融合变异策略的自适应蝴蝶优化算法

蝴蝶优化算法是近年来提出的一种新型自然启发式算法。针对基本蝴蝶优化算法收敛速度慢、求解精度低、稳定性差等问题,提出了一种融合变异策略的自适应蝴蝶优化算法。通过引入动态调整转换概率策略,利用迭代次数和个体适应度的变化信息动态调整转换概率,有效维持了算法全局探索与局部搜索的平衡;通过引入自适应惯性权重策略和局部变异策略,利用惯性权重值和混沌记忆权重因子进一步提高了算法的多样性,有效避免算法早熟收敛,同时加快了算法的收敛速度和求解精度。利用改进算法对12个基准测试函数进行仿真实验,与基本蝴蝶优化算法、粒子群算法、樽海鞘群算法、灰狼优化算法等其他算法对比表明,改进算法具有收敛速度快、寻优精度高、稳定性强等优异性能。     

自适应柯西变异人口迁移算法

提出一种自适应柯西变异人口迁移算法,将柯西变异算子融合进人口迁移算法中,自适应地对优惠区域的人口进行柯西变异。仿真实验表明,改进后的算法优化精度高、求解质量好,性能稳定,能有效求解全局优化问题。     

自适应变异蝴蝶优化算法

针对基本蝴蝶优化算法存在的收敛速度慢、求解精度低和易陷入局部最优等问题,提出一种自适应变异蝴蝶优化算法。首先,利用改进帐篷映射结合重心反向学习初始化种群,获得更好的初始解;其次,在位置更新处引入非线性惯性权重,平衡算法的全局搜索与局部搜索能力;最后,在算法运行过程中,根据群体适应度方差以及当前最优解大小来决定是否对当前最优解和最差解进行高斯变异二次寻优,增强算法跳出局部最优的能力。对12个基准测试函数的多种维度仿真实验结果表明,该算法在收敛速度、求解精度和寻优稳定性方面明显优于其他对比算法。     

带有非线性惯性权重和柯西变异的粒子群优化算法

粒子群优化算法是一种新型启发式智能优化算法,它运行速度快,收敛性强,但是容易陷入局部极值.为了克服粒子群算法的早熟收敛现象,提出了一种新的带有非线性惯性权重和柯西变异的粒子群优化算法.首先,对算法中的惯性权值进行改进,增强粒子局部收敛能力;然后,利用柯西变异算子,增加种群多样性.数值实验表明,提出的改进粒子群优化算法具...     

融合自适应惯性权重和柯西变异的秃鹰搜索算法

针对基本秃鹰搜索算法存在收敛速度慢、易陷入局部最优的缺点,提出了一种融合自适应惯性权重和柯西变异的秃鹰搜索算法(CBES).首先使用Tent混沌映射初始化种群,保留了种群的多样性;其次,引入自适应惯性权重,加快算法的收敛速度,增强算法的局部开发能力;最后将柯西变异算子整合到当前全局最优位置进行变异更新,提高算法陷入局部最优的能力.通过12个单模态、多模态基准测试函数对CBES、BES、FPA、MFO、PSO 5种算法进行实验对比,实验结果表明了改进后的算法在收敛速度和精度方面均得到了提升.同时将该算法应用到实际工程中,验证了算法的扩展性和适用性.     

多项式变异和自适应权重优化的阿奎拉鹰算法

针对基本阿奎拉鹰算法存在收敛精度低、易陷入局部最优的问题,通过在全局搜索阶段引入多项式变异扰动策略,在局部开发阶段引入自适应权重优化策略,改进了阿奎拉鹰算法的局部探索能力,并且引入了Tent混沌映射初始化种群,增加种群多样性,引入动态转换概率策略来平衡全局探索和局部开发的比重,故提出多项式变异和自适应权重优化的阿奎拉鹰算法。采用基本阿奎拉鹰算法、哈里斯鹰算法、灰狼算法、鲸鱼算法、海鸥算法做对比,9个基准测试函数和2个工程优化问题对改进后的算法进行寻优性能验证,结果表明：改进后的算法在多数测试函数上取得较好的寻优效果,在工程优化问题中,效果优于多数对比算法。证明了改进后的算法具有更快的收敛速度和精度,并在工程应用中取得较好效果。     

