An improved fruit fly optimization algorithm for solving the multidimensional knapsack problem

This paper presents an improved fruit fly optimization algorithm (IFFOA) for solving the multidimensional knapsack problem (MKP). In IFFOA, the parallel search is employed to balance exploitation and exploration. To make full use of swarm intelligence, a modified harmony search algorithm (MHS) is proposed and applied to add cooperation among swarms in IFFOA. In MHS, novel pitch adjustment scheme and random selection rule are developed by considering specific characters of MKP and FOA. Moreover, a vertical crossover is designed to guide stagnant dimensions out of local optima and further improve the performance. Extensive numerical simulations are conducted and comparisons with other state-of-the-art algorithms verify that the proposed algorithm is an effective alternative for solving the MKP.     

和声搜索算法探索能力研究及其修正

和声搜索算法(harmony search,HS)的一大缺点是它容易陷入局部最优.针对此缺点,深入研究了近期文献中所提出的步长(bw)调整方法.首先具体分析了和声搜索算法即兴创作过程的探索能力,而后推导出在不对称区间下即兴创作过程的探索能力与各参数的关系,并进一步讨论了bw对探索能力和算法收敛的影响,证明了方差期望和均值期望所组成的迭代方程的迭代收敛充分性.基于这些分析和证明,提出一种修正和声搜索算法(modified harmony search,MHS),并分析了参数和声记忆库大小(harmony memory size,HMS)、基音调整概率(pitch adjusting rate,PAR)及和声记忆库的考虑概率(harmony memory considering rate,HMCR)对MHS优化性能的影响.数值仿真结果表明MHS算法优于HS及最新文献所报道的8种改进HS算法,具有良好的优化性能.     

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.

     

一种求解高维复杂优化问题的动态自适应和声搜索算法

为了更好地提高求解高维复杂优化问题的能力,提出一种动态自适应和声搜索(DSHS)算法。该算法采用正交试验来设计算法的初始化和声记忆库;利用多维动态自适应调整算子和单维和声微调算子相结合的策略进行和声创作;改进和声音调调解步长,从而增强算法的扰动能力,避免其陷入局部搜索。通过6个标准Benchmark函数测试表明,该算法在全局搜索能力、收敛速度和稳定性方面都有明显提高。     

Modified harmony search optimization for constrained design problems

Constrained optimization is a major real-world problem. Constrained optimization problems consist of an objective function subjected to both linear and nonlinear constraints. Here a constraint handling procedure based on the fitness priority-based ranking method (FPBRM) is proposed. It is embedded into a harmony search (HS) algorithm that allows it to satisfy constraints. The HS algorithm is conceptualized using the musical process of searching for a perfect state of harmony. Here, the original heuristic HS was improved by combining both improved and global-best methods along with the FPBRM. The resulting modified harmony search (MHS) was then compared with the original HS technique and other optimization methods for several test problems.     

VARIANCE-BASED HARMONY SEARCH ALGORITHM FOR UNIMODAL AND MULTIMODAL OPTIMIZATION PROBLEMS WITH APPLICATION TO CLUSTERING

This article presents a novel variance-based harmony search algorithm (VHS) for solving optimization problems. VHS incorporates the concepts borrowed from the invasive weed optimization technique to improve the performance of the harmony search algorithm (HS). This eliminates the main problem of constant parameter setting in the algorithm proposed recently and named as explorative HS. It uses the variance of a current population as well as presents a solution vector to improvise the harmony memory. In addition, the dynamic pitch adjustment operator is used to avoid solution oscillation. The proposed algorithm is evaluated on 14 standard benchmark functions of various characteristics. The performance of the proposed algorithm is investigated and compared with classical HS, an improved version of HS, the global best HS, self-adaptive HS, explorative HS, and the recently proposed state-of-art gravitational search algorithm. Experimental results reveal that the proposed algorithm outperforms the above-mentioned approaches. The effects of scalability, noise, harmony memory size, and harmony memory consideration rate have also been investigated with the proposed algorithm. The proposed algorithm is then employed for a data clustering problem. Four real-life datasets selected from the UCI machine learning repository have been used. The results indicate that the VHS-based clustering outperforms the existing well-known clustering algorithms.     

