三级领导式的快速自适应狼群优化算法

为提高狼群算法的收敛速度，在此提出了一种称为三级领导式和微粒进化方程的自适应狼群算法，人为地把灰狼分成两类，领导层三只灰狼：如[α、][β]和[δ]，剩下的为猛狼[w]。在游走搜索阶段随机设定一个猎物位置，利用狼群与猎物之间的距离来指导游走搜索猎物；在召唤阶段，利用三个领导层灰狼作为头狼来引导猛狼向猎物靠近，避免了传统狼群算法只有一只头狼引导整个狼群就容易陷入局部最优的情况；在围攻猎物阶段利用惯性因子来表示以往奔袭的经验、学习因子与随机数之间的乘积来表示猛狼自身经验的认识与总结、迭代影响因子来表示整体狼群经验的认识与调整，综合起来狼群粒子奔袭速度加快收敛速度和跳出局部最优，从而找到真实的整体最优值。本次选取的8个测试函数对应的对比性实验结果表明：该方法较为精确地实现寻找到了测试函数的最优值且较早地快速收敛到最优解，在后期也平稳收敛到真实的最优值，该算法适用于多维多波峰函数求极值问题。     

多选择背包问题离散狼群算法研究

狼群算法是一种通过模拟狼群的捕食行为和猎物分配方式提出的群体智能算法,为求解复杂组合优化问题提供了一种新的思路。目前狼群算法不能解决离散问题,以NP难中的经典问题——多选择背包问题的求解为研究对象,设计了基于离散空间的狼群算法。对于离散空间的狼群算法,通过将人工狼编码,重新设计了狼群的游走、奔袭和围捕过程,并设计了三个过程中的步长。把学习机制引入离散狼群算法,实现了人工狼之间的交流,且确立了自适应步长公式。结果表明：离散狼群算法成功实现了对离散问题的求解,为组合优化问题的求解提供了新方法。     

一种基于领导者策略的狼群搜索算法

基于狼群捕食行为的特性, 提出一种基于领导者策略的狼群搜索算法。该算法思想源于狼群个体之间存在相互竞争, 从而推选出狼群中最为精壮的狼作为狼群的领导者, 然后在领导者的带领下获取猎物, 这样使得狼群能够更加有效地捕获到猎物。狼群在领导者狼的带领下通过不断搜索, 捕获猎物, 该过程对于优化问题, 最终可找到全局最优解。为表明所提出的算法有效和正确性, 通过测试标准函数与其他同类算法比较, 结果表明该算法无论在收敛速度还是求解精度上都较优, 且不易陷入局部极小。     

基于改进搜索策略的狼群算法

针对狼群算法(WPA)存在的收敛速度慢、易陷入局部最优、人工狼交互性不理想等不足,提出一种基于改进搜索策略的狼群(MWPA)算法。对游走行为以及召唤行为引入交互策略,促使人工狼之间进行信息交流,提升狼群对全局信息的掌握,增强狼群的探索能力;对围攻行为提出自适应围攻策略,使算法具有调节作用,随着算法的不断进化,狼群围攻范围不断减小,算法开采能力不断增强,从而提高算法收敛速度。通过优化问题中6个典型复杂函数的仿真实验表明,与基于领导者策略的狼群搜索(LWCA)算法相比,改进搜索策略的狼群算法求解精度更高、收敛速度更快,更加适合函数优化问题的求解。     

关于跨域虚拟网络的优化狼群映射研究仿真

虚拟网络映射的目的是将网络底层物理资源,以高可用低开销的方式配置到虚拟网络中,进而提高物理网络的业务扩展性能.针对分布式跨域带来的网络资源异构特性,现有映射算法往往存在节点或链路负载不均衡,资源开销过大,以及报文抖动等问题,提出了优化狼群的跨域虚拟网络映射算法.由于跨域虚拟网络映射过程中,额外的资源开销主要来源于域间,因此算法将映射处理分为域内与域间两部分进行独立分析.对于域内映射只引入元胞结构,增强单目标优化处理性能,将节点采用二进制表示,并设定每一位作为一个元胞,建立节点元胞模型,通过更新元胞与近邻得到域内节点与链路资源的最优配置;对于域间映射,则在元胞基础上,引入优化狼群算法,元胞结构提高搜索的分布能力,优化狼群提高全局寻优性能,利用探狼四处游走,在元胞向量中搜索解,同时得到头狼信息,头狼产生召唤行为通知猛狼目标解的信息,从而利用分工协作实现节点与链路最优解的搜索.仿真结果表明,提出的优化狼群网络映射算法能够有效应对跨域异构资源问题,均衡节点和链路的负载,显著降低网络映射开销和网络映射执行时间.     

