融合Levy飞行和精英反向学习的WOA-SVM多分类算法

元启发算法-SVM是多分类评价模型的典型架构,在多分类综合决策判定中具有重要的理论与实践意义,为此提出了一种融合Lévy飞行和精英反向学习的鲸鱼优化算法(Lévy flight and elite opposition-based whale optimization algorithm,LFEO-BWOA)-SVM多分类评价算法.利用Lévy飞行策略替代螺旋轨迹策略更新位置信息,有效克服了鲸鱼优化算法易陷入局部寻优的不足;引入精英反向学习机制增加种群多样性,提高了鲸鱼优化算法全局寻优的能力.实验仿真结果表明,LFEO-BWOA-SVM算法在分类准确率上比传统SVM、BP神经网络分别提高17.84％和4.51％,准确率为98.73％,在训练时间上比标准WOA-SVM和PSO-SVM分别缩短了9.34％和84.94％.实验结果证明,LFEO-BWOA-SVM算法的寻优能力和收敛速度均有明显提升,准确率和快速性良好.     

引入贪心鱼群的改进人工鱼群算法

针对人工鱼群算法(AFSA)局部寻优不精确等问题,提出一种引入贪心鱼群改进人工鱼群算法(IAFSASF)的方法.贪心鱼群具有不同于普通鱼群的行为策略,在觅食行为中贪心鱼群紧紧跟随在最优适应度的人工鱼的附近进行食物搜索,而不执行追尾和聚群行为,因此,贪心鱼群具有更好的局部寻优能力.实验证明:IAFSASF比原有算法在减少时间复杂度的同时有效提高了求解精度.     

基于改进DBO算法的非线性系统辨识

针对传统方法在单输入单输出Hammerstein模型的辨识上存在辨识精度低、辨识效果差等问题,文章提出一种基于蜣螂优化算法（Dung Beetle Optimizer,DBO）的非线性系统辨识方法。为了克服该算法在局部开发和全局探索上能力不平衡,易陷入局部最优的问题,引入改进的正弦余弦优化算法（Sine Cosine Algorithm with Self-learning strategy and Lévy, SCASL）用于平衡局部和全局搜索阶段,提高算法辨识精度,同时引入莱维飞行（Lévy flight）策略,帮助DBO算法在迭代后期跳出局部最优。通过数值仿真,对蜣螂优化算法和改进的蜣螂优化算法辨识结果进行比较,实验结果表明,改进的蜣螂优化算法辨识速度得到显著提升,并且辨识精度也得到了提高。     

基于改进二元萤火虫群优化算法和邻域粗糙集的属性约简方法

针对数据降维和去冗问题,提出基于改进的二元萤火虫群优化算法和邻域粗糙集的属性约简方法.首先,运用反向学习协同初始化种群,并基于Sigmoid变化函数的映射进行二进制编码,引入Lévy飞行位置更新策略,提出改进二元萤火虫群优化算法.再以邻域粗糙集作为评价准则,以改进算法作为搜索策略,进行属性约简.最后,通过在标准UCI数据集上的实验验证属性约简方法的有效性,并验证文中算法具有较优的收敛速度和精度.     

变尺度混沌光强吸收系数的萤火虫优化算法

针对基本萤火虫算法存在早熟现象,提出了一种变尺度混沌光强吸收系数调整策略的混沌萤火虫优化算法。首先,应用Sinusoidal映射产生混沌变量来描述光强吸收系数;其次,在算法迭代过程中引入变尺度混沌扰动,使光强吸收系数与迭代次数呈线性变化;最后,将萤火虫群分成三个子种群协作合作,可有利于增强算法搜索前期的全局探索能力和搜索后期的局部细化搜索能力。通过标准测试函数测试,实验结果表明算法是有效的,比基本萤火虫算法有了较好的寻优精度和收敛速度。     

基于Log-Linear模型的Gauss-Cauchy自适应人工鱼群算法

针对基本人工鱼群算法在寻优过程中易在非全局极值点附近大量聚集,导致寻优精度降低、收敛速度过慢、人工鱼群多样性降低等问题,提出了一种基于Log-Linear模型的Gauss-Cauchy自适应人工鱼群算法。首先,在基本人工鱼群算法中引入Log-Linear模型来优化人工鱼的三个行为;其次,在算法中引入自适应调整人工鱼视野和步长的策略,随着算法的进行提高了人工鱼的搜索范围和寻优精度;再次,利用Gauss-Cauchy变异来提高人工鱼的多样性。仿真实验结果表明,该算法与其他改进算法相比,有效地提高了收敛速度和寻优精度,保持了人工鱼群的多样性。     

