一种新的改进的混合蛙跳算法

针对混合蛙跳算法在优化过程中受初始值影响较大且容易陷入局部最优的缺陷,提出了一个改进的混合蛙跳算法,该算法利用基于对立学习的策略产生初始种群,提高了产生解的质量;在进化过程中,将差分进化有机地嵌入其中,维持了种群的多样性。数值结果表明,改进的混合蛙跳算法对复杂函数优化问题具有较强的求解能力。     

求解复杂函数优化问题的混合蛙跳算法*

针对基本混合蛙跳算法在处理复杂函数优化问题时容易陷入局部最优、收敛速度慢的缺点,提出了一种改进的混合蛙跳算法。该算法把生物学中的吸引排斥思想引入到混合蛙跳算法中,修正了其更新策略,从而维持了子群的多样性。实验仿真结果表明,改进的混合蛙跳算法提高了算法的收敛速度,有效地避免了SFLA的早熟收敛问题,从而改善了对复杂问题的搜索效率,数值实验结果验证了算法的有效性和鲁棒性。     

嵌入共轭梯度法的混合蛙跳算法

针对基本蛙跳算法在处理复杂函数优化问题时求解精度低且易陷入局部最优的缺点,提出了一种嵌入共轭梯度法的混合蛙跳算法。该算法在基本蛙跳算法划分模因组的基础上引入共轭梯度法,由于基本蛙跳算法模因组的划分规则,使得排在最后的青蛙子群个体位置较差,严重影响着整个群体的寻优速度,因而选取排列在后面的一部分模因组使用共轭梯度法进行求解,这使得算法在进化中后期易跳出局部最优,提高了算法的收敛精度。所得混合蛙跳算法有效结合了基本蛙跳算法较强的全局搜索能力和共轭梯度法快速精确的局部搜索能力。数值实验结果表明,所提出的改进蛙跳算法较基本蛙跳算法具有更高的收敛精度,避免了陷入局部最优的缺点,且优化结果更加稳定。     

一种改进的混合蛙跳算法及其收敛性分析

为了提高混合蛙跳算法（SFLA）求解函数优化问题的能力,借鉴PSO与DE的进化算子提出了一种改进的混合蛙跳算法（ESFLA）,分析了ESFLA的时间复杂性,并基于有限Markov链证明了ESFLA的全局收敛性。对ESFLA、SFLA与ISFLA2的仿真计算结果表明,ESFLA比SFLA和ISFLA2更适用于求解复杂的函数优化问题。     

混合型蛙跳算法及其应用研究*

为了提高蛙跳算法求解无约束连续优化问题的能力,提出了一种改进型混合蛙跳算法。为验证该算法求解函数优化问题的高效性,将其与基本蛙跳算法进行比较实验,结果表明该算法的解精度及收敛速度均优于基本蛙跳算法,更适用于求解复杂的无约束连续优化问题。     

改进的混合蛙跳算法

为提高混合蛙跳算法在优化问题求解中的性能,提出了一种改进混合蛙跳算法。改进算法在原算法基础上加入了变异算子,并根据算法进化过程的不同阶段和进化过程中候选解分布情况,利用模糊控制器对变异算子的变异尺度进行调整,实现了变异算子在解空间中搜索范围的动态调整。通过对优化问题中4个典型测试函数的仿真实验表明,与基本蛙跳算法和已有改进算法相比,改进算法在寻优精度、收敛速度和求解成功率上均有一倍以上的提高,尤其在高维复杂优化问题求解中体现出较强的寻优能力。     

求解高维复杂函数的混合蛙跳–灰狼优化算法

针对高维复杂函数问题, 提出一种混合蛙跳–灰狼优化算法(SFL–GWO). 该算法通过改进的Logistic映射初 始化GWO算法种群提高算法的多样性; 其次, 提出一种新的距离控制参数的非线性调整策略来增强种群的探索与 开发的能力; 最后通过引入改进的随机蛙跳算法中改变最差位置的方式使SFL–GWO算法跳出局部最优的局限. 通 过选取的10个高维复杂函数的寻优结果验证了算法的性能, 并与粒子群优化算法(PSO)、灰狼优化算法(GWO)和鲸 鱼优化算法(WOA)3种基本算法以及与8种改进算法的寻优的结果进行了比较. 仿真结果证明: SFL–GWO算法在不 仅可以提高收敛精度也可以提高算法的搜索速度, 证明了SFL–GWO算法在求解高维复杂函数的高效性.     

