A Memetic Chaotic Gravitational Search Algorithm for unconstrained global optimization problems

Metaheuristic optimization algorithms address two main tasks in the process of problem solving: i) exploration (also called diversification) and ii) exploitation (also called intensification). Guaranteeing a trade-off between these operations is critical to good performance. However, although many methods have been proposed by which metaheuristics can achieve a balance between the exploration and exploitation stages, they are still worse than exact algorithms at exploitation tasks, where gradient-based mechanisms outperform metaheuristics when a local minimum is approximated. In this paper, a quasi-Newton method is introduced into a Chaotic Gravitational Search Algorithm as an exploitation method, with the purpose of improving the exploitation capabilities of this recent and promising population-based metaheuristic. The proposed approach, referred to as a Memetic Chaotic Gravitational Search Algorithm, is used to solve forty-five benchmark problems, both synthetic and real-world, to validate the method. The numerical results show that the adding of quasi-Newton search directions to the original (Chaotic) Gravitational Search Algorithm substantially improves its performance. Also, a comparison with the state-of-the-art algorithms: Particle Swarm Optimization, Genetic Algorithm, Rcr-JADE, COBIDE and RLMPSO, shows that the proposed approach is promising for certain real-world problems.     

万有引力搜索算法在电厂锅炉NOx排放模型中的应用研究

电站锅炉NOx的排放是造成环境污染的重要因素。为控制燃煤电厂NOx浓度的排放,实现低污染,应当正确建立电厂锅炉燃烧系统NOx的排放模型。本文以支持向量回归机为基础,利用最小二乘支持向量机和最近一种新的寻优算法——万有引力搜寻算法,进行综合建模。此模型较好的实现了对电厂锅炉NOx浓度排放量的预测,并与最小二乘支持向量机结合遗传算法的综合建模方法进行了实验对比,对比结果表明,在建模中万有引力搜寻算法比遗传算法能够找到更好的未知参数,使得所建模型具有更高的预测能力和泛化能力。     

最短路径搜索的实现及算法优化

在游戏开发过程中常常面临多条通路存在却不知道应该选择哪条路径到达终点效率最高的问题。本文应用人工智能中的路径搜索算法将这一问题的求解过程转化为在状态空间中从初始状态到目标状态寻找路径的过程。在寻找最佳路径的过程中,应用启发式搜索和估价函数,对每一个搜索的位置先进行评估,从而得到最好的起始点,再从这个位置依次搜索直到目标,最终发现到达终点的最便捷途径。同时结合实际应用中遇到的问题,给出了该算法的进一步优化解决方案。     

改进万有引力搜索算法及在水位辨识中的应用

针对万有引力搜索算法(Gravitational Search Algorithm,GSA)的早熟收敛和寻优精度问题,提出了一种改进的GSA算法。算法采用混沌序列初始化种群位置,采用淘汰机制及变异操作增加种群的多样性,避免陷入局部最优。通过对6个非线性基准函数进行仿真测试,结果表明:所提出的算法对非线性函数具有良好的优化性能。将上述算法用于双容水箱水位的辨识,辨识结果验证了提出算法的有效性。     

引力搜索算法的改进

引力搜索算法GSA(Gravitationa lSearch Algorithm)是最近由Esmat Rashedi基于引力定律提出的一个新算法。在引力搜索算法的基础上对其进行改进,得到了基于权值的引力搜索算法。与引力搜索算法相比,该算法在每一次迭代的过程中,都对粒子的惯性质量加一个权值。用算法对许多基准函数测试的实验效果表明,该方法可以使得引力搜索算法得到更好的结果。     

一种群模式全局搜索算法

由于模式搜索算法易陷入局部极值且效率低。受群智能算法的启发,结合模式搜索算法,提出一种全局优化算法——群模式全局搜索算法。该算法引入群智能的思想,包含4个操作:模式探测、模式移动、模式学习、模式扩散,具有较强的局部-全局搜索能力,且收敛速度快、稳定性好。对benchmark函数集进行仿真并与其它多个算法对比,实验结果证实该算法的有效性。     

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。     

启发式算法在搜索引擎的应用

本文对启发式搜索及其搜索过程,启发式搜索的估价函数和A*算法等作了介绍.提出使用人工智能中的启发式搜索来获取特定的信息,通过估价函数计算,对有用的链接进行遍历,以提高收集信息资源的查全率和查准率.     

