摘要：针对基本金豺狼优化算法(Golden Jackal Optimization,GJO)在解决高维优化问题时存在计算精度低、开发能力弱、容易陷入局部最优的缺点,提出一种改进GJO算法(I-GJO)。在改进算法中,设计一种基于正弦函数的非线性能量因子替代原随机递减能量因子,以平衡算法在搜索过程中的全局探索和局部开发能力。在算法迭代后期引入翻筋斗学习策略,从而扩大群体搜索范围和改善解的精度。为了验证I-GJO算法的有效性,选取6个基准函数优化问题进行数值实验,并与灰狼优化、海鸥优化算法和基本GJO算法比较。结果表明,I-GJO获得较高的精度和较快的收敛速度。最后利用I-GJO算法求解特征选择问题,对16个基准数据集的数值结果显示,改进算法能有效去除冗余特征和提高分类精度。

摘要：为了优化机械传动中的关键部件行星轮系设计模型,提出改进的黏菌优化算法。该算法通过加权聚合学习机制,使黏菌个体在搜索空间中能够更好地学习和利用其他个体的优秀信息,从而提高收敛速度和优化精度。将行星轮系的传动比、齿轮齿数、模数等关键参数作为优化变量,以变量之间所满足的关系为约束条件,以传动效率、体积、噪音等性能指标作为优化目标。通过构建合适的适应度函数,将行星轮系设计模型优化问题转化为一个多目标优化问题,并将该算法与9个对比算法在函数测试集和行星轮设计模型上进行试验验证。研究结果表明:基于加权聚合学习机制的黏菌优化算法进行行星轮系设计优化效果显著,具有收敛速度快、优化精度高、稳定性好等优点,不仅能够在较短时间内找到全局最优解,而且能够提供更加稳定和可靠的优化结果。

摘要：对模拟退火算法用于函数优化时的计算流程、状态产生函数的设置原则、离散变量的优化、计算终止准则等问题进行深入分析,在此基础上提出一种适用于求解各类数学规划问题全局最优解的有记忆功能、带返回搜索的模拟退火算法,用可视化程序设计语言Visual Basic6.0开发相应的模块化计算机程序,并给出YT型电动滚筒优化设计的应用实例。该程序不仅使用方便,而且对各类数学规划问题具有普适性。

摘要：将正交试验设计引入到克隆选择操作中,设计出基于正交试验的克隆选择操作(clonal selection operation based on orthogonal experiment design,简称CSO-OED),并将其加入到典型的克隆选择算法中,设计出并联式的CSO+CSO-OED(Ⅰ)算法和串联式的CSO+CSO-OED(Ⅱ)算法.将新设计的算法用于9个经典的测试函数和6个复杂的测试函数进行对比测试,实验结果表明,CSO-OED能够有效地保持种群的多样性,避免算法不成熟收敛.CSO+CSO-OED(Ⅰ)和CSO+CSO-OED(Ⅱ)将全局搜索和局部搜索分开进行优化,对比实验表明,这种搜索策略不但能够保证算法的收敛性,还能有效地提高搜索解的精度,增强算法的鲁棒性.

摘要：针对野马优化算法存在种群多样性低、收敛速度慢和易陷入局部最优等问题,提出一种混合策略改进的野马优化算法(IWHO)。在马驹位置公式中引入基于饥饿游戏的Tent惯性权重,更好平衡算法的全局搜索与局部搜索能力;在放牧阶段引入折射镜像学习策略,利用折射镜像学习生成可行解的反向解,加快算法的求解速度;利用混合黄金正弦与飞蛾扑火算子,使算法跳出局部最优。将改进后的算法(IWHO)和其它算法在10个基准函数上对比测试,并通过Wilcoxon秩和检验和拉/压弹簧设计问题验证算法性能。仿真结果表明,IWHO在收敛速度和寻优精度上有明显改进。

摘要：基于生物免疫系统的自适应学习、记忆、监视等功能,设计适用于高维动态函数优化的自适应免疫算法.算法设计中,利用抗体的学习功能设计抗体动态进化模块;利用基因漂移促成抗体群中非优越抗体重构;利用记忆特性和记忆池动态维持功能,设计由记忆子集合构成的动态记忆池,并经由 Average linkage 保存优秀的记忆细胞;利用动态监视功能建立环境判别规则和初始抗体群的生成规则.该算法结构简单、灵活,以及在不同环境下寻优时间可以动态调节.数值实验比较显示出其优越性和在执行效率、执行效果中寻求权衡的有效性,并且对复杂的高维动态环境优化问题具有较大应用潜力.

摘要：为克服经典人工免疫算法(AIA)在函数优化过程中存在的计算量大、收敛精度不高和收敛速度较慢等不足,引入多个自适应免疫算子,提出了一种改进自适应人工免疫算法(IAAIA)。在经典人工免疫算法中,引入迭代次数对抗体激励度计算算子进行自适应设计,引入种群抗体平均激励度与抗体激励度对免疫选择算子、克隆算子、变异算子与克隆抑制算子进行自适应设计,提升人工免疫算法的收敛速度、收敛精度和稳定性。选择9个典型测试函数作为实验对象,同时选择4种典型人工免疫算法作为对比算法优化实验函数,对比实验结果表明了改进的自适应人工免疫算法在求解函数优化问题的有效性和优越性。

摘要：为了提高免疫算法的搜索能力,根据生物免疫机制及生物进化的周期性,设计了一种周期变化变异算子。为了避免仅仅以亲和度作为免疫选择评价标准,低亲和度抗体过度抑制,提出了将抗体浓度引入到亲和度中作为评价指标,设计了一种改进的免疫选择算子。基于马尔科夫链,分析了改进免疫算法的收敛性。为了测试该算法的有效性,将算法应用于函数优化问题中。仿真结果表明,改进的免疫算法具有更高的搜索速度和精度。

摘要：基因表达式编程(GEP)算法在解码时常存在未表达的基因内区,在解决函数优化问题时存在缺陷,使得对简单函数的优化性能不如遗传算法(GA),而对复杂函数优化收敛速度较慢。为了改善基因表达效率和提高优化性能,做了下列工作:提出了新的基因解码方法,形成了内嵌基因表达式编程算法EGEP;设计了适合优化问题的个体编码方案;分析了个体的表达空间。实验表明,EGEP对简单函数优化的性能优于传统遗传算法;EGEP提高了对复杂函数的优化能力,即使在运行辈数降低200倍时,得到的性能仍然优于传统GEP和遗传算法。

摘要：针对遗传算法求解精度低以及蚂蚁算法求解速度慢的问题,提出一种基于遗传算法和蚂蚁算法的混合算法.该混合算法利用了遗传算法快速随机的全局搜索能力的优点,设计了编码与适应度函数,进行了种群生成与染色体的选择,并通过设定交叉算子和变异算子,生成了信息素分布.该混合算法利用了蚂蚁算法正反馈以及具有分布式并行全局搜索能力的优点,通过确定吸引强度的初始值,建立了强度更新的模型,从而求得精确解.并将该算法应用于求解函数优化问题.结果表明,该混合算法与遗传算法和蚂蚁算法相比,收敛速度快,寻优性能好.