢的问题,提出了一种改进的增强寻优能力的自适应人工蜂群算法。该算法利用逻辑自映射函数产生混沌序列对雇佣蜂搜索行为进行混沌优化,并引入萤火虫算法中的自适应步长策略动态调整观察蜂的搜索行为,从而提升了算法的局部搜索能力。基于标准测试函数的仿真结果表明,改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。     

自扰动人工蜂群算法

人工蜂群(Artificial Bee Colony,ABC)算法是一种模仿蜂群寻找蜜源的新型算法,因具有参数简单、灵活性强等优点而被广泛用于解决工程问题。但该算法在早熟、收敛速度慢和个体越界等缺点。为此,提出一种自扰动人工蜂群算法(Novel Artificial Bee Algorithm with Adaptive Disturbance,IGABC)。该算法采用轴对称策略处理蜂群中的越界个体,提高了算法的搜索效率。通过改进全局搜索方程的结构,同时加入带阈值的线性递增策略,提出一种全新的自适应搜索方程。自适应搜索方程提高了算法的收敛精度并加快了速度。为了获得更好的全局最优解,提出一种自扰动方法对全局最优解进行扰动。选取18个基准测试函数以及近4年提出的6个改进ABC算法进行对比实验,结果表明,该算法在收敛速度和精度上均有较大的优势,尤其在处理Rosenbrock等很难寻优的复杂函数时,收敛精度提高了16个数量级。     

基于改进二进制人工蜂群算法的多用户检测器

最优多用户检测(OMD)技术可以达到理论上的最小错误概率,但已经证明它是一个非确定多项式(NP)问题。作为一种新型的群智能算法,人工蜂群(ABC)算法已被广泛用于各种优化问题,但传统二进制人工蜂群算法具有收敛速度过慢、易陷入局部最优等缺点。针对这一缺点,提出了一种改进二进制人工蜂群算法并将其用于求解最优多用户检测问题。算法简化了初始化的过程,采用单维求反的邻域搜索策略,计算量与最优多用户检测相比明显降低。仿真结果表明,提出的多用户检测方案在抗多址干扰和抗“远近”效应能力方面与传统检测方案相比,都有显著提高。     

基于改进邻域搜索策略的人工蜂群算法

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.     

一种带规范知识引导的改进人工蜂群算法

针对数值函数优化问题,提出一种改进的人工蜂群算法.受文化算法双层进化空间的启发,利用信度空间中的规范知识引导搜索区域,自适应调整算法的搜索范围,提高算法的收敛速度和勘探能力.为保持种群多样性,设计一种种群分散策略,平衡群体的全局探索和局部开采能力,并且在各个进化阶段采用不同的方式探索新的位置.通过对多种标准测试函数进行实验并与多个近期提出的人工蜂群算法比较,结果表明该算法在收敛速度和求解质量上均取得较好的改进效果.     

一种增强局部搜索能力的改进人工蜂群算法

针对人工蜂群算法初始化群体分布不均匀和局部搜索能力弱的问题,本文提出了一种增强局部搜索能力的人工蜂群算法（ESABC）。首先,在种群初始化阶段采用高维洛伦兹混沌系统,得到遍历性好、有规律的初始群体,避免了随机初始化的盲目性。然后,采用基于对数函数的适应度评价方式,以增大种群个体间差异,减小选择压力,避免过早收敛。最后,在微分进化算法的启发下,提出了一种新的搜索策略,采用当前种群中的最佳个体来引导下一代的更新,以提高算法的局部搜索能力。通过对12个经典测试函数的仿真实验,并与其他经典的改进人工蜂群算法对比,结果表明:本文算法具有良好的寻优性能,无论在解的精度还是收敛速度方面效果都有所提高。     

Artificial bee colony algorithm and pattern search hybridized for global optimization

Artificial bee colony algorithm is one of the most recently proposed swarm intelligence based optimization algorithm. A memetic algorithm which combines Hooke–Jeeves pattern search with artificial bee colony algorithm is proposed for numerical global optimization. There are two alternative phases of the proposed algorithm: the exploration phase realized by artificial bee colony algorithm and the exploitation phase completed by pattern search. The proposed algorithm was tested on a comprehensive set of benchmark functions, encompassing a wide range of dimensionality. Results show that the new algorithm is promising in terms of convergence speed, solution accuracy and success rate. The performance of artificial bee colony algorithm is much improved by introducing a pattern search method, especially in handling functions having narrow curving valley, functions with high eccentric ellipse and some complex multimodal functions.     

具有自适应搜索策略的混合人工蜂群算法

基本人工蜂群算法及其搜索策略侧重探索,为增强算法的开发能力,提出一种具有自适应搜索策略的混合人工蜂群算法。将目标函数值信息和最优解引导信息引入搜索策略,提出具有自适应机制、开发能力强的搜索策略;为防止“早熟”现象,利用三个不同随机食物源和高斯分布,设计出全局探索能力较强的搜索策略。将两个搜索策略在雇佣蜂阶段混合以平衡算法的探索与开发能力,在观察蜂阶段使用具有自适应机制、开发能力强的搜索策略以加快收敛。与基本及具有代表性的改进人工蜂群算法在20个标准测试函数中进行对比实验,结果表明所提算法具有更好的搜索能力和更快的收敛速度。