基于混合迁移行为的自组织迁移算法

自组织迁移算法(Self-organizing migrating algorithm,SOMA)是一种新型的进化算法.在对基本的自组织迁移算法分析的基础上提出了基于混合迁移行为的自组织迁移算法(Hybrid migrating behavior based self-organizing migrating algorithm,HBSOMA).该算法通过在个体迁移过程中引入了多种迁移方式,形成混合迁移行为,使得个体的行为变得多样化,增加了种群多样性,加速了群体在多峰复杂空间中的寻优进程.仿真结果显示,该算法优于原自组织迁移算法.     

一种基于ε-支配的多目标自组织迁移算法

提出一种基于ε-支配关系的多目标自组织迁移算法.首先对基于混合迁移行为的自组织迁移算法进行改进,将全面学习的思想引入个体的迁移过程中,使得个体的每个分量都可以向其他个体学习,从而进行充分的信息交换;通过引入学习因子扩展个体的迁移方向,使得步长可灵活变化,进而利用改进算法快速搜索多目标函数的Pareto最优解,并采用ε-支配关系以保持种群分布性;最后通过实验分析表明了所提出方法的有效性.     

基于个体状态的粒子群优化算法

针对标准粒子群算法的种群多样性丧失和算法早熟收敛问题,借鉴自然界中群居动物个体行为的独立性特征,提出粒子的个体状态概念,给出一种基于微粒个体状态和状态迁移的粒子群优化算法。对典型函数测试结果的比较表明,改进后算法的寻优能力明显高于标准粒子群算法。与其他改进算法相比,该算法的寻优能力也较强。     

基于反向学习的自组织迁移算法

为了解决自组织迁移算法存在的早期收敛问题,提出了基于反向学习的自组织迁移算法(Opposition-basedSelf-organizing Migrating Algorithm,OSOMA)。该算法利用反向学习机制扩展了个体的搜索方向,获得了更优秀的采样个体,使得算法在保持多样性的同时提高了收敛速度。此外,该算法还对步长进行自适应调整,进一步平衡了算法的勘探和开采能力。通过典型函数的测试证实了OSOMA的有效性。     

带子群自组织蠕虫算法及其在多模态问题中的应用

提出了一种全新的多模态遗传算法一带子群的自组织蠕虫算法（SSOMA）。该算法的基本恿想是：通过初始群体的前期寻优找到峰值点的所在邻域；随后分别在这些邻域内选择少量的个体组成子群，在这些子群中再利用自组织蠕虫算法进行后期寻优，从而找到所有的峰值点，该算法极大地降低了计算的复杂度、提高了收敛速度。最后，用经典测试函数对该算法进行了仿真实验，并进行了计算复杂度分析，结果表明该算法在多模态函数优化方面具有较为理想的应用前景。     

一种采用线性递减步长的自组织迁移算法

自组织迁移算法（SOMA）是一种新型的群体智能算法。在对原始自组织迁移算法分析的基础上,针对基于随机变异步长的自组织迁移算法存在的不足,提出了线性递减步长策略,即有针对性地以线性方式动态调整步长,以满足群体迭代在不同阶段的需求,从而加速群体在多峰复杂空间中收敛速度的同时提高算法的局部搜索能力。实验结果表明,该算法优于原始自组织迁移算法和基于随机变异步长的自组织迁移算法。     

一种改进的蝙蝠算法

为了增强蝙蝠算法的全局寻优能力,提出一种新的全局"寻优策略",将蝙蝠个体历史最优引入到蝙蝠个体寻优策略中,并引入一种"指引"方向指导蝙蝠个体全局寻优。蝙蝠个体每次迭代后将执行"优胜劣汰"的策略,随机初始化一些蝙蝠个体取代那些适应度值较低的个体,增加种群多样性以防止陷入局部极值。选取UCI中的Iris,Wine,Sonar数据集用来聚类测试,实验结果表明:与原始蝙蝠算法、差分进化算法、粒子群算法相比,改进的蝙蝠算法能够得到更高的聚类准确率,鲁棒性更强。     

用于多维函数优化的实数编码量子蚁群算法*

基于量子计算理论及蚂蚁群体寻优策略,提出了一种用于连续优化问题的新方法——实数编码量子蚁群算法（RQACOA）。针对量子比特编码和二进制编码在连续优化问题上的不足,引入一种新的实数编码表示方法,设计了智能量子蚂蚁,一条染色体携带指定范围内的多个个体信息。智能量子蚂蚁利用量子态纠缠和相干机理,通过叠加、变异及自学习来完成前期进化过程,然后以蚂蚁群体智能寻优方式进一步求解。实验结果表明,该算法具有强的全局寻优能力及快速搜索能力。     

函数优化的蜂群算法

基于蜂群觅食的特点提出一种蜂群算法.在优化过程中,每个个体的寻优策略由其以往的寻优经验和整个群体共享的信息决定;通过定义个体的调整系数和个体与群体间的差异系数实现算法全局探索和局部开发能力的平衡;给出了算法的实现步骤,并利用压缩映射定理分析了算法的收敛性.通过典型的基准函数测试算法的性能,实验结果表明了算法的优越性.     

