融合混沌映射和二次插值的自适应鲸鱼优化算法

针对鲸鱼优化算法(whale optimization algorithm, WOA)易陷入局部最优，收敛速度慢和寻优精度低等问题，提出一种融合混沌映射和二次插值的自适应鲸鱼优化算法(adaptive whale optimization algorithm based on chaotic mapping and quadratic interpolation, CQAWOA)。引入混沌映射在初始化阶段生成新种群，实现种群多样性；设计自适应权重，提高算法全局搜索和局部寻优能力并加快收敛速度；利用二次插值策略生成新的鲸鱼个体，采用贪婪策略更新局部最优解，提高种群计算的精度。通过15个基准函数将改进算法与其它优化算法进行对比测试，测试结果验证了在求解过程中，改进算法寻优速度和求解精度均存在显著提升。     

一种改进的鲸鱼优化算法

针对鲸鱼优化算法（whale optimization algorithm ,WOA）容易陷入局部最优和收敛精度低的问题进行了研究,提出一种改进的鲸鱼优化算法（IWOA）。该算法通过准反向学习方法来初始化种群,提高种群的多样性;然后将线性收敛因子修改为非线性收敛因子,有利于平衡全局搜索和局部开发能力;另外,通过增加自适应权重改进鲸鱼优化算法的局部搜索能力,提高收敛精度;最后,通过随机差分变异策略及时调整鲸鱼优化算法,避免陷入局部最优。实验选取九个基准函数,所有算法均迭代30次,结果表明：改进的鲸鱼优化与原鲸鱼优化算法以及五种改进的鲸鱼优化算法相比,其均值和标准差均优于其他算法,收敛曲线也优于其他大多数算法。说明改进的鲸鱼优化算法收敛精度和算法稳定性最佳,收敛速度较其他大多数改进的鲸鱼优化算法明显加快。     

自适应t分布与动态边界策略改进的算术优化算法

针对算术优化算法（arithmetic optimization algorithm, AOA）存在的收敛速度慢、易陷入局部最优等问题,提出了自适应t分布变异和动态边界策略改进的算术优化算法（t-CAOA）。利用引入自适应t分布变异策略提高种群的多样性和质量可以有效提升算法的收敛速度,同时通过引入余弦控制因子的动态边界策略优化AOA的寻优过程,从而协调AOA的全局勘探和局部开发能力。对10个单模态和多模态函数进行寻优实验,并与鲸鱼优化算法（whale optimization algorithm）、灰狼优化算法（grey wolf optimizer）等算法进行对比,实验结果表明,经过改进的算术优化算法具有更高的寻优精度和稳定性。进一步对t-CAOA进行求解大规模优化问题的实验,实验结果表明改进过的t-CAOA可以有效地解决大规模优化问题。     

一种多策略改进鲸鱼优化算法的混沌系统参数辨识

针对混沌系统参数辨识精度不高的问题,以鲸鱼优化算法(whale optimization algorithm,WOA)为基础,提出一种多策略改进鲸鱼优化算法(multi-strategy improved whale optimization algorithm,MIWOA)。采用Chebyshev混沌映射选取高质量初始种群,采用非线性收敛因子和自适应权重,提高算法收敛速度,为了避免算法陷入局部最优,动态选择自适应t分布或蚁狮优化算法更新后期位置,提高处理局部极值的能力。通过对10个基准函数和高维测试函数进行仿真试验,表明MIWOA具有良好的稳定性和收敛精度。将MIWOA应用于辨识R¨ossler和L¨u混沌系统参数,仿真结果优于现有成果,表明本文MIWOA辨识混沌系统参数的高效性和实用性。     

面向柔性作业车间调度的多策略鲸鱼优化算法

以某大型家具企业的柔性生产制造过程中调度问题为研究对象,提出了一种主要用于求解柔性作业车间调度问题的多策略鲸鱼优化算法(multi-strategy whale optimization algorithm, MWOA),首先,为了提高初始种群的多样性,引入混沌理论来初始化种群;同时设计了非线性收敛因子和自适应惯性权重系数来平衡全局探索和局部开发能力;然后结合差分进化(differential evolution, DE)算子提高了WOA的利用和搜索能力,最后采取最优个体混沌搜索策略,减少WOA算法出现早熟收敛现象的概率.以最小化最大完工时间为求解目标,对基准测试问题与某家具企业的生产制造过程的调度优化问题进行了求解,结果表明提出来的多策略鲸鱼优化算法克服了基本鲸鱼优化算法寻优精度低、收敛速度慢及容易陷入局部最优等缺陷,与对比算法比较,取得了更好的寻优效果.     

