一种小规模多种群萤火虫群优化算法

针对基本萤火虫群优化算法在求解多极值函数问题时,随着极值点增多,收敛速度低、精度不高的缺陷,提出了一种小规模多种群的改进萤火虫群算法,实验仿真表明,改进后的萤火虫群算法在求解多极值函数优化问题时,所花时间明显减少且精度也得到了提高。     

一种基于模式搜索算子的人工萤火虫优化算法

人工萤火虫算法是群智能领域近年出现的一个新的研究方向,该算法已在复杂函数优化方面取得了成功,但也存在着易陷入局部极小且进化后期收敛速度慢等问题.而模式搜索具有很强的搜索能力,但其搜索结果的好坏在很大程度上依赖于初始点的选择.结合两者的优缺点,提出一种基于搜索算子的人工萤火虫算法.该算法在人工萤火虫算法全局搜索过程中融入模式搜索法,改进人工萤火虫算法全局搜索和局部搜索能力.仿真实验结果表明,该算法收敛速度和解的精度显著地提高,是求解函数优化问题的一种可行和有效的方法.     

一种用Powell方法局部优化的人工萤火虫算法

针对人工萤火虫算法在寻找函数全局最优值时,存在着收敛速度慢、易陷入局部最优、收敛成功率和求解精度低等不足,利用Powell方法强大的局部优化能力,将其作为一局部搜索算子嵌入到人工萤火虫算法,提出一种用Powell方法局部优化的人工萤火虫算法。最后,8个标准函数测试结果表明,改进后人工萤火虫算法在收敛速度、精度和稳定性方面都优于人工萤火虫算法。     

一种基于改进粒子群优化和模拟退火的Memetic算法

针对现有Memetic算法收敛速度慢、容易陷入局部极值等不足,提出一种基于改进粒子群优化和模拟退火算法的Memetic算法(简称为PMemetic算法).在PMemetic算法,基于人工萤火虫算法邻域结构思想改进粒子群优化算法,并将其作为全局搜索策略;同时,采用模拟退火算法作为局部搜索策略.将PMemetic算法应用到6个典型的函数优化问题中,并与粒子群算法进行比较分析,实验结果表明PMemetic算法提高了全局搜索能力、收敛速度和解的精度.     

具有主从结构的并行人工萤火虫群优化算法

基本人工萤火虫算法存在着易陷入局部极小、收敛速度慢等缺点。将算法的处理对象分为若干个子群,采用“雇主/工人”结构,提出了一种具有主从结构的并行人工萤火虫群优化算法。通过8个典型函数测试,实验结果表明所提出的算法在减少计算时间和避免陷入局部最优等方面具有较好的表现,从而提高了人工萤火虫算法整体性能。     

求解TSP的人工萤火虫群优化算法

人工萤火虫群优化算法是一种新型群体智能算法,已在复杂多目标函数优化方面得到了成功的应用,并表现出良好的性能.为了充分发挥人工萤火虫群优化算法的优点,将该算法与C2Opt算子相结合,设计了求解旅行商问题(TSP)的一个新的高效人工萤火虫群优化算法,并用其求解TSP这一经典的NP难问题.通过对比TSP实例测试,所得结果表明,所提出算法在种群规模较小、迭代次数较少的情况下可以收敛到已知的最优解.     

带高斯变异的人工萤火虫优化算法

针对基本萤火虫优化算法在求解函数全局最优值时的不足,提出了一种带高斯变异的人工萤火虫优化算法。该算法在萤火虫的移动过程中,应用了高斯变异策略,从而在一定程度上避免了算法陷入局部最优,且能获得精度更高的解。通过对六个标准测试函数进行测试,结果表明,改进后的人工萤火虫算法比基本萤火虫优化算法有更高的收敛速度、求解精度和收敛成功率。     

