基于斥力的引力搜索算法

针对引力搜索算法(Gravitational Search Algorithm,GSA)收敛速度较快、易陷入局部最优的缺点,提出一种加入斥力的引力搜索算法RFGSA(Repulsion Force based Gravitational Search Algorithm)。该算法在引力搜索算法中引入斥力,即将一部分引力变为斥力,从而增加种群的多样性,有利于寻找全局最优。对10个基准测试函数进行优化的结果表明:该算法的收敛结果明显优于遗传算法、粒子群算法及原始的引力搜索算法。     

基于阈值统计学习的差分进化引力搜索算法

为了改善基本差分进化算法在求解复杂优化问题时易出现早熟收敛、求解精度低以及进化后期收敛速度慢等缺陷,结合引力搜索算法的优点,提出一种基于阈值统计学习思想的混合差分进化引力搜索算法.该算法通过阈值统计学习的方式,充分利用差分进化算法的全局优化能力与引力搜索算法在进化后期的种群开发能力,在进化过程中根据2种策略在先前学习代数的成功率自适应选择较优策略生成下一代群体,保证种群在解空间中的探索与开发能力之间的平衡,以提高算法的全局寻优能力.对几个经典复杂测试函数的仿真结果表明:改进算法求解精度高、收敛速度快、鲁棒性强、能够有效避免早熟收敛问题.     

基于信息熵的混合引力搜索算法

针对基本引力搜索算法搜索速度慢和容易出现早熟的缺点,本文提出了一种基于信息熵的混合引力搜索算法. 受粒子群算法的启发,所提算法首先通过改进基本引力搜索算法的速度和位置更新公式来提高搜索速度;其次,通过惯性质量构造了信息熵模型来刻画种群的寻优程度,并采用不同的信息熵阈值动态选择权重,平衡了算法的全局搜索能力和局部搜索能力. 用8个标准测试函数的仿真实验和基本引力搜索算法与记忆改进的引力搜索算法的比较表明了所提算法收敛速度快,鲁棒性强且效率高.     

改进的引力搜索算法及在波束赋形中的应用

针对引力搜索算法在优化复杂的波束赋形问题时,准确率低的问题,提出了一种改进算法:伪反向学习引力搜索算法.首先设计了一种随迭代次数变化的反向概率,将其用于算法中来优化反向学习的作用时机,进一步提高了算法搜索最优解的速度;其次,定义了"精英粒子",并将其保留至下一代种群中,替换掉种群中适应度值较差的粒子,从而改善了算法易陷入局部最优解的问题.利用改进算法对不同阵列天线进行优化,结果显示,和多种同类高性能算法的优化结果相比,伪反向学习引力搜索算法无论是优化精度还是收敛速度均为最佳,验证了所提改进算法在解决复杂波束赋形问题时的有效性.     

记忆增强的莱维飞行引力搜索算法

针对标准引力搜索算法存在收敛速度过快,容易陷入局部最小值等问题,提出一种改进的基于莱维飞行的引力搜索算法,在引力搜索算法框架下引入莱维飞行产生随机步长,进一步更新种群位置.莱维步长缩放因子动态调整,随迭代次数增加,莱维更新逐步发挥作用,使算法继续保持较好的全局搜索性能.莱维更新只选择适应度无退化粒子参与下次计算,且飞行步长更新以历史最优粒子的位置为指导,增强算法记忆性,促使粒子向更优适应度方向进化.对多个标准测试函数进行仿真,结果表明改进算法较标准引力搜索算法和布谷鸟算法具有更好的全局搜索能力和寻优精度.     

基于亲和度的改进引力搜索算法

为提高引力搜索算法的收敛性和搜索精度,提出一种基于亲和度的改进引力搜索算法PGSA。分析已有引力搜索算法的原理,通过改变粒子的引力合力计算公式对其进行改进,构造亲和度,即通过粒子间的质量差来表示粒子间的亲和度,将其作适当变换构造一个系数改造基本引力搜索算法。采用Matlab对该算法进行验证,数值仿真结果表明,改进后的引力搜索算法具有较快的收敛速度和较高的搜索精度。     

基于改进引力搜索的混合K-调和均值聚类算法研究

为了解决聚类算法容易陷入局部最优的问题,以及增强聚类算法的全局搜索能力,基于KHM算法以及改进的引力搜索算法,本文提出一种混合K-调和均值聚类算法（G-KHM）。G-KHM算法具有KHM算法收敛速度快的优点,但同时针对KHM算法容易陷入局部最优解的问题,在初始化后数据开始搜索聚类中心时采用了一种基于对象多样性及收敛性增强的引力搜索算法,该方法改进了引力搜索算法容易失去种群多样性的缺点,并同时具有引力搜索算法较强的全局搜索能力,可以使算法收敛到全局最优解。仿真结果表明,G-KHM算法能有效地避免陷入局部极值,具有较强的全局搜索能力以及稳定性,并且相比KHM算法、K-mean聚类算法、C均值聚类算法以及粒子群算法,在分类精度和运行时间上表现出了更好地效果。     

