具备逃逸机制的自学习麻雀搜索算法

针对麻雀搜索算法在迭代后期易出现搜索停滞的问题,提出一种具备逃逸机制的自学习麻雀搜索算法。首先,利用SPM混沌映射规则进行种群初始化,提高种群初始化质量;然后,通过黄金正弦算法改进发现者的位置更新规则,解决搜索维度变小的问题,同时指导个体进行自学习,使上一代的位置信息得到充分利用,提高求解速度;最后,利用逃逸机制对发生聚集的个体散射至其余搜索空间,提高种群多样性,避免算法出现搜索停滞。对基准测试函数的仿真实验表明,论文所提出的算法解决了麻雀搜索算法在迭代后期易出现搜索停滞的问题,证明了该算法的有效性。     

融合Tent混沌和维度学习的阴阳对算法

针对阴阳对算法(YYPO)易早熟收敛，提出一种融合Tent混沌映射和维度学习策略的阴阳对优化算法(YYPO-TP)。使用Tent混沌序列初始化阴阳两点生成以增加初始位置分布的均匀性，使用维度学习策略和反向搜索策略设计一种正反向搜索的分割方式，避免算法的早熟，增强算法全局寻优能力。实验结果表明，YYPO-TP相比YYPO在统计学意义上有显著性能优势，在风力发电机参数优化问题YYPO-TP也取得了更优的结果。     

基于均值学习策略果蝇算法的工业机器人轨迹规划

针对机器人空间轨迹的时间最优规划问题，文中在建立轨迹规划模型的基础上，对果蝇算法(FOA)进行改进，并由此提出基于均值学习策略果蝇算法(MLS-FOA)的机器人轨迹规划方法。相比于FOA,MLS-FOA增加了向种群均值学习的策略，平衡了算法的全局搜索能力和局部搜索能力。机器人轨迹规划实例表明，MLS-FOA能够在位置、速度、加速度满足约束条件的同时，使得运动曲线更为平滑，同时也缩短了机器人的运动时间，提高了运动效率。     

一种基于改进樽海鞘算法的云仿真任务调度的研究

云平台通常允许多个任务在云环境中同时执行，而任务调度是实现更好云计算性能的重要部分，其调度的效率直接影响到云平台计算资源利用率以及用户服务质量.针对云计算任务调度的核心寻求解的最优化问题，本文提出了一种混合算法，称为樽海鞘改进算法.此算法融合了反向学习原理扩大搜索空间，能够自适应的改变领导者的位置，并使得追随者根据几位领导者的位置更新自己，避免解陷入局部最优.本文采用CEC常用的23组测试函数进行测试，将结果与多个经典算法进行比较，证明了樽海鞘改进算法的优越性.同时在云仿真平台上进行模拟在云平台上进行任务调度的过程，通过与其他的几种算法的比较，证明了樽海鞘优化算法在任务调度方面应用的可行性，且有效缩短了云任务的完成时间，降低了完成成本.