求解高维函数的改进萤火虫群优化算法

针对萤火虫群优化(GSO)算法求解高维函数时存在求解精度不高、收敛速度慢等缺点,提出了一种带变异算子和集群觅食行为算子的改进萤火虫群优化算法。该算法使用变异算子来指导离群萤火虫的进化方向,从而提高了离群个体的利用率,改善了算法的整体效率。集群觅食行为算子的加入能使算法对捕捉到的全局最优域进行更进一步的求精,极大地提高了算法的计算精度和收敛速度;同时,该算子有效地防止了算法陷入局部最优值的危险,扩大了算法在后期的全局搜索范围。通过8个典型的基准函数测试,结果表明：改进后萤火虫群优化算法具有更强的全局优化能力和更高的成功率。     

基于改进二元萤火虫群优化算法和邻域粗糙集的属性约简方法

针对数据降维和去冗问题,提出基于改进的二元萤火虫群优化算法和邻域粗糙集的属性约简方法.首先,运用反向学习协同初始化种群,并基于Sigmoid变化函数的映射进行二进制编码,引入Lévy飞行位置更新策略,提出改进二元萤火虫群优化算法.再以邻域粗糙集作为评价准则,以改进算法作为搜索策略,进行属性约简.最后,通过在标准UCI数据集上的实验验证属性约简方法的有效性,并验证文中算法具有较优的收敛速度和精度.     

基于改进萤火虫算法求解焦炉推焦优化调度问题

在焦炉推焦优化调度数学模型的基础上,提出了一种带变异因子的改进人工萤火虫群优化算法。首先设计一种可调节比率的萤火虫飞行概率计算方式,使其可按照问题的实际情况进行人工调节;其次引入变异因子,增强人工萤火虫算法的搜索能力,并采用一种最优-最差荧光素更新方式,降低劣质解被选择的概率,保证算法的收敛速度。最后,仿真实验表明,所提出算法在求解乱笺炉数较多的优化调度问题时具有很高的求解质量和精度。     

基于改进粒子群优化算法的预测控制

在实际工业过程中预测控制算法应用广泛,但是对于多变量预测控制算法其参数较多,且各个参数之间相互耦合,故整定其参数比较复杂,鉴于此提出一种基于改进粒子群算法的预测控制参数优化算法。该算法的基本思想是将生物寄生行为机制引入到粒子群优化算法中,形成双种群粒子群优化算法,使用该改进粒子群算法对多变量预测控制算法的参数进行离线优化,从而确定预测控制算法参数的最优取值。最后,将本文算法用于冷热水系统液位和温度的控制,并通过仿真将该算法与标准粒子群优化算法相比较,仿真结果表明使用该算法对多变量预测控制的参数进行优化整定时,系统的阶跃响应具有抗干扰性能好、超调量小、调节时间短等优点。     

基于布尔型粒子群优化算法的网络编码优化

针对布尔型粒子群优化算法存在容易陷入局部极值和收敛速度慢的缺点,提出一种带扰动因子的自适应调整惯性权重和学习因子取1概率的布尔型粒子群优化算法,并把这种改进的布尔型粒子群优化算法用于网络编码的优化以得到具有最小编码边的编码方案.对两个人工拓扑进行优化得到的结果表明,基于布尔型粒子群优化算法最小化编码边方案的收敛速度和精度都优于基于遗传算法最小化编码边的方案的速度和精度,能有效用于网络编码的优化.     

量子群智能优化算法综述

随着科学技术的不断发展,最优化理论及其衍生出的算法已经广泛应用于人们的日常工作与生活当中,现实世界中的很多问题都可以被描述为组合优化问题。群智能优化算法这些年来被证明在解决组合优化问题方面效果显著,将当下处于研究热点的量子计算概念引入群智能优化算法形成的量子群智能优化算法,为更好地解决组合优化问题提出了一个新的研究方向。在过去的二十多年里,许多量子群智能优化算法被不断开发出来,同时在此基础上进行了大量改进与应用。综述了量子蚁群算法、量子粒子群算法、量子人工鱼群算法、量子人工蜂群算法、量子布谷鸟搜索算法、量子混合蛙跳算法、量子萤火虫算法、量子蝙蝠算法等量子群智能优化算法,并对量子群智能优化算法面临的问题以及未来研究方向进行了深入探讨。     