一种混合改进的鸡群优化算法

摘要：针对鸡群算法（CSO）易陷入局部最优和出现早熟收敛的缺陷,提出了一种混合改进的鸡群优化算法（OBSA-CSO）。算法通过采用反向学习对种群进行初始化,同时对越界个体进行边界变异操作保证了算法的种群多样性并利于算法的全局搜索;在寻优过程中对母鸡采用新的位置更新公式,并对最优个体采用改进退温函数的模拟退火扰动,通过Metropolis准则进行择优的方式有效的提高了算法的寻优精度和收敛速度。通过对7个测试函数在固定迭代次数和固定寻优精度条件下的实验表明,改进后的算法相较于传统鸡群算法具有较好的寻优精度和收敛速度。     

Self-organizing migration algorithm applied to machining allocation of clutch assembly

Tolerancing is an important issue in product and manufacturing process designs. The allocation of design tolerances between the components of a mechanical assembly and manufacturing tolerances in the intermediate machining steps of component fabrication can significantly affect the quality, robustness and life-cycle of a product. Stimulated by the growing demand for improving the reliability and performance of manufacturing process designs, the tolerance design optimization has been receiving significant attention from researchers in the field. In recent years, a broad class of meta-heuristics algorithms has been developed for tolerance optimization. Recently, a new class of stochastic optimization algorithm called self-organizing migrating algorithm (SOMA) was proposed in literature. SOMA works on a population of potential solutions called specimen and it is based on the self-organizing behavior of groups of individuals in a “social environment”. This paper introduces a modified SOMA approach based on Gaussian operator (GSOMA) to solve the machining tolerance allocation of an overrunning clutch assembly. The objective is to obtain optimum tolerances of the individual components for the minimum cost of manufacturing. Simulation results obtained by the SOMA and GSOMA approaches are compared with results presented in recent literature using geometric programming, genetic algorithm, and particle swarm optimization.     

Self-Organizing and Self-Evolving Neurons: A New Neural Network for Optimization

A self-organizing and self-evolving agents (SOSENs) neural network is proposed. Each neuron of the SOSENs evolves itself with a simulated annealing (SA) algorithm. The self-evolving behavior of each neuron is a local improvement that results in speeding up the convergence. The chance of reaching the global optimum is increased because multiple SAs are run in a searching space. Optimum results obtained by the SOSENs are better in average than those obtained by a single SA. Experimental results show that the SOSENs have less temperature changes than the SA to reach the global minimum. Every neuron exhibits a self-organizing behavior, which is similar to those of the self-organizing map (SOM), particle swarm optimization (PSO), and self-organizing migrating algorithm (SOMA). At last, the computational time of parallel SOSENs can be less than the SA     

融合差分进化和SOM的组合文本聚类算法

自组织映射算法是一种重要的聚类模型,能够有效提高搜索引擎的精确性。为克服自组织映射网络对于初始连接权值敏感的不足,提出一种改进的差分进化和SOM相结合的组合文档聚类算法IDE-SOM,首先引入一种改进的差分进化算法对文档集进行一次粗聚类,旨在对SOM网络的初始连接权值进行优化,然后将这个连接权值初始化SOM网络进行细聚类。仿真实验表明,该算法在F-measure、熵等评价指标上都获得了较好的聚类效果。     

基于自组织图算法的水下传感器网络优化部署研究

水下传感器网络部署是开展水下传感器网络相关应用的基础,良好的传感器节点部署方案可以有效提高目标的监测质量;针对水环境中随机事件的突发性和不确定的特点,提出了基于自组织图算法的水下传感器网络优化部署方案;首先,随机部署传感器节点,预设随机事件呈L型不均匀分布,当随机事件发生在传感器覆盖漏洞处时,采用自组织图算法确定传感器节点需要移动到的目标位置;仿真结果表明,基于自组织图算法的水下传感器网络优化部署方案可以显著提高对随机事件的覆盖率,实现对水环境的有效监测。     

含忽略工序和不相关机的混合流水车间调度

研究从炼钢等生产过程提炼出的含忽略工序和不相关并行机的混合流水车间调度问题,以最小化最大完工时间为目标,建立整数规划模型,并提出结合全局搜索、自适应遗传算法和候鸟优化的遗传候鸟优化算法以求解该模型。在算法中采用与处理时间相关的全局搜索和随机程序以获得初始种群,提出自适应交叉和变异操作改进遗传算法解,在迭代进程中,引入基于工件、机器和工序位3种邻域搜索结构的候鸟优化算法更新最佳解。仿真实验中将遗传候鸟优化算法的实验结果与几种启发式算法进行对比,证明了模型和算法的有效性。     

Application of the Self-Organizing Feature Map Algorithm in Facial Image Morphing

A new facial image morphing algorithm based on the Kohonen self-organizing feature map (SOM) algorithm is proposed to generate a smooth 2D transformation that reflects anchor point correspondences. Using only a 2D face image and a small number of anchor points, we show that the proposed morphing algorithm provides a powerful mechanism for processing facial expressions.