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.     

基于越界重置和高斯变异的蝙蝠优化算法

针对蝙蝠算法个体越界、易早熟收敛的问题，提出一种基于越界重置和高斯变异的蝙蝠优化算法。新算法将飞越解空间边界的个体拉回解空间内，利用越界重置策略重新分配位置。通过高斯变异策略控制个体的搜索范围，使种群以最优解为中心向四周呈放射状搜索，增强了算法的局部搜索和全局寻优能力。蝙蝠算法在靠近目标解时响度和脉冲发射频率更新不协调，影响了算法的持续进化能力,通过线性渐变策略保证响度和脉冲发射频率的变化与算法持续进化相适应。研究了在解空间不同位置关系的情况下新算法和对比算法的优化能力，并结合实验数据对算法收敛稳定性进行分析。实验结果表明，提出的新算法具有较好的收敛速度和精度，其全局寻优能力和高维问题优化能力体现了很好的鲁棒性。     

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。     

自适应变异的蝙蝠算法

针对基本蝙蝠算法(BA)寻优精度不高、收敛速度慢和易早熟收敛的问题,提出一种改进的具有自适应变异机制的蝙蝠算法,用以求解复杂函数问题;利用K-means聚类对蝙蝠种群进行初始化,使种群在搜索空间分布更为均匀;采用根据迭代次数自适应变化的控制概率Pt判断算法是否进行高斯变异,增强种群多样性,促使蝙蝠个体跳出局部极值点;将自然选择思想引入BA,提高算法搜索速度,避免早熟收敛;选取几个典型函数进行测试,结果表明改进算法优化性能有了显著提高,具有较快的收敛速度,较高的寻优精度、收敛稳定性和收敛可靠性,验证了改进蝙蝠算法(IBA)的有效性及优越性。     

一种改进的自适应变异蝙蝠算法

针对蝙蝠算法在解决高维复杂问题时容易陷入局部最优解和精确度不高的问题,文中提出了一种改进的蝙蝠算法。在原算法的基础上,引入一种交叉变换的方式更新蝙蝠群体的位置,一方面是为了提高蝙蝠算法的遍历性,另外还可以减小蝙蝠算法陷入局部最优解的可能性。模拟蝙蝠发声的音量变化,采用自适应的变换的方式改进蝙蝠算法最优解的选择模式,达到提高算法的精度和收敛速度的目的。最后通过标准的测试函数对改进后的算法进行数值模拟,结果显示,改进后的算法较为有效。     

一种改进的小波变异粒子群优化算法

为提高粒子群优化(PSO)算法的优化性能,提出一种改进的小波变异粒子群算法(IPSOWM)。在每次迭代时以一定的概率选中粒子进行小波变异扰动,从而克服PSO算法后期易发生早熟收敛和陷入局部最优的缺点。数值仿真结果表明,IPSOWM算法的搜索精度、收敛速度及稳定性均优于PSO和PSOWM算法。     

自适应多普勒补偿与变异选择的蝙蝠算法

为克服蝙蝠算法在高维优化问题上求解精度低和早熟收敛的缺点,提出一种改进的蝙蝠算法。首先根据蝙蝠相对猎物距离的远近程度,对频率引入自适应多普勒补偿策略,并结合速度偏移机制修正飞行方向,产生靠近最优个体的新位置;其次对最优个体构造自适应变异选择策略,先利用柯西变异产生的较大步长摆脱局部极值的束缚,后利用高斯变异产生的较小步长精细搜寻最优区域;最后通过调整响度和脉冲发射率,平衡算法的全局探索和局部开发能力。从理论上分析了算法的收敛性和运算复杂性,对12个标准函数在不同维度下进行仿真实验,并与近年来其他蝙蝠算法进行比较,结果表明改进的算法在求解高维优化问题上具有较优的收敛速度和精度。     

新型全局优化蝙蝠算法

通过对生物智能机理的借鉴,许多解决复杂问题的新方法不断涌现.最近,Yang基于蝙蝠的回声定位行为,提出了一种新的全局优化算法——蝙蝠算法,同时将一些现有算法的优点引入到该算法中.首先讨论了蝙蝠算法的生物学动机,从原理上描述了蝙蝠回声定位行为和算法实现流程,随后求解了函数极值优化问题.仿真结果表明,蝙蝠算法的性能优于粒子群算法.最后,对进一步研究作了展望.     

