分层粒子群优化算法

针对粒子群优化算法存在进化后期局部搜索能力不强、收敛速度变慢的问题,提出一种分层粒子群优化算法。利用标准粒子群优化算法在整个搜索空间内进行全局搜索,由全局搜索获得的较优个体产生局部搜索区域,在局部区域内进行进一步搜索。为避免陷入局部最优,采用动态调整局部搜索区域的策略,保持算法的全局收敛性。通过典型测试函数计算表明,该算法的收敛速度和局部搜索能力有明显改善。     

基于灰狼算法的改进研究

针对灰狼算法具有易陷于局部最优并且收敛速度不理想的缺点,本文提出基于改进收敛因子策略和引入动态权重策略以及两种策略混合改进的灰狼优化算法,并且用于求解函数优化问题。提出的一种非线性收敛因子公式,能够动态的调整算法的全局搜索能力,引入的动态权重使算法在收敛过程中能够加快算法的收敛速度。通过15个基准测试函数进行验证改进后的算法的全局搜索能力、局部搜索能力与收敛速度,实验结果表明:改进后的算法无论在搜索能力上还是收敛速度上,都强于标准灰狼算法。     

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.     

基于反向学习与Levy飞行的改进蜂群算法

为了优化蜂群算法(BCA),平衡局部搜索与全局搜索,避免算法陷入局部最优,并提高蜂群算法的收敛速度,提出了一种多策略改进的方法优化蜂群算法(MSO-BCA).算法在种群初始化阶段采用了反向学习(OBL)初始化的方法;在种群更新与邻域搜索中采用了具有Levy飞行特征的改进搜索策略.经过对经典Benchmark函数的反复实验并与其他算法的比较,表明了所提出的算法具有良好的加速和收敛效果,提高了全局搜索能力与效率.     

基于路径交换的求解TSP混合蚁群算法

将蚁群算法与局部搜索优化算法结合，可抑制蚁群算法早熟收敛问题，并能提高蚁群算法的收敛速度。通过建立有效的局部搜索优化算法的参照优化边集，提高其求解质量和效率；引入路径交换策略提高蚁群算法的收敛速度和寻优能力。实验结果表明改进的混合蚁群算法能求解规模在2000个城市以内的旅行商问题的全局最优解。     

新的仿生优化算法：食物车-蟑螂群优化算法

提出一种新的仿生优化算法——食物车-蟑螂群优化算法。该算法模拟蟑螂的觅食行为,通过食物车在解空间定义域内抛洒食物,吸引蟑螂向食物爬行,完成搜索。在求解过程中通过巢穴变迁、平等搜索和食物筛选等策略加强全局搜索和局部搜索能力,提高算法收敛速度。仿真实验结果表明,该算法寻优率高,收敛速度快。     

提高海鸥优化算法寻优能力的改进策略及其应用

针对海鸥优化算法(SOA)收敛速度慢、容易陷入局部最优等问题,提出3种提高SOA算法寻优能力的改进策略：对非线性收敛因子与螺旋系数进行改进,以改善全局与局部搜索的协调能力,加快收敛速度;通过拓展攻击行为与攻击角度,以并行搜索的方式提升局部寻优性能;引入动态反向学习,使算法快速跳出局部最优,优化全局搜索。基于马尔可夫过程分析了改进海鸥优化算法(ISOA)的收敛性。通过16个基准函数测试了ISOA算法的寻优性能,并将其应用于PID(proportional-integral-derivative)参数整定中,结果表明,提出的改进策略能显著提高SOA算法的收敛速度与求解精度,ISOA算法在参数优化领域具有较好的应用效果。     

一种利用膜计算求解高维函数的全局优化算法

鉴于传统优化算法在求解高维多模态优化问题时存在收敛速度慢,求解精度低的缺点,针对上述问题提出了一种基于膜计算的优化算法。算法首先对高维空间进行分割,分割后每个子空间作为一个基本膜,基本膜区域中采用差分局部搜索策略提高算法的局部搜索能力和收敛速度。基本膜区域将局部最优解定时传送给表层膜。表层膜区域中采用全局搜索策略寻找全局最优解。通过对5个benchmark函数仿真验证,实验结果表明,该算法在收敛速度,求解精度和稳定性方面都有较大优势。     

一种双层可变子群的动态粒子群优化算法

粒子间信息的共享方式对粒子群优化算法的收敛速度和全局搜索能力有重要的影响.针对全互联、环形拓扑结构,提出基于双层子群的信息共享方式,以收敛率作为子群规模变化的标识,实现子群规模动态变化,协调了算法的全局搜索能力和局部寻优能力.子群排斥机制使子群跳出局部最优解的束缚,提高解的多样性.选取目前比较流行的几种粒子群优化算法,通过五种经典的Benchmark高维函数优化问题进行实验仿真.结果表明基于双层可变子群的动态粒子群优化算法可以有效的避免算法陷入局部最优,在保证收敛速度的同时算法的全局搜索能力和精度有明显的提高.     

用于全局优化的混合正交遗传算法

为提高正交遗传算法收敛速度和搜索精度,在正交遗传算法的基础上引入局部搜索策略,提出一种新的聚类局部搜索算子。利用正交算子初始化种群,保证初始群体分布的均匀性和多样性。通过正交算子在全局范围内进行全局搜索,使算法能在全局范围内收敛。采用聚类局部搜索算子对群体进行局部搜索,以增强算法的收敛速度和搜索精度。对7个高维的Benchmark函数进行测试,仿真实验结果表明,与其他算法相比,该算法具有更好的搜索精度、收敛速度和全局寻优的能力。