改进多样性和局部优化能力的引力搜索算法

针对引力搜索算法局部搜索能力较弱,搜索过程容易出现早熟的现象,提出一种基于多样性和局部优化能力协同优化的引力搜索算法。将粒子群算法中局部最优解和细菌趋化中排斥操作的概念引入到引力搜索算法中,通过帮助粒子接近最优位置和逃离最差位置,改进了搜索算法中粒子的局部优化能力及种群多样性,并使用标准函数进行测试。结果表明,该算法能够实现全局搜索与局部搜索的平衡,最大程度地保持种群多样性,提高算法搜索能力。     

引力搜索算法中粒子记忆性改进的研究

针对引力搜索算法(GSA)对一些复杂问题的搜索精度不高的问题,特别是高维函数优化性能不佳、优化过程容易出现早熟的现象,因此考虑将粒子群优化(PSO)算法中关于局部最优解和全局最优解的概念引入引力搜索算法中,对引力搜索算法中粒子的记忆性进行改进,这样使得粒子的进化不仅受空间中其他粒子的影响,还受到自身记忆的约束,以此来提高算法的搜索能力。通过对选用的10个基准函数测试,证明了该方法的有效性。     

吸引子权重改变内嵌区域震荡搜索粒子群算法

针对粒子群算法搜索精度不高、搜索最优解较慢的问题,提出了一种改进的粒子群算法。该算法通过调整全局最优解和个体最优解,形成一个新的全局吸引子解指导粒子收敛,优化种群粒子来搜索解空间的最优值。再将优化方案融入到内嵌区域震荡搜索的粒子群算法（RSPSO）中,仿真结果表明,改进的粒子群算法在寻优能力及搜索精度方面都得到了进一步的提高。     

基于斥力的引力搜索算法

针对引力搜索算法(Gravitational Search Algorithm,GSA)收敛速度较快、易陷入局部最优的缺点,提出一种加入斥力的引力搜索算法RFGSA(Repulsion Force based Gravitational Search Algorithm)。该算法在引力搜索算法中引入斥力,即将一部分引力变为斥力,从而增加种群的多样性,有利于寻找全局最优。对10个基准测试函数进行优化的结果表明:该算法的收敛结果明显优于遗传算法、粒子群算法及原始的引力搜索算法。     

改进引力搜索算法用于工控系统入侵检测

为提高引力搜索算法的全局搜索能力和收敛速度,提出改进引力搜索算法(IGSA)。为引力常量嵌入混沌映射,使其在减小的同时可以混沌地变化,快速地跳出局部极小值,扩展搜索区域;引入细菌觅食算法(BFA)的趋化算子,利用最优个体信息对当前最佳粒子进行调整,提高收敛速度。4种基准函数的测试结果对比表明,IGSA有着更好的搜索能力和收敛速度。利用IGSA对孪生支持向量机(TWSVM)的参数进行寻优,将寻优后的TWSVM分类器应用于工控标准入侵检测数据集。实验结果表明,IGSA-TWSVM对整体入侵的误报率、漏报率和对各类入侵的检测率都优于其它算法。     

改进的引力搜索算法及在波束赋形中的应用

针对引力搜索算法在优化复杂的波束赋形问题时,准确率低的问题,提出了一种改进算法:伪反向学习引力搜索算法.首先设计了一种随迭代次数变化的反向概率,将其用于算法中来优化反向学习的作用时机,进一步提高了算法搜索最优解的速度;其次,定义了"精英粒子",并将其保留至下一代种群中,替换掉种群中适应度值较差的粒子,从而改善了算法易陷入局部最优解的问题.利用改进算法对不同阵列天线进行优化,结果显示,和多种同类高性能算法的优化结果相比,伪反向学习引力搜索算法无论是优化精度还是收敛速度均为最佳,验证了所提改进算法在解决复杂波束赋形问题时的有效性.     

基于IGSA优化的LSSVM制冷系统故障诊断研究

为提高制冷系统故障诊断的准确率,提出一种基于改进引力搜索算法(IGSA)优化的最小二乘支持向量机(LSSVM)的制冷系统故障诊断方法。首先,引入粒子群算法的速度更新机制对引力搜索算法进行改进,增加粒子的记忆性和信息共享能力,提高了算法的收敛速度和搜索精度;其次,利用IGSA对LSSVM的核参数与正则化参数进行优化,得到最优的IGSA-LSSVM故障诊断模型。最后,利用故障模拟实验台模拟制冷系统的四种典型故障,将优化好的LSSVM模型对其进行分类识别,并与标准LSSVM、GSA-LSSVM和PSO-LSSVM模型进行比较。仿真结果表明,基于IGSA优化的LSSVM方法具有良好的辨识能力和泛化能力,能够更好地对制冷系统故障进行诊断。     