改进的猫群算法求解TSP问题

针对了求解TSP问题给出一种新算法,改进的猫群算法。猫群算法,作为一种群智能优化算法,有较快的收敛速度、向“他人”学习等优点,但国内目前对它的研究还处在起步阶段,所以做这方面的尝试性研究。通过引入交换子概念和改进猫的行为模式将算法用于求解TSP问题。最后通过MATLAB仿真,并将实验结果与已知最优解相比较,验证了该算法的有效性。故不仅拓宽了猫群算法的应用范围,也给求解TSP等路径优化问题提供一种新的解决办法。     

基于参数方程处理等式约束优化的粒子群算法

针对目前已有的粒子群优化算法求解有等式约束优化问题时对收敛速度和解的精度的影响,提出了一种新的基于参数方程的粒子群优化算法.它是粒子群在初始化和选代进化过程中使用求解参数方程的方法处理等式约束设计出的粒子群优化算法.数值实验结果表明,新算法是有效的.它不仅提高了收敛速度和解的精度,而且是一种通用的智能算法.     

优化复杂函数的粒子群-鸽群混合优化算法

针对复杂函数优化问题,提出一种两阶段混合优化算法。对基本粒子群和鸽群算法进行改进,引入惯性因子和跳跃算子增强了粒子群算法的搜索能力,提出干扰算子增加了鸽群算法的种群多样性。将改进后的两种算法相结合,形成两阶段混合优化算法,同时定义了一种多样性函数对种群进行实时监测,以保证种群的多样性。采用两组经典测试函数,对算法性能进行测试。结果表明,算法适用于求解复杂函数优化问题,且具有较好的收敛速度和收敛精度。     

一种混沌粒子群嵌入优化算法及其仿真

为克服混沌粒子群优化(CPSO)算法由于采用随机数作为算法参数而不能保证种群多样性和优化遍历性的缺陷,通过将混沌变量嵌入到常规粒子群优化算法(PSO)中,使PSO算法中的惯性权值和随机数用混沌随机序列来替代,提出了一种新的混沌粒子群嵌入优化算法(CEPSO),以充分利用混沌运动的随机性、遍历性克服粒子群优化算法容易陷入局部最优的缺点.通过复杂多维函数的寻优测试,验证了本算法的有效性,并将仿真结果与混沌粒子群优化算法进行比较,证明了CEPSO算法更具有较强的全局搜索能力和收敛速度.     

利用粒子群算法优化SVM分类器的超参数

利用粒子群算法在求解组合优化问题时具有的全局搜索特性,设计并实现了支持向量机分类器中超参数的优选粒子群算法,扼要地叙述了算法实现中个体编码和适应度函数,通过在国际标准数据集上的实验验证了算法的有效性和高效性,最后列举了一些在上述工作基础上可开展的深入性工作。     

一种采用完全学习策略的量子行为粒子群优化算法

为了进一步提高量子行为粒子群优化（QPSO）算法的全局收敛性能,有效改善算法中存在的粒子早熟问题提出一种基于完全学习策略的改进QPSO算法（CLQPSO）.该学习策略改变了QPSO中局部吸引子的更新方式,充分利用了种群的社会信息.采用8个测试函数对算法性能进行比较分析.实验结果表明,所提出的改进算法不仅收敛速度快,而且全局收敛能力好,收敛精度优于PSO算法和QPSO算法.     

一种随机粒子群算法及应用

为提高粒子群算法的优化效率,在分析量子粒子群优化算法的基础上,提出了一种随机粒子群优化算法。该算法只有一个控制参数,搜索步长由一个随机变量的取值动态决定,通过合理设计控制参数的取值,实现对目标位置的跟踪。标准测试函数极值优化和聚类优化的实验结果表明,与量子粒子群和普通粒子群算法相比,该算法在优化能力和优化效率两方面都有改进。