自适应分组融合改进算数优化算法及应用

针对算数优化算法(Arithmetic Optimization Algorithm, AOA)寻优速度慢、精度低和易受局部极值点影响的问题,提出了一种自适应分组融合改进算数优化算法(Adaptive Grouping Fusion Improved Arithmetic Optimization Algorithm, AG-AOA)。首先,采用Halton序列初始化个体位置,提高迭代初期算法的多样性;然后,引入自适应分组策略对种群进行分组操作,根据适应度值大小把个体自适应分为优势组、均势组和劣势组;最后,对各组个体分别采用教与学优化策略、精英反向学习策略和振荡扰动算子进行位置更新,以提高AOA的搜索能力,减小局部极值点对算法的影响。通过包含各种复杂程度的测试函数对AG-AOA的性能进行验证,包括基准测试函数、统计显著性的Wilcoxon秩和检验以及部分CEC2014测试函数。将AG-AOA应用于两个实际工程优化问题,并将所得结果与其他元启发式算法进行了比较和分析,验证了AG-AOA的优越性。     

基于混沌搜索策略的鲸鱼优化算法

针对鲸鱼优化算法存在探索和开发能力难以协调、易陷入局部最优的不足,提出一种基于混沌搜索策略的鲸鱼优化算法(CWOA).首先,采用混沌反向学习策略产生初始种群,为全局搜索多样性奠定基础;其次,设计收敛因子和惯性权重的非线性混沌扰动协同更新策略以平衡全局探索和局部开发能力;最后,将种群进化更新与最优个体的混沌搜索机制相结合,以减小算法陷入局部最优的概率.对10个基准测试函数和6个复合测试函数进行优化,实验结果表明,CWOA在收敛速度、收敛精度、鲁棒性方面均较对比算法有较大提升.     

基于禁忌搜索的自适应人工鱼群优化算法

针对人工鱼群算法在函数优化过程中存在易陷入局部最优、后期收敛速度慢和寻优精度低等问题,提出了一种基于禁忌搜索的自适应人工鱼群优化算法.由于较大的视野范围有利于进行全局探索,较小的视野范围有助于进行局部寻优,该算法引入了分段函数自适应地调整视野,保证了视域在一定范围内随着迭代的进行逐渐减小;利用正态分布函数以及鱼群间距的...     

结合禁忌搜索的改进粒子群优化算法

为提高粒子群优化算法的全局搜索和局部开采能力,提出一种结合禁忌搜索(TS)的改进粒子群优化算法。在搜索过程中,以线性递增的概率对最优粒子实施随机扰动,在全局搜索收敛到一定程度后,引入TS算法进行局部搜索,使算法快速收敛到全局最优解。分析结果表明,该算法收敛精度较高,能有效克服早熟收敛问题。     

应用反向学习策略的群搜索优化算法

群搜索优化算法(Group Search Optimizer,GSO)是一类基于发现者-加入者(Producer-Scrounger,PS)模型的新型群体随机搜索算法。尽管该算法在解决众多问题中表现优越,但其依然面临着早熟和易陷入局部最优的问题,为此,提出了一种基于一般反向学习策略的群搜索优化算法(GOGSO)。该算法利用反向学习策略来产生反向种群,然后对当前种群和反向种群进行精英选择。通过对比实验表明,该方法效果良好。     

融合禁忌搜索的混合果蝇优化算法

基本果蝇优化算法(FOA)种群初始位置分布不均匀,搜索后期常跳入局部最优,导致寻优速度慢、寻优精度低,为此融合禁忌搜索的“禁忌”与“特赦”思想进行搜索更新,提出融合禁忌搜索算法(TS)的果蝇优化算法(TSFOA)。将Kent混沌映射的序列作为果蝇种群初始位置,保证果蝇群体在搜索空间中的均匀性、多样性;利用果蝇优化算法进行前期寻优,定义群体适应度方差判断其局部收敛状态;达到局部收敛状态时,引入禁忌搜索,继续深度寻优,提高寻优精度和寻优速度。设计仿真实验测试5个经典标准函数的寻优性能,实验结果表明,TSFOA在寻优精度、寻优速度上均优于基本FOA算法。     

具有自适应搜索策略的灰狼优化算法

灰狼优化算法(Grey Wolf Optimization,GWO)是一种新型的群智能优化算法。与其他智能优化算法类似,该算法仍存在收敛速度慢、容易陷入局部极小点的缺点。针对这一问题,提出了具有自适应搜索策略的改进算法。为了提高算法的收敛速度和优化精度,通过适应度值控制智能个体位置,并引入了最优引导搜索方程;另一方面,为提高GWO的种群多样性,改进算法利用位置矢量差随机跳出局部最优。最后对10个标准测试函数进行了仿真实验,并与其他4种算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。     

自适应搜索区域的微粒群优化算法

基于基本微粒群优化算法搜索后期,众多微粒都拥挤在历史最优位置周围进行重复性无效搜索这一现象,提出一种改进的微粒群算法--自适应搜索区域的微粒群优化算法,其主要思想为:每当搜索进行到当前设定的一个最大迭代次数时(即,微粒在全局历史最优位置周围徘徊进行无效搜索时),在原搜索区域的基础上,重新构造一个较小的搜索区域,并重新初始化微粒,继续进行搜索,最终获得最优解.对3个常用标准测试函数进行优化计算,仿真结果表明,该算法具有比基本微粒群优化算法更好的优化性能.     

