混沌协同人工鱼粒子群混合算法及其应用

针对基本人工鱼群算法（AFSA）收敛速度较慢、精度较低和粒子群易陷于局部的缺点,提出了混沌协同人工鱼粒子群混合算法（CCAFSAPSO）。该算法采取AFSA、PSO的全局并行搜索与模拟退火算法（SA）的局部串行搜索机制相结合的搜索方式,并用混沌映射的遍历性和模拟退火算法的突跳功能,克服了AFSA、PSO的收敛速度、求解精度和易陷于局部最优的不足。典型函数测试进一步表明CCAFSAPSO算法和同类算法相比,收敛速度更快、求解精度较高。最后将算法应用于化工数据处理,获得满意效果。     

基于双混沌映射改进的人工鱼群算法

针对人工鱼群算法(AFSA)易陷入局部最优的问题,提出一种基于双混沌映射的人工鱼群算法(CAFSA)。该方法利用Tent映射的均匀分布性产生混沌初始鱼群,增加搜索的多样性;其次在人工鱼群演化陷入局部最优时,利用局部分布均匀的Logistic映射生成混沌变异算子对其产生扰动,使其跳出局部最优值,向全局最优值靠近。仿真实验表明,改进后的算法比基本人工鱼群算法的全局寻优能力更强,搜索精度更高。     

基于基因交换的自适应人工鱼群算法

针对人工鱼群算法(AFSA)不能完美地平衡局部寻优与全局寻优,且缺乏跳出局部最优能力等问题,提出了一种基于基因交换的自适应人工鱼群算法(AAFSA-GE).首先利用自适应的视野和步长提高搜索的速度及精度,然后利用混乱行为和基因交换行为增强跳出局部最优的能力并提高搜索效率.为了证明算法的有效性,在实验中使用了10种经典的...     

一种简化的人工鱼群算法

针对人工鱼群算法(AFSA)优化精度低,运行时间长的问题,对其进行了简化,给出人工鱼群算法进化方程,提出一种简化的人工鱼群算法(SAFSA).SAFSA算法在一次迭代进化中同时根据人工鱼觅食结果、种群中心位置和种群最优位置,调整下一步位置,保证算法向全局最优位置移动,同时由于觅食行为中有随机游动现象,使算法具有跳出局部极值的能力,增强了算法的全局搜索能力.仿真结果表明,简化的人工鱼群算法优化效果明显,运行速度快.     

自适应合并与分裂的多种群差分进化算法

针对差分进化（DE）算法存在的早熟收敛与搜索停滞问题,提出了自适应合并与分裂的多种群差分进化算法。算法将种群划分为多个子种群,引入子种群优劣因子来评价种群的优劣性,实现种群间的自适应合并与分裂;对于种群中的各个个体,采取基于精英池学习的变异算子,结合优秀个体进行自适应学习调整,使算法达到全局搜索与局部搜索能力的平衡;在算法后期引入扰乱策略,保证算法快速收敛的同时有效地跳出局部极值点,提高算法寻优的精度。在30个标准测试函数的实验结果表明,改进算法能有效解决早熟和陷入局部最优的问题。     

复合混沌-人工鱼群混合算法的改进及性能研究

针对人工鱼群算法在寻优过程中接近最优点时收敛速度下降而难以得到精确解,优化复杂问题时易陷入局部极值的缺点,提出了一种复合混沌搜索技术与改进人工鱼群算法相结合的混合算法。该算法采用更具遍历性的组合映射产生复合混沌局部搜索方法,来避免人工鱼长时间陷入局部极值区域,从而更加精确地达到全局最优点;同时,对人工鱼引入反馈-吞食行为进行改进,改进的人工鱼群算法降低了优化后期的复杂度,并提高了优化精度,保证了收敛效率。实验结果表明,在相同参数条件下,该混合算法的收敛速度、优化精度和全局寻优能力均优于基本人工鱼群算法,实例验证了算法的有效性。     

反向自适应高斯变异的人工鱼群算法

针对人工鱼群算法存在易陷入局部最优、鲁棒性差以及寻优精度低的问题,提出了反向自适应高斯变异的人工鱼群算法。改进后的算法引入了反向解,根据反向解调整人工鱼的移动方向以及位置,从而提供更多的机会发掘潜在的较优空间,使人工鱼群快速跳出局部最优,从全局角度提升算法的搜索性能。同时提出了一种非线性自适应视野步长策略,更好地平衡了全局搜索与局部搜索之间的关系。为了增加鱼群的多样性,降低人工鱼陷入早熟的可能性,提出了一种最优解引导的高斯变异机制。仿真实验结果表明,该算法能有效地提高人工鱼群的寻优精度、寻优质量及鲁棒性,并且避免了人工鱼群过早收敛。     