混合策略改进的鲸鱼优化算法

针对标准鲸鱼优化算法易出现搜索速度慢、寻优精度低及早熟收敛等问题,提出一种混合策略改进的鲸鱼优化算法。首先采用混沌映射生成初始种群增加种群多样性,为算法全局搜索奠定基础;然后引入非线性策略改进收敛因子和惯性权重,平衡算法的全局探索与局部开发能力并加快收敛速度;最后根据群体适应度方差设定阈值进行变异操作,避免算法出现早熟收敛的现象。通过对12个典型基准函数进行三方面的性能测试,实验结果表明,改进算法在搜索速度、收敛精度等方面有显著提高,且摆脱陷入局部最优解的能力强。     

基于混合策略改进的鲸鱼优化算法

针对标准WOA算法初始种群分布不均、收敛速度较慢、全局搜索能力弱且易陷入局部最优等问题,提出一种混合策略改进的鲸鱼优化算法。采用Sobol序列初始化种群以使初始解在解空间分布更均匀;通过非线性时变因子和惯性权重平衡并提高全局搜索及局部开发能力,并结合随机性学习策略增加迭代过程中种群的多样性;引入柯西变异提升算法跳出局部最优的能力。通过对12个基准函数和一个水资源需求预测模型的参数估计进行优化实验,结果表明,基于混合策略改进的鲸鱼优化算法在寻优精度及收敛速度上均有明显提升。     

融合Sin混沌和分段权值的阿基米德优化算法

针对阿基米德优化算法（Archimedes optimization algorithm,AOA）存在全局搜索能力弱、收敛精度低,易陷入局部最优等问题,提出融合Sin混沌和分段权值的阿基米德优化算法（SAOA）。采用无限折叠迭代的Sin混沌反向学习策略初始化种群,提高初始阶段解的质量,为全局搜索多样性奠定基础;引入算数交叉算子,将当前个体向与全局最优个体进行交叉,引导种群向最优解区域寻优,提高全局搜索能力;引入分段权值策略,平衡算法的全局勘探与局部开发能力,降低算法陷入局部最优的概率;通过对8个测试函数和部分CEC2014函数进行仿真实验及Wilcoxon秩和检验来评估改进算法的寻优性能,实验结果表明改进算法在搜索精度、收敛速度和稳定性等方面均有较大提升。另外,引入优化机械设计案例进行测试分析,进一步验证SAOA在工程优化问题上的可行性和适用性。     

融合单纯形法和个体记忆的鲸鱼算法及工程应用

针对传统鲸鱼优化算法寻优精度低、收敛速度慢、易获局部最优的不足,提出基于单纯形法和融入个体记忆的改进鲸鱼优化算法。引入非线性收敛因子调整机制,使收敛因子呈现不同递减速率,前期注重全局搜索,后期注重精细开发,协调搜索与开发的平滑转换;引入单纯形法增强种群局部搜索能力,提升寻优收敛速度;融合个体记忆和种群最优解改善位置更新,协调个体与种群的信息交流和个体记忆对算法的搜索和寻优能力。基准函数寻优测试结果表明,该算法可以有效提升收敛速度和寻优精度,避免局部最优解。将改进算法应用于拉伸弹簧设计这类典型工程设计问题,验证了算法的可行性。     

趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法

针对蝴蝶优化算法(butterfly optimization algorithm, BOA)易陷入局部最优,且收敛速度慢和寻优精度低等问题,提出了一种趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法(hybrid optimization algorithm for salp swarm and butterfly with reverse mutation towards optimization learning, OMSSBOA)。引入柯西变异对最优蝴蝶个体进行扰动,避免算法陷入局部最优;将改进的樽海鞘群优化算法(salp swarm algorithm, SSA)嵌入到BOA,平衡算法全局勘探和局部开采的比重,进而提高算法收敛速度;利用趋优变异反向学习策略扩大算法搜索范围并提升解的质量,进而提高算法的寻优精度。将改进算法在10种基准测试函数上进行仿真实验,结果表明,改进算法具有较好的寻优性能和鲁棒性。     

嵌入Circle映射和逐维小孔成像反向学习的鲸鱼优化算法

针对鲸鱼优化算法(WOA)容易陷入局部最优解、收敛速度慢等缺陷,提出一种改进鲸鱼优化算法.首先,利用Circle混沌序列取代原始算法中随机产生的初始种群,提高初始个体的多样性;其次,提出一种逐维小孔成像反向学习策略,增加寻优位置的多样性,提高算法摆脱局部最优的能力;最后,提出融合贝塔分布和逆不完全$\varGamma$函数的自适应权重,在保留鲸鱼优化算法优点的前提下,协调算法的搜索能力.通过对10个基准函数进行仿真实验,同时使用Wilcoxon检验、MAE等方法来评价改进后鲸鱼优化算法的性能,实验结果表明,改进算法在求解效率和稳定性等方面都有较大提升,同时,算法的寻优精度和收敛速度也比原始算法更优秀.     

