自适应变异的果蝇优化算法

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点, 提出自适应变异的果蝇优化算法(FOAAM)。该算法在运行过程中根据群体适应度方差和当前最优解的大小判断算法陷入局部最优时, 首先将最优果蝇个体复制M个; 然后对复制的最优果蝇个体进行扰动, 按一定的概率P执行高斯变异操作; 最后对变异后的最优果蝇个体进行二次寻优, 从而跳出局部极值而继续优化。对几种经典测试函数的仿真结果表明, FOAAM算法具有更好的全局搜索能力, 在收敛速度、收敛可靠性及收敛精度上均比基本FOA算法有较大的提高。     

局部深度搜索的混合果蝇优化算法

针对基本果蝇优化算法(FOA)局部深度搜索能力较差且易陷入局部最优的缺点,提出了局部深度搜索的混合果蝇优化算法(SFOALDS)。通过借鉴混合蛙跳算法(SFLA)的更新策略,循环进行局部深度搜索操作,使得SFOALDS既保持了FOA较快的收敛速度,又增强了FOA局部深度搜索能力,有效避免了基本FOA易陷入局部最优的缺点,提高了进化后期算法的收敛速度和精度。仿真实验结果表明,SFOALDS比基本FOA和SFLA有较强的全局寻优性能,并且在高维函数上的优势更加明显。     

改进步长与策略的果蝇优化算法

针对基本果蝇优化算法（FOA）容易陷入局部最优、收敛速度慢和寻优精度不高的缺点,提出了改进步长与策略的果蝇优化算法（CSSFOA）。在一定范围内随机选取历史最优值作为步长变化依据,动态改变果蝇群体的搜寻半径,有效权衡了算法的全局与局部搜索能力;为了避免陷入局部最优,在果蝇群体趋于稳定时选取一定数量的果蝇个体执行变异操作。仿真实验结果表明,提出的改进算法在收敛速度和寻优精度上较基本FOA及其几种改进算法有更好的寻优性能。     

OMP信号稀疏分解的改进ACFOA实现

稀疏分解能用少数原子表示原始信号,但运算复杂是阻碍其实际应用的一个重要原因。果蝇优化算法（FOA）能有效地提高稀疏分解中原子的搜索效率,但其易于陷入局部最优。自适应混沌果蝇优化算法（ACFOA）能够针对局部最优进行混沌操作,提高全局寻优性能。正交匹配追踪（OMP）通过对已选原子的正交化,能够增加稀疏分解的收敛速度,但计算复杂度却有所增加。因此,利用智能算法的并行性,将ACFOA应用于OMP,并对其味道浓度判定值和混沌映射函数进行改进,以降低整个算法的复杂度,提升最优原子的搜索性能。实验结果表明,相比于其他几种算法,改进的ACFOA-OMP算法重建信号均方误差是最佳的。     

动态双子群协同进化果蝇优化算法

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点,提出动态双子群协同进化果蝇优化算法(DDSCFOA).该算法在运行过程中根据群体的进化水平,动态地将整个种群划分为先进子群和后进子群;先进子群采用混沌算法在局部最优解邻域内进行精细的局部搜索,后进子群采用基本FOA算法进行全局搜索,较好地平衡局部搜索能力和全局搜索能力;两个子群间的信息通过全局最优个体的更新和种群个体的重组进行交换.DDSCFOA算法能跳出局部极值,避免陷入局部最优.仿真结果表明,动态双子群协同进化的策略有效可行,DDSCFOA算法比基本FOA算法具有更好的优化性能.     