二群协同的人工鱼群优化算法

针对基本人工鱼群算法（AFSA）收敛速度较慢,精度较低的缺点,提出二群协同的人工鱼群算法（TSCAFSA）。该算法采用并行的拓扑结构和正反反馈的信息交流方式。搜索时,将两个AFSA群作为两个独立进化的群同时进行搜索同时相互跟踪对方的全局最优解。通过协同进化,正反馈机制和当前得到的最优解来指导二个种群进化的方式,TSCAFSA获得较快的收敛速度和比较精确的求解精度。基于典型的函数和实例测试的结果都证明了该算法较基本的AFSA收敛速度较快、精度较高。     

基于模拟退火的差分变异群搜索优化算法

标准群搜索优化算法易陷入局部最优。为此,引入模拟退火策略和差分进化算子,使算法跳出局部极值点,变异和迭代同时进 行,并保持前期搜索速度快的特性。测试结果证明,改进算法的全局收敛能力明显提高,个体具有良好的人工智能性,能够真实模拟群体行为。     

一种新颖的改进人工鱼群算法

针对基本人工鱼群算法(AFSA)在函数优化问题中存在的后期收敛速度慢、求解精度低和易陷入局部最优等缺点,提出了一种新的改进人工鱼群算法(IAFSA)。首先,使用混沌变换来初始化鱼群个体的位置,使鱼群更加均匀地分布在有限的区域内,保证种群具有多样性,利于全局收敛;其次,对觅食行为中具有不同函数值的人工鱼个体采取不同的视野策略,不仅提高了算法的寻优速度,而且有效地降低了鱼群陷入局部最优的可能性;最后,根据运动和体能之间的关系构建体能变换模型,在鱼群觅食的后期,体能开始变弱,这时适时地减小鱼群觅食、聚群和追尾行为中移动的步长可有效提高算法收敛的速度和寻优的精度。通过标准测试函数和14个城市的TSP对算法进行验证,仿真实验结果表明,相 比基本人工鱼群算法 ,改进后的算法具有更快的后期收敛速度和更高的求解精度。     

一种人工鱼算法与捕鱼算法相结合的优化方法

在分析人工鱼群算法和捕鱼算法存在不足的基础上,提出了一种人工鱼群算法(AFSA)与采用捕鱼策略的优化算法(FSOA)相结合的混合算法。该算法在优化初期使用AFSA算法搜索局部最优域,而在优化后期则使用FSOA算法在优化前期所初步确定的局部最优域中搜索最优解。实验计算结果表明,该算法具有优化精度高、收敛速度快的特点。     

引入Lévy flight和萤火虫行为的鱼群算法

针对人工鱼群算法(artificial fish-swarm algorithm,AFSA)和萤火虫算法(firefly algorithm,FA)在多维多极值函数寻优过程中易陷入局部最优和精度有待提高等问题,提出引入Lévy flight和萤火虫行为的鱼群算法(fish swarm algorithm with Lévy flight and firefly behavior).该算法将萤火虫算法中萤火虫个体的移动策略引入到鱼群的聚群,觅食两种行为模式中,进而将Lévy flight引入到鱼群的搜索策略中,使得鱼群的搜索更加高效.此外,采取一种基于动态参数的非线性变视野和变步长的策略来限定鱼群的搜索范围.仿真分析表明,新算法较其他测试算法具有更好的全局搜索能力和寻优精度.     

加权变异策略动态差分进化算法

针对差分进化算法在解决高维优化问题时易早熟收敛、求解精度低和参数设置麻烦等问题,提出一种加权变异策略动态差分进化算法（WMDDE）。为了动态平衡全局搜索与局部搜索能力,跳出局部最优,将标准差分进化算法的变异策略DE/rand/1和DE/best/1进行加权组合,提出两种新的随机扰动加权变异算子。提出一种动态自适应调整缩放因子和交叉概率因子的策略,避免参数设置的麻烦,提高算法的稳定性。在11个Benchmark函数上的测试结果表明,新算法能有效避免早熟收敛,全局寻优能力强,且在高维时寻优速度、求解精度和稳定性均优于4种DE进化算法。     

基于新变异策略的动态自适应差分进化算法

针对差分进化算法在复杂优化问题求解时后期收敛速度慢、易陷入局部最优和参数设置繁琐等问题,提出一种基于新变异策略的动态自适应差分进化算法p-ADE.首先,新变异策略中通过利用种群的全局最优解和目标个体的历史最优解引导种群搜索方向,为下一代个体的生成引入更多有效的方向性信息,避免差分向量中个体随机选择导致的搜索盲目性.其次,为加快收敛速度、提高算法稳定性、避免参数设置的繁琐与不精确,提出一种参数动态自适应调整策略,动态平衡算法局部搜索与全局搜索间的关系,有效调节个体在进化过程中的变异程度.在10个Benchmark函数上的实验结果表明,p-ADE相对于多种先进DE优化策略和全局优化算法在收敛精度、速度和鲁棒性上均具有明显优势.     