基于改进引力搜索算法的桁架结构优化设计

引力搜索算法是近几年提出的较有竞争力的群智能优化算法,然而,标准引力搜索算法存在后期收敛速度慢的缺点。为有效利用优化算法来解决结构优化的问题,提出一种改进的引力搜索算法(improved gravitational search algorithm,IGSA)。通过引入Logistic映射,使GSA初始种群遍历整个搜索空间,提高算法找出最优解的可能性。通过引入粒子群算法(particle swarm optimization,PSO)的信息交互机制,利用个体粒子历史最佳位置和种群历史最佳位置动态调整粒子的速度和位置,使个体粒子更快地向适应度值更高的位置移动,使算法搜索能力加强。对6个经典测试函数进行寻优,结果表明改进后算法收敛速度快,收敛精度高,稳定性较佳,跳出局部最佳解的能力较强。用IGSA和GSA对72杆空间桁架进行尺寸优化,与其他算法相比,结果表明IGSA得到最优值的迭代次数明显减少,得到的最优解明显优于通用算法。     

带有Levy Flight机制的引力搜索算法

引力搜索算法（gravitational search algorithm,GSA）是模拟万有引力定律进行搜索的一种新颖的优化算法,已有研究表明GSA算法相比一些传统的优化算法拥有较好的收敛性能,但其缺乏有效的全局寻优机制,易于被局部极值吸引,从而陷入早熟收敛。因此提出了一种基于Levy Flight和权值惯性递减的引力搜索算法QmuGSA,以加强算法的全局寻优能力。该算法通过Levy Flight独特的不均匀随机游走的机制扩大粒子的搜索范围,增加种群多样性,从而更容易跳出局部最优点。通过4个标准测试函数对所提算法进行了仿真测试,结果表明所提算法能够有效克服基本引力搜索算法易早熟、收敛精度低等缺陷,具有较好的寻优精度和全局收敛性能,能够解决一些复杂函数的优化问题。     

改进多样性和局部优化能力的引力搜索算法

针对引力搜索算法局部搜索能力较弱,搜索过程容易出现早熟的现象,提出一种基于多样性和局部优化能力协同优化的引力搜索算法。将粒子群算法中局部最优解和细菌趋化中排斥操作的概念引入到引力搜索算法中,通过帮助粒子接近最优位置和逃离最差位置,改进了搜索算法中粒子的局部优化能力及种群多样性,并使用标准函数进行测试。结果表明,该算法能够实现全局搜索与局部搜索的平衡,最大程度地保持种群多样性,提高算法搜索能力。     

基于动态调整和协同搜索的花授粉算法

针对基本花授粉算法（Flower Pollination Algorithm,FPA）容易陷入局部最优、收敛速度慢及寻优精度低等缺陷,提出了基于动态调整和协同搜索的花授粉算法（Flower Pollination Algorithm based on Dynamic adjustment and Cooperative search,FPADC）。利用霍尔顿序列提升初始解的质量;通过对种群进行分工,从而提高种群的多样性以跳出局部最优;根据种群进化信息动态调整算法的寻优策略,从而提高收敛速度和精度。仿真实验结果表明,提出的改进算法相比基本花授粉算法和部分改进算法,有较好的寻优性能。     

具有组合变异策略的回溯搜索优化算法

针对回溯搜索优化算法收敛速度慢和易陷入局部最优的缺陷,提出了一种基于组合变异策略的改进回溯搜索优化算法。为了提高历史种群的多样性并扩大算法的搜索空间,在算法迭代过程中采用柯西种群生成策略,利用柯西分布尺度系数生成历史种群;引入基于混沌映射和伽玛分布的组合变异策略,在一定概率下对较差个体进行变异生成质量较好的个体;对新种群中越界个体采用越界处理策略,确保算法在预定的搜索空间内搜索。选取了11个标准测试函数,在低维和高维状态下进行数值仿真,并与3种表现良好的算法进行比较,结果表明该改进算法在收敛速度和收敛精度上有很大优势。     

一种多策略改进的麻雀搜索算法

针对麻雀搜索算法在求解复杂优化问题时存在收敛速度慢、种群趋同性严重、易于陷入局部最优等不足,提出一种多策略改进的麻雀搜索算法（multi-strategy improved sparrow search algorithm,MISSA）。通过混沌映射和反向学习机制提高算法初始种群的质量;借鉴粒子群算法的学习策略来提升种群的信息交流能力和兼顾全局勘探与局部开发之间的平衡;融合差分进化算法的变异交叉操作提升算法跳出局部最优值的能力。通过对8个基准测试函数的寻优实验,结果表明改进算法具有更好的优化性能和收敛效率;进一步地,将改进算法应用于优化支持向量回归（support vector regression,SVR）模型的参数,并通过在选定的5个UCI数据集上的实验验证了改进算法的有效性。     