一种引入Nelder-Mead算子的改进狼群搜索算法*

为了克服狼群搜索算法(WSA)存在的不足,提出一种新的混合优化算法,称之为引入Nelder-Mead算子的改进狼群搜索算法。该算法使每只狼在搜索中可利用群体信息和个体记忆来指导其搜索猎物,以提高算法的全局搜索能力;让每只狼在搜索中可使用Nelder-Mead方法,以弥补WSA算法在局部搜索能力上的不足。针对12个基准测试实例的实验结果表明, 该算法能够寻得更优的最优解,且鲁棒性更强。     

双收敛因子策略下的改进灰狼优化算法

针对标准灰狼优化算法（GWO）的收敛速度慢、易陷入局部最优等缺点,提出一种在非线性双收敛因子策略下基于双头狼引领的改进灰狼优化（GWO-THW）算法。首先,利用混沌Cubic映射初始化种群,提升种群分布的均匀性和多样性,并通过平均适应度值将狼群分为捕猎狼和侦察狼,两类狼群采用不同的收敛因子,在各自的头狼带领下寻找和围捕猎物;其次,为提升搜索速度和精度,设计了一种位置更新的自适应权重因子;同时,为跳出局部最优,当一定时间内未发现猎物时,狼群采用莱维（Levy）飞行策略随机更新位置。在10个常用的基准测试函数上验证GWO-THW的有效性。实验结果表明,与标准GWO及相关变体相比,GWO-THW在8个基准测试函数上都取得了较高的寻优精度和收敛速度,尤其在多峰函数上,200次迭代内就能收敛到理想最优值,从而验证了GWO-THW具有更好的寻优性能。     

基于二进制量子微粒群算法的二维熵图像分割

分析量子计算的特点,对量子旋转门进行研究,给出了新的量子旋转门调整策略,并与离散二进制粒子群优化算法进行组合,提出了二进制量子粒子群优化算法。该算法具有收敛速度快、全局寻优能力强的特点。用典型复杂函数对其进行测试,测试结果表明,算法的优化质量和效率都优于离散二进制粒子群优化算法。将二进制量子粒子群优化算法与阈值法相结合应用于图像分割,结果表明了基于二进制量子粒子群优化算法的二维熵图像分割法用于阈值寻优具有更快的收敛速度和更好的全局寻优能力。     

一种基于细菌趋药行为的量子算法

菌群觅食优化算法具有算法简单、鲁棒性强和具备全局搜索能力的特点。但该算法收敛速度慢,对于多峰函数容易陷入局部最优。为提高菌群优化算法的搜索能力,避免其陷入早熟收敛,提出一种量子菌群算法,将二进制编码的量子进化算法融合到菌群算法中,用量子染色体表示细菌,用量子旋转门实现细菌状态更新。通过标准测试函数对其优化性能进行研究,实验结果表明,该算法无论是对于普通函数还是多峰函数,在收敛速度、收敛稳定性和寻找全局最优方面均优于菌群算法和量子遗传算法。     

狼群算法的基本原理及应用综述

狼群算法是基于狼群捕食中的游猎行为、召唤行为、攻击行为,收敛速度和求解精度更高的智能群体算法.该文基于知网数据库的现有中文文献,阐述了狼群算法的基本原理、基本模型,以及在算法研究、算法应用研究、离散化问题应用研究三方面的进展情况.     

基于差分进化的改进狼群算法研究

针对传统狼群算法（WPA）存在易陷入局部最优解、计算资源耗费大、鲁棒性低等问题,提出一种基于差分进化的改进狼群算法（DWPA）。首先,通过引入探狼搜索因子、猛狼最大奔袭次数、自适应围攻步长、差分进化策略等对传统狼群算法进行了改进,降低算法计算耗费的同时提高了算法的全局搜索能力;然后,运用马尔可夫链理论证明了DWPA的收敛性;最后,对13个测试函数进行寻优测试并与WPA等4种算法进行对比分析。测试结果表明,DWPA具有良好的鲁棒性和全局搜索能力,在求解多峰、高维、不可分函数方面的寻优能力尤为突出。     

改进狼群算法用于多约束稀布线阵综合

结合量子理论提出了一种改进狼群算法,并将其用于优化多约束稀布直线阵列综合问题。新算法通过量子位特殊编码方式、停滞检测与选择性变异极大地提高了全局优化能力。给出了改进狼群算法流程,并在给定阵列孔径和阵元数的条件下,实现了任意最小阵元间距约束下,抑制天线峰值旁瓣电平（PSLL）的稀布线阵综合仿真。通过解空间变换,有效避免了算法进行阵列综合时,狼群位置更新过程中出现不可行解问题,减少了判断步骤,提高了优化效率。通过典型实例的仿真对比,证实了该方法的有效性和稳健性,而且能获得比现有方法更低的PSLL和更高的优化效率。     

