基于多种群粒子群算法和布谷鸟搜索的联合寻优算法

为了提高动态多种群粒子群(DMS-PSO) 算法的全局搜索能力, 将布谷鸟搜索算法(CS) 引入DMS-PSO 算法中, 提出DMS-PSO-CS 算法. 采用中位数聚类算法将整个种群动态划分为若干小种群, 各个小种群作为底层种群通过PSO 算法进行寻优, 再将每个小种群中的最优粒子作为高层种群的粒子通过CS 算法进行深度优化. 将所提出算法应用于CEC 2014 测试函数, 并与CS 算法和其他改进的PSO 算法进行比较. 实验结果表明, 所提出算法能够显著提高全局搜索能力和算法效率.

     

求解大规模系统可靠性问题的修正和声搜索算法

针对大规模系统可靠性问题, 提出一种修正和声搜索(MHS) 算法. 该算法修改了和声搜索(HS) 算法的搜索机制, 以当前最优解为研究对象, 随机选取不同维数进行即兴创作, 并修正步长(BW) 的调整方式, 均衡算法的全局搜索和局部搜索. 对经典的大规模系统可靠性问题进行求解, 数值结果表明, 所提出算法优于其他文献中的6 种和声搜索算法. 与最近提出的求解此类问题的各种算法进行实验对比, 实验结果表明所提出算法在整体上具有良好的优化性能.

     

基于差分进化的布谷鸟搜索算法

针对基本布谷鸟搜索算法局部搜索能力弱、寻优精度低等不足,提出了一种具有差分进化策略的改进布谷鸟搜索算法。该算法是在种群进入下一次迭代之前在其个体上增加两个带权的差来实现个体变异,再对其进行交叉、选择操作得到最优个体,使缺乏变异机制的布谷鸟搜索算法具有变异能力,从而提高布谷鸟搜索算法的多样性,避免种群个体陷入局部最优,增强算法全局寻优能力。对几种经典测试函数和1个典型应用实例进行测试,仿真实验结果表明,新算法具有更好的全局搜索能力,在收敛精度、收敛速度以及寻优成功率等性能上显著优于基本布谷鸟搜索算法。     

全局竞争和声搜索算法

提出一种全局竞争和声搜索(GCHS) 算法, 给出随机局部平均和声和全局平均和声的概念, 建立竞争搜索机制, 实现每次迭代产生两个和声向量并进行竞争选择. 设计自适应全局调整和局部学习策略, 平衡算法的局部搜索和全局搜索, 详细分析参数HMS、HMCR和PAR对算法优化性能的影响. 数值结果表明, GCHS 算法在精度、收敛速度和鲁棒性方面比和声搜索算法及最近文献中提出的7 种优秀改进和声搜索算法要好.

     

自适应步长布谷鸟搜索算法

布谷鸟搜索算法(CSA)是一种新颖且简单、高效的生物启发式算法。针对标准算法存在后期收敛速度慢、易陷入局部最优等问题,提出了一种新的自适应步长布谷鸟搜索算法(ASCSA)。通过自适应调整莱维飞行步长使算法在前期拥有较大的寻优空间,提高全局搜索能力;步长随迭代自适应减小,算法的局部开发能力增强。针对偏好随机游动,引入动态惯性权重和记忆策略后,算法能够充分利用历史经验,稳定性得到提高。实验结果表明,改进后的布谷鸟搜索算法的各方面性能较标准算法及相关改进版本都有显著提高。     

基于模型的变门限状态反馈事件触发控制

针对基于模型的事件触发状态反馈控制系统, 提出一种触发门限可变的触发机制. 该触发机制能够在被控对象面临变化较大且快的干扰时, 自动调整触发门限变大, 避免频繁的事件触发导致网络通信资源浪费; 能够在被控对象面临变化较小的干扰时, 通过定时触发, 避免长时间没有事件发生导致的通信网闲置, 同时自动调整触发门限变小, 提升控制性能. 仿真结果表明, 较固定门限触发机制, 所提出的触发机制能利用更少的通信资源实现整体控制性能的提升.提升.

     

湍流环境中多弱感知机器人气味源搜索算法

针对湍流环境中机器人空间感知能力的不足, 提出一种多弱感知机器人气味源搜索算法. 该算法建立了气味源位置概率分布的近似表达式, 机器人通过自由能最小化获得移动方向. 各机器人之间通过共享位置信息实现协同, 通过设定内部温度达到搜索过程中探索和利用的平衡. 仿真结果验证了所提出算法的有效性.

     

自适应布谷鸟搜索算法

为了使布谷鸟搜索算法(Cuckoo Search,CS)在保持强大的全局搜索能力的同时,尽可能地提高局部搜索能力,在深入分析CS算法机理的基础上,将CS算法中影响布谷鸟搜索路径步长的参数β和布谷鸟蛋被发现(淘汰)的概率p_a由固定值改为随搜索过程自适应变化的动态参数,将越界的鸟窝折返回边界内、在当前代最优鸟窝附近的区域随机建立1个新的鸟窝、而非折返回边界上重新建立鸟窝,以提高算法的局部搜索能力和收敛速度。改进后的CS算法称为自适应布谷鸟搜索算法(Adaptive Cuckoo Search,ACS)。通过8个标准测试函数分别测试了CS算法和ACS算法的性能,结果表明,无论是简单的单峰函数还是复杂的多峰函数,无论是小型的低维函数还是大型的高维函数,ACS算法的寻优性能均超过CS算法。     

基于Razumikhin 方法的随机时变时滞非线性系统的状态反馈

采用Razumikhin 方法研究一类随机时变时滞非线性系统的状态反馈镇定问题. 利用随机系统的Razumikhin-Mao 理论和反推设计方法, 设计系统的状态反馈控制器, 所设计的控制器能保证闭环系统的平衡点为依概率全局渐近稳定的. 所提出的方法能够彻底地去掉关于随机时变时滞非线性系统传统结果中所要求的时滞导数的限制. 仿真示例验证了所提出状态反馈控制器的有效性.