分段权重和变异反向学习的蝴蝶优化算法

针对原始蝴蝶优化算法容易陷入局部最优解、收敛速度慢及寻优精度低等问题,提出分段权重和变异反向学习的蝴蝶优化算法。通过飞行引领策略来矫正邻域内蝴蝶的自身飞行,降低盲目飞行,增强算法跳出局部最优的能力;引入分段权重来平衡全局勘探及局部开发的能力,进而实现蝴蝶位置动态更新;使用变异反向学习对位置进行扰动,增加种群多样性以及提高算法的收敛速度。通过对9个测试函数和部分CEC2014函数及Wilcoxon秩和检验来评估改进算法的寻优能力,实验结果表明改进算法的收敛速度及寻优精度得到了极大改进。     

拉丁超立方抽样的自适应高斯小孔成像蝴蝶优化算法

针对蝴蝶优化算法存在种群多样性差、寻优精度低、收敛速度慢的不足,提出了拉丁超立方抽样的自适应高斯小孔成像蝴蝶优化算法。首先利用拉丁超立方抽样种群初始化策略以提高种群的多样性,从而增强算法的全局搜索能力;然后引入在不同进化时期自动调节搜索范围的自适应最优引导策略,平衡算法的全局和局部搜索能力,从而提升算法的寻优精度;最后采用高斯小孔成像策略,对最优个体进行扰动,使得种群个体向最优个体靠近,以进一步提升算法的寻优精度并加快算法的收敛速度。通过对14个基准测试函数进行仿真实验以及Wilcoxon秩和检验,结果表明改进算法的寻优精度、收敛速度、稳定性和可扩展性等性能均得到了较大提高。     

改进的蝴蝶优化聚类算法

针对当前算法在求解聚类问题时存在精度低、速度慢及鲁棒性差等问题,提出一种改进的蝴蝶优化聚类算法,借鉴精英策略思想重新定义蝴蝶优化算法的局部搜索迭代公式,然后融合遗传算法的选择、交叉和变异操作.在1个人工数据集和5个UCI数据集上的测试结果表明所提出算法的性能,且与其他算法相比具有一定优势.     

基于权值自适应优化的协作频谱认知算法

提出一种基于权值自适应优化的协作频谱认知算法。根据各协作认知节点的信噪比分配合适的权值向量,反映对检测统计量的贡献大小。基于最小均方误差原则,权值向量可根据实际的各节点信噪比向量进行自适应优化,从而提高认知网络中存在低信噪比节点时的检测性能。仿真结果表明,与传统协作算法相比,该算法无论在节点高信噪比或低信噪比条件下均有更优的检测性能,且收敛速度较快。     

基于模糊文化算法的自适应粒子群优化

为解决粒子群优化中惯性权重的调整机制在具体优化问题中的自适应问题,本文建立了一种全新的基于模糊文化算法的自适应粒子群优化算法;利用模糊规则表示个体粒子在演化过程中获取的经验,经验共享形成群体文化,并利用遗传算法来实现文化的进化;通过信念空间中以模糊规则表示的知识建立模糊系统来逼近与实际问题相适应的惯性权
权重控制器。在测试函数集上的仿真实验对比结果证明,该算法相对于现有算法有优势。     

一种基于非线性惯性权重的海鸥优化算法

针对海鸥算法(SOA)在求解最优化问题中的不足和算法性能依赖于参数的选取等缺点,提出一种基于惯性权重的海鸥优化算法(Inertia Seagull optimization algorithm,I-SOA),采用非线性递减的惯性权重计算附加变量A的值来调整的海鸥的位置,通过莱维飞行和随机指数值增加海鸥飞行的随机性,增强...     

基于自适应权重和莱维飞行的改进海鸥优化算法

在齿轮系设计问题中, 传统算法存在计算复杂与精度低等缺点, 海鸥优化算法(SOA)得益于其算法原理简单、通用性强、参数少等特性, 现多用于工程设计问题. 然而, 标准海鸥优化算法易出现寻优精度低、搜索速度慢等问题, 本文提出一种混合策略改进的海鸥优化算法(WLSOA). 首先, 利用非线性递减策略增强海鸥优化算法的探索开发能力, 提高寻优精度. 其次, 在海鸥攻击阶段引入自适应权重平衡全局与局部的搜索能力和加入莱维飞行步长对当前最优解进行扰动, 提高算法跳出局部最优值的能力. 然后分别使用WLSOA、黄金正弦算法、鲸鱼优化算法、粒子群优化算法、传统海鸥优化算法及最新提出的改进海鸥优化算法, 通过在9个经典的测试函数上进行仿真实验来探究WLSOA的性能. 结果表明, WLSOA比其他6种算法寻优精度更高, 收敛速度更快. 最后, 在齿轮系设计问题上, 通过与其他13种常见的群智能算法的比较表明, WLSOA的求解性能优于其他算法.     

