若干新型群智能优化算法的对比研究

随着计算机技术的发展,算法技术也在不断交替更新。近年来,群体智能算法受到了广泛的关注和研究,并在诸如机器学习、过程控制、工程预测等领域取得了进展。群智能优化算法属于生物启发式方法,广泛应用在解决最优化问题上,传统的群智能算法为解决一些实际问题提供了新思路,但是也在一些实验中暴露出不足。近年来,许多学者相继提出了很多新型群智能优化算法,选取了最近几年国内外提出的比较典型的群智能算法,蝙蝠算法（Bat Algorithm,BA）、灰狼优化算法（Grey Wolf Optimization,GWO）、蜻蜓算法（Dragonfly Algorithm,DA）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、蝗虫优化算法（Grasshopper Optimization Algorithm,GOA）和麻雀搜索算法（Sparrow Search Algorithm,SSA）,并进一步通过22个标准的CEC测试函数从收敛速度、精度和稳定性等方面对比了这些算法的实验性能,并对比分析了其相关的改进方法。最后总结了群智能优化算法的特点,探讨了其今后的发展潜力。     

新型群智能优化算法综述

传统群智能算法在解决复杂实际多目标优化问题中存在不足,近年来学者提出诸多新型群智能算法,适用性强,在求解复杂实际问题中取得了较好的实验效果。以算法提出时间为主线,对新型群智能算法中细菌觅食优化算法、混合蛙跳算法、人工蜂群算法、萤火虫算法、布谷鸟搜索、果蝇优化算法和头脑风暴优化算法的改进及应用进行分析和综述,并对群智能算法未来的研究发展方向进行了探讨。     

基于群体智能的0/1背包问题求解研究进展

0/1背包问题是运筹学中一个经典组合优化NP问题。在简要介绍0/1背包问题基础上,分析展望了0/1背包问题的应用前景。结合已有研究成果,总结并详细分析了蚁群算法、微粒群算法等群体智能算法在0/1背包问题求解方面具有的较好收敛速度、健壮性、稳定性、算法简单等优点。最后,针对群体智能算法在求解0/1背包问题过程中所出现的缺陷,提出了群体智能算法在0/1背包问题求解需要进一步解决的几个问题。     

群体智能算法在图像分割中的应用综述

图像分割的通用方法一直是图像处理领域中的热点和难点。随着人工智能的兴起和发展,群体智能算法成为当下热点研究的方向,将图像分割技术结合群体智能算法成为一种新型有效的改进方法。群智能算法通过模拟自然界的事物或生物的行动规律,将传统的人工智能和群体生物结合,在解空间中搜索最优解,为解决复杂问题提供了新的解决思路。阐述群体智能算法的研究现状和发展过程,将早期的蚁群算法（Ant Colony Optimization,ACO）、经典的粒子群算法（Particle Swarm Optimization Algorithm,PSO）以及较新的麻雀搜索算法（Sparrow Search Algorithm,SSA）为例详细介绍其算法原理方法,并简要表述蝙蝠算法（Bat Algorithm,BA）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、人工蜂群算法（Artificial Bee Colony Algorithm,ABC）、萤火虫算法（Firefly Algorithm,FA）、布谷鸟搜索法（Cuckoo Search,CS）、细菌觅食算法（Bacterial Foraging Optimization,BFO）和最新的蜉蝣算法（Mayfly Algorithm,MA）的原理,在此基础上,结合国内外文献对上述算法的改进方法和结合图像分割技术的综合改进及应用进行分析总结。将群体智能算法结合图像分割技术的代表性算法提取出来进行列表分析总结,随后概述总结群体智能算法的统一框架、共同特性、不同的差异并提出存在的问题,最后对未来趋势做出展望。     

群智能算法在螺旋桨参数优化设计中的应用

螺旋桨参数优化设计一般是复杂的非线性问题,设计的难点在于如何在各种非线性约束条件下找到一组适当的参数,使得螺旋桨性能最佳。群智能算法作为一种新兴演化计算技术,能有效解决全局优化问题,是优化算法研究的新热点。首先介绍了粒子群算法和蜂群算法两种群智能算法的工作原理;然后在建立螺旋桨参数优化数学模型的基础上,将群智能算法运用到螺旋桨初步和终结设计优化问题中,并通过实例进行对比分析,结果表明群智能算法解决螺旋桨参数优化问题是实用且高效的。     

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.     

