基于柯西-高斯变异的混沌蝙蝠算法

针对蝙蝠算法在寻优过程中易陷入局部极值的不足,提出一种基于柯西-高斯变异的混沌蝙蝠算法（Cauchy Gaussian Bat Algorithm,CGBA）。首先,在蝙蝠的初始化阶段采用混沌初始化策略,以提高蝙蝠种群个体的均匀分布能力;其次,在全局搜索过程中,在蝙蝠算法搜寻过程中引入柯西逆累积分布函数,增强蝙蝠算法的收敛速度和寻优精度;最后,对局部最优解采用高斯扰动,增强算法跳出局部最优的能力。测试结果表明,CGBA在求解精度和收敛速度均优于传统蝙蝠算法。     

融合均匀变异与高斯变异的蝙蝠优化算法

为提高蝙蝠算法的寻优精度和收敛速度,提出一种融合均匀变异和高斯变异的蝙蝠优化算法.算法引入变异开关函数,该函数使所有蝙蝠个体在任何时期都有概率发生变异,使种群保持较高的多样性和活跃性.同时在算法整个寻优过程中融入均匀变异和高斯变异,两种变异机制共同协作使算法首先快速定位到全局最优解区域,随后完成局部精确搜索.仿真结果表明,改进后的算法寻优性能显著提高,具有较快的收敛速度和较高的收敛精度.     

融合黄金正弦混合变异的自适应樽海鞘群算法

针对基本樽海鞘群算法收敛速度慢、收敛精度低、易陷入局部最优的缺点,提出了一种融合黄金正弦混合变异的自适应樽海鞘群算法AGHSSA（Adaptive Salp Swarm Algorithm with Golden Sine Algorithm and Hybrid Mutation）。该算法引入了自适应变化的权重因子以加强精英个体的引导作用,提升收敛速度与精度。通过黄金正弦算法优化领导者位置更新方式,增强算法的全局搜索和局部开发能力。融合邻域重心反向学习与柯西变异对最优个体位置进行扰动,提升算法跳出局部最优的能力。通过对12个基准测试函数进行仿真实验来评估改进算法的寻优能力,实验结果表明,改进算法能显著提升寻优速度和精度,并且具备较强的跳出局部最优的能力。     

基于定向变异策略的改进克隆选择算法

本文针对克隆选择算法(CSA)存在的问题, 如搜索速度慢、收敛精度低、容易陷入局部最优, 提出一种基于定向变异的改进克隆选择算法(DMSCSA). 该算法引入Halton序列来生成均匀分布的初始化种群, 实现对解空间更高效的搜索; 采用黄金正弦变异策略在迭代过程中对优秀抗体定向变异, 提升算法收敛速度; 引入柯西变异策略, 能够在保证种群多样性的前提下提高算法跳出局部最优的能力. 使用CEC2019测试函数集中的8个不同的测试函数并与其他同类型算法进行对比实验, 通过实验结果可知, DMSCSA算法在寻优精度、收敛速度等方面均有提升.     

改进型帝国竞争模型算法的研究

为了改善帝国竞争算法（Imperialist Competitive Algorithm,ICA）易早熟收敛,搜索范围低,精度小,帝国之间信息交互性不强等缺点,提出了两种基于同化模型和竞争模型的改进的ICA算法。针对殖民地在移动过程中由于过于直接的靠近统治者而造成的搜索范围过小以及容易陷入局部最优的情况在同化过程中引入了差异因子来增大搜索范围。针对帝国之间的交互性的缺失,引入了人忠诚度的算子来实现帝国交互以及同化机制的模型改变,较强的帝国统治者会因为忠诚度算子获得更多的支持,从而细致划分了一个帝国中的每个国家,利用纳什均衡和最大最小公平性引导帝国竞争进而使算法向最优解进行搜索。在竞争过程中设置时间节点动态划分迭代阶段,根据迭代的不同阶段特点选择最优竞争系数。对算法进行了理论证明,最后将算法应用于多个函数进行检测并与其他的改进ICA算法进行比较,在搜索精度和范围广度上有了一定的提高。     