引入莱维飞行与动态权重的改进灰狼算法

针对求解复杂优化问题时,灰狼（GWO）算法存在全局搜索能力不足、容易陷入局部最优值等问题,提出一种引入莱维飞行与动态权重策略的改进灰狼算法（LGWO）。基于Singer混沌映射初始化灰狼个体位置,增加种群多样性;收敛因子采用新的非线性更新策略,在种群迭代全期平衡全局搜索与局部搜索能力;在种群位置更新公式引入莱维飞行与动态权重策略,增加种群跳出局部最优值的概率,提升寻优准确度。通过8个基准函数的测试,并与其他优化算法和改进算法进行对比,LGWO取得了最优的收敛速度与预测精度,并验证了LGWO算法优化高维复杂问题的有效性。     

柯西变异的骆驼算法优化与应用

针对骆驼算法（Camel Algorithm,CA）在执行效率低及易陷入局部最优停滞等问题,提出了改进的骆驼算法（Modified Camel Algorithm,MCA）。该算法基于骆驼的行进行为,通过在全局位置处引入柯西分布函数进行变异,使得个体受局部极值点约束力下降,提高局部寻优能力,减少原始算法中使用的设置参数的数量,具有较高的计算速度和简化的结构。通过标准测试函数对MCA与CA,乌鸦搜索算法（Crow Searching Algorithm,CSA）和粒子群优化算法（Particle Swarm Optimization,PSO）进行低维与高维测试对比,实验结果表明该改进算法表现出更好的运行效率和寻优能力。通过优化受约束的工程应用即抗干扰智能天线优化来验证MCA的性能,该算法能够使天线系统到达确定的方向来完美消除干扰信号,提高在实际应用中的精度、速度与稳定性。     

权重自适应clonal选择算法及其应用研究

在求解两个目标以上的多目标优化问题时,基于Pareto支配的多目标进化算法多数需要较长的求解时间.基于固定权重的聚合函数方法求解速度快,但要确定一个适合待求解问题的合理权重是十分困难的,为了解决这一问题,将clonal选择算法与权重自适应方法相结合,提出了一种适用于多目标优化问题的权重自适应clonal选择算法.并将权...     

基于权重轮询负载均衡算法的优化

随着电商网站用户规模不断增长,高并发问题成为在搭建大规模电商网站系统时面临的一项重大挑战,通过负载均衡算法来实现Web服务集群中各节点均衡负载是解决高并发的手段之一.然而,目前通用的负载均衡算法都存在一些不足之处,针对这一问题,提出了一种动态自适应权重轮询随机负载均衡算法（Dynamic Adaptive Weight Round-Robin Random Load-Balancing,DAWRRRLB）,该算法考虑到影响Web服务集群中服务器节点性能的多重因素,根据节点在运行过程中的实时负载情况动态的改变集群中节点的负载性能,并结合改进的Pick-K算法对权重轮询负载均衡算法进行优化,始终保证性能最优的服务器节点在提供服务.通过多次实验对比,改进的DAWRRRLB算法可以有效的提高负载均衡效率.     

一种改进的自适应优化粒子滤波算法研究

粒子滤波算法在非线性滤波领域受到广泛关注,但是该算法存在样本退化问题.为了改进粒子滤波算法的性能,这里结合自适应优化机制对粒子滤波算法的建议分布选择机制及重采样技术进行改进.对于粒子滤波的建议分布选择,提出一种基于自适应退火参数优化的混合建议分布方法.通过混合建议分布不足的分析,利用退火参数来优化控制状态转移先验分布函数和观测似然函数之间的比例,同时,基于自适应参数优化机制来动态调整退火参数的值.对于粒子滤波的重采样,提出了基于部分分层重采样优化算法的自适应重采样技术.通过有效样本大小的评估来执行自适应重采样策略,此外,基于部分分层重采样算法,利用权重优化的思想对其重采样前后权重计算的方法进行优化.通过相关算法的性能比较,所提改进粒子滤波算法的有效性得以验证.