基于混沌云模型的粒子群优化算法

针对传统粒子群优化（PSO）算法寻优精度不高和易陷入局部收敛区域的缺点,引入混沌算法和云模型算法对PSO算法的进化机制进行优化,提出混沌云模型粒子群优化（CCMPSO）算法。在算法处于收敛状态时将粒子分为优秀粒子和普通粒子,应用云模型算法和优秀粒子对收敛区域局部求精,发掘全局最优位置;应用混沌算法和普通粒子对收敛区域以外空间进行全局寻优,探索全局最优位置。应用特征根法对CCMPSO算法的收敛性进行分析,并通过仿真实验证明,CCMPSO算法的寻优性能优于其他常用PSO算法。     

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.     

自适应混沌变异蛙跳算法*

研究蛙跳算法的寻优性能,主要在基本蛙跳算法的全局搜索过程中加入自适应混沌变异操作, 提出一种改进蛙跳算法。改进后的算法采用Logistic混沌序列构造混沌变异算子, 同时结合个体适应度和进化代数自适应调整变异尺度, 从而增强蛙跳算法搜索最优解的能力。仿真实验结果表明, 改进后的算法寻优精度和收敛速度得到了有效提高, 具有较好的实用性能。     

一种混沌编码的粒子群优化算法及其应用

研究粒子群优化算法.传统的粒子群算法采用实数编码,收敛速度慢.为了提高收敛速度,提出了一种混沌编码的粒子群优化算法.混沌编码作为一种全新的数学编码方式,更能准确地表达编码对象的多样性,将混沌编码应用到粒子群优化算法中,使算法在初期的搜索区域更大,更快找到全局最优解.把混沌编码的粒子群算法与BP算法相结合用来优化神经网络.利用混沌编码的粒子群算法快速找到全局最优位置的邻域,然后再用BP算法进行局部寻优,收敛到全局最优位置.仿真结果证明混沌编码的粒子群神经网络比实数编码的粒子群神经网络分类收敛速度更快,验证了算法的有效性.     

一种基于云模型的改进型粒子群算法

针对经典粒子群算法在函数优化中易陷入局部最优和早熟收敛等缺点,结合云模型在定性与定量之间相互转换的优良特性,提出一种基于云模型的改进型粒子群算法。其思想是通过反向学习机制初始化种群,再通过正态云算子求解粒子群中的全局最优个体和自身最优个体周围的更优值,最后利用混沌理论对个别粒子进行变异来跳出局部最优解。典型复杂函数测试表明,该算法能有效找出全局最优解,特别适宜于多峰值函数寻优。     

基于分层多子群的混沌粒子群优化算法

在分层多子群结构模型的基础上,提出一种混沌粒子群优化算法(HCPSO).该算法对非线性递减的惯性权重进行混沌变异,并采用了混沌搜索方法.在更新全局历史最优位置每一维分量时,选取不同的若干个体作为学习对象,并计算它们的平均位置.混沌搜索区域半径可根据粒子个体最优位置与上述平均位置间的距离自适应地调整.通过对几种典型函数的测试结果表明,该算法具有较好的全局搜索和局部搜索能力,可有效避免早熟收敛问题.     

自适应混合文化蛙跳算法求解连续空间优化问题

针对连续空间优化问题,提出了一种自适应混合文化蛙跳算法．算法中群体空间采用改进的混合蛙跳算法进行优化,信念空间通过云模型算法对知识进行更新,利用混沌算法和反向学习算法进化外部空间,3种空间通过自适应的接受操作和影响操作来实现知识的交换．最后通过典型复杂函数测试,结果表明该算法具有很好的收敛精度和计算速度,特别适宜于多峰值函数寻优．     

改进混合蛙跳算法的云计算资源调度

资源合理调度是云计算研究热点。针对混合蛙跳算法不足,提出一种改进混合蛙跳算法的云计算资源调度策略(ISFLA)。首先在局部寻优过程中引入粒子更新思想,加快收敛速度,然后在全局寻优中对最优个体进行混沌扰动,降低局部最优出现的概率,最后在Cloud Sim平台进行仿真实验。结果表明,ISFLA缩短了云计算任务的完成时间,资源的负载分配更加合理。     

一种离散混合蛙跳算法及其应用

为提高混合蛙跳算法在求解高维复杂函数和离散优化问题的性能, 提出一种离散混合蛙跳算法. 首先, 引入扰动系数来调控青蛙个体的移动距离, 从而更好的平衡迭代中算法的全局探索和局部开发能力;其次, 利用螺旋更新位置策略使算法能够在最优解附近进行更加精细的搜索; 同时, 采用随机搜索策略, 提高算法的全局搜索能力; 另外, 通过借鉴2-opt方法, 实现全局最优解变异, 丰富种群的多样性; 最后, 利用改进的Sigmoid函数对个体位置进行离散化处理. 通过对9个典型的基准函数和油田措施规划方案的仿真实验表明, 相较于对比的算法, DSFLA的收敛精度和寻优速度有明显的提升.     