基于三角范数的引力搜索算法分析

分析了由Esmat Rashcdi提出的引力搜索算法(GSA)之后,对万有引力公式进行变换,用三角范数的其他算子代替万有引力公式中两个粒子惯性质量之间的乘法算子。分析不同三角范数算子的二维图像的特征之后,选择了三角范数中的5个算子进行实验。实验结果表明,对于具有一定三维图像特征的测试函数,使用相应三角范数算子的引力搜索算法对其全局搜索的能力相对地好于使用其它三角范数算子的改进引力搜索算法。     

FCM融合改进的GSA算法在医学图像分割中的研究

医学图像由于具有复杂性,在对其进行图像分割时存在很大的不确定性,为了提高模糊c均值聚类算法(FCM)在处理医学图像分割时的性能,提出一种新的混合方法进行图像分割。利用FCM算法将图像像素分成均匀的区域,融合引力搜索算法,将改进的引力搜索算法纳入模糊c均值聚类算法中,以找到最优聚类中心,使模糊c均值聚类的适应度函数值最小,从而提高分割效果。实验结果表明,相对于传统的聚类算法,所提算法在分割复杂的医学图像方面更具有效性。     

一类求解箱式约束优化问题的自适应引力搜索算法

为了改进引力搜索算法求解箱式约束优化问题的性能,提出了一类自适应引力搜索算法,新算法定义了算法停滞系数,当算法陷入停滞时,可以自适应的修改引力参数,帮助算法跳出停滞状态;定义了个体相似系数,当种群陷入局部最优时,通过变异策略改善种群的多样性;数值试验结果表明,新算法有效的平衡了全局开发和局部搜索能力,具有更强的全局寻优能力,适于求解复杂优化问题。     

随机游走的布谷鸟搜索算法

布谷鸟搜索(Cuckoo Search,CS)算法是一种简单方便的仿生群优化算法。它虽然具有明显的优点,但在处理高维复杂问题时,不能收敛到最优解。针对算法后期收敛速度降低、易陷入局部最优的问题,本文在布谷鸟搜索算法中加入偏好随机游走机制,使得算法不容易陷入局部最优,还改变了发现概率pa的值来提高算法的各种性能。对单目标基准函数进行仿真测试,仿真结果表明,优化后的算法可以有效地提高布谷鸟算法的寻优能力。     

基于混沌万有引力搜索算法的SVM参数优化及应用

针对万有引力搜索算法存在局部优化能力差的问题,引入混沌序列和遗传算法的交叉思想对其改善,并将其应用于SVM的参数优化,通过仿真实验验证了该SVM模型具有更高的精度.最后将该模型应用于火电厂一次风机的状态监测,实验结果表明该模型是有效的.     

一种基于启发式搜索的视差匹配的快速算法

提出了一种基于启发式搜索的视差匹配的快速算法，根据立体摄像系统的特性和图像本身的性质，迅速准确地进行视差估计。与完全搜索算法相比，在基本保持重建图像质量的前提下，能降低计算复杂度。     

一种SAT邻域的快速搜索算法

用局部搜索算法求解SAT问题．通常都需要在较大的邻域中。寻找合适的邻解。如果对邻域中的每个邻解。都通过重新判断每个子句是否为可满足来得到其可满足的子句个数．则时间耗费较多。已经有一些经典的处理方法．例如通过修改邻域结构．来减小搜索空间。从另外一个角度来考虑搜索过程．根据当前解和邻解的内在关系．介绍一种SAT邻域的快速搜索算法。该算法能在不影响解质量的前提下．快速寻找合适的邻解．从而进一步提高局部搜索算法的求解速度。另外．该算法还提供用于提高解质量的信息。有助于研究新的局部搜索算法。     

