混合策略改进的麻雀搜索算法

针对麻雀搜索算法存在的迭代过程中种群多样性减少且容易陷入局部最优以及收敛速度慢等问题,提出混合策略改进的麻雀搜索算法（MSSSA）。利用Circle映射初始化麻雀个体位置,增加初始种群的多样性。结合蝴蝶优化算法（BOA）中蝴蝶飞行方式,改进发现者的位置更新策略,增强算法全局探索能力。采用逐维变异方法对个体位置进行扰动,提升算法跳出局部最优的能力。在仿真实验中与4种基本算法和5种改进算法基于10个基准测试函数进行比较并进行Wilcoxon秩和检验,结果表明所提算法具有更好的收敛性和求解精度,全局寻优能力得到大幅提升。     

基于混合策略改进的麻雀搜索算法

为克服基本麻雀搜索算法(Sparrow Search Algorithm, SSA)存在的迭代过程中种群多样性减少、易陷入局部最优停滞、早熟收敛等不足,提出一种基于混合策略改进的麻雀搜索优化算法(EGSSA)。首先,迭代时利用精英反向学习机制在个体求解过程中计算精英反向解,提升算法寻优过程中种群丰富性和种群质量,为提高算法全局寻优能力以及收敛精度奠定基础;其次,将黄金正弦策略用以改进发现者位置更新方式,协调算法局部开发和全局搜索能力,并且提高算法的收敛能力;最后,在加入者的更新中采用了莱维飞行随机步长,以使新加入者所搜索的范围更为全面,一定程度避免算法陷入“早熟收敛”。选取12个基准测试函数进行仿真实验,分别与4种元启发式算法以及3种改进麻雀搜索算法进行比较,实验结果以及Wilcoxon秩和检验均表明,EGSSA算法具有更好的全局探索能力和稳定性以及较强跳出局部极值的能力。     

自适应混合策略麻雀搜索算法

针对麻雀搜索算法（sparrow search algorithm,SSA）求解精度低,稳定性不足,易陷入局部最优等问题,提出一种基于自适应混合策略的麻雀搜索算法（adaptive hybrid strategy sparrow search algorithm,AHSSSA）。引入Tent混沌映射初始化种群,增加种群数量,合并两个种群,再利用精英策略得到精英种群,以提高初始解质量;引入自适应周期收敛因子α,加强搜索能力与收敛速度;追随者与预警者位置更新方式调整,在一定程度上防止算法陷入局部最优;引入多项式变异扰动,以解决SSA陷入局部最优问题。利用12种测试函数进行测试,结果表明：AHSSSA比SSA有更好的寻优性能。     

改进搜索机制的单纯形法引导麻雀搜索算法

为了改善基本麻雀搜索算法在处理优化问题时存在的收敛精度不高、速度慢和易陷入局部极小值的问题,提出一种改进搜索机制的单纯形法引导麻雀搜索算法。首先,针对发现者搜索过程随机性过高的问题,改进发现者搜索机制,提高算法收敛速度和稳定性;其次,改进麻雀搜索算法侦察机制,提高算法跳出局部极小值能力;最后,对每一次迭代适应度较差的部分个体采用单纯形法的相关操作,提高算法搜索能力。在8个基准测试函数以及部分CEC2014测试函数上的性能对比,同时结合Wilcoxon秩和检测分析,验证了改进算法的鲁棒性。     

改进麻雀搜索算法求解作业车间调度问题

针对最小化完工时间的作业车间调度问题(JSP),提出改进麻雀搜索算法(ISSA).首先设计有效的编码转换方式,形成JSP离散决策空间与麻雀搜索算法(SSA)连续搜索空间的对应关系.然后,针对SSA在求解后期易陷入局部最优,利用量子计算、正余弦搜索和警戒者数量递减策略对SSA进行改进,同时引入多邻域搜索和高斯扰动策略以弥补SSA在求解离散问题时深度发掘能力不足的弊端.最后,进行FT、LA系列10个测试问题、6种算法和2个应用实例的对比实验.结果表明,ISSA在求解JSP时,能获得更好的最小值、平均值和寻优成功率,验证了ISSA求解JSP的有效性.     

融合多策略的改进麻雀搜索算法

针对麻雀搜索算法收敛速度缓慢、寻优精度不足和容易陷入局部最优等缺点,提出了一种融合正弦搜索策略和多样性变异处理策略的改进麻雀搜索算法。通过引入正弦搜索策略,自适应调整个体权重提高算法收敛速度;针对个体聚集程度过高问题,采用多样性变异处理,引入生物学中种群聚集度的概念和柯西变异对最优解进行扰动,提高算法逃离局部最优的可能。通过九个不同特征的基准函数进行寻优测试,测试结果表明改进算法能够更快地收敛于最优值,有更好的平均值和标准差,表明了其具备更优的收敛速度、收敛稳定性和逃离局部最优值的能力。通过应用该改进优化算法于分数阶PID控制器的参数整定上,进一步验证了改进策略的有效性和可行性。     

