基于改进的Tent混沌万有引力搜索算法

万有引力搜索算法(gravitational search algorithm,GSA)相比于传统的优化算法具有收敛速度快、开拓性能强等特点,但GSA易陷入早熟收敛和局部最优,搜索能力较弱.为此,提出一种基于改进的Tent混沌万有引力搜索算法(gravitational search algorithm based on improved tent chaos,ITC-GSA).首先,改进Tent混沌映射来初始化种群,利用Tent混沌序列随机性、遍历性和规律性的特性使得初始种群随机性和遍历性在可行域内,具有加强算法的全局搜索能力;其次,引入引力常数G的动态调整策略提高算法的收敛速度和收敛精度;再次,设计成熟度指标判断种群成熟度,并使用Tent混沌搜索有效抑制算法早熟收敛,帮助种群跳出局部最优;最后,对10个基准函数进行仿真实验,结果表明所提算法能够有效克服GSA易陷入早熟收敛和局部最优的缺点,提高算法的收敛速度和寻优精度.     

自适应混合策略麻雀搜索算法

针对麻雀搜索算法（sparrow search algorithm,SSA）求解精度低，稳定性不足，易陷入局部最优等问题，提出一种基于自适应混合策略的麻雀搜索算法（adaptive hybrid strategy sparrow search algorithm,AHSSSA）。引入Tent混沌映射初始化种群，增加种群数量，合并两个种群，再利用精英策略得到精英种群，以提高初始解质量；引入自适应周期收敛因子α，加强搜索能力与收敛速度；追随者与预警者位置更新方式调整，在一定程度上防止算法陷入局部最优；引入多项式变异扰动，以解决SSA陷入局部最优问题。利用12种测试函数进行测试，结果表明：AHSSSA比SSA有更好的寻优性能。     

基于变尺度黑洞和种群迁徙的粒子群优化算法

针对粒子群优化(PSO)算法收敛速度慢、易早熟收敛等问题，提出基于变尺度黑洞和种群迁徙的PSO——IRBHPSO。引入变尺度黑洞来平衡算法全局探索和局部寻优的权重；在位置更新策略中引入基于混合策略的位移系数，增强算法在迭代前期的收敛速度和在迭代后期的局部寻优能力；将基于种群迁徙的蝴蝶优化算法(BOA)作为局部算子融入PSO中，改善PSO收敛速度慢、易陷入局部最优的问题。使用IRBHPSO、PSO和其他相关算法对12个基准测试函数进行仿真实验，并进行Wilcoxon秩和检验。实验结果表明，IRBHPSO具有更好的收敛精度、收敛速度和稳定性。     

基于改进引力搜索算法的桁架结构优化设计

引力搜索算法是近几年提出的较有竞争力的群智能优化算法,然而,标准引力搜索算法存在后期收敛速度慢的缺点。为有效利用优化算法来解决结构优化的问题,提出一种改进的引力搜索算法(improved gravitational search algorithm,IGSA)。通过引入Logistic映射,使GSA初始种群遍历整个搜索空间,提高算法找出最优解的可能性。通过引入粒子群算法(particle swarm optimization,PSO)的信息交互机制,利用个体粒子历史最佳位置和种群历史最佳位置动态调整粒子的速度和位置,使个体粒子更快地向适应度值更高的位置移动,使算法搜索能力加强。对6个经典测试函数进行寻优,结果表明改进后算法收敛速度快,收敛精度高,稳定性较佳,跳出局部最佳解的能力较强。用IGSA和GSA对72杆空间桁架进行尺寸优化,与其他算法相比,结果表明IGSA得到最优值的迭代次数明显减少,得到的最优解明显优于通用算法。     

带有Levy Flight机制的引力搜索算法

引力搜索算法（gravitational search algorithm,GSA）是模拟万有引力定律进行搜索的一种新颖的优化算法,已有研究表明GSA算法相比一些传统的优化算法拥有较好的收敛性能,但其缺乏有效的全局寻优机制,易于被局部极值吸引,从而陷入早熟收敛。因此提出了一种基于Levy Flight和权值惯性递减的引力搜索算法QmuGSA,以加强算法的全局寻优能力。该算法通过Levy Flight独特的不均匀随机游走的机制扩大粒子的搜索范围,增加种群多样性,从而更容易跳出局部最优点。通过4个标准测试函数对所提算法进行了仿真测试,结果表明所提算法能够有效克服基本引力搜索算法易早熟、收敛精度低等缺陷,具有较好的寻优精度和全局收敛性能,能够解决一些复杂函数的优化问题。     

多策略融合的改进万有引力搜索算法

为解决传统万有引力搜索算法（GSA）易陷入局部最优和开发能力弱等问题,提出了一种多策略融合的改进万有引力搜索算法（MFGSA）。首先,提出动态调整引力常数G的更新策略,以增强算法的探索能力和收敛精度;其次,为保留粒子的多样性,提出了基于对称思想的粒子越界处理策略,以提高算法的收敛精度;为适应前两个策略,还引入精英思想,用最优粒子改善最差粒子位置策略,以避免算法陷入局部最优;同时,提出了自适应因子更新粒子速度和位置策略,以提高算法的收敛速度。为验证改进算法的性能,将改进算法与传统万有引力搜索算法和其他四种改进万有引力搜索算法在10个基准函数上进行了对比实验,结果表明MFGSA在收敛速度、搜索精度方面优势较大,表明MFGSA性能的优越性。     

