若干新型群智能优化算法的对比研究

随着计算机技术的发展,算法技术也在不断交替更新。近年来,群体智能算法受到了广泛的关注和研究,并在诸如机器学习、过程控制、工程预测等领域取得了进展。群智能优化算法属于生物启发式方法,广泛应用在解决最优化问题上,传统的群智能算法为解决一些实际问题提供了新思路,但是也在一些实验中暴露出不足。近年来,许多学者相继提出了很多新型群智能优化算法,选取了最近几年国内外提出的比较典型的群智能算法,蝙蝠算法（Bat Algorithm,BA）、灰狼优化算法（Grey Wolf Optimization,GWO）、蜻蜓算法（Dragonfly Algorithm,DA）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、蝗虫优化算法（Grasshopper Optimization Algorithm,GOA）和麻雀搜索算法（Sparrow Search Algorithm,SSA）,并进一步通过22个标准的CEC测试函数从收敛速度、精度和稳定性等方面对比了这些算法的实验性能,并对比分析了其相关的改进方法。最后总结了群智能优化算法的特点,探讨了其今后的发展潜力。     

双种群改进蚁群算法

基本蚁群优化（Basic Ant Colony Optimization，BACO）算法在进化中容易出现停滞，其根源是蚁群算法中信息的正反馈．在大量蚂蚁选择相同路径后，该路径上的信息素浓度远高于其他路径，算法很难再搜索到邻域空间中的其他优良解．对此，提出一种双种群改进蚁群（Dual Population Ant Colony Optimization，DPACO）算法．借鉴遗传算法中个体多样性特点，将蚁群算法中的蚂蚁分成两个群体分别独立进行进化，并定期进行信息交换．这一方法缓解了因信息素浓度失衡而造成的局部收敛，有效改进算法的搜索性能，实验结果表明该算法有效可行．     

基于改进粒子群优化算法和遗传变异的图像分割模型

图像分割是由图像处理到图像分析的关键步骤。针对聚类分割对初始聚类中心有较大依赖的局限性，提出了一种基于改进粒子群优化（PSO）算法和遗传变异的图像分割模型PSOM-K(Particle Swarm Optimization Mutations-K-means)。首先，对PSO公式进行改进，即增加了随机邻居粒子位置对自身位置的影响，并扩大了算法的搜索空间，使算法能快速地找到全局最优解；其次，结合遗传算法的变异操作来提高模型的泛化能力；然后，将改进后的PSO算法从红（R）、绿（G）、蓝（B）三通道来初始化k均值（k-means）聚类中心的位置；最后，用k-means从R、G、B三通道对图像进行分割并合并这三通道的图像。在伯克利分割数据集（BSDS500）上的实验结果表明，在k=4时，PSOM-K在特征相似性（FSIM）上相较于CEFO (Chaotic Electromagnetic Field Optimization）算法提升了7.7%～12.69%，相较于WOA-DE(Whale Optimization Algorithm-Differential Evolution）方法提升了5...     

随机蛙跳算法的研究进展

随机蛙跳算法(Shuffled Frog Leaping Lgorithm,SFLA)是进化计算领域中一种新兴、有效的亚启发式群体计算技术,近几年来逐渐受到学术界和工程优化领域的关注.SFLA结合了具有较强局部搜索(Local Search,LS)能力的元算法(Memetic Algorithm,MA)和具有良好全局搜索(Global Search,GS)性能的粒子群算法(Particle Swarm Optimization,PSO)的特点,因此其寻优能力强,易于编程实现.详细阐述了SFLA的基本原理和流程,总结了SFLA目前在优化和工程技术等领域中的研究,展望了SFLA的发展前景.     