基于动态随机搜索和佳点集构造的改进粒子群优化算法

针对粒子群优化算法局部搜索能力不足和易出现早熟收敛的问题,提出一种基于动态随机搜索和佳点集构造的改进粒子群优化算法。该算法通过引入动态随机搜索技术,对种群当前最优位置进行局部搜索;采用佳点集构造对陷入早熟收敛的种群重新初始化;引入负梯度方向直线搜索来加速算法寻优。仿真实验结果表明,与标准粒子群优化(SPSO)算法和耗散粒子群优化(DPSO)算法比较, 提出的改进算法具有快速的收敛能力而且能有效地跳出局部最优, 优化性能得到明显提高。     

基于改进引力搜索的混合K-调和均值聚类算法研究

为了解决聚类算法容易陷入局部最优的问题,以及增强聚类算法的全局搜索能力,基于KHM算法以及改进的引力搜索算法,本文提出一种混合K-调和均值聚类算法（G-KHM）。G-KHM算法具有KHM算法收敛速度快的优点,但同时针对KHM算法容易陷入局部最优解的问题,在初始化后数据开始搜索聚类中心时采用了一种基于对象多样性及收敛性增强的引力搜索算法,该方法改进了引力搜索算法容易失去种群多样性的缺点,并同时具有引力搜索算法较强的全局搜索能力,可以使算法收敛到全局最优解。仿真结果表明,G-KHM算法能有效地避免陷入局部极值,具有较强的全局搜索能力以及稳定性,并且相比KHM算法、K-mean聚类算法、C均值聚类算法以及粒子群算法,在分类精度和运行时间上表现出了更好地效果。     

基于改进的Tent混沌万有引力搜索算法

万有引力搜索算法(gravitational search algorithm,GSA)相比于传统的优化算法具有收敛速度快、开拓性能强等特点,但GSA易陷入早熟收敛和局部最优,搜索能力较弱.为此,提出一种基于改进的Tent混沌万有引力搜索算法(gravitational search algorithm based on improved tent chaos,ITC-GSA).首先,改进Tent混沌映射来初始化种群,利用Tent混沌序列随机性、遍历性和规律性的特性使得初始种群随机性和遍历性在可行域内,具有加强算法的全局搜索能力;其次,引入引力常数G的动态调整策略提高算法的收敛速度和收敛精度;再次,设计成熟度指标判断种群成熟度,并使用Tent混沌搜索有效抑制算法早熟收敛,帮助种群跳出局部最优;最后,对10个基准函数进行仿真实验,结果表明所提算法能够有效克服GSA易陷入早熟收敛和局部最优的缺点,提高算法的收敛速度和寻优精度.     

A hybrid approach based on an improved gravitational search algorithm and orthogonal crossover for optimal shape design of concrete gravity dams

A hybrid approach based on an improved gravitational search algorithm (IGSA) and orthogonal crossover (OC) is proposed to efficiently find the optimal shape of concrete gravity dams. The proposed hybrid approach is called IGSA-OC. The hybrid of IGSA and the OC operator can improve the global exploration ability of the IGSA method, and increase its convergence rate. To find the optimal shape of concrete gravity dams, the interaction effects of dam–water–foundation rock subjected to earthquake loading are considered in this study. The computational cost of the optimal shape of concrete gravity dams subjected earthquake loads is usually high. Due to this problem, the weighted least squares support vector machine (WLS-SVM) regression as an efficient metamodel is utilized to considerably predict dynamic responses of gravity dams by spending low computational cost. To testify the robustness and efficiency of the proposed IGSA-OC, first, four well-known benchmark functions in literatures are optimized using the proposed IGSA-OC, and provides comparisons with the standard gravitational search algorithm (GSA) and the other modified GSA methods. Then, the optimal shape of concrete gravity dams is found using IGSA-OC. The solutions obtained by the IGSA-OC are compared with those of the standard GSA, IGSA and particle swarm optimization (PSO). The numerical results demonstrate that the proposed IGSA-OC significantly outperforms the standard GSA, IGSA and PSO.     