基于改进的Tent混沌万有引力搜索算法

万有引力搜索算法(gravitational search algorithm,GSA)相比于传统的优化算法具有收敛速度快、开拓性能强等特点,但GSA易陷入早熟收敛和局部最优,搜索能力较弱.为此,提出一种基于改进的Tent混沌万有引力搜索算法(gravitational search algorithm based on improved tent chaos,ITC-GSA).首先,改进Tent混沌映射来初始化种群,利用Tent混沌序列随机性、遍历性和规律性的特性使得初始种群随机性和遍历性在可行域内,具有加强算法的全局搜索能力;其次,引入引力常数G的动态调整策略提高算法的收敛速度和收敛精度;再次,设计成熟度指标判断种群成熟度,并使用Tent混沌搜索有效抑制算法早熟收敛,帮助种群跳出局部最优;最后,对10个基准函数进行仿真实验,结果表明所提算法能够有效克服GSA易陷入早熟收敛和局部最优的缺点,提高算法的收敛速度和寻优精度.     

多策略混合的改进麻雀搜索算法

针对基本麻雀搜索算法（sparrow search algorithm,SSA）在处理复杂优化问题时存在的搜索空间不足、收敛速度慢和易陷入局部最优等问题,提出一种多策略混合的改进麻雀搜索算法（improved sparrow search algorithm based on multi-strategy mixing,IMSSA）。利用Sine混沌映射初始化麻雀个体位置,丰富种群多样性,解决种群分布不均匀、搜索空间不足等问题;引入带有惯性权重的多样性全局最优引导策略来加快收敛速度,调控算法的全局探索与局部开发能力;采用双样本学习策略使算法跳出局部最优,提高种群对解空间的搜索能力。通过测试函数对算法进行仿真实验,验证三种改进策略的有效性,并且进行Wilcoxon秩和检验和时间复杂度分析,结果表明IMSSA算法的各项性能均有显著提升。最后用算法优化支持向量机参数,建立轴承故障诊断模型,进一步证明了改进策略是可行有效的。     

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。     

动态反向搜索更新位置的改进灰狼优化算法

针对灰狼优化算法（GWO）后期收敛速度慢、易陷入局部最优等问题,提出一种动态反向搜索更新位置的改进灰狼优化算法（DAGWO）。该算法在原始的位置更新公式中引入个体历史最优位置引导策略,以加快算法的收敛速度;同时,引入反向搜索因子,该因子依据种群早熟判别指标动态调节自身取值,在算法陷入局部极值时令灰狼个体向整个种群中最差个体方向进行反向搜索,以提高种群跳出局部极值的能力。此外,构造了一种新型局部扰动的非线性收敛因子[a],以平衡算法的全局和局部搜索能力。对20个经典测试函数进行仿真实验,结果表明在求解精度、收敛速度和算法的稳定性上,DAGWO算法与标准智能优化算法和其他相关改进算法相比更有优越性。     

一种简单高效的改进人工蜂群优化算法

人工蜂群（Artificial bee colony, ABC）算法是一种新型的仿生智能优化算法。与其他仿生智能优化算法相比,ABC算法的优化求解策略仍有待改进,以进一步提高其收敛速度和优化求解精度。为此,本文提出一种简单而高效的改进ABC算法,将统计学中的正态分布理论引入ABC算法的优化求解过程。首先,提出基于正态分布的蜜源初始化策略,提高了初始化过程的目的性,为后续搜索提供了精度保障。进而对搜索公式中的基础位置和缩放因子进行改进,提出了基于正态分布的搜索策略。该策略在扩大搜索范围的同时,使搜索更新过程更具目的性,从而在有效防止陷入局部收敛的同时,提高了优化求解速度。针对高维复杂Benchmark函数的测试实验结果表明,所提出算法的改进策略简单有效,其收敛速度和求解精度更高。     

融合振荡禁忌搜索的自适应均衡优化算法

为了改善均衡优化（equilibrium optimizer,EO）算法寻优过程中存在的收敛速度慢、易受局部极小值影响的问题,提出一种融合振荡禁忌搜索的自适应均衡优化算法CfOEO。针对EO算法初始化随机性过高导致的收敛速度慢的问题,引入精英反向学习初始化种群,增加算法搜索能力;通过自适应调整收敛因子来平衡算法的局部和全局搜索能力;在禁忌搜索策略中引入振荡算子,提高算法跳出局部极小值的能力。仿真实验采用10个基准测试函数和部分CEC2014测试函数以及基准测试函数的Wilcoxon秩和检测,对CfOEO算法进行寻优性能测试,测试结果验证了CfOEO算法的鲁棒性。