融合对立学习的混合灰狼优化算法

针对标准灰狼优化(grey wolf optimization,GWO)算法存在后期收敛速度慢,求解精度不高,易出现早熟收敛现象等问题,提出了一种基于对立学习策略和Rosenbrock局部搜索的混合灰狼优化(hybrid GWO,HGWO)算法。该算法首先采用对立学习策略取代随机初始化生成初始种群,以保证群体的多样性;然后对当前群体中最优个体进行Rosenbrock局部搜索,以增强局部搜索能力和加快收敛速度;最后为了避免算法出现早熟收敛现象,利用精英对立学习方法产生精英对立个体。对6个标准测试函数进行仿真实验,并与其他算法进行比较,结果表明,HGWO算法收敛速度快,求解精度高。     

采用动态权重和概率扰动策略改进的灰狼优化算法

针对基本灰狼优化（GWO）算法存在易陷入局部最优,进而导致搜索精度偏低的问题,提出了一种改进的GWO （IGWO）算法。一方面,通过引入由GWO算法系数向量构成的权值因子,动态调整算法的位置向量更新方程;另一方面,通过采用概率扰动策略,增强算法迭代后期的种群多样性,从而提升算法跳出局部最优的能力。对多个基准测试函数进行仿真实验,实验结果表明,相对于GWO算法、混合GWO （HGWO）算法、引力搜索算法（GSA）和差分进化（DE）算法,所提IGWO算法有效摆脱了局部收敛,在搜索精度、算法稳定性以及收敛速度上具有明显优势。     

基于Cat混沌与高斯变异的改进灰狼优化算法

针对基本灰狼优化算法在求解复杂问题时同样存在依赖初始种群、过早收敛、易陷入局部最优等缺点,提出一种改进的灰狼优化算法应用于求解函数优化问题中。该算法首先利用混沌Cat映射产生灰狼种群的初始位置,为算法全局搜索过程的种群多样性奠定基础;同时引入粒子群算法中的个体记忆功能以便增强算法的局部搜索能力和加快其收敛速度;最后采用高斯变异扰动和优胜劣汰选择规则对当前最优解进行变异操作以避免算法陷入局部最优。对13个基准测试函数进行仿真实验,结果表明,与基本GWO算法、PSO算法、GA算法以及ACO算法相比,该算法具有更好的求解精度和更快的收敛速度。     

求解高维优化问题的混合灰狼优化算法

针对基本灰狼优化算法在求解高维优化问题时存在解精度低、收敛速度慢和易陷入局部最优的缺点,提出一种基于混沌映射和的精英反向学习策略的混合灰狼优化算法用于解决无约束高维函数优化问题. 该混合算法首先采用混沌序列产生初始种群为算法进行全局搜索奠定基础;对当前种群中的精英个体分别执行精英反向学习策略以协调算法的勘探和开采能力;在搜索过程中对决策层个体进行混沌扰动,以避免算法陷入局部最优的可能性. 选取10个高维(100维、500维和1000维)标准测试函数进行数值实验,结果表明混合灰狼优化算法在求解精度及收敛速度指标上明显优于对比算法.     

一种新型非线性收敛因子的灰狼优化算法*

针对标准灰狼优化算法在求解复杂工程优化问题时存在求解精度不高和易陷入局部最优的缺点,提出一种新型灰狼优化算法用于求解无约束连续函数优化问题。该算法首先利用反向学习策略产生初始种群个体,为算法全局搜索奠定基础;受粒子群优化算法的启发,提出一种非线性递减收敛因子更新公式,其动态调整以平衡算法的全局搜索能力和局部搜索能力;为避免算法陷入局部最优,对当前最优灰狼个体进行变异操作。对10个测试函数进行仿真实验,结果表明,与标准灰狼优化算法相比,改进灰狼优化算法具有更好的求解精度和更快的收敛速度。     

基于双权重因子的改进鲶鱼效应灰狼优化算法

针对GWO算法易早熟收敛、寻优速度和精度不高等问题,提出一种基于双权重因子的改进鲶鱼效应灰狼优化算法(IGWO).首先,采用Logistic混沌映射初始化灰狼种群,提高种群初始化位置的质量;然后针对头狼扰动和个体搜寻步长引入两种不同的权重因子,用来平衡算法局部开发和全局搜索能力;最后引入改进的鲶鱼效应策略,保证种群活力,进一步提高算法收敛精度,避免算法陷入局部最优解.仿真结果采用10个标准测试函数与其他智能优化算法进行低维和高维寻优对比,并与其他改进灰狼优化算法进行对比,结果表明,改进的灰狼优化算法具有较高的鲁棒性.     