基于BtW的和声搜索算法在BP网络优化中的应用

针对和声搜索算法参数影响其优化BP神经网络的性能问题,提出了一种可有效提高BP神经网络收敛速度和准确度的基于BtW参数动态变化的改进和声算法,同时用于BP网络优化。算法根据和声搜索参数的特点,采用以BtW为自变量的非线性函数变换方法,对微调概率PAR和微调幅度BW进行动态调整,利用改进的和声搜索算法对BP神经网络的连接权和偏置值进行优化。实验结果表明,该算法有效改善了和声搜索算法在BP神经网络优化中的性能,提高了BP网络的训练速度和预测的准确度。     

基于遗传和声算法求解函数优化问题*

针对遗传算法和和声搜索算法各自的特点,提出了一种新的搜索算法——遗传和声算法（GAHS）。新算法利用遗传算法改进了和声算法中和声记忆库初始解的产生方式,同时对和声算法中新解的产生方式也作了改进;将此改进算法应用到函数优化问题中,并分别对六个测试函数进行了仿真,用于验证算法的可行性。仿真结果表明,遗传和声算法提高了函数优化的搜索效率,具有较高的寻优性能和较强的跳出局部极小的能力。     

基于动态行为选择的和声搜索算法

和声搜索算法是一种模拟音乐即兴创作过程的元启发式搜索,已成功应用于解决许多实际问题.针对高维函数优化问题,提出一种基于动态行为选择的和声搜索算法.在算法中新和声的即兴创作有3种策略,迭代过程中通过计算每个策略的即时价值和综合价值选择和声的即兴创作策略,并通过个体即兴创作策略选择方法提升寻优速度或避免陷入局部最优解.将所提出算法与9个改进和声搜索算法在22个基准函数上进行对比.实验结果表明,所提出算法具有较好的求解精度、稳定性和收敛速度,擅长于解决复杂的高维问题.     

新颖的全局和声搜索算法在经济性调度中的应用

提出采用新颖的全局和声搜索算法来解决经济调度问题,并设计了一种新颖的处理系统约束的方法;介绍了经济调度问题数学模型、新颖的全局和声搜索算法实现过程及其应用方法。实验结果表明,采用新颖的全局和声搜索算法所获得的最优值要明显好于采用进化算法、粒子群算法所获得的最优值,新颖的全局和声搜索算法为解决经济性调度问题提供了一种新的解决方案。     

An efficient modified harmony search algorithm with intersect mutation operator and cellular local search for continuous function optimization problems

This paper proposes a modified harmony search (MHS) algorithm with an intersect mutation operator and cellular local search for continuous function optimization problems. Instead of focusing on the intelligent tuning of the parameters during the searching process, the MHS algorithm divides all harmonies in harmony memory into a better part and a worse part according to their fitness. The novel intersect mutation operation has been developed to generate new -harmony vectors. Furthermore, a cellular local search also has been developed in MHS, that helps to improve the optimization performance by exploring a huge search space in the early run phase to avoid premature, and exploiting a small region in the later run phase to refine the final solutions. To obtain better parameter settings for the proposed MHS algorithm, the impacts of the parameters are analyzed by an orthogonal test and a range analysis method. Finally, two sets of famous benchmark functions have been used to test and evaluate the performance of the proposed MHS algorithm. Functions in these benchmark sets have different characteristics so they can give a comprehensive evaluation on the performance of MHS. The experimental results show that the proposed algorithm not only performs better than those state-of-the-art HS variants but is also competitive with other famous meta-heuristic algorithms in terms of the solution accuracy and efficiency.     