An improved gravitational search algorithm for dynamic neural network identification

Gravitational search algorithm (GSA) is a newly developed and promising algorithm based on the law of gravity and interaction between masses. This paper proposes an improved gravitational search algorithm (IGSA) to improve the performance of the GSA, and first applies it to the field of dynamic neural network identification. The IGSA uses trial-and-error method to update the optimal agent during the whole search process. And in the late period of the search, it changes the orbit of the poor agent and searches the optimal agent’s position further using the coordinate descent method. For the experimental verification of the proposed algorithm, both GSA and IGSA are testified on a suite of four well-known benchmark functions and their complexities are compared. It is shown that IGSA has much better efficiency, optimization precision, convergence rate and robustness than GSA. Thereafter, the IGSA is applied to the nonlinear autoregressive exogenous (NARX) recurrent neural network identification for a magnetic levitation system. Compared with the system identification based on gravitational search algorithm neural network (GSANN) and other conventional methods like BPNN and GANN, the proposed algorithm shows the best performance.     

基于信息熵的混合引力搜索算法

针对基本引力搜索算法搜索速度慢和容易出现早熟的缺点,本文提出了一种基于信息熵的混合引力搜索算法. 受粒子群算法的启发,所提算法首先通过改进基本引力搜索算法的速度和位置更新公式来提高搜索速度;其次,通过惯性质量构造了信息熵模型来刻画种群的寻优程度,并采用不同的信息熵阈值动态选择权重,平衡了算法的全局搜索能力和局部搜索能力. 用8个标准测试函数的仿真实验和基本引力搜索算法与记忆改进的引力搜索算法的比较表明了所提算法收敛速度快,鲁棒性强且效率高.     

Convergence analysis and performance of an improved gravitational search algorithm

Gravitational search algorithm (GSA) has been shown to yield good performance for solving various optimization problems. However, it tends to suffer from premature convergence and loses the abilities of exploration and exploitation when solving complex problems. This paper presents an improved gravitational search algorithm (IGSA) that first employs chaotic perturbation operator and then considers memory strategy to overcome the aforementioned problems. The chaotic operator can enhance its global convergence to escape from local optima, and the memory strategy provides a faster convergence and shares individual's best fitness history to improve the exploitation ability. After that, convergence analysis of the proposed IGSA is presented based on discrete-time linear system theory and results show that IGSA is not only guaranteed to converge under the conditions, but can converge to the global optima with the probability 1. Finally, choice of reasonable parameters for IGSA is discussed on four typical benchmark test functions based on sensitivity analysis. Moreover, IGSA is tested against a suite of benchmark functions with excellent results and is compared to GA, PSO, HS, WDO, CFO, APO and other well-known GSA variants presented in the literatures. The results obtained show that IGSA converges faster than GSA and other heuristic algorithms investigated in this paper with higher global optimization performance.     

融合混沌反学习与蜂群搜索算子的引力搜索算法

引力搜索算法是最近提出的一种较有竞争力的群智能优化技术,然而,标准引力算法存在的收敛速度慢、容易在进化过程中陷入停滞状态.针对上述问题,提出一种改进的引力搜索算法.该算法采用混沌反学习策略初始化种群,以便获得遍历整个解空间的初始种群,进而提高算法的收敛速度和解的精度.此外,该算法利用人工蜂群搜索策略很强的探索能力,对种群进行引导以帮助算法快速跳出局部最优点.通过对13个非线性基准函数进行仿真实验,验证了改进的引力搜索算法的有效性和优越性.     

自适应种群更新策略的多目标粒子群算法

针对粒子种群较差的局部搜索能力,提出了一种自适应种群更新策略的多目标粒子群算法。该算法在每次种群进行迭代时,根据种群的多样性测度以及每个粒子的适应度值,自适应地改变速度权重,以此来提高种群粒子在局部搜索时的活性,使算法具有较强的局部搜索能力同时又保留了足够的全局搜索能力。最后利用多组经典测试样例进行仿真,并与传统的粒子群算法以及速度线性衰减算法做比较,在单目标优化中,自适应粒子群算法能够更快地寻找最优位置;在多目标优化中,自适应粒子群算法能够更快速地收敛于帕累托最优边界。     

动态学习混沌映射的粒子群算法

传统粒子群优化算法（PSO）对社会认知部分与自我认知部分都采用恒定学习常数,一定程度上限制种群全局协调能力。在算法收敛后期种群多样性丧失而导致全部个体收敛于搜索空间中的某一点,这易诱发早熟现象。针对这种缺陷提出一种动态学习混沌映射的粒子群优化算法（VLCMPSO）。在算法初期迭代中应多考虑自身记录的最佳点,在算法后期应快速向种群最佳点收敛,因而设计一种进行协调的动态学习因子。为克服早熟现象,判断种群多样性方差低于设定阈值时,以混沌映射的方式将该代最优个体位置更新且以新的方式进行优化操作。经实验证明新算法在收敛速度与精度上都具有更好的性能。