基于遗传算法和禁忌搜索的混合优化策略

将禁忌搜索和遗传算法相结合,给出了一种求解优化问题的混合策略--禁忌遗传优化算法.该算法一方面为禁忌搜索找到了较好的初始点,减少了调用禁忌搜索的次数,另一方面也可以克服遗传算法爬山能力差的缺点,从而加快了收敛速度,提高了解的质量.通过实例验证了该优化算法的有效性和可靠性,并将其用于网络拥塞控制的研究中,为进一步实施网络拥塞控制提供了一种有效的途径.     

自适应搜索优化算法

自由搜索算法是一种新的群集智能优化算法,已经成功地应用于函数优化问题.针对该算法所存在的对参数敏感等问题,提出自适应搜索算法.通过自适应实时调整搜索半径、搜索步、灵敏度等参数,提高算法对环境的适应性、鲁棒性和在"探索"和"开发"之间的平衡能力.对典型函数的试验结果证明,新算法不仅降低了对参数的依赖性,而且成功率高、收敛速度快,能有效避免陷入局部次优.     

IT外包进度风险控制的自适应禁忌搜索算法

针对委托代理模式下的IT外包项目的进度风险控制问题构建了双层结构的优化模型.设计了自适应禁忌搜索算法对模型进行求解，该算法将多样化搜索机制与禁忌搜索相结合，在算法运行过程中，根据适应值的反馈自动调整禁忌搜索强度与多样化搜索力度；同时，应用贪婪策略构造初始解，循环交替应用两种邻域结构提高算法寻优能力.实验结果表明，进度风险控制显著地降低了IT外包项目的拖期风险，同时使委托方和代理商双方实现收益最大化.将自适应禁忌搜索算法的实验结果分别与遗传算法、模拟退火算法、禁忌搜索算法、自适应遗传算法和自适应模拟退火算法的实验结果进行了比较：在收敛程度和稳定性方面自适应禁忌搜索算法优于其它算法，并且随着问题规模的增加，该算法的优势更为明显.     

一种结合Tabu搜索的自适应遗传算法研究

针对标准遗传算法（SGA）在全局优化问题中容易出现早熟和收敛速度慢,提出了一种TS-AGA算法。新算法通过将禁忌搜索（TS）和自适应遗传算法（AGA）相结合。以自适应遗传算法（AGA）为基础,用遗传算法进行全局搜索,用禁忌搜索法（TS）作局部搜索,可以加快收敛速度,同时可以抑制早熟现象,避免过早收敛到局部最优。测试函数仿真结果表明,新算法能很好的抑制早熟收敛,同时在计算速度和计算结果方面都有改进,是一种快速有效的优化算法。     

全局优化的混合禁忌搜索算法

针对多峰函数的全局优化问题,提出了混合禁忌搜索的全局优化方法,通过实例验证了所提出的算法的可行性、有效性并且收敛速度较快.     

一种求解TSP问题的改进禁忌搜索算法

禁忌搜索算法作为一种新兴的智能搜索算法,已被广泛应用于各类优化问题。本文综合解向量的分量变化和目标值变化,提出一种新的候选解和当前解选择策略,并用改进的新算法求解TSP问题。实验表明新的算法具有良好的性能。     

基于禁忌搜索算法的网格任务调度

合理的任务调度算法可以在很大程度上提高网格系统的有效利用率。在网格环境中,用户希望自己的任务尽可能快地得到完成,而网格环境则希望尽可能充分地利用所有节点。针对这种情况,该文提出了基于禁忌搜索算法的网格任务调度,具有较小的时间复杂度和良好的调度性能。实验证明了其正确性和实用性。     

基于禁忌搜索的自适应粒子群算法

针对惯性权重线性递减粒子群算法不能适应复杂的非线性优化搜索过程的问题,提出了一种基于Sigmoid函数和聚集距离变化率改变惯性权重的方法。为了解决算法后期易陷入局部最优的缺点,在算法后期引人了具有记忆能力的禁忌搜索算法。改进后的算法不仅综合了粒子群优化算法的快速性、随机性和全局收敛性的优点,而且还具有禁忌搜索局部寻优的能力。测试函数仿真结果表明,改进后的算法不仅较好地避免了陷入局部最优,而且收敛速度也有提高。     

遗传和禁忌搜索算法在多车物流配送问题中的应用

多车物流配送策略属于物流的统筹配给范畴,应用十分广泛.考虑到遗传算法存在早熟收敛和盲目搜索问题,把禁忌搜索算法独有的记忆思想引入到遗传算法的搜索过程中,将禁忌搜索算法作为遗传算法的变异算子,提出了基于遗传和禁忌搜索的组合算法,并通过与纯遗传算法的比较证实该算法的有效性.     

遗传算法和禁忌搜索算法在车间调度中的研究进展

遗传算法与禁忌搜索算法的出现为解决高维组合优化问题提供了强有力工具。二者既有共性,又有个性。本文综述了遗传算法和禁忌搜索算法及它们的混合策略在车间调度优化问题中的应用现状。     

改进的群搜索优化算法在结构优化中的应用

针对桁架结构优化设计问题,对群搜索优化算法（GSO）进行了算法修改和参数调整,并将修改后的算法应用到10杆、17杆和200杆共3个桁架结构截面优化设计算例中,同时与另一种GSO改进算法（IGSO）进行了对比分析。对于每个算例,该文改进算法和IGSO算法各运行了10次,从10次运行的统计结果可以看出,改进算法的优化效果和稳定性均好于IGSO算法。另外,改进算法也与目前结构优化中较好的其它几个算法进行了比较,总体来说,改进算法的最佳优化结果与这些算法的最佳结果相当。