自适应混合变异的蛙跳算法

蛙跳算法是一种受自然界生物现象启发产生的群体进化算法,计算速度快,寻优能力强,但局部搜索能力较弱,容易陷入早熟收敛。针对其缺点,结合高斯变异和柯西变异的优点,提出了一种改进的混合蛙跳算法。改进后的算法收敛速度加快,在一定程度上避免陷入局部最优,提高了蛙跳算法解决复杂函数问题的能力。实验验证了其有效性。     

基于柯西-高斯动态消减变异的果蝇优化算法研究

针对果蝇优化算法易陷入局部极值收敛速度减慢的不足,结合柯西变异和高斯变异的各自优点,提出了变异效能系数和柯西-高斯动态消减变异因子等概念,进而提出了一种柯西-高斯动态消减变异方法,将该方法应用于改进果蝇优化算法,提出了一种基于柯西-高斯动态消减变异的果蝇优化算法。该算法兼顾了全局探索和局部开发两个特性,丰富了种群的多样性,有效地消除了易陷入局部极值的弊端,提高了算法的收敛速度。仿真实验采用经典函数用例和实际工程用例进行验证,结果表明该算法的求解速度和精度更高,稳定性更好。     

趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法

针对蝴蝶优化算法(butterfly optimization algorithm, BOA)易陷入局部最优,且收敛速度慢和寻优精度低等问题,提出了一种趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法(hybrid optimization algorithm for salp swarm and butterfly with reverse mutation towards optimization learning, OMSSBOA)。引入柯西变异对最优蝴蝶个体进行扰动,避免算法陷入局部最优;将改进的樽海鞘群优化算法(salp swarm algorithm, SSA)嵌入到BOA,平衡算法全局勘探和局部开采的比重,进而提高算法收敛速度;利用趋优变异反向学习策略扩大算法搜索范围并提升解的质量,进而提高算法的寻优精度。将改进算法在10种基准测试函数上进行仿真实验,结果表明,改进算法具有较好的寻优性能和鲁棒性。     

混合柯西变异和均匀分布的蝗虫优化算法

由于位置更新公式存在局部开发能力较强而全局探索能力较弱的缺陷,导致蝗虫优化算法(GOA)易陷入局部最优以及早熟收敛,对此,提出一种混合柯西变异和均匀分布的蝗虫优化算法(HCUGOA).受柯西算子和粒子群算法的启发,提出具有分段思想的位置更新方式以增加种群多样性,增强全局探索能力;将柯西变异算子与反向学习策略相融合,对最优位置即目标值进行变异更新,提高算法跳出局部最优的能力;为了更好地平衡全局探索与局部开发,将均匀分布函数引入非线性控制参数c,构建新的随机调整策略.通过对12个基准函数和CEC2014函数进行仿真实验以及Wilcoxon秩和检验的方法来评估改进算法的寻优能力,实验结果表明,HCUGOA算法在收敛精度和收敛速度等方面都得到极大的改进.     

柯西变异和自适应权重优化的蝴蝶算法

针对基本蝴蝶优化算法（Butterfly Optimization Algorithm,BOA）存在的收敛精度较低、容易陷入局部最优解的问题,提出柯西变异和自适应权重优化的蝴蝶算法（Cauchy variation and adaptive Weight Butterfly Optimization Algorithm,CWBOA）。通过在全局位置更新处引入柯西分布函数进行变异,在局部位置更新处引入自适应权重因子,改进了蝴蝶算法的局部搜索能力;并且引入动态切换概率[p]来权衡全局探索与局部开发过程的比重。改进的算法通过对多个单峰、多峰和固定测试维度的函数进行求解,结果表明,CWBOA对大多数测试函数有更好的求解精度、速度和稳定性。