求解高维函数优化问题的交叉熵蝙蝠算法

为改善蝙蝠算法求解高维函数优化问题的全局搜索能力,提高其搜索精度,将交叉熵方法和蝙蝠算法相结合,提出一种交叉熵蝙蝠算法。该算法将基于重要度抽样和Kullback-Leibler距离的交叉熵全局随机优化算法应用于蝙蝠算法中,采用自适应平滑技术提高算法的收敛速度,利用交叉熵方法的遍历性、自适应性和鲁棒性,有效抑制蝙蝠算法的早熟收敛现象。对经典测试函数和CEC2005测试函数的仿真结果表明,该算法具有全局搜索能力强、求解精度高和鲁棒性好等特性。     

基于混合变异策略的改进差分进化算法及函数优化

针对差分进化算法DE 传统变异策略不能有效平衡全局搜索和局部搜索,并且算 子固定,导致算法早收敛、搜索效率较低。基于DE 变异策略性能,提出一种混合变异策略, 力图平衡算法探索和开发能力,使得前期增强全局搜索,保持种群多样性; 后期偏重局部搜 索,尽快收敛到全局最优值。同时操作算子采用随机正态缩放因子F 和时变交叉概率因子CＲ, 进一步改善算法性能。几个典型Benchmarks 测试函数实验表明: 该改进型差分进化算法能有 效避免早收敛,较好地提高算法的全局收敛能力和搜索效率。     

基于小波变异的二进制粒子群的软硬件划分算法

针对可重构片上系统软硬件划分问题,采用DAG建模,提出一种改进的图广度优先遍历法,将软硬件划分问题转化为带约束条件的0/1背包问题,提出基于小波变异的二进制粒子群算法。该算法改变BPSO的粒子参数计算模式,利用群体最优值和个体最优值决定粒子当前取值的概率,并引入小波变异以一定概率对粒子变异,得到最优计算结果。实验表明该算法提高了解的精度,得到令人满意的划分结果。     

基于锦标赛选择变异策略的改进差分进化算法及函数优化

针对差分进化算法传统变异策略在全局收敛鲁棒性和搜索效率上不能达到一个很好的折衷,并且算法的操作算子固定,导致搜索效率低、易早熟收敛等问题,文中在差分进化算法变异策略性能分析的基础上,提出了一种基于锦标赛选择的变异策略。该策略采用“锦标赛选择”对随机选取的变异向量排序选出基向量,差分向量选择有利于搜索的方向并对其 “强化”,以提高收敛速率和维持种群多样性;同时操作算子采用随机正态缩放因子F和时变交叉概率因子CR,以平衡局部搜索和全局搜索;最后,利用4个典型Benchmarks测试函数对改进算法进行测试。实验结果表明,该改进型差分进化算法能有效避免早熟收敛,较好地提高算法的全局收敛能力和搜索效率。     

基于DE蝙蝠算法优化粒子滤波的目标跟踪

在目标跟踪领域,粒子滤波技术有处理非线性非高斯问题的优势,但是标准粒子滤波在利用重采样方法解决退化现象时,会产生粒子贫化问题,导致滤波精度不稳定.针对这种问题,本文算法采用了差分进化蝙蝠算法对粒子滤波进行改进.本文算法将粒子表征为蝙蝠个体,蝙蝠种群通过调节频率、响度、脉冲发射率,伴随当前最优蝙蝠个体在目标图像区域进行搜索,并且可以动态决策是采用全局搜索还是进行局部搜索,从而提高粒子整体的质量和合理的分布;引进的差分进化策略可以增强蝙蝠个体跳出局部最优的能力.为了验证本文算法的优化性能,将本文算法和标准粒子滤波算法进行性能分析对比.实验结果表明本文算法滤波性能优于标准粒子滤波算法.     

基于小波消噪变异的浮点数编码遗传算法

在遗传算法诸多编码中,浮点数编码具有其他编码所不具备的优势。针对浮点数编码在遗传操作中所产生的噪声和其对算法性能的影响,考虑变异操作在遗传算法中的重要作用,提出基于小波消噪变异的浮点数编码遗传算法,从理论上证明小波对浮点数编码噪声的分解,用小波实现其消噪变异。实验结果表明,该方法理论上是可靠的,方法上是可行的。     

基于变异的Bayesian优化算法

将变异算子与Bayesian优化算法相结合,提出了一种基于变异的Bayesian优化算法。在算法中设计了一个种群多样性函数,通过此函数引入变异算子,目的是利用变异算子的邻域搜索能力,保持种群多样性,将贝叶斯概率模型提取的全局信息与变异算子的局部信息联系起来,避免陷入局部最优。仿真研究表明基于变异的Bayesian优化算法的寻优能力比Bayesian优化算法更强。