改进的多目标和声搜索算法

针对和声搜索算法不能很好求解多目标优化问题的缺陷,引入邻域搜索算子,对和声记忆库内搜索到的分量进行扰动,对和声记忆库外进行Pareto邻域搜索,实现群体间信息交换,提高算法的全局搜索能力。数值实验选取4个常用测试函数并与NSGA-II、SPEA2、MOPSO 3个多目标算法进行比较,测试结果验证了改进算法的有效性。     

基于改进全局和声搜索算法LSSVM的短期电力负荷预测

针对全局和声搜索算法（GHS）存在的缺陷,提出改进全局和声搜索算法（IGHS）。该算法通过扩大最优和声搜索区域,并在搜索过程中引入受和声库影响的微调变量,从而增强了算法跳出局部极小值束缚的能力。将该改进算法应用于电力负荷预测中,提出基于改进全局和声搜索算法最小二乘支持向量机（IGHS-LSSVM）的负荷预测方法。利用某电力公司的历史数据进行仿真,结果表明方法具有较高的预测精度。     

学习型和声搜索算法及其在0-1 背包问题中的应用

针对现有和声搜索算法存在的不足,提出一种学习型和声搜索算法(LHS).根据目标函数值的变化,自适应调整和声记忆考虑概率(HMCR);引入学习机制,加快算法的搜索速度;动态调节基音调整概率(PAR),增强算法的全局搜索能力.对16个标准函数的测试结果表明,所提出的LHS算法与其他4种和声搜索算法相比具有较好的效果.最后将改进算法应用于10个0-1背包问题和1个经典的50维背包实例,实验结果表明LHS算法优于其他算法.关键词:和声搜索算法;自适应;学习策略;搜索速度;0-1背包问题     

一种求解0-1背包问题的二进制修正和声搜索算法

针对0-1 背包问题, 提出一种二进制修正和声搜索算法. 该算法修正了即兴创作过程, 对参数PAR进行动态调整, 同时提出一种随机修复机制, 有效修复不可行的和声, 增强算法的局部搜索. 采用一种可行和声初始化方式, 保证初始和声都是可行的, 整个搜索过程完全采用0-1 二进制模式, 对14 个0-1 背包问题进行测试. 将所提出算法与其他算法进行比较, 结果验证了所提出算法的有效性.

     

自适应和声搜索算法及在粗糙集属性约简中的应用

针对改进和声搜索算法（ＩＨＳ）存在的不足,提出了自适应和声搜索算法（ＡＨＳ）．该算法利用和声库中变量函数的最大差值来调节ＰＡＲ 和ｂｗ,从而提高了对多维问题的搜索效率．利用５个标准测试函数对ＡＨＳ算法进行测试,并应用于粗糙集的属性约简中．仿真结果表明了该算法的有效性和实用性．     

基于混合和声搜索算法求解竞争选址问题

针对竞争选址问题,提出一种新的混合和声搜索算法。混合和声搜索算法初始化和声记忆库时结合了贪婪算法,降低了初始解的不可行性概率。在寻优过程中,引入了鱼群算法的觅食行为,提高了算法跳出局部最优解的能力和收敛速度。即兴产生一个新的和声时,充分考虑了当前最优解的指导作用,提出了新的基因调整方法,增强了算法的探索能力。在竞争选址问题上对所提出的算法进行了测试,仿真结果验证了所提出算法的有效性。     

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.

     

自适应和声搜索算法及在数值优化中的应用

和声搜索算法(HSA)是近年来发展起来的一种新的启发式的优化算法。提出了一种自适应参数和声搜索算法(AHSA)。AHSA中和声库扰动概率PAR自适应下降;同时,将新和声引入扰动幅值BW,省略判断新和声是否越界的环节。该算法不需要定义PAR和BW的初值,减小人为因素对算法性能的影响。通过标准函数测试,仿真结果表明相对于HSA,IH-SA,GHSA这3种算法,AHSA表现出更好的综合性能。     

改进的和声搜索算法在函数优化中的应用

针对函数优化问题,通过分析和声搜索算法的2个关键参数(和声微调概率与和声微调幅度)对算法搜索性能的影响,提出和声微调概率与和声微调幅度随搜索过程的进行而动态适应变化的方法,从而得到9种改进的和声搜索算法。仿真实验表明,所得方法具有较好的优化性能,计算结果优于M_IHS算法。