摘要：针对鲸鱼优化算法(Whale Optimization Algorithm,WOA)存在的收敛速度慢、寻优稳定性不足等问题,本文提出了精英反向学习的黄金正弦鲸鱼优化算法(Elite Opposition-Based Golden-Sine Whale Optimization Algorithm,EGolden-SWOA).利用精英反向学习策略提高种群的多样性和质量可以有效提升算法的收敛速度,同时引入黄金分割数优化WOA的寻优方式,从而协调算法的全局探索与局部开发能力.对20个单模态和多模态测试函数进行寻优实验,并与RLPSO(Reverse-learning and Local-learning Particle Swarm Optimization)、IWOA(Improved Whale Optimization Algorithm based on nonlinear convergence factor)等多个算法进行对比,实验结果表明EGolden-SWOA具有更好的寻优精度和稳定性.进一步对EGolden-SWOA进行求解大规模问题的实验,实验结果表明EGolden-SWOA可以有效解决大规模优化问题.最后将EGolden-SWOA应用于压力容器和蝶形弹簧设计优化问题,结果表明EGolden-SWOA在工程优化方面的性能优于RCSA(Rough Crow Search Algorithm)、CPSO(Co-evolutionary Particle Swarm Optimization)等改进算法,可以有效运用于实际工程优化问题.

摘要：针对蝴蝶优化算法(butterfly optimization algorithm,BOA)中存在的局部开采和全局探索能力不均衡,易陷入局部最优值,收敛精度低等缺陷,提出收敛因子和黄金正弦指引机制的蝴蝶优化算法(convergence factor and gold sinusoidal guidance mechanism of butterfly optimization algorithm,AGSABOA)。受到鲸鱼优化算法的启发将收敛因子融入算法的全局位置更新处,提高算法全局搜索的多样性;结合黄金正弦指引机制,弥补BOA算法迭代后期种群多样性下降,易陷入局部最优的不足。选取9个常用的基准测试函数进行的仿真结果表明,AGSABOA算法在寻优精度、收敛速度、鲁棒性方面更优。

摘要：花授粉算法是由Yang提出的一种新型元启发式优化算法,存在易陷入局部最优、求解精度不高等缺陷,为了进一步改善其寻优性能,提出了一种混合变异的花授粉算法(HMFPA),分别针对全局授粉和局部授粉2个过程设计了混沌随机扰动和交流算子,有效地平衡了算法的局部搜索和全局开发,并用多个标准测试函数验证算法的有效性,实验结果表明,本文提出的改进算法的各个寻优指标均优于基本花授粉算法和差分进化策略的花授粉算法。