融合并行混沌萤火虫算法的K-调和均值聚类

针对K-调和均值算法易陷于局部最优的缺点,提出一种基于改进萤火虫算法(firefly algorithm, FA)的K-调和均值聚类算法。将基于FA的粗搜索与基于并行混沌优化FA的精细搜索相结合,其中精细搜索部分首先通过FA搜索到当前最优解及次优解,然后通过改进的logistic映射与并行混沌优化策略产生混沌序列在其附近直接搜索,以增强算法的寻优性能。最终,将这种改进的FA用于K-调和均值算法聚类中心的优化。实验结果表明:该算法不但对几种测试函数具有更高的搜索精度,而且对6种数据集的聚类结果均有一定的改善,有效地抑制了K-调和均值算法陷于局部最优的问题,提高了聚类准确性和稳定性。     

基于Lévy飞行特征的蝙蝠算法及其在WSN定位中的应用

针对蝙蝠算法收敛易早熟、收敛速度慢等不足,提出一种改进的基于Lévy飞行特征自适应的蝙蝠算法。采用Lévy飞行策略取代原算法中蝙蝠飞行速度和位置的更新方式,充分利用Lévy飞行的重尾效应,有效避免局部最优值的吸引,加快了收敛速度,达到寻优能力和搜索能力的平衡。在无线传感器网络自身定位应用中,把定位问题转换为一个全局优化问题,使用改进的算法进行定位计算。通过Zigbee平台的实验表明,改进后的算法在不同空间位置的定位精度更高,收敛速度更快。算法实现条件简单、精度高,具有较高的实际工程应用价值。     

多峰函数优化的改进人工鱼群混合算法

针对人工鱼群算法(AFSA)应用于多峰优化问题时搜索能力不足、优化精度不高的缺点,提出了一种改进的人工鱼群混合算法。该算法中,采用优胜劣汰抑制策略,筛选出精英人工鱼群;对聚群行为和追尾行为进行寻优,有利于人工鱼在新的寻优轨迹上进行仔细搜索;对觅食行为进行了改进,避免人工鱼陷入平坦位置;结合模式搜索法,增强其局部精细搜索能力。仿真结果表明,所提出的算法具有较强全局优化能力和局部优化能力,搜索到每个最优解精度都达到了理想值,且能够用于复杂多峰函数优化。     

混沌搜索在人工鱼群算法中的应用

随着人工鱼群算法（AFSA）的发展,其相关思想及方法已广泛应用于工程实例的各个领域。针对全局人工鱼群算法（GAFSA）中搜索行为的随机性造成的收敛稳定性差、寻优精度低等缺点,将混沌搜索与全局人工鱼群算法相结合,提出了一种改进的人工鱼群算法（CSGAFSA）。该算法一方面将鱼群算法四种基本行为中的随机移动改进为混沌行为,有效避免了搜索的无方向性、不确定性、重复性,保证了寻优值的稳定性（CGAFSA）;另一方面对全局人工点（公告牌）做混沌搜索,实现了全局鱼群算法在收敛后期搜索精度的进一步提高（CS＿GAFSA）。通过对一系列国际标准测试函数的计算和比较,证明了这种方法确实在寻优精度、收敛性能上均有提升。     

粒子群优化鱼群算法仿真分析

针对标准粒子群算法(PSO)寻优多维多极值函数成功率低,基本人工鱼群算法(AFSA)收敛速度和精度有待提高等问题,提出粒子群优化鱼群算法(PSO-FSA)。该算法将速度惯性、个体记忆和个体间交流等特征引入鱼群算法,使鱼群行为模式扩充至追尾、聚群、记忆、交流以及觅食。此外,定义参数max D动态限定鱼群搜索的视野和步长。仿真分析表明,粒子群优化鱼群算法较两种基本算法而言具有更快的收敛速度和寻优精度。     

带有Lévy Flight机制的引力搜索算法

引力搜索算法（gravitational search algorithm,GSA）是模拟万有引力定律进行搜索的一种新颖的优化算法,已有研究表明GSA算法相比一些传统的优化算法拥有较好的收敛性能,但其缺乏有效的全局寻优机制,易于被局部极值吸引,从而陷入早熟收敛。因此提出了一种基于Lévy Flight和权值惯性递减的引力搜索算法QmuGSA,以加强算法的全局寻优能力。该算法通过Lévy Flight独特的不均匀随机游走的机制扩大粒子的搜索范围,增加种群多样性,从而更容易跳出局部最优点。通过4个标准测试函数对所提算法进行了仿真测试,结果表明所提算法能够有效克服基本引力搜索算法易早熟、收敛精度低等缺陷,具有较好的寻优精度和全局收敛性能,能够解决一些复杂函数的优化问题。     

增强寻优能力的自适应人工蜂群算法*

针对人工蜂群算法在求解函数优化问题中存在收敛精度不高、收敛速度较慢的问题,提出了一种改进的增强寻优能力的自适应人工蜂群算法。该算法利用逻辑自映射函数产生混沌序列对雇佣蜂搜索行为进行混沌优化,并引入萤火虫算法中的自适应步长策略动态调整观察蜂的搜索行为,从而提升了算法的局部搜索能力。基于标准测试函数的仿真结果表明,改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。     