灰狼优化与差分进化的混合算法及函数优化

灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。     

一种基于教与学的混合灰狼优化算法

针对灰狼优化算法(GWO)存在收敛精度不高、易陷入局部最优的不足,提出一种基于教与学的混合灰狼优化算法(HGWO).首先,采用佳点集理论进行种群初始化,提高初始种群的遍历性;其次,提出一种非线性控制参数策略,在迭代前期增加全局搜索能力,避免算法陷入局部最优,在迭代后期增加局部开发能力,提高收敛精度;最后,结合教与学算法(TLBO)和粒子群优化算法,修改原位置更新公式以优化算法搜索方式,从而提升算法的收敛性能.为验证HGWO算法的有效性,选取9种标准测试函数,将HGWO算法、GWO算法以及其他群体智能优化算法和其他改进GWO算法进行仿真实验.实验结果表明,所提出的HGWO算法性能优于GWO算法和其他群体智能优化算法,且在改进算法中具有一定优势.     

矿用动力电池荷电状态预测

针对最小二乘支持向量机(LSSVM)用于预测矿用动力电池荷电状态(SOC)时正则化参数和核函数参数难以优化选择,灰狼优化(GWO)算法在单独求解约束优化问题时出现早熟、稳定性差、易陷入局部最优等问题,在差分进化灰狼优化(DE-GWO)算法的基础上,采用指数函数形式的非线性收敛因子对DEGWO算法进行改进。该非线性收敛因子在迭代过程前段衰减速率低,能更好地寻找全局最优解,在迭代过程后段衰减速率高,能更精确地寻找局部最优解,有效平衡全局搜索能力和局部搜索能力。实验结果表明,利用改进DE-GWO算法优化LSSVM参数后建立的矿用动力电池SOC预测模型最大绝对误差为3.7%,最大相对误差为5.3%。     

具有自适应调整策略的混沌灰狼优化算法

灰狼优化算法(Grey Wolf Optimization,GWO)是新型启元优化算法,相比于其他群体智能优化算法,该算法同样存在收敛速度较慢、不稳定、易陷入局部最优等问题。针对上述问题,根据GWO算法的结构特点,提出了一种自适应调整策略的混沌灰狼优化算法(Chaotic Local Search GWO),利用自适应调整策略来提高GWO算法的收敛速度,通过混沌局部搜索策略增加种群的多样性,使搜索过程避免陷入局部最优。最后利用6个测试函数对算法进行仿真验证,并结合其他4种算法进行了横向比较。实验结果证明,所提出的改进算法在收敛速度、精度以及稳定性方面具有明显的优势。     

求解约束化工优化问题的混合布谷鸟搜索算法

针对布谷鸟搜索算法存在收敛速度慢和易陷入局部最优等缺陷,提出一种基于Rosenbrock搜索和柯西变异的混合布谷鸟搜索算法用于求解约束化工优化问题。该算法首先采用佳点集方法对鸟窝位置进行初始化,为全局搜索的多样性奠定基础;然后利用Rosenbrock搜索算法对当前最优位置进行局部搜索,以提高算法的收敛速度;最后对当前最优解进行柯西变异以避免算法陷入局部最优。两个约束化工优化问题的实验结果表明了该混合算法的有效性。     

求解作业车间调度问题的改进混合灰狼优化算法*

灰狼优化算法(GWO)是目前一种比较新颖的群智能优化算法,具有收敛速度快,寻优能力强等优点。本文将灰狼优化算法用于求解复杂的作业车间调度问题,与布谷鸟搜索算法进行比较研究,验证了标准GWO算法求解经典作业车间调度问题的可行性和有效性。在此基础上,针对复杂作业车间调度问题难以求解的特点,对标准GWO算法进行改进,通过进化种群动态、反向学习初始化种群,以及最优个体变异等三个方面的改进操作,测试结果表明改进后的混合灰狼优化算法能够有效跳出局部最优值,找到更好的解,并且结果鲁棒性更强。     