动态步长FOA的PID参数整定方法研究

为了解决基本果蝇优化算法(FOA)因固定搜索步长而对比例积分微分(PID)参数整定收敛精度不高且搜寻效率低的问题,将Logistic(t)的变换函数lgt(t)引入FOA中。由该变换函数确定自适应步长,提出一种动态步长果蝇优化算法(DSFOA)。DSFOA中果蝇个体搜索步长会随着迭代次数的增加而动态地变化。该算法在迭代前期使用大步长,具有更高的全局搜索效率;在迭代后期使用小步长,具有较强的局部寻优能力。这可以提高收敛精度,实现对全局搜索和局部搜索过程的优化。二阶系统仿真测试结果表明,相比于FOA,DSFOA寻优过程产生的PID参数使系统性能更优,能快速、有效地搜索到PID最优参数且鲁棒性好。该结果验证了DSFOA的有效性与合理性。     

混沌动态步长果蝇优化算法

为了进一步提高标准果蝇优化算法的收敛速度和寻优精度,将混沌优化与迭代步长动态调节策略相结合,提出一种混沌动态步长果蝇优化算法。算法在寻优过程中引入动态步长调节因子对基本果蝇优化算法的步长实现持续动态更新,利用混沌优化方法对混沌变量与优化变量进行映射操作,同时引入混沌扰动使得果蝇个体能够快速跳出局部最优。实验结果表明:该算法在收敛速度和寻优精度上大幅提高。     

具有Levy飞行特征的双子群果蝇优化算法

针对果蝇优化算法(FOA)易陷入局部最优和收敛精度不高等缺点,在果蝇算法中引入Levy飞行策略,提出了具有Levy飞行特征的双子群果蝇优化算法(LFOA).在迭代寻优过程中,根据果蝇种群的进化程度动态地将果蝇种群划分为以当代最差个体为中心的较差子群和以当代最优个体为中心的较优子群;较差子群在最优个体指导下进行全局搜索,较优子群则围绕最优个体做Levy飞行进行局部搜索,这样既平衡了种群的全局和局部搜索能力,同时又可以利用Levy飞行偶尔的长跳跃来跳出局部最优;两个子群的信息通过最优个体的改变和子群的重组进行交换.对6个典型测试函数的仿真实验表明,LFOA具有全局收敛的能力,相比FOA具有更好的收敛精度、收敛速度和收敛可靠性.     

应用反向学习策略的果蝇优化算法

针对基本果蝇优化算法FOA(Fruit Fly Optimization Algorithm)容易陷入局部极值、进化后期收敛速度慢和收敛精度低的缺点,采用反向学习策略加以改进,提出应用反向学习策略的果蝇优化算法OBLFOA(FOA with Opposition-based Learning)。该算法将一般反向学习策略和动态一般反向学习策略分别引入到果蝇优化算法的种群初始化和迭代寻优过程中,能得到越来越好的种群个体。随着迭代过程的逐步深入,使得进化种群快速地逼近最优解。对6个经典测试函数的仿真结果表明,新算法在收敛速度、收敛可靠性及收敛精度方面比基本果蝇优化算法有较大的提高。     

参数修正与收敛策略融合的果蝇优化算法

传统的果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）容易陷入局部最优,而且传统果蝇个体味道浓度判定值S是非负数,不能解决最优解是负数的优化问题。针对以上问题,多重改进策略被应用到果蝇优化算法中。为了解决味道浓度判定值不能是负数的问题,对味道浓度公式进行了修正;为了避免高维函数维间互扰问题,迭代优化的过程中对果蝇个体在最优值附近寻优采取逐维扰动的方法;为了避免陷入局部最优,迭代过程中加入了收敛判断因子,如果多次迭代没有改善,说明陷入了局部最优。此时,一部分果蝇个体继续在最优解附近寻优,另外一部分个体在解空间混沌扰动寻找全局最优解。收敛判断因子阈值的取值会影响优化的速度和精度,通过实验确定了收敛判断阈值。通过对测试函数结果验证表明,改进的果蝇算法比FOA算法具有更高的搜索精度和更快的收敛速度。     

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。     

迭代步进值自适应调整的果蝇优化算法

针对传统果蝇优化算法（FOA）收敛精度不高和易陷入局部最优的缺点,提出了一种迭代步进值自适应调整的果蝇优化算法（FOAMR）。在该算法中,引入了果蝇群体速度进化因子和聚集度因子,并将迭代步进值表示为以上2个参数的函数同时定义自适应调整因子。在每次迭代时,算法根据当前果蝇群体速度进化因子和聚集度因子动态调整步进值的大小并通过自适应调整因子动态调整搜索距离的大小。对典型函数的测试结果表明,FOAMR比FOA具有更好的全局搜索能力,同时收敛速度、收敛精度明显提高。     