基于围攻机制的改进鲸鱼优化算法

针对传统鲸鱼优化算法全局探索能力不足、收敛精度低、速度慢等问题,提出一种基于围攻机制的改进鲸鱼优化算法.首先,使用Tent混沌映射和非线性参数,使种群的分布更均匀,并且协调了鲸鱼优化算法的探索与开发能力;其次,考虑算法适应度在寻优中的重要作用,提出限制适应度控制和高斯检测机制;最后,结合哈里斯鹰优化算法的围攻机制,提升鲸鱼优化算法的全局探索和局部寻优的能力.将改进的算法与多种算法在13个可变维基准函数上进行仿真测试,结果表明,基于围攻机制的改进鲸鱼优化算法,在拥有较好鲁棒性和稳定性的同时,能够保证收敛精度与速度.     

基于高斯映射和小孔成像学习策略的鲸鱼优化算法

针对鲸鱼优化算法（WOA）容易陷入局部最优解、收敛速度慢等缺陷,提出一种基于小孔成像反向学习策略的鲸鱼优化算法。首先采用高斯映射生成的混沌序列取代原始算法中随机产生的初始种群,增加种群的多样性;其次,提出了一种小孔成像反向学习策略,并结合最优最差反向学习思想,增加了寻优位置的多样性,提高了算法跳出局部最优的能力;最后,在算法中加入了一个非线性收敛因子和一个对数形式的概率阈值,在保留鲸鱼算法优点的前提下,协调了算法的全局搜索和局部开发能力。通过对10个基准函数进行仿真测试,实验结果表明改进算法在收敛速度和收敛精度等方面有明显的提高。     

改进鲸鱼算法及其在路径规划的应用

针对鲸鱼优化算法(WOA)存在的收敛速度慢、收敛精度低和易陷入局部最优等问题,提出了采用非线性收敛因子、协同a的惯性权重、时变独立搜索概率和免疫记忆改进的鲸鱼优化算法(IWTWOA);应用非线性收敛因子、协同a的惯性权重和时变独立搜索概率改进WOA迭代模型,平衡了算法的全局搜索和局部搜索能力,有效避免了陷入局部最优的问题;引入免疫算法的免疫记忆机制,提高了算法收敛速度;选取了15个基准测试函数进行性能测试,结果表明IWTWOA算法在稳定性、计算精度和收敛速度上均有所提高;最终将其应用在路径规划问题中,获得了较好的结果.     

基于自适应权重和莱维飞行的改进海鸥优化算法

在齿轮系设计问题中, 传统算法存在计算复杂与精度低等缺点, 海鸥优化算法(SOA)得益于其算法原理简单、通用性强、参数少等特性, 现多用于工程设计问题. 然而, 标准海鸥优化算法易出现寻优精度低、搜索速度慢等问题, 本文提出一种混合策略改进的海鸥优化算法(WLSOA). 首先, 利用非线性递减策略增强海鸥优化算法的探索开发能力, 提高寻优精度. 其次, 在海鸥攻击阶段引入自适应权重平衡全局与局部的搜索能力和加入莱维飞行步长对当前最优解进行扰动, 提高算法跳出局部最优值的能力. 然后分别使用WLSOA、黄金正弦算法、鲸鱼优化算法、粒子群优化算法、传统海鸥优化算法及最新提出的改进海鸥优化算法, 通过在9个经典的测试函数上进行仿真实验来探究WLSOA的性能. 结果表明, WLSOA比其他6种算法寻优精度更高, 收敛速度更快. 最后, 在齿轮系设计问题上, 通过与其他13种常见的群智能算法的比较表明, WLSOA的求解性能优于其他算法.     

分段权重和变异反向学习的蝴蝶优化算法

针对原始蝴蝶优化算法容易陷入局部最优解、收敛速度慢及寻优精度低等问题,提出分段权重和变异反向学习的蝴蝶优化算法。通过飞行引领策略来矫正邻域内蝴蝶的自身飞行,降低盲目飞行,增强算法跳出局部最优的能力;引入分段权重来平衡全局勘探及局部开发的能力,进而实现蝴蝶位置动态更新;使用变异反向学习对位置进行扰动,增加种群多样性以及提高算法的收敛速度。通过对9个测试函数和部分CEC2014函数及Wilcoxon秩和检验来评估改进算法的寻优能力,实验结果表明改进算法的收敛速度及寻优精度得到了极大改进。     

拉丁超立方抽样的自适应高斯小孔成像蝴蝶优化算法

针对蝴蝶优化算法存在种群多样性差、寻优精度低、收敛速度慢的不足,提出了拉丁超立方抽样的自适应高斯小孔成像蝴蝶优化算法。首先利用拉丁超立方抽样种群初始化策略以提高种群的多样性,从而增强算法的全局搜索能力;然后引入在不同进化时期自动调节搜索范围的自适应最优引导策略,平衡算法的全局和局部搜索能力,从而提升算法的寻优精度;最后采用高斯小孔成像策略,对最优个体进行扰动,使得种群个体向最优个体靠近,以进一步提升算法的寻优精度并加快算法的收敛速度。通过对14个基准测试函数进行仿真实验以及Wilcoxon秩和检验,结果表明改进算法的寻优精度、收敛速度、稳定性和可扩展性等性能均得到了较大提高。