改进混合蛙跳算法和K-Means的新型聚类算法

研究针对现有聚类算法存在着精度较低,易陷于局部最优等问题,提出一种改进的混合蛙跳算法和K-Means相结合的新型聚类算法ISFLA-K,该算法使用对立学习的思想产生初始种群,根据蛙自身具有认知能力和学习能力的特性对混合蛙跳算法的蛙跳规则进行改进,即形成ISFLA,最后使用ISFLA优化K-Means聚类算法,提高求解精度。实验结果表明, ISFLA-K具有很好的聚类性能,求解精度高。     

基于混合蛙跳的量子遗传算法

量子遗传算法的早熟问题影响算法的求解性能,为提高算法能力,提出基于混合蛙跳的量子遗传算法。算法引入混合蛙跳和模拟退火准则,采用量子变异策略;利用组内寻优和整体寻优,减少算法整体迭代次数。将改进后的量子遗传算法应用于函数优化方面,用测试函数的寻优来评价算法性能,实验结果表明,该算法有效提高了算法性能,能求解出符合要求的全局最优值,改善了早熟收敛的问题。     

一种自适应惯性权重的混合蛙跳算法

针对混合蛙跳算法(SFLA)易陷入局部最优、收敛速度慢的问题,提出一种改进的混合蛙跳算法。该算法用相对基学习法初始化青蛙群体,从而提高初始解的质量。通过引入自适应惯性权重修正青蛙的更新策略,可以平衡算法的全局搜索和局部搜索。对6个经典函数的仿真测试结果表明,该算法与SFLA和ISFLA1算法相比寻优能力强、迭代次数少、解的精度高,更适合高维复杂函数的优化。     

A two-stage quantum-behaved particle swarm optimization with skipping search rule and weight to solve continuous optimization problem

Quantum-behaved particle swarm optimization (QPSO) is a recently developed heuristic method by particle swarm optimization (PSO) algorithm based on quantum mechanics, which outperforms the search ability of original PSO. But as many other PSOs, it is easy to fall into the local optima for the complex optimization problems. Therefore, we propose a two-stage quantum-behaved particle swarm optimization with a skipping search rule and a mean attractor with weight. The first stage uses quantum mechanism, and the second stage uses the particle swarm evolution method. It is shown that the improved QPSO has better performance, because of discarding the worst particles and enhancing the diversity of the population. The proposed algorithm (called ‘TSQPSO’) is tested on several benchmark functions and some real-world optimization problems and then compared with the PSO, SFLA, RQPSO and WQPSO and many other heuristic algorithms. The experiment results show that our algorithm has better performance than others.     

求解非线性方程组的蛙跳和 BFGS 混合算法

混合蛙跳算法具有算法简单、控制参数少、易于实现等优点,但缺乏良好的局部细化搜索能力,使得求解精度不高。借鉴BFGS算法强的局部搜索能力,将BFGS算法与混合蛙跳算法有机融合,形成性能更优的混合优化算法,并用来求解非线性方程组。通过3个非线性方程组的实验表明,该混合算法收敛精度较高,收敛速度较快,是一种较好的求解非线性方程组的方法。     

Enhanced shuffled frog-leaping algorithm for solving numerical function optimization problems