基于动态随机搜索和佳点集构造的改进粒子群优化算法

针对粒子群优化算法局部搜索能力不足和易出现早熟收敛的问题,提出一种基于动态随机搜索和佳点集构造的改进粒子群优化算法。该算法通过引入动态随机搜索技术,对种群当前最优位置进行局部搜索;采用佳点集构造对陷入早熟收敛的种群重新初始化;引入负梯度方向直线搜索来加速算法寻优。仿真实验结果表明,与标准粒子群优化(SPSO)算法和耗散粒子群优化(DPSO)算法比较, 提出的改进算法具有快速的收敛能力而且能有效地跳出局部最优, 优化性能得到明显提高。     

基于改进GSA的数据聚类机制

数据聚类是大数据分析的基本手段,传统聚类方法易于陷入局部最优。针对这一问题,提出一种基于改进引力搜索机制GSA的数据聚类算法。定义一种适合于引力搜索进化的聚类解编码方式。为了衡量不同聚类解的差异,设计一种基于汉明距离的引力搜索粒子距离度量方法,有效衡量数据对象在各维度属性上的不同。同时,在粒子速度更新方面,引入加速因子到粒子速度更新策略中,利用最优粒子位置代表的聚类解加速局部开发过程,加速粒子向最优粒子移动,有效保持局部开发与全局搜索间的平衡。实验结果表明,在经典数据集测试下,该算法在多数测试集中比同类算法具有更低的聚类失误率。     

带有Lévy Flight机制的引力搜索算法

引力搜索算法（gravitational search algorithm,GSA）是模拟万有引力定律进行搜索的一种新颖的优化算法,已有研究表明GSA算法相比一些传统的优化算法拥有较好的收敛性能,但其缺乏有效的全局寻优机制,易于被局部极值吸引,从而陷入早熟收敛。因此提出了一种基于Lévy Flight和权值惯性递减的引力搜索算法QmuGSA,以加强算法的全局寻优能力。该算法通过Lévy Flight独特的不均匀随机游走的机制扩大粒子的搜索范围,增加种群多样性,从而更容易跳出局部最优点。通过4个标准测试函数对所提算法进行了仿真测试,结果表明所提算法能够有效克服基本引力搜索算法易早熟、收敛精度低等缺陷,具有较好的寻优精度和全局收敛性能,能够解决一些复杂函数的优化问题。     

融合混沌映射和二次插值的自适应鲸鱼优化算法

针对鲸鱼优化算法(whale optimization algorithm, WOA)易陷入局部最优，收敛速度慢和寻优精度低等问题，提出一种融合混沌映射和二次插值的自适应鲸鱼优化算法(adaptive whale optimization algorithm based on chaotic mapping and quadratic interpolation, CQAWOA)。引入混沌映射在初始化阶段生成新种群，实现种群多样性；设计自适应权重，提高算法全局搜索和局部寻优能力并加快收敛速度；利用二次插值策略生成新的鲸鱼个体，采用贪婪策略更新局部最优解，提高种群计算的精度。通过15个基准函数将改进算法与其它优化算法进行对比测试，测试结果验证了在求解过程中，改进算法寻优速度和求解精度均存在显著提升。     

双种群协同演化的改进蜜獾算法

针对蜜獾算法存在的局部搜索能力不足、易陷入局部最优值等问题,提出一种双种群协同演化的改进蜜獾算法。在初始化阶段采用Cubic混沌映射对种群进行初始化,扩大可行解的搜索范围并提高种群的分布均衡性;引入融合黏菌算法和蜜獾算法的双种群优化机制,依托两者的更新优势协同推进个体逼近目标位置,进而提高整个算法的搜索效率和优化性能;采用柯西随机反向扰动策略对蜜獾种群最优位置进行扰动,以提高算法跳出局部最优的能力。通过评估单一策略的改进有效性实验、与七种对比算法的不同高维实验以及Wilcoxon秩和检验,结果表明该算法具有良好的收敛精度和求解速度。最后将改进算法应用于压缩弹簧设计和压力容器设计问题,进一步验证了改进策略的有效性及该算法的工程实用性。     

基于改进多目标骨干粒子群算法的电力系统环境经济调度

针对粒子群优化算法种群多样性不足、易陷入局部寻优的问题,提出一种基于改进多目标骨干粒子群优化算法(improved bare-bones multi-objective particle swarm optimization,IBBMOPSO)的电力系统环境经济调度的求解方法.IBBMOPSO采用一种搜索权重非线性递减...     