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。     

引入混合蛙跳搜索策略的人工蜂群粒子群算法

由于标准粒子群算法易于陷入局部最优和收敛速度慢等问题,提出了一种引入人工蜂群搜索策略和混合蛙跳搜索策略的粒子群算法（ABCSFL-PSO）。使用人工蜂群的搜索策略提高算法的探索能力,避免算法陷入局部最优;使用蛙跳算法中更新最差粒子的策略,来加快算法收敛速度,并进一步提高求解精度。在12个标准测试函数上的仿真实验结果表明,算法性能优良,不仅能够避免陷入局部最优,而且显著提升了收敛速度。     

基于三角函数搜索因子的混合蛙跳算法

针对传统混合蛙跳算法存在收敛速度慢、容易陷入局部最优和搜索精度不高的缺陷,提出了基于三角函数搜索因子的混合蛙跳算法。该算法将基于三角函数搜索因子的局部进化策略和产生新个体策略引入到混合蛙跳算法中,改进混合蛙跳算法的局部搜索精度和全局收敛性能。实验结果表明,基于三角函数搜索因子的混合蛙跳算法能够显著改善混合蛙跳算法的寻优精度和收敛速度,使算法的搜索效率和稳定性同时得到提高。     

基于解空间反向跳跃和信息交互强化的新型混合蛙跳算法

种群多样性和信息交互的深度与方式对混合蛙跳算法的爬山能力、探索能力和开发能力有着深远影响.针对混合蛙跳算法易于陷入局部最优、收敛速度慢和寻优精度差等缺点,提出一种基于解空间反向跳跃和信息交互强化的新型混合蛙跳算法.首先,增加子群次优解与次劣解的信息交互,促进子群内部信息的利用,引入反向跳跃思想改进局部更新机制,降低迭代后期劣解产生概率,提升空间开发能力;然后,借鉴2-opt方法实现局部最优解变异,增加子群的多样性;最后,采用各局部最优解交叉的方式加深子群间的交互深度,同时利用反向跳跃机制防止种群同化.采用23个单峰、多峰和固定维度下的复杂多峰函数作为测试集进行仿真实验,结果表明所提出算法具有更优的搜索性能,能够有效提高种群多样性,防止算法早熟收敛,且能够适应不同类型的函数优化问题.     

基于混沌优化策略的SFLA算法

针对基本混合蛙跳算法的缺陷, 提出了一种基于混沌优化策略的改进混合蛙跳算法(SFLA)。在青蛙更新策略中引入自适应扰动机制, 平衡了算法搜索深度, 并利用高斯变异算子代替随机更新操作, 提高了算法搜索速度; 在全局迭代中借鉴混沌优化策略思想, 以概率形式对最优个体进行优化, 避免了族群陷入局部最优, 并证明了改进算法以概率1收敛于全局最优解。最后用MATLAB对测试函数进行了仿真, 仿真结果表明改进的混合蛙跳算法在收敛速度、优化精度上有较大改善。     

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。     

内嵌扰动变异的混合蛙跳算法

针对蛙跳算法局部搜索能力较弱,容易陷入早熟收敛的现象,提出了一种改进的混合蛙跳算法。新算法对子群中每只新青蛙个体引入了随机扰动,并让子群内每只青蛙个体都参与产生新个体,充分利用每只青蛙个体的信息,增加了种群的多样性,提升算法的全局寻优能力,从而避免算法陷入局部收敛。实验表明,改进的混合蛙跳算法有效避免算法陷入局部收敛,提升了算法的收敛精度。     

一种单种群混合蛙跳算法

针对SFLA算法运行速度较慢、在优化部分函数问题时精度不高和易陷入局部最优的缺点,提出了一种单种群混合蛙跳算法SPSFLA。该算法采用单个种群,无需对整个种群进行排序,每个个体通过向群体最优个体和群体中心位置学习进行更新。如果当前个体学习没有进步,则对群体最优个体进行变异,并用变异的结果替代当前个体,加快了算法的运行速度和收敛速度,提高了优化精度。仿真实验结果表明,该算法具有更好的优化性能。     

协同进化混合蛙跳算法

针对基本混合蛙跳算法收敛速度慢、求解精度低且易陷入局部最优的问题,提出了一种新的协同进化混合蛙跳算法。该算法在局部搜索策略中,对子群内最差个体的更新引入平均值的同时充分利用最优个体的优秀基因,可有效扩大搜索空间,增加种群的多样性;同时对子群内少量的较差青蛙采取交互学习策略向邻近子群的最优个体交流学习,增加子群间交互的频繁性,提高信息共享程度,有利于进化。在全局迭代过程中采取精英群自学习进化机制,以对精英空间进行精细搜索,获得更优解,进一步提升算法的全局寻优能力,正确导向算法的进化。实验结果表明,所提算法在七个测试函数中均能收敛到最优解0,成功率为100%,优于其他对比算法。所提算法可有效避免陷入早熟收敛,极大地提高了算法的收敛速度和优化精度。