结合元胞自动机的果蝇优化算法

果蝇优化算法(FOA)作为一类新的优化搜索算法,广泛应用于各种优化问题。针对该算法后期求解精度低、容易陷入局部最优且收敛缓慢的缺点,提出一种结合元胞自动机的果蝇优化算法(CAFOA)。该算法在首次求解时利用元胞演化规则选择果蝇最优个体邻域,然后对选择后的果蝇个体位置进行随机扰动,分别用邻域个体复制更新演化前个体位置,再次进行迭代寻优,从而有效克服算法陷入局部最优。对6种常见测试函数进行了运算仿真。实验结果表明,所提算法比传统算法的平均收敛精度提高10%,达到稳定全局最优值的平均迭代次数减少870次,从而论证了算法的有效性。     

面向光伏MPPT控制策略的改进果蝇算法

局部遮光会降低光伏发电系统的效率。在局部遮光条件下,光伏系统的输出功率特性曲线会产生多个峰值,传统的最大功率跟踪方法不具有全局搜索的能力,其在进行多峰值最大功率跟踪时会失效。果蝇算法(Fruit Fly Optimization Algorithm,FOA)具有全局寻优能力,但是在求解过程中存在收敛速度慢、收敛精度低及容易收敛于局部最优值的问题。文中对果蝇算法进行改进,提出结合自适应lévy飞行步长的Lévy-FOA算法,该算法充分利用Lévy飞行不均匀随机游走的特性,引入自适应步长调整因子,改进了原有算法的位置更新方式,提高了算法的收敛速度以及收敛精度,避免了算法陷入局部极值。文中利用3个标准函数对自适应Lévy-FOA算法的收敛性进行分析,并与普通FOA算法、自适应改进学习因子粒子群算法(Adaptive Particle Swarm Optimization,APSO)进行对比。结果表明,与FOA算法和APSO算法相比,自适应Lévy-FOA算法的平均跟踪时间有较大幅度的减少,平均收敛精度提高了4个数量级。最后,将自适应Lévy-FOA算法应用于光伏最大功率跟踪中。仿真结果显示,在不同的光照条件下,自适应Lévy-FOA算法能够经过较少的迭代实现最大功率跟踪,并且在第一次迭代后就能达到最大功率的90%以上,与其他算法的跟踪效果对比,自适应Lévy-FOA算法具有较短的跟踪时间和较高的跟踪精度,实际寻优能力优越,能够提高光伏系统的输出效率。     

基于混沌搜索的思维进化算法

针对思维进化算法中的产生初始种群的盲目随机性和冗余性以及现有搜索方式易陷入局部最优的问题,将混沌优化和思维进化算法结合,提出了一种基于混沌搜索的思维进化算法（Chaos Mind Evaluation Algorithm,CMEA）。该算法在进化的不同阶段引入混沌优化操作,利用混沌的遍历性提高算法的收敛速度,克服了早熟现象,同时利用思维进化算法的记忆特性和当代最优解指导混沌搜索,提高算法的搜索能力。仿真结果表明,与标准思维进化相比,该算法优化能力强,能有效地避免局部收敛,具有更快的收敛速度。     

基于邻域混沌PSO算法的目标分配优化方法

针对基本粒子群算法在求解火力打击体系目标分配问题时易陷入局部极值、计算精度差的局限性,提出了一种基于混沌粒子群算法（ChaosParticleSwarmOptimization,CPSO）的目标分配优化方法。在综合考虑整体毁伤效能、打击匹配度和风险概率的基础上,分析了目标分配问题的数学模型,设计了相应的粒子编码方法、更新策略和有效性修订方法,提出一种在种群最优粒子邻域内进行混沌搜索的改进策略。仿真结果表明,所提CPSO算法的性能明显优于基本粒子群算法和变异粒子群算法。