摘要：针对模拟退火(simulated annealing,SA)算法收敛速度慢,随机采样策略缺乏记忆能力,算法内在的串行性使其具有并行化问题依赖等缺点,提出了基于粒子群优化(particle swarm optimization,PSO)算法的并行模拟退火算法。该算法利用粒子群优化算法中个体的记忆功能引导算法在解空间中开展精细搜索,在反向学习算法基础上设计新的反向转动操作机制增加了算法的多样性,借助PSO的天然并行性克服了SA的并行问题依赖性,并在集群上实现了多Agent协同进化的改进算法。对Toy模型的蛋白质结构预测问题进行了仿真实验,结果表明该算法能有效提高求解问题的质量和效率。

摘要：针对基本灰狼优化算法(grey wolf optimizer,GWO)在求解复杂优化问题时存在解精度低、探索与开发能力不平衡、收敛速度慢和易陷入局部最优的缺点,提出一种基于多策略融合的改进灰狼优化算法。首先,设计一种基于正弦函数的非线性过渡参数策略替代原灰狼优化算法中的线性递减策略,以实现算法从勘探到开发的良好过渡;其次,利用个体自身历史最佳位置和决策层个体共同引导群体进行搜索,以加速算法收敛速度和提高寻优精度;然后,在当前最优灰狼个体上引入小孔成像学习策略产生新的候选个体,以降低算法陷入局部最优的概率。选取6个基准测试函数进行数值实验。结果表明:改进算法在求解精度和收敛速度指标上均优于其他比较算法。最后,将改进算法用于求解特征选择问题,对10个基准数据集的仿真结果表明,改进算法能有效地提高分类精度和选择最优特征。

摘要：针对标准的灰狼优化算法GWO对于复杂优化问题的求解易陷入局部最优的缺点,从混沌初始化和非线性控制策略2个角度,提出一种基于Cubic映射和反向学习的灰狼优化算法COGWO。首先,利用Cubic映射和反向学习策略对种群进行初始化,并通过非线性参数控制策略来调节寻优过程中的参数;然后,对6种基准测试函数进行寻优实验,实验结果表明,COGWO算法具有更好的收敛精度、收敛速度和稳定性;最后,将COGWO算法应用到了实际的工程优化问题中。

摘要：首先建立了水电站水库优化调度模型。在对人工蜂群算法描述的基础上,为有效避免标准人工蜂群算法局部搜索能力差等缺点,提高寻优能力,设计了一种以反向学习策略搜寻初始解、以自适应比例选择策略代替轮盘赌法、以基于指数分布突变策略更新蜜源位置的改进人工蜂群算法。应用MATLAB软件将改进后的人工蜂群算法应用于新安江电站水库优化调度中。仿真结果表明,改进人工蜂群算法具有更好的全局搜索能力,调度结果优于人工蜂群算法和粒子群算法。

摘要：针对多维函数优化问题,提出2种新的反向自适应和声搜索算法。在自适应和声搜索算法的基础上,通过引入反向初始化操作,增强初始和声库的质量。设计一种反向自适应新和声搜索产生策略,加强算法的寻优能力。分别设计2种不同的和声微调概率的设置方式,并研究其对于算法收敛速度的影响。针对4个标准测试函数的仿真实验结果表明,与传统的和声搜索算法相比,2种算法的求解质量和收敛速度都有所提升。

摘要：针对正余弦算法(sine cosine algorithm,SCA)性能低、精度差等缺陷,设计了混合正余弦算法(hybrid sine cosine algorithm,HSCA),并将HSCA运用于机器人路径规划(robot path planning,RPP)问题。HSCA融合了基于反向学习方法的初始解构造方法。同时,HSCA通过融入模因分组和TLBO(teaching-learning-based optimization)的进化机制来强化后续解的信息交流,力求增强搜索性能。针对RPP问题,HSCA在路径曲线规划过程中引入了Spline插值方法,旨在确保求解精度的同时降低当前问题的优化维度。最后,开展了函数寻优和路径规划测试,实验结果表明,HSCA比对比算法具有更好的性能。

摘要：针对人工蜂群(ABC)及其改进算法在求解高维复杂函数优化问题时,存在求解精度低、收敛速度慢、易陷入局部寻优且改进算法控制参数多的不足,提出一种分阶段搜索的改进人工蜂群算法。该算法设计了分阶段雇佣蜂搜索策略,使雇佣蜂在不同阶段具备不同的搜索特点,降低了算法陷入局部极值的概率;定义逃逸半径,使其能够更好地指导早熟个体跳出局部极值,避免了逃逸行为的盲目性;同时,采用均匀分布结合反向学习的初始化策略,促使初始解分布均匀且质量较优。通过对优化问题中8个典型高维复杂函数的仿真实验结果表明,该改进算法求解精度更高,收敛速度更快,更加适合高维复杂函数求解。

摘要：针对K-means算法依赖于初始聚类中心和易陷入局部最优解的缺陷,提出一种改进的求解聚类问题的差分进化算法。将改进的差分进化算法与K-means迭代相结合,使算法对初始聚类中心的敏感性和陷入局部最优解的可能性降低。通过将反向学习技术引入到框架中来指导搜索新的空间,以增强算法的全局寻优能力。为了改善算法的计算效率,根据聚类问题编码的特点设计了一种整理算子来消除冗余以及调整差分进化算法的种群更新策略。最后,在迭代过程中不断引入随机个体以提高种群的多样性。与K-means和几种进化聚类算法进行比较,实验结果表明,该算法不仅能有效抑制早熟收敛,而且具有较强的稳定性和较好的聚类效果。

摘要：针对永磁同步电机中参数辨识精度低与速度慢的问题,提出了一种基于改进灰狼优化算法的参数辨识方法。首先采用Tent映射反向学习策略对种群初始化,增强初始种群的多样性;其次,设计了一种非线性变化的收敛因子;最后,采用Levy飞行策略对算法寻优过程中位置更新方式进行变异操作,以提高算法跳出局部最优的能力,降低了算法误收敛的可能性。仿真实验表明,改进灰狼优化算法对永磁同步电机中的参数精确度更高,辨识速度更快。

摘要：针对标准智能优化算法辨识光伏(photovoltaic,PV)模型参数时存在准确度低、可靠性差和易出现早熟收敛的缺点,提出了一种改进的灰狼优化(improved grey wolf optimizer,IGWO)算法用于辨识PV模型参数。利用S型曲线的特点设计了一种基于S型函数的非线性调整控制参数a策略,以平衡算法的全局勘探和局部开采能力;以一定概率对当前最优决策层个体执行反向学习策略,帮助群体跳出局部最优。选取4个复杂函数测试IGWO算法的性能,利用实际光伏模型测量数据对IGWO算法进行检验。结果表明,IGWO算法相比其他算法,能更准确且稳定地辨识PV模型参数。