改进麻雀搜索算法的RBF神经网络水质预测

针对污水处理过程中化学需氧量(chemical oxygen demand, COD)难以在线测量的问题,提出了一种基于径向基函数(radial basis function, RBF)神经网络的软测量模型.首先,用污水处理厂实测数据挑选出与COD相关的过程变量作为输入变量;其次,基于RBF神经网络建立出水COD软测量模型,利用自适应遗传算法改进的麻雀搜索算法(adaptive genetic algorithm improved sparrow search algorithm, AGAISSA)优化RBF神经网络的中心值、宽度值以及权值,通过改进麻雀位置更新公式以及引入遗传算法中的自适应交叉和变异操作保证了软测量模型的精度;最后,将RBF神经网络的软测量模型应用于污水处理厂实测数据加以验证,结果表明:AGAISSA优化RBF神经网络模型能够对出水COD进行准确的预测,具有较高的预测精度.     

基于改进麻雀搜索算法的冷链物流路径优化

针对城市间冷链物流对成本与时效的高要求,提出了一种改进的离散麻雀搜索算法。通过对麻雀维度序列的映射,实现了算法的离散化;引入基于维度的邻域模型以加强麻雀种群内的信息交流,降低陷入局部最优解的可能;引入动态因子以改进发现者位置更新公式,平衡算法的开发与勘探。采用23个标准测试函数进行测试,实验所得平均值与方差表明,改进算法的搜索性能与稳定性得到了极大的改善。采用6个标准VRPTW数据集测试改进算法求解复杂路径优化问题的能力,对比实验表明,改进算法能够以更快的速度求得更优的可行解,验证了改进算法的有效性与稳定性。最后使用小规模数据集可视化展示了改进算法在路径规划问题的提升。     

基于改进麻雀搜索算法的优化型极限学习机

为提升极限学习机的性能,文章利用改进的麻雀搜索算法对极限学习机的参数进行优化。首先,提出一种菱形分组机制用于增加算法种群多样性和融合模拟退火思想改善算法陷入局部极值点的缺陷。其次,通过10个基准函数进行仿真测试,实验结果表明,改进的麻雀搜索算法在大部分测试函数上表现出更好的性能。最后,将改进的算法用于优化极限学习机的输入权阈值,通过基准数据集仿真测试,优化后的极限学习机在建模精度上平均提高了7.4%。     

基于改进麻雀搜索算法的B样条曲线拟合方法

航空发动机叶片气动性能设计的改进要求叶片加工系统采用高精度、高效率的加工工艺,基于传统建模方法的叶片加工系统已难以满足当前的加工需求。提出一种基于改进麻雀搜索算法(SSA)的拟合方法,旨在利用最少控制点高效地达到曲线拟合的目标精度,进而提升传统建模方法的精度和效率,建立适用于数字孪生生产环境的高精度、高实时性的三维叶片模型,提高航空发动机叶片的加工合格率。启发式优化算法在B样条曲线拟合中存在收敛慢的问题,而SSA不断跃向最优解的特性使其能快速收敛。基于此,改进SSA的位置更新函数并给出内节点向量更新范围的概念,通过自动迭代内节点向量配置,利用最小二乘法计算最优控制点,依据局部和全局误差计算适应度值并参与下次迭代,多次迭代后得到符合目标精度的拟合曲线。此外,为提高SSA搜索最少控制点的效率,设计一种二分搜索方法。采用某型叶片截面数据进行拟合验证,结果表明,与传统定义节点向量方法和经典优化算法相比,该方法具有较高的拟合精度和收敛效率,在20和80个控制点下分别取得了1e-3 mm和1e-5 mm左右的拟合精度,在5e-3 mm目标精度下,收敛效率较粒子群优化算法、标准SSA分别提升了14....     

多策略融合的改进麻雀搜索算法及其应用

针对麻雀搜索算法易陷入局部最优、收敛速度慢等不足,提出一种多策略融合的改进麻雀搜索算法.采用精英混沌反向学习策略生成初始种群,增强初始个体的质量和种群多样性,实现对更多优质搜索区域的勘探以提升算法的局部极值逃逸能力和收敛性能;结合鸡群算法的随机跟随策略,优化麻雀搜索算法中跟随者的位置更新过程,平衡算法的局部开发性能和全局搜索能力;采用柯西-高斯变异策略提升算法的种群多样性保持能力和抗停滞能力.对10个不同特征的基准测试函数进行寻优,测试结果与Wilcoxon符号秩检验结果均表明改进算法具有更好的寻优精度、收敛性能和稳定性.最后,利用改进算法对最小二乘支持向量机的参数进行优化,应用于煤与瓦斯突出危险性辨识,通过实验进一步验证改进策略的有效性和改进算法的优越性.     