协调探索和开发能力的改进灰狼优化算法

提出一种协调探索和开发能力的灰狼优化算法.利用佳点集方法初始化灰狼个体的位置,为全局搜索多样性奠定基础;为协调算法的全局探索和局部开发能力,给出一种基于正切三角函数描述的非线性动态变化控制参数;为加快算法的收敛速度,受粒子群优化算法个体记忆功能的启发,设计一种新的个体位置更新公式.10个标准函数的测试结果表明,改进灰狼优化(IGWO)算法能够有效地协调其对问题搜索空间的探索和开发能力.     

求解铁路物流配送中心选址问题的改进灰狼优化算法

针对单一机制的灰狼优化算法（GWO）易陷于局部最优、收敛速度慢的问题,提出了一种改进灰狼优化（IGWO）算法来解决实际铁路物流配送中心选址的问题。首先,在基本的灰狼优化算法的基础上,引入佳点集理论初始化种群,从而提高了初始种群的多样性;然后,利用差值剔除策略（DES）来增加全局寻优能力,以达到一种高效的寻优模式。仿真实验结果表明：与标准的灰狼算法相比,所提出的IGWO适应度值提高了3%,在10个测试函数中最优值精度可最多提高7个单位;与粒子群优化（PSO）算法、差分进化（DE）算法和遗传算法（GA）比较,所提算法的运行速度分别提高了39.6%、46.5%和65.9%,选址速度也明显提高。可见所提算法可用于铁路物流中心的选址。     

改进的约束优化多目标遗传算法及工程应用

利用多目标法处理约束条件,提出一种改进的基于多目标优化的遗传算法用于求解约束优化问题。该算法将约束优化问题转化为两个目标的多目标优化问题; 利用庄家法构造非劣个体,将种群分为支配子种群和非支配子种群,以一定概率分别从支配子种群和非支配子种群中选择个体进行算术交叉操作,引导个体逐步向极值点靠近,增强算法的局部搜索能力,对非支配子种群进行多样性变异操作。8个标准测试函数和3个工程应用的仿真实验结果表明了该算法的有效性。     

灰狼与郊狼混合优化算法及其聚类优化

郊狼优化算法(Coyote optimization algorithm, COA)是最近提出的一种新颖且具有较大应用潜力的群智能优化算法, 具有独特的搜索机制和能较好解决全局优化问题等优势, 但在处理复杂优化问题时存在搜索效率低、可操作性差和收敛速度慢等不足. 为弥补其不足, 并借鉴灰狼优化算法(Grey wolf optimizer, GWO)的优势, 提出了一种COA与GWO的混合算法(Hybrid COA with GWO, HCOAG). 首先提出了一种改进的COA (Improved COA, ICOA), 即将一种高斯全局趋优成长算子替换原算法的成长算子以提高搜索效率和收敛速度, 并提出一种动态调整组内郊狼数方案, 使得算法的搜索能力和可操作性都得到增强; 然后提出了一种简化操作的GWO (Simplified GWO, SGWO), 以提高算法的可操作性和降低其计算复杂度; 最后采用正弦交叉策略将ICOA与SGWO二者融合, 进一步获得更好的优化性能. 大量的经典函数和CEC2017复杂函数优化以及K-Means聚类优化的实验结果表明, 与COA相比, HCOAG具有更高的搜索效率、更强的可操作性和更快的收敛速度, 与其他先进的对比算法相比, HCOAG具有更好的优化性能, 能更好地解决聚类优化问题.     

A modified augmented Lagrangian with improved grey wolf optimization to constrained optimization problems

This paper presents a novel constrained optimization algorithm named MAL-IGWO, which integrates the benefit of the improved grey wolf optimization (IGWO) capability for discovering the global optimum with the modified augmented Lagrangian (MAL) multiplier method to handle constraints. In the proposed MAL-IGWO algorithm, the MAL method effectively converts a constrained problem into an unconstrained problem and the IGWO algorithm is applied to deal with the unconstrained problem. This algorithm is tested on 24 well-known benchmark problems and 3 engineering applications, and compared with other state-of-the-art algorithms. Experimental results demonstrate that the proposed algorithm shows better performance in comparison to other approaches.