基于多维度自适应机制改进的混合人工鱼群优化算法

传统的人工鱼群算法在优化过程中,前期收敛速度很快,但随着不断的迭代,收敛速度会逐渐下降,很容易出现陷入局部最优无法跳出的情况。鱼群的觅食行为直接影响了算法后期的收敛速度和数值解的精度,而视野与步长则是人工鱼进行觅食行为的基础。前期需要宽广的视野范围与大幅度的步长,后期则要限制视野与步长以提高算法的收敛速度与寻优精度。本文通过自适应视野衰减函数与自适应步长衰减函数来保证寻优解的精度和全局收敛速度,通过权重因子来决定个体鱼的生物行为选择,再利用Levy有向游动机制来提升人工鱼的全局寻优能力,实现了对传统人工鱼群算法的多维度改进,最后设计仿真实验,进行横向对比与纵向对比,验证了本文算法的高效性与优越性。     

混沌搜索在人工鱼群算法中的应用

随着人工鱼群算法（AFSA）的发展,其相关思想及方法已广泛应用于工程实例的各个领域。针对全局人工鱼群算法（GAFSA）中搜索行为的随机性造成的收敛稳定性差、寻优精度低等缺点,将混沌搜索与全局人工鱼群算法相结合,提出了一种改进的人工鱼群算法（CSGAFSA）。该算法一方面将鱼群算法四种基本行为中的随机移动改进为混沌行为,有效避免了搜索的无方向性、不确定性、重复性,保证了寻优值的稳定性（CGAFSA）;另一方面对全局人工点（公告牌）做混沌搜索,实现了全局鱼群算法在收敛后期搜索精度的进一步提高（CS＿GAFSA）。通过对一系列国际标准测试函数的计算和比较,证明了这种方法确实在寻优精度、收敛性能上均有提升。     

一种采用动态游动模式的鱼群算法

在鱼群算法优化的研究中,针对人工鱼群算法(AFSA)存在的速度慢、精度差、早熟收敛等问题,提出一种新的改进人工鱼群算法,即一种采用动态游动模式的鱼群算法(DSMFSA).上述算法让每条“鱼”具有多种搜索模式,让每条“鱼”具有机动搜索食物的能力,并可根据群体信息的反馈和自身状态随时调整搜索方式.在数值实验中选择了几个比较典型的基准函数,用来测试上述算法的性能.实验结果表明:DSMFSA算法大大改善了人工鱼群算法(AFSA)存在的易陷入局部最优、优化精度不高之不足,明显具有比AFSA好得多的优化性能.说明改进算法具有跳出局部最优的能力,可用于求解高维的复杂优化问题.     

基于动态自适应策略的改进差分进化算法

针对差分进化算法处理复杂优化问题时存在后期收敛速度变慢、收敛精度不高和参数设置困难的问题,提出了一种基于动态自适应策略的改进差分进化算法(dn-DADE)。首先,新的变异策略DE/current-to-dnbest/1利用当前种群中的精英解引导有效的搜索方向来动态调整可选的精英解,使其在进化后期趋于全局最优解。其次,分别设计了缩放因子和交叉因子的自适应更新策略,使两者在搜索的不同阶段自适应变化,以弥补差分进化算法对参数敏感的不足,进一步提高算法的稳定性和鲁棒性。对14个benchmark函数进行了测试并与多种先进DE改进算法进行了比较,结果显示,dn-DADE算法具有较高的求解精度,收敛速度快,寻优性能显著。     

自适应混沌果蝇优化算法

本文针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点,融入混沌算法对果蝇优化算法的进化机制进行优化,提出自适应混沌果蝇优化算法(ACFOA)。在算法处于收敛状态时,应用混沌算法进行全局寻优,从而跳出局部极值而继续优化。对几种经典测试函数的仿真结果表明,ACFOA算法具有更好的全局搜索能力,在收敛速度、收敛可靠性及收敛精度上均比基本FOA算法有较大的提高。     

动态双子群协同进化果蝇优化算法

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点,提出动态双子群协同进化果蝇优化算法(DDSCFOA).该算法在运行过程中根据群体的进化水平,动态地将整个种群划分为先进子群和后进子群;先进子群采用混沌算法在局部最优解邻域内进行精细的局部搜索,后进子群采用基本FOA算法进行全局搜索,较好地平衡局部搜索能力和全局搜索能力;两个子群间的信息通过全局最优个体的更新和种群个体的重组进行交换.DDSCFOA算法能跳出局部极值,避免陷入局部最优.仿真结果表明,动态双子群协同进化的策略有效可行,DDSCFOA算法比基本FOA算法具有更好的优化性能.