果蝇优化算法研究综述

作为一种新兴的群体智能算法,果蝇优化算法(FOA)因其简单有效而在诸多领域得到成功应用.分析FOA的搜索原理和优缺点,围绕目前的改进和相关应用进行综述.重点讨论FOA改进策略,包括改进搜索半径,改进候选解的生成机制、多种群策略等,以及FOA在复杂函数优化、组合优化和参数优化等方面的应用.最后给出FOA在算法改进和实际应用方面研究的新思路.     

计算智能最新进展

《国家中长期科学与技术发展规划刚要》对智能化提出了重大的需求。计算智能算法作为一种实现智能化的方法,在国内外受到了广泛的关注。特别是针对物联网、云计算和大数据等环境下日渐复杂的最优化问题而开展的算法设计以及算法应用研究迅速发展。本文对计算智能算法在自适应控制、并行与分布式处理、普适优化空间拓展、动态不确定性优化和多目标优化等算法设计方面,以及计算智能算法应用方面的最新进展进行介绍。     

果蝇优化算法的进展研究分析

果蝇优化算法作为一种新兴的群智能优化算法,具有结构简单、调节参数少、可操作性强和全局寻优快等特点,使其相较于其他智能算法更容易理解和实现,因此自其提出之日起便受到广泛的关注与研究。综述了果蝇优化算法的设计思想,围绕现有的改进方法和相关应用进行重点分析,分析了果蝇优化算法的研究进展,包括候选解产生机制、多种群协同搜索、飞行策略等方面的改进以及在复杂函数优化、参数优化、调度及物流问题等方面的应用,最后提出果蝇优化算法未来值得关注的研究方向和内容。     

群体智能算法总体模式的形式化研究

在对群体智能算法给出形式化定义的基础上 ,给出了群体智能算法的总体模式框图 ,并以微粒群优化算法实例进行了具体算法模式的形式化描述 .     

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。     

群体智能典型算法研究综述

群体智能是指无智能的或具有简单智能的个体通过协作表现出群体智能行为的特性,它在没有集中控制且不提供全局模型的前提下,为寻找复杂的分布式问题求解方案提供了基础。群体智能潜在的并行性和分布式特征使之成为计算机领域一个重要的研究方向。在介绍群体智能模型的基础上,分别对基于该模型的蚁群优化算法和粒子群优化算法这两类代表性算法进行较为详尽的归纳阐述并进行比较,最后就目前应用最为广泛的蚁群算法对群体智能的发展趋势进行展望。     

基于群体多样性反馈控制的自组织微粒群算法

微粒群算法是一种新型的群智能算法,已被广泛用于各种复杂优化问题的求解,但算法依然面临着过早收敛问题.为克服算法的早熟问题,提出了自组织微粒群算法.将微粒群体视为自组织系统,引入负反馈机制.群体多样性是影响微粒群算法全局优化性能的关键因素,把群体多样性作为个体微粒可感知的群体动态信息,用于动态调整惯性权重或加速度系数,通过不同的特性参数实现微粒的集聚或分散,使群体维持适当的多样性水平以利于全局搜索.用于复杂函数优化问题的求解,并与其他典型改进算法进行了性能比较.仿真结果表明,基于多样性控制的自组织微粒群算法可以有效避免早熟问题,提高微粒群算法求解复杂函数的全局优化性能.     