改进的粒子群算法在动态OD矩阵反推中的应用

针对粒子群算法存在收敛速度慢和局部最优的问题,引入粒子间相对位置改进基于抗体浓度的概率选择公式,提出了一种带免疫机理的改进粒子群算法。粒子不仅根据个体极值和全局极值更新速度和位置,而且按一定概率以轮盘赌法选择某个粒子进行学习,以保持种群多样性,防止出现早熟停滞现象。并将其用于由路段流量反推OD矩阵的极大熵模型求解研究中,以重庆市某交叉路口为实例进行实验,结果表明：粒子群算法推算OD矩阵是有效、可行的,可以克服牛顿法严格依赖初始值的缺点;改进的粒子群算法比基本粒子群算法和基本遗传算法具有更好的全局寻优能力。     

改进松鼠搜索算法求解分布式节能柔性调度

为了优化同时考虑最大完工时间和机器能耗的双目标分布式柔性作业车间调度问题,提出了一种改进的多目标松鼠搜索算法。引入了基于升序排列规则的转换机制,实现了松鼠位置向量与调度解之间的转换,并针对机器空闲时间设计了从半主动到主动的解码策略。针对不同优化目标设计了三种种群初始化策略。同时提出了动态捕食者策略来更好地协调算法的全局探索和局部开发能力。设计了四种领域搜索策略用于增加种群多样。20个实例上的实验结果验证了改进后的算法求得解的质量和多样性更好,从而证明了其可有效求解分布式节能柔性调度问题。     

求解不相关并行机调度问题的十进制多目标灰狼算法

针对不相关并行机调度问题,面向降低能源消耗和减少完工时间的目标,提出一种更高效的基于十进制整数编码的多目标灰狼算法.求解时,采用将资源配置与作业排序相结合的十进制整数编码方式,设计了针对多目标离散调度问题的两阶段位置更新机制.同时引入了N S GA-Ⅱ的精英保留策略,提高了算法的寻优能力,应用最大迭代次数停止准则结束循环并保留最优解.最后,通过数值实验与有代表性的前沿算法进行仿真对比,以验证所提算法的可行性与有效性.     

双群分段交换的改进微粒群优化算法研究

针对微粒优化算法在高维复杂函数寻优上容易陷入局部极值的问题,提出了一种双群分段交换的改进微粒群优化算法（TSME-PSO）。算法将群体分成规模相同的两个种群,两分群采用不同的进化模型更新微粒的位置与速度。算法搜索的不同阶段,交换不同数目的微粒,且数量是不断减少的。通过这些方法,可以有效地提高种群多样性,增强微粒寻优活力。仿真实验表明,TSME-PSO算法可以有效逃离局部极值,整体寻优性能良好,优于其他算法。     

融合多策略的增强麻雀搜索算法及其应用

针对麻雀搜索算法（SSA）易陷入局部最优和寻优精度低等问题,提出一种融合多策略的增强麻雀搜索算法（ESSA）。首先,在发现者飞行位置引入莱维飞行和云自适应权重,以扩大算法搜索范围并丰富其种群多样性;其次,通过基于模糊控制的自适应透镜成像策略对当前最优位置进行反向学习,以增强算法跳出局部最优的能力;最后选用CEC2017中的12个函数作为测试集,将ESSA和标准SSA,以及其他四种改进麻雀算法（ISSA、MSSSA、HSSA、SHSSA）进行性能测试。实验结果表明ESSA能够获得更好的搜索性能。将ESSA算法应用于三维无人机路径规划问题,仿真结果表明ESSA在无人机三维路径寻优上也能获取最优的结果。     

基于高斯扰动和指数递减策略的改进蝙蝠算法

针对基本蝙蝠算法后期收敛速度慢、收敛精度不高、稳定性不强等问题,提出基于高斯扰动和指数递减策略的改进蝙蝠算法（GDEDBA）。将指数递减策略引入速度更新公式,使算法迅速进入局部寻优并展开精确搜索;构造高斯扰动项加入到局部新解产生公式,使局部新解中所有粒子与当前全局最优粒子产生信息交流与学习,防止陷入局部最优,增加种群多样性;设计扰动控制因子来控制高斯扰动的扰动范围,增强算法的稳定性。15个测试函数的仿真结果表明,改进算法的寻优性能显著提高,收敛速度更快,求解精度更高,稳定性更强。     

面向多峰优化问题的自主学习萤火虫算法

萤火虫算法在处理多峰优化问题时易陷入局部最优,针对该问题提出一种自主学习萤火虫算法.该算法将粒子按适应度划为自主学习粒子和普通粒子,自主学习粒子从种群中随机选择一个粒子并随机选择一个维度,使用3种学习策略产生3个候选解,在自身以及候选解中选择最好的解;普通粒子同时选择两个优于自身的粒子进行学习.自主学习粒子能够维持算法对多个极值空间的探索并提高算法优化精度;普通粒子以两个粒子的混合信息为指引,使算法跳出局部最优.此外,使用淘汰机制,让算法舍弃对劣质极值空间的维护,进而提高对优质极值空间的开发,实验结果表明,所提出算法在处理多峰优化问题时具有高效的性能.