动态调整搜索策略的果蝇优化算法

针对标准果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）收敛速度慢、容易陷入局部最优及寻优精度低等缺陷,提出了一种动态调整搜索策略的果蝇优化算法（Fruit Fly Optimization Algorithm with Dynamic Adjustment of Search Strategy,FOAASS）。利用混沌映射增强种群初始位置的均匀性和随机性;根据种群进化信息动态调整部分果蝇的搜索策略;通过转换概率随机选取搜索半径并对其进行动态调整;当算法陷入早熟时,改变搜索策略以跳出局部最优。仿真实验结果表明,提出的改进算法相比标准果蝇优化算法和部分改进算法,有较好的寻优精度和收敛速度。     

大规模MIMO系统中优化导频分配方案研究

针对大规模MIMO系统中小区间干扰而导致的导频污染问题,提出了基于IGTSA（Improved Greedy and Tabu Search Algorithm,改进贪婪禁忌搜索算法）和基于CA（Competition Algorithm,竞争算法）的导频分配方案。提出的ITSA是将遗传算法中的变异操作加入禁忌算法来避免其陷入局部最优解,提升全局搜索能力。为更好地实现全局搜索与局部搜索的协调统一,引入CA进一步优化以系统可达和速率达到最大为目标的导频分配方案。相比于局部搜索算法,如GA（Greedy Algorithm,贪婪算法）和TSA（Tabu Search Algorithm,禁忌搜索算法）,所提出的方案能获得更优的系统性能。仿真结果和分析证明了算法的有效性。     

一种带有摄动的导向性蚁群算法

针对加入导向性局部搜索(Guided Local Search,GLS)的蚁群算法(Ant Colony Optimization,ACO)容易过早收敛的问题,提出一种带有摄动的导向性蚁群算法(Perturbation Guided Ant Colony Optimization,PGACO),该算法在当前解表现出过早收敛的趋势时,采用摄动(Perturbation)方式干扰解构建过程,使当前解移动到其邻域空间,从而产生一个新的可行解来避免算法过早收敛,提高算法求解的精度。实验结果表明,PGACO能有效地改善过早收敛问题,获得更优的可行解和执行速度,同时具有更强的全局搜索能力,能进一步提高算法的性能。     

一种改进微粒群算法的图像阈值分割方法

以Kittler和Illingworth准则函数作为评价函数,提出了一种利用最小误差法和改进微粒群算法对图像进行阈值分割的方法IPSO（Improved Partical Swarm Optimization）。为了改善PSO算法,特别是在收敛速度方面的局限,IPSO算法引入遗传算法的择优思想对基本微粒群算法进行改进,使得改进后的IPSO算法具有快速的全局搜索能力。实验结果表明,对于灰度分布较复杂的图像,改进的IPSO算法不仅降低了运算开销,而且获得了满意的图像分割效果。     

布谷鸟搜索算法综述

布谷鸟搜索（Cuckoo Search,CS）算法是一种新型的群体智能优化算法,该算法受布谷鸟的巢寄生育雏行为的启发,并结合鸟类、果蝇等的莱维飞行特征而提出。首先对CS算法的原理进行介绍,并将它与当前主流群智能算法进行对比分析,从而说明CS算法的有效性及不足。然后介绍了算法的国内外研究成果,包括二进制CS、混沌CS、离散CS等多种版本的改进算法,以及CS算法在图像处理、数据挖掘、组合优化等多个领域的应用。最后,结合布谷鸟算法的特点及其应用研究成果,指出CS算法未来的研究方向。     

基于粒子群算法的遗传算法及其应用

本文将遗传算法（Genetic Algorithm）和粒子群算法（Particle Swarm Optimization）进行了有机结合,提出了一种改进的混合遗传算法——基于粒子群算法的遗传算法（PSOGA）。最后通过旅行商问题的仿真实验,证明该算法的收敛速度快,拥有更好的优化性能。     

新型群智能优化算法综述

传统群智能算法在解决复杂实际多目标优化问题中存在不足,近年来学者提出诸多新型群智能算法,适用性强,在求解复杂实际问题中取得了较好的实验效果。以算法提出时间为主线,对新型群智能算法中细菌觅食优化算法、混合蛙跳算法、人工蜂群算法、萤火虫算法、布谷鸟搜索、果蝇优化算法和头脑风暴优化算法的改进及应用进行分析和综述,并对群智能算法未来的研究发展方向进行了探讨。     

基于人工蜂群算法的群体动画路径生成方法

大多数群体智能算法容易陷入局部最优,且收敛速度较慢。为此,将粒子群优化算法引入人工蜂群算法中,提出一种改进的路径生成算法NewABC,实现最优目标位置的选取及粒子个体的路径规划。将该方法生成的路径数据导入maya三维动画制作软件中进行仿真实验,结果表明,该方法生成的群体动画效果逼真,动画创作效率有较大的提高。     