融合小生境机制的增强麻雀搜索算法及其应用

针对麻雀搜索算法SSA易陷入局部最优、算法过早收敛等问题,提出一种融合小生境的麻雀搜索算法NSSA。首先,NSSA使用一种基于发现者相似性形成自适应物种的小生境策略将麻雀种群自动划分为以发现者为中心的若干个小种群或物种,且使跟随者朝所属物种内的发现者位置移动,以保持种群的多样性。其次,通过结合模糊逻辑的差分变异并使用发现者所属物种内的其他个体信息对发现者进行变异操作,以提高算法跳出局部最优的能力。选用CEC2017测试集中的12个函数作为实验测试集,将NSSA与CSSOA、ISSA、MSSSA、SHSSA、MSWOA进行性能测试。实验结果表明,在大多数多峰目标函数上,NSSA与排名第二的算法相比,收敛精度提升了10%以上。对NSSA的各改进策略进行了消融实验,结果表明,在综合改进策略的共同作用下,NSSA的综合优化性能排名第一。最后将NSSA应用于压力容器设计问题,结果表明,相比于其他算法,NSSA仍能够获得最优的解。     

融合黄金正弦和曲线自适应的多策略麻雀搜索算法

针对元启发算法中麻雀搜索算法(SSA)的早熟收敛、易陷入局部最优、全局搜索性差等问题进行研究,提出一种融合黄金正弦和曲线自适应的多策略麻雀搜索算法。首先,利用Chebyshev混沌映射初始化种群,使初始解位置分布更为均匀,产生优质初始解,增加种群丰富性;其次,引入黄金正弦和曲线自适应权重改进发现者和加入者位置更新方式,有效协调了全局搜索与局部挖掘能力,加快收敛速度;最后,动态选择随机游走或柯西-t扰动策略对最优麻雀位置进行扰动,提高算法跳出局部最优的能力以及收敛精度。选取14个基准函数进行测试,比较改进算法与其他九个元启发式算法的仿真结果,使用Wilcoxon秩和检验以及MAE(mean absolute error)排序来验证所提改进策略的有效性。结果表明,该算法在全局搜索性、克服局部最优、收敛速度、收敛精度、稳定性都有较大提升。     

多策略协同改进的麻雀搜索算法

针对麻雀搜索算法(SSA)种群多样性差、易陷入局部最优等问题,提出了一种多策略协同改进的麻雀搜索算法(ISSA)。首先,ISSA采用一种融合转移概率的边界学习策略的发现者位置更新方式,扩大发现者搜索范围并丰富其种群多样性;其次,ISSA在麻雀跟随者更新过程中引入混合粒子群机制,扩大目标跟随个体的选择范围;最后在算法寻优过程中,ISSA利用模糊推理系统动态监控种群陷入局部最优的概率,以差分变异操作提高种群跳出局部最优的能力。采用CEC2017测试函数中的12个函数作为性能基准函数,将ISSA与标准SSA及其他四种改进的麻雀搜索算法(ESSA、CSSOA、SSASC、MSSA)进行性能测试,基于实验数据的Friedman检验表明,ISSA能获取更好的性能。     

改进的麻雀搜索优化算法及其应用

麻雀搜索算法SSA在求解目标函数最优解时,存在种群多样性不丰富,易陷于局部最优,多维函数求解精度差等问题,针对这些问题提出改进的麻雀搜索算法ISSA。首先,利用反向学习策略初始化种群,增加种群多样性;然后,对步长因子进行动态调整,提高算法的求解精度;最后,在侦查预警的麻雀位置更新公式中引入Levy飞行,提高算法寻优能力和跳出局部极值的能力。将ISSA、SSA和其他算法在8个测试函数上进行求解,并进行秩和检验,仿真结果表明,ISSA具有更高的寻优性能。还将ISSA应用到认知无线电的频谱分配中,实验结果表明,ISSA的系统效益和公平性优于其他算法,验证了ISSA在实际应用中的可行性。     

动态优化问题的瞬态自适应麻雀搜索算法求解

动态优化普遍存在于工业过程控制领域,是实现系统稳态与产值最大化的重要手段,应用并发展更加高效的动态优化方法逐渐成为了当前研究的热点。鉴于此,提出一种基于瞬态自适应麻雀搜索算法（TASSA）的动态优化问题求解方案。首先,分析了原始麻雀搜索算法的缺陷,为了提升全局勘探能力,引入瞬态搜索策略指导加入者的寻优过程;其次,采用随迭代而变化的惯性权重调节具体的搜索方式,增强了算法的动态适应能力,并通过九组基准函数的数值测试确认了改进策略的有效性。最后,采用时域等分的方式,在控制变量参数化（CVP）的框架下利用TASSA对三组典型的动态优化问题进行求解,对比不同文献中的方法,所提算法取得了更精确的结果。     

基于新型非支配排序的多目标麻雀优化算法

针对麻雀搜索算法在求解多目标问题中的不足,并且在求解过程中易陷入局部最优与收敛性差的问题,提出了一种改进的多目标麻雀搜索算法。首先,引入了新型非支配排序,找到最优前沿面;其次,将多项式变异和正余弦算法融合到种群进化策略中,增强其搜索能力,通过竞争机制的种群选择方法,降低搜索过程中局部最优粒子和全局最优粒子导致的误差;最后,将改进算法与多种多目标算法在标准测试函数上进行对比,仿真结果表明,改进算法的收敛性与搜索能力均优于其他算法。由此说明该算法具有可靠的多目标寻优能力,能够有效解决多目标优化问题。