The shuffled frog-leaping algorithm (SFLA) is a relatively new meta-heuristic optimization algorithm that can be applied to a wide range of problems. After analyzing the weakness of traditional SFLA, this paper presents an enhanced shuffled frog-leaping algorithm (MS-SFLA) for solving numerical function optimization problems. As the first extension, a new population initialization scheme based on chaotic opposition-based learning is employed to speed up the global convergence. In addition, to maintain efficiently the balance between exploration and exploitation, an adaptive nonlinear inertia weight is introduced into the SFLA algorithm. Further, a perturbation operator strategy based on Gaussian mutation is designed for local evolutionary, so as to help the best frog to jump out of any possible local optima and/or to refine its accuracy. In order to illustrate the efficiency of the proposed method (MS-SFLA), 23 well-known numerical function optimization problems and 25 benchmark functions of CEC2005 are selected as testing functions. The experimental results show that the enhanced SFLA has a faster convergence speed and better search ability than other relevant methods for almost all functions.     

基于云模型和余弦跳跃权重的改进蛙跳算法

标准蛙跳优化算法(SFLA)有寻优精度低和易陷入局部收敛区域的缺点, 为提高其性能, 提出一种基于云模型局部搜索和余弦跳跃权重更新位置的改进蛙跳算法(CSFLA). 首先通过Tent混沌映射和反向学习生成种群, 使种群的分布更均匀, 利用云模型的正态特性对子群中的优秀个体的所在区域进行探索. 同时, 对种群中其他个体引入基于余弦函数的跳跃步长权重, 使该权重在整个迭代过程中由高以不同的速率下降, 提高种群的全局搜索能力. 最后, 将CSFLA与多个优化算法在不同类型的测试函数上进行了比较. 结果表明, CSFLA具有更好的收敛速度和精度, 能有效找出全局最优解. 并且将改进算法应用至旅行商问题, 该算法可以找到总路程更短的路线.     

基于改进混合蛙跳算法的移动机器人路径规划

针对混合蛙跳算法(SFLA)进行路径规划时易陷入局部最优且寻优效果较差的问题,提出一种改进的SFLA。改进算法在原算法的更新策略中引入欧氏距离和种群最优蛙,并提出一种带可调控制参数的产生新个体的方法代替原本的随机更新操作。把路径规划问题转换为最小化问题,基于环境中目标和障碍物的位置定义青蛙的适应度,机器人依次到达每次迭代中最好蛙的位置,从而实现最优路径规划。移动机器人仿真实验中,与其他算法相比,改进后的算法成功次数由82提高到98,规划时间由9.7s减少到5.3s。实验结果表明,改进算法具有较强的安全性和寻优性能。     

基于微粒群与混合蛙跳融合的群体智能算法

针对微粒群算法和混合蛙跳算法存在的早熟收敛问题,提出一种基于微粒群与混合蛙跳算法融合的群体智能算法。新算法将整个群体分成数目相等的蛙群和微粒群群体。在两群体独立进化过程中,设计了一种两群之间的信息替换策略：比较蛙群与微粒群的最佳适应值,如果蛙群进化较好,利用蛙群各子群中最差个体替换微粒群一部分较好个体;否则,用微粒群中较好的一部分个体替换蛙群各子群的最好个体。同时,设计了一种两群之间的相互协作方式。为避免微粒群因早熟收敛而影响信息替换策略效果,适时对其所有个体最好位置进行随机扰动。仿真实验表明,新算法可以有效提高全局搜索能力及收敛速度,对于高维复杂函数问题,算法具有很好的稳定性。     

文化蛙跳算法性能分析研究

基本混合蛙跳算法收敛速度较慢,优化精度较低。为进一步提高混合蛙跳算法的优化速度和精度,将文化算法模型引入到混合蛙跳算法中,提出了一种文化蛙跳算法。利用混合蛙跳算法良好的全局协同搜索能力和文化算法模型中的遗传操作,提高了算法的收敛精度,增强了算法的群体多样性。通过对3个测试函数进行优化实验,并与文中文化蛙跳算法和相关文献中的改进算法进行比较,实验结果表明文中提出的改进文化蛙跳算法具有更好的优化性能。