协同混合粒子群算法求解车间作业调度问题

针对如何有效解决车间作业优化调度问题,提出一种协同粒子群和引力搜索的混合算法。新算法在粒子群算法进化停滞时引入引力搜索算法,利用引力搜索算法进化后期快速寻优的能力,及时跳出局部最优,保证全局最优。同时采用协同原理简化算法结构,提高算法收敛速度。将提出算法对车间作业调度典型测试用例进行仿真,仿真结果表明该算法较PSO和GA等算法在求解车间作业调度问题上更具优越性。     

群智能算法的研究进展

群智能是一种仿生自然界动物昆虫觅食筑巢行为的新兴演化计算技术。目前主要的群智能优化算法有蚁群算法、微粒群算法和人工鱼群算法。本文介绍了群智能算法的产生、发展和优点,并着力阐述了上述三种典型算法的基本原理,同时概述了各算法的应用现状,最后提出了算法将来有待研究的内容。     

蝙蝠算法研究及应用综述

蝙蝠算法（BA）是一种受蝙蝠利用超声波回声定位觅食行为启发的新型群体智能优化算法。介绍了蝙蝠算法的基本原理，分析了性能影响因素，论述了算法的改进策略，并阐述了蝙蝠算法在数据挖掘、图像处理、组合优化等方面的应用与发展。最后结合蝙蝠算法的性能特点和应用方向，对蝙蝠算法未来的研究发展方向进行了展望。     

云人工鱼群算法

借鉴人工鱼群算法的思想,利用云模型云滴的随机性和稳定倾向性的特点,提出了一种新的人工鱼群算法——云人工鱼群算法,并用于求解具有变量边界约束的非线性的复杂函数最优化问题。计算机仿真结果表明,云人工鱼群算法具有计算精度较高,搜索速度较快等特点,具有一定的参考和应用价值。     

动态权重的蝙蝠算法在图像分割中的应用研究

传统的最小交叉熵阈值分割法（MCET）采用穷举的搜索形式，存在计算复杂度大、分割效率低的缺点，在很大程度上限制了该方法的应用。针对最小交叉熵分割法存在的不足，提出采用改进蝙蝠算法（BA）来搜索阈值的最优解。对BA算法中的权重参数做自适应调整，将随着迭代次数变化而变化的时变惯性权重策略应用于BA算法更新公式，给出三种不同的改进策略解决原始BA算法在靠近最优解时收敛速度下降的问题。将改进后的最优BA算法（IBA）应用于最小交叉熵多阈值图像分割中，与基本BA算法、改进的粒子群优化算法（IPSO）、模糊聚类方法（FC）三种方法进行对比性实验。实验结果表明，提出的IBA算法运算速度和分割精度效果明显提升。     

蜜蜂群优化算法用于训练前馈神经网络

训练人工神经网络的目的是调整各层的权重系数以达到最优,因而训练过程的实质是一项优化任务。传统的训练算法存在着容易陷入局部最优、计算复杂等缺陷。介绍一种训练前馈神经网络的蜜蜂群优化算法,它是一种简单、鲁棒性强的群体智能随机优化算法。该算法把探查和开发过程有效地结合在一起,并采取了跳出局部最优的搜索策略。成功地把该算法应用于神经网络训练的基本问题:异或问题、N位奇偶校验和编码解码问题,并与传统的BP算法进行比较。仿真实验证明其性能较传统的GD算法和LM算法更为优越。     

乌鸦搜索算法在SVM参数优化中的应用

参数的选择对支持向量机（SVM）分类精度和泛化能力有至关重要的影响，而群体智能算法近年来在参数优化方面应用广泛，在此背景下提出CSA-SVM模型。该模型将分类准确率作为目标函数，利用乌鸦搜索算法（CSA）求得SVM的最优参数组合。为了验证CSA-SVM模型的分类性能，将该模型应用于6个标准分类数据集，并分别与遗传算法（GA）和粒子群（PSO）算法优化后的SVM模型进行性能比较。实验结果表明，CSA算法在SVM参数选择中具有更好地寻优能力和更快地寻优速度，CSA-SVM模型具有较高的分类准确率。