具有邻域搜索机制的爆炸搜索算法

受烟花(炸弹)爆炸的启发,提出一种新型的智能优化算法——爆炸搜索算法(ESA)。该算法引入邻域搜索的思想,包含3个重要算子：爆炸搜索算子,迁移算子,变异算子,具有较大的局部-全局搜索能力,且收敛速度快、稳定性好。对benchmark函数集进行仿真并与CPSO等算法进行比较,实验结果证实了ESA的高效性。     

Cost optimized Hybrid Genetic-Gravitational Search Algorithm for load scheduling in Cloud Computing

In cloud computing, cost optimization is a prime concern for load scheduling. The swarm based meta-heuristics are prominently used for load scheduling in distributed computing environment. The conventional load scheduling approaches require a lot of resources and strategies which are non-adaptive and static in the computation, thereby increasing the response time, waiting time and the total cost of computation. The swarm intelligence-based load scheduling is adaptive, intelligent, collective, random, decentralized, self-collective, stochastic and is based on biologically inspired mechanisms than the other conventional mechanisms. The genetic algorithm schedules the particles based on mutation and crossover techniques. The force and acceleration acting on the particle helps in the finding the velocity and position of the next particle. The best position of the particles is assigned to cloudlets to be executed on the virtual machines in the cloud. The paper proposes a new load scheduling technique, Hybrid Genetic-Gravitational Search Algorithm (HG-GSA) for reducing the total cost of computation. The total computational cost includes cost of execution and transfer. It works on hybrid crossover technique based gravitational search algorithm for searching the best position of the particle in the search space. The best position of the particle is used calculating the force. The HG-GSA is compared to the existing approaches in the CloudSim simulator. By the convergence and statistical analysis of the results, the proposed HG-GSA approach reduces the total cost of computation considerably as compared to existing PSO, Cloudy-GSA and LIGSA-C approaches.     

改进吸引度的动态搜索萤火虫算法*

萤火虫算法在解决高维优化问题时存在吸引度降低导致算法陷入局部最优、迭代后期寻优精度低的缺点.针对此问题,文中提出改进吸引度的动态搜索萤火虫算法.引入最小吸引度的概念以加强个体间信息的交流,同时采用动态搜索的思想,根据目标函数最优值信息自适应调整步长.在CEC2014中10个典型测试函数上的测试结果表明,文中算法具有较快的收敛速度和较高的寻优精度.     

A survey on nature-inspired optimization algorithms with fuzzy logic for dynamic parameter adaptation

Metaheuristic optimization algorithms have become a popular choice for solving complex problems which are otherwise difficult to solve by traditional methods. However, these methods have the problem of the parameter adaptation and many researchers have proposed modifications using fuzzy logic to solve this problem and obtain better results than the original methods. In this study a comprehensive review is made of the optimization techniques in which fuzzy logic is used to dynamically adapt some important parameters in these methods. In this paper, the survey mainly covers the optimization methods of Particle Swarm Optimization (PSO), Gravitational Search Algorithm (GSA), and Ant Colony Optimization (ACO), which in the last years have been used with fuzzy logic to improve the performance of the optimization methods.     

改进的二分法查找

当前有很多的查找算法,其中在对有序数列的查找算法中二分法查找（binary search）是最常用的。利用二分法,在含有n个元素的有序数列中查找一个元素的最大比较次数为[logn]＋1。在很多情况中,在查找之前有序数列分布的很多信息为已知,比如说如果知道了有序数列中每相邻两个元素之差的最大值的一个上界,就可以有比二分法更加有效的查找算法。文章给出了一个称之为改进的二分法查找算法。改进的二分法查找性能明显优于二分法查找,受数列分布的影响,其最坏情况下查找一个元素的最大比较次数在1和[logn]＋1之间,明显优于二分查找的[logn]＋1。在实际应用中利用改进的二分法可以极大地提高查找效率。