Meta-modeling using generalized regression neural network and particle swarm optimization

Swarm intelligence (SI) and evolutionary computation (EC) algorithms are often used to solve various optimization problems. SI and EC algorithms generally require a large number of fitness function evaluations (i.e., higher computational requirements) to obtain quality solutions. This requirement becomes more challenging when optimization problems are associated with computationally expensive analyses and/or simulation tasks. To tackle this issue, meta-modeling has shown successful results in improving computational efficiency by approximating the fitness or constraint functions of these complex optimization problems. Meta-modeling approaches typically use polynomial regression, kriging, radial basis function network, and support vector machines. Less attention has been given to the generalized regression neural network approach, and yet, it offers several advantages. Specifically, the model construction process does not require iterations. Its only one parameter is known to be less sensitive and usually requires less effort in selecting an optimal parameter. We use generalized regression neural network in this paper to construct meta-models and to approximate the fitness function in particle swarm optimization. To assess the performance and quality of these solutions, the proposed meta-modeling approach is tested on ten benchmark functions. The results are promising in terms of the solution quality and computational efficiency, especially when compared against the results of particle swarm optimization without meta-modeling and several other meta-modeling methods in previously published literature.     

A novel discrete particle swarm optimization algorithm for solving bayesian network structures learning problem

ABSTRACT

Bayesian network is an effective representation tool to describe the uncertainty of the knowledge in artificial intelligence. One important method to learning Bayesian network from data is to employ a search procedure to explore the space of networks and a scoring metric to evaluate each candidate structure. In this paper, a novel discrete particle swarm optimization algorithm has been designed to solve the problem of Bayesian network structures learning. The proposed algorithm not only maintains the search advantages of the classical particle swarm optimization but also matches the characteristics of Bayesian networks. Meanwhile, mutation and neighbor searching operators have been used to overcome the drawback of premature convergence and balance the exploration and exploitation abilities of the particle swarm optimization. The experimental results on benchmark networks illustrate the feasibility and effectiveness of the proposed algorithm, and the comparative experiments indicate that our algorithm is highly competitive compared to other algorithms.     

多用户场景下SWIPT-NOMA网络中的保密能量效率优化

在采用非正交多址接入技术的无线携能通信网络中,窃听者的存在和不同用户配对方式将影响网络的保密能量效率.为寻求保密能量效率最大化支配下的网络资源配置方案,提出了一种改进的群智能搜索算法用于解决此非凸优化问题.改进的群智能搜索算法采用共生生物搜索技术,增强了对可行域的局部搜索能力.仿真结果表明,不同的用户配对方式在单时隙或多时隙场景下具有相异特征,改进后的群智能搜索算法比其他基线算法具有更佳的网络性能,为多输入多输出非正交多址接入无线携能通信网络中通信安全及能量效率的研究提供了依据.     

Particle Swarm Optimization with Chaos-based Initialization for Numerical Optimization

Particle swarm optimization (PSO) is a population based swarm intelligence algorithm that has been deeply studied and widely applied to a variety of problems. However, it is easily trapped into the local optima and premature convergence appears when solving complex multimodal problems. To address these issues, we present a new particle swarm optimization by introducing chaotic maps (Tent and Logistic) and Gaussian mutation mechanism as well as a local re-initialization strategy into the standard PSO algorithm. On one hand, the chaotic map is utilized to generate uniformly distributed particles to improve the quality of the initial population. On the other hand, Gaussian mutation as well as the local re-initialization strategy based on the maximal focus distance is exploited to help the algorithm escape from the local optima and make the particles proceed with searching in other regions of the solution space. In addition, an auxiliary velocity-position update strategy is exclusively used for the global best particle, which can effectively guarantee the convergence of the proposed particle swarm optimization. Extensive experiments on eight well-known benchmark functions with different dimensions demonstrate that the proposed PSO is superior or highly competitive to several state-of-the-art PSO variants in dealing with complex multimodal problems.