基于正弦因子和量子局部搜索的灰狼优化算法

针对基本灰狼优化算法在求解复杂问题时,存在依赖初始种群、过早收敛和易陷入局部最优等缺点,提出一种融合正弦控制因子和量子局部搜索的灰狼优化算法（QGWO）。通过对灰狼算法中的控制因子按照具有正弦变化的曲线变化,使改进后的算法在迭代前期加快收敛速度以快速完成全局搜索,并且在迭代后期减缓收敛速度以提高算法精度。引入量子局部搜索降低算法陷入局部最优的概率。选用12个标准测试函数对QGWO算法性能进行验证,分别从单峰、多峰和固定维测试函数对比分析。实验结果表明,与GWO、WOA、SCA和CGWO相比,QGWO对测试函数的求解有更高的精度和稳定性。通过工程实例优化KELM进行分类实验验证,QGWO表现出更好的寻优性能。     

狼群优化的神经网络频谱感知算法

提出了一种基于狼群优化的人工神经网络频谱感知方法,实现了具有神经网络最优结构的神经网络频谱感知算法。该算法在包含自组织神经网络的频谱感知算法的基础上,具体阐述了训练样本的生成,神经网络的训练以及对神经网络训练阶段结束后所得到的权值矩阵运用狼群优化方法进行进一步的优化处理的过程。实验结果表明,狼群优化的自组织神经网络频谱感知算法与自组织神经网络的频谱感知算法相比,具有更好的频谱感知性能。     

基于改进狼群算法的三维OTSU阈值法

三维OTSU阈值法引入了邻域中值及均值信息,抗噪性明显提高,但仍存在分割效果不佳的现象,而且阈值维度的增加导致算法运算量庞大、运行时间过长。为提高算法的计算效率和寻优准确率,利用改进的狼群优化算法来搜寻最佳分割阈值。采用花授粉算法优化后计算的最佳阈值调节狼群算法的初始阈值,使狼群在算法初期具有较高的全局探索能力,提高求解速度。为避免算法后期种群聚集的现象,将高斯变异引入围攻行为,设置变异函数,将满足变异条件的个体狼进行变异,避免算法陷入局部最优,提高寻优精度。将改进的算法与传统三维OTSU算法以及CWPA算法优化的三维OTSU法进行图像分割对比,实验显示,改进的算法使分割时间显著降低,并提高了计算阈值的准确度。     

一种狼群智能算法及收敛性分析

针对狼群算法求解复杂函数时容易陷入局部极值、计算耗费大、学习能力差等局限性, 提出一种狼群智能算法. 首先, 通过构建智能猎杀行为提高算法自适应学习能力, 降低算法的计算耗费, 构建双高斯函数更新法以增强算法全局搜索能力; 然后, 运用马尔科夫过程证明狼群智能算法的收敛性; 最后, 对多种典型测试函数进行仿真实验并与多种智能算法进行对比分析. 实验结果表明, 所提出算法具有全局收敛性强、计算耗费低、寻优精度高等优势.     

求解TSP 问题的离散狼群算法

通过定义反转算子, 对人工狼位置和智能行为重新进行整数编码设计, 并结合概率近邻初始化方法, 提出一种求解旅行商问题的离散狼群算法. 该算法保留了狼群算法基于职责分工的协作式搜索特性, 并较好地平衡了算法的广度开拓和深度开采能力. 采用C-TSP 问题和TSPLIB 数据库中的多组TSP 问题作为实验用算例, 并将所提出算法与其他5 种智能优化算法进行对比, 仿真结果表明, 所提出算法在求解准确率、稳定性和所需迭代次数等方面具有相对优势.

     

求解多目标带时间窗VRP问题的文化狼群算法

针对以最小化总距离和车辆数为目标的带时间窗车辆路径问题的求解,提出一种基于文化基因的狼群算法。根据客户近邻度矩阵构建初始狼群,提高狼群的优良性。结合问题特征与狼群算法的寻优思想,重新定义了群体的游走和突袭行为。提出头狼变异策略,增加了最优解的邻域搜索范围。受文化算法启发,将当前最优解的有利信息作为信仰空间的知识来指导狼群进化方向,提高搜索效率。仿真实验及与其他算法对比,表明文化狼群算法求解车辆数更少、总距离更短,且具有更好的稳定性。     

多配送中心车辆路径问题的狼群算法

针对多配送中心动态启用和车辆的合理分配,文章首先建立了以总路径长度最小为目标函数的多配送中心车辆路径问题的数学模型;其次,根据多配送中心车辆路径问题的具体特征,模拟狼群捕食行为设计了求解该问题的狼群算法;最后,应用狼群算法求解测试算例,并将其计算结果与几种常见智能优化算法的计算结果进行比较,验证了狼群算法求解多配送中心车辆路径问题的可行性与有效性。