     

基于拉普拉斯特征映射的启发式Q学习

在基于目标的强化学习任务中, 欧氏距离常作为启发式函数用于策略选择, 其用于状态空间在欧氏空间内不连续的任务效果不理想. 针对此问题, 引入流形学习中计算复杂度较低的拉普拉斯特征映射法, 提出一种基于谱图理论的启发式策略选择方法. 所提出的方法适用于状态空间在某个内在维数易于估计的流形上连续, 且相邻状态间的连接关系为无向图的任务. 格子世界的仿真结果验证了所提出方法的有效性.

     

基于深度邻域搜索PSO 算法的装配序列优化问题

针对产品结构特征建立几何约束矩阵, 以最大化满足几何约束条件装配次数和最小化装配方向改变次数为目标, 研究产品装配序列优化问题. 利用值变换的粒子位置和速度更新规则, 基于具有随机性启发式算法产生初始种群, 提出一种带有深度邻域搜索改进策略的粒子群算法解决装配序列问题. 通过装配实例验证了所提出算法的性能并对装配序列质量进行了评价, 所得结果表明了该算法在解决装配序列优化问题上的有效性与稳定性.

     

动态适应布谷鸟搜索算法

介绍一种新的生物启发算法—–布谷鸟搜索(CS)及其相关的L′evy飞行搜索机制.为了进一步提高算法的适应性,将反馈引入算法框架,建立了CS算法参数的闭环控制系统.将Rechenberg的1/5法则作为进化的评价指标,引入学习因子平衡种群的多样性和集中性,提出动态适应布谷鸟算法(DACS).最后,通过数值实验验证了所提出算法的有效性.     

带审敛因子的变邻域粒子群算法

针对基本粒子群算法在求解高维空间中的复杂多峰函数时容易发生早熟收敛而陷入局部最优的问题,汲取变邻域搜索算法全局搜索的优势,提出了带审敛因子的变邻域粒子群算法.首先由基本粒子群的快速搜索能力得到较优的群体;然后通过审敛因子判断发生早熟收敛的粒子,并利用变邻域搜索算法的全局搜索能力对陷入早熟收敛的粒子进行优化,从而得到全局最优.相关实验表明,带审敛因子的粒子群算法的性能较常规粒子群算法更加优越.     

三态协调搜索多目标粒子群优化算法

提出一种三态协调搜索多目标粒子群优化算法. 该算法提出的三态指导粒子选择策略可以很好地协调算法的局部和全局搜索能力, 且算法改进了传统的外部档案保存机制, 同时引入3 种突变因子, 使获得的非劣解具有更好的分散性. 通过对标准测试函数的求解, 并与其他经典多目标优化算法比较, 表明了新算法在收敛性和多样性方面均有较大的优越性. 最后分析了区域划分系数对所提出算法性能的影响.

     

一种采用抽样策略的PSO 算法

原始粒子群优化算法(PSO) 和各种改进方法存在着参数取值固定、收敛精度低等问题. 为此, 提出一种采用抽样策略的粒子群优化算法(SS-PSO). 通过拉丁超立方抽样(LHS) 策略更新粒子速度和位置, 以加快收敛速度; 提出一种基于随机采样的最优位置修正方法, 以微调全局最优; 提出“双抽样”LHS 局部搜索方法, 以提高收敛精度. 与其他新近提出的两个算法进行对比, 结果显示SS-PSO 在一定程度上提高了算法的性能.

     

一种基于属性关系的特征选择算法

对于包含大量特征的数据集, 特征选择已成为一个研究热点, 能剔除无关和冗余特征, 将会有效改善分类准确性. 对此, 在分析已有文献的基础上, 提出一种基于属性关系的特征选择算法(NCMIPV), 获取优化特征子集, 并在UCI 数据集上对NCMIPV 算法进行性能评估. 实验结果表明, 与原始特征子集相比, 该算法能有效降低特征空间维数, 运行时间也相对较短, 分类差错率可与其他算法相比, 在某些场合下性能明显优于其他算法.

     

基于诺兰模型思想的改进混沌粒子群优化算法及评价

针对粒子群优化算法(PSO) 在处理高维复杂函数时容易陷入局部极值、收敛速度慢的缺陷, 从系统的认知分析过程和角度出发, 提出一种基于诺兰模型(NM) 思想的改进PSO 算法. 该算法在Tent 混沌映射选择的参数的基础上, 结合NM信息融合和协调的思想, 在速度更新过程中增加均衡项, 并设计粒子群的欧氏距离指数以防止早熟, 从而实现对粒子的自动调整、保证多样性和提高算法的全局搜索能力. 最后, 运用典型函数对所提出算法进行测试, 并与最新相关算法进行比较, 结果表明, 所提出算法在全局搜索能力、效率和稳定性方面均具有明显的优势.

     

基于时变Sigmoid 函数的鲁棒PSO 算法

在样本规模有限的情况下, 为了提高算法的鲁棒优化性能, 提出一种基于时变(随迭代次数变化) Sigmoid 函数的鲁棒粒子群优化算法. 采用拟蒙特卡罗积分方法近似估计有效目标函数, 以时变Sigmoid 函数为基础, 设计各代各样本规模的选取概率. 迭代前期, 样本规模期望值较小, 加快了算法探索速度; 迭代后期, 样本规模期望值较大, 提高了算法的开发精度. 标准测试函数仿真结果显示, 所提出方法具有较优的鲁棒优化性能.