带柯西变异的自学习改进烟花算法

针对烟花算法收敛速度慢和求解精度不高,论文提出了一种改进烟花算法--带柯西变异的自学习改进烟花算法.改进算法用全局搜索能力更强的柯西变异算子替代高斯变异算子,增大变异范围;用全局最优烟花个体和历史柯西火花的位置来构造新的爆炸半径使其不仅能够继承和学习历史信息,还能够自适应地调整步长;并使用可同时兼顾烟花质量与分布的"精英-随机"选择策略.使用了10个典型基准测试函数和10个0-1背包问题进行仿真实验,结果表明,与蝙蝠算法、粒子群算法、带高斯扰动的粒子群算法、烟花算法、增强烟花算法、自适应烟花算法相比.该算法在收敛速度、计算精度以及稳定性方面性能更优.     

自适应爆炸半径的改进烟花算法

为充分利用被丢弃的爆炸火花个体的信息,对烟花算法进行优化,提出具有自适应爆炸半径特性的改进烟花算法。利用全局最优烟花个体gBest以及每个烟花所产生的最优爆炸火花个体的集合sparkpBest来构造新的爆炸半径,使其能够自适应地调整步长;在寻优过程中,对gBest进行高斯扰动来增加种群的多样性,避免烟花种群过快陷入局部最优。与其它群智能算法(粒子群算法PSO、带有高斯扰动的粒子群算法GPSO、蝙蝠算法BA、烟花算法FWA、自适应烟花算法AFWA以及增强烟花算法EFWA)对比,通过仿真可知,提出的改进烟花算法总体性能优于其它6种对比算法。     

协同智能的蝙蝠差分混合算法

为解决差分进化算法后期收敛易陷入局部最优和早熟收敛的问题,提出一种群体智能优化算法,即协同智能的蝙蝠差分混合算法。利用蝙蝠个体脉冲回声定位的特点,与差分种群相互协作,在当前最优解gbest附近进行一次详细搜索,有效增加种群的多样性,跳出局部最优。通过蝙蝠种群和差分种群两个种群的相互协作,较好平衡全局搜索和局部开发之间的能力。为验证算法有效性,选用9个常用的基准测试函数和5个0-1背包问题,与标准粒子群算法、带高斯扰动的粒子群算法、蝙蝠算法、差分算法、烟花算法相对比,仿真实验表明,所提算法总体性能优于其它5种算法。     

一种自适应调整种群子代数量 与步长的优化算法——爆米花算法

提出了一种新的群体智能优化算法——爆米花算法。借鉴了烟花算法爆炸机制的优点,利用个体在寻优过程中适应度值的优劣来动态调整子代的数量,个体的适应度值越好,产生的子代数量越多,并且在该个体附近搜索的子代数量越多,以此控制局部搜索与全局搜索之间的平衡。还借鉴了粒子群优化算法的记忆机制,引入个体最优和全局最优来构造新的爆炸半径,使算法能够在寻优过程中动态地调整步长,并对全局最优进行高斯扰动,增加种群的多样性。实验结果表明:与其他优化算法(如蝙蝠算法、标准粒子群算法、烟花算法)相比,本文提出的爆米花算法总体性能更优。