大数据下基于特征图的深度卷积神经网络

针对大数据环境下DCNN(deep convolutional neural network)算法中存在网络冗余参数过多、参数寻优能力不佳和并行效率低的问题,提出了大数据环境下基于特征图和并行计算熵的深度卷积神经网络算法MR-FPDCNN(deep convolutional neural network algorithm based on feature graph and parallel computing entropy using MapReduce)。该算法设计了基于泰勒损失的特征图剪枝策略FMPTL(feature map pruning based on Taylor loss),预训练网络,获得压缩后的DCNN,有效减少了冗余参数,降低了DCNN训练的计算代价。提出了基于信息共享搜索策略ISS(information sharing strategy)的萤火虫优化算法IFAS(improved firefly algorithm based on ISS),根据“IFAS”算法初始化DCNN参数,实现DCNN的并行化训练,提高网络的寻优能力。在Reduce阶段提出了...     

基于PSO自适应双策略的人工鱼群算法

针对传统人工鱼群算法存在易陷入局部最优解、鲁棒性差和搜索精度低的问题,提出一种基于粒子群算法自适应双策略的人工鱼群算法。该算法首先模拟粒子群算法的移动算子调整人工鱼的移动方向和位置,使人工鱼具有惯性机制,更好拓展新区域,从而为探索潜在的较优解提供更多的机会,增强其跳出局部最优的能力。然后运用一种自适应视野和惯性权值的策略,更好地平衡全局搜索与局部搜索之间的关系。最后引入反向学习机制,设计2种策略的随机行为,避免原始随机行为的盲目性,增加鱼群的多样性。仿真实验结果表明,改进后的算法在寻优精度、收敛速度以及鲁棒性等方面较其他人工鱼群算法有较大提高,在高维问题求解上有较好的优化效果。     

基于黄金正弦与自适应融合的蜉蝣优化算法

针对元启发算法中蜉蝣优化算法(MOA)的求解精度不高、收敛速度慢、稳定性不强等缺点进行研究,提出一种黄金正弦与自适应融合的蜉蝣优化算法.引入自适应惯性权重因子增强算法的搜索和开发能力达到更好的平衡;引入融合Lévy飞行策略和黄金正弦因子进一步改善易陷入局部最优的缺点,增强种群多样性,跳出局部最优.仿真结果表明,改进算法对于测试函数在求解精度、收敛速度和寻优能力上有显著提升.同时,为验证结果的可靠性和有效性,对该算法所得的数据进行统计检验、平均绝对误差分析、求解成功率分析.结果表明改进算法的稳定性、可靠性、鲁棒性都较MOA有所增强.另外,引入具体工程案例进行测试分析,进一步验证了该算法在工程上的适用性.     

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。     

基于递减反馈视野的人工鱼群算法改进与应用

基本人工鱼群算法的觅食行为是算法收敛的基础,觅食视野固定会导致寻优效率低、易陷入局部极值等弊端。引入视野递减反馈策略,视野随着迭代次数和寻优的反馈信息适时变化,旨在平衡算法的全局搜索和局部搜索能力。通过五个TSP实例测试,结果表明该算法在保证收敛速度的基础上提高了计算精度。最后将改进算法应用于求解山西省国家AAAA级风景区(含5A)最短遍历路径问题。     

基于基因交换的自适应人工鱼群算法

针对人工鱼群算法(AFSA)不能完美地平衡局部寻优与全局寻优,且缺乏跳出局部最优能力等问题,提出了一种基于基因交换的自适应人工鱼群算法(AAFSA-GE).首先利用自适应的视野和步长提高搜索的速度及精度,然后利用混乱行为和基因交换行为增强跳出局部最优的能力并提高搜索效率.为了证明算法的有效性,在实验中使用了10种经典的...     

反向自适应高斯变异的人工鱼群算法

针对人工鱼群算法存在易陷入局部最优、鲁棒性差以及寻优精度低的问题,提出了反向自适应高斯变异的人工鱼群算法。改进后的算法引入了反向解,根据反向解调整人工鱼的移动方向以及位置,从而提供更多的机会发掘潜在的较优空间,使人工鱼群快速跳出局部最优,从全局角度提升算法的搜索性能。同时提出了一种非线性自适应视野步长策略,更好地平衡了全局搜索与局部搜索之间的关系。为了增加鱼群的多样性,降低人工鱼陷入早熟的可能性,提出了一种最优解引导的高斯变异机制。仿真实验结果表明,该算法能有效地提高人工鱼群的寻优精度、寻优质量及鲁棒性,并且避免了人工鱼群过早收敛。