基于协作搜索策略的花粉算法

花粉算法是一种新型的元启发式智能算法,但存在陷入局部最优解、收敛速度慢、寻优精度低等缺陷.基于此本文提出一种基于协作搜索策略的花粉算法,该算法使得花粉个体能够在一定程度上跳出局部最优值,提高算法的全局寻优能力.最后,对8个标准测试函数进行测试,结果表明,改进后的算法在7个测试函数中能够找到理论最优值,收敛速度、寻优精度、鲁棒性均比花粉算法以及改进的花粉算法有较大的提高.     

花授粉算法的改进及在压力容器设计中的应用

虽然花授粉算法对于求解优化问题十分有效,但也存在收敛性慢的问题。为了解决此问题,提出一种带有时变因子的差分进化花授粉算法（Differential Evolution Flower Pollination Algorithm with Time Variant Factor,TVDFPA）。对步长因子进行改进,同时在迭代过程中加入差分进化的策略,通过种群杂交,提高算法的收敛速度和寻优能力。通过标准测试函数进行测试,仿真结果表明TVDFPA的收敛速度比原始花授粉算法、混沌和声的花授粉（HFPCHS）、模拟退火花授粉算法（SFPA）快,收敛精度也有较大提高。进而结合花授粉算法的特点,建立带有变参数的双适应值比较法来求解压力容器设计问题,实验结果表明改进之后的算法具有较好的求解性能。     

应用BP神经网络估算服装铺料长度

针对传统估算方法存在事后性和经验依赖性等缺点,提出应用BP神经网络来估算铺料长度。该方法避开了先打板,再排料,后估算等过程,直接从订单的信息分析入手,通过实验从中提取出有关铺料长度的影响因素,并将其作为输入参数,建立估算铺料长度的BP模型,实验证明该模型具有较好的预测效果。在实际应用中,如将企业实际生产的样本输入模型,通过训练可使估算长度更加接近于企业生产的实际铺料长度,为实现快速准确地估算面料消耗,设计出优化的分床裁剪方案提供指导。     

一种基于权重策略的蝙蝠算法

针对基本蝙蝠算法存在的后期收敛速度慢、易陷入局部极值、稳定性差等缺点,提出一种基于权重策略的蝙蝠算法.该算法在蝙蝠学习机制中引入权重策略,使其不再单一地向全局最优蝙蝠学习,而是与邻域内所有蝙蝠进行信息共享与交流,并根据自身寻优能力自适应地调节向其他蝙蝠学习的力度,优化迭代种群,增加种群多样性,有效地提高了算法的全局搜索能力和搜索精度.数值测试结果表明,新算法有较快收敛速度和较高的寻优精度.     

群体智能和智能优化算法(英文)

通常元启发式优化算法是基于群体智能的算法,这些算法通常被称为智能算法.此文综述一些广泛应用的优化算法,包括蚁群算法、蜜蜂算法、蝙蝠算法、布谷鸟搜索、萤火虫算法和粒子群优化.同时,还讨论启发式算法中具有挑战性的问题如参数调整和参数控制.     

蝙蝠算法的全局收敛性分析

为了研究蝙蝠算法的收敛性,本文基于随机搜索算法的全局收敛性判断准则对蝙蝠算法的收敛性进行了分析,并通过仿真实验进行了验证．结果表明,蝙蝠算法不完全满足随机搜索优化算法的2个全局收敛准则,无法确保全局收敛,因此蝙蝠算法属于局部搜索优化算法．     

应用BP神经网络估算服装铺料长度

针对传统估算方法存在事后性和经验依赖性等缺点，提出应用BP神经网络来估算铺料长度。该方法避开了先打板，再排料，后估算等过程，直接从订单的信息分析入手，通过实验从中提取出有关铺料长度的影响因素，并将其作为输入参数，建立估算铺料长度的BP模型，实验证明该模型具有较好的预测效果。在实际应用中，如将企业实际生产的样本输入模型，通过训练可使估算长度更加接近于企业生产的实际铺料长度，为实现快速准确地估算面料消耗，设计出优化的分床裁剪方案提供指导。