摘要：向量量化是图像压缩中的重要内容,而码书生成是向量量化的关键.提出了一个全新的、简单的码书生成算法,其基本思想是以向量量化聚类性质为基础,应用图论建立数据之间的离散关联设计算法.该算法与传统的算法相比,优势在于不需要初始码书,不需要在实际应用中几乎不可能知道的高维向量集合的概率分布,不需要Voronoi划分,同时它避免了一般算法局部最优问题.

摘要：针对传统的向量量化压缩的不足性,提高量化效果的方法主要是增加向量的维数,但同时增加了计算的复杂性。为了解决分布式编码中量化器的设计问题,在联合条件熵约束的条件下,着重从WZ量化器的最优条件分析,提出了一种Lloyd迭代算法,通过实验证明,该算法比传统的算法更可以保证量化器的局部最优性。

摘要：针对花朵授粉算法(FPA)寻优过程中局部深度搜索能力弱、易陷入局部最优、后期收敛速度慢的问题,提出一种基于自适应高斯变异的混合蛙跳花朵授粉算法(AGM-SFLFPA)。借鉴混合蛙跳算法(SFLA)思想,对种群个体按照适应度值进行排序、分组并更新各分组中最差个体的位置,增强算法的局部深度搜索能力并增加种群多样性;通过公示牌动态监测算法是否陷入局部最优,当陷入时,将自动对全局最优个体执行高斯变异操作,提高个体跳出局部最优的能力、增强种群多样性、加快收敛速度。通过6个典型的标准测试函数从4个方面验证该算法的有效性,验证结果表明,AGMSFLFPA具有更好的稳定性和可靠性、更快的收敛速度及更高的寻优精度,适用于高维复杂多极值函数求解问题。

摘要：针对狼群算法(WPA)在最优化问题的过程中存在的寻优精度较低且易陷局部最优的弊端,提出一种基于高斯扰动和混沌初始化的狼群算法(GCWPA)。为使狼群更均匀的分布在搜索空间中,采用混沌立方映射对狼群进行初始化操作;采用根据头狼位置的动态变化的步长、更改围攻行为的结束条件以及通过高斯扰动使算法具有跳出局部最优的能力等对WPA算法进行改进。选取12个国际标准的基准函数对GCWPA算法进行测试验证,仿真结果表明,GCWPA算法在单峰、多峰,低维、高维都有良好表现。

摘要：蚁群算法是一种新型的模拟进化算法,研究表明此算法具有一些优良性质,但是蚁群算法容易陷入局部最优。分析了蚁群算法陷入局部最优的主要原因,根据算法陷入最优的原因提出一种判断局部最优的方法;在蚁群算法中引入判断局部最优的策略,当算法陷入局部最优时对参数做相应的变化,来克服蚁群算法易陷入局部最优的缺陷。实验表明此方法行之有效。

摘要：针对车辆路径问题中选取客户节点易陷入局部最优的缺点,引入节约法并结合路径权重和距离启发因子来改进选取客户节点的决策规则。根据粒子实际运动过程的特点和伊藤算法在迭代过程中逐步收敛的特性,结合算法的波动算子和漂移算子设计了对路径权重的更新规则,提升了算法的收敛速度。通过增大波动系数和提高环境温度来应对伊藤算法迭代过程中出现的搜索停滞、局部最优现象。引入2-opt局部优化算法来优化当前迭代取得的最优解。实验结果表明,改进后的伊藤算法有效地加快了收敛速度,提高了搜索全局最优解的能力。

摘要：对侦察无人机航迹进行规划,可以提高无人机生存概率,保证无人机能突破敌方威胁,安全到达目标点,成功完成侦察任务。而在航迹规划中,经常因陷入局部最优而导致规划失败,成为无人机航迹规划的难点。针对容易陷入局部最优的问题,采用改进的蚁群算法,引入"电势场"理论,把威胁源视为带电体,将形成电势场,则待选航迹节点具有不同的电势能,从而区分出待选航迹节点的优先级,使无人机选择远离威胁优先级高的航迹点,而不会落入威胁交叉作用区域,避免了陷入局部最优。仿真结果表明,所改进的算法是可行的,可为侦察无人机的航迹规划提供依据。

摘要：为了避免局部最优与收敛速度慢的问题,在粒子群算法中引入"竞争"与"拉伸"技术,提出一种新的粒子群算法——竞争-拉伸粒子群算法。用3个基准函数对标准粒子群算法、局域粒子群算法、提出的新算法等同时进行测试,对比结果表明,提出的算法不仅具有较高的收敛速度,而且能有效地进行全局搜索。

摘要：为更好的求解作业车间调度问题，针对基本蚁群算法求解作业车间调度问题容易进入局部最优问题的情况，提出了一种基于信息素调整的蚁群算法。该算法通过判断信息素矩阵中最大值与最小值之间的比值，当该比值达到算法设定的阀值时，根据相应策略对信息素矩阵进行调整，有效地缩小了信息素之间的差距，有利于跳出局部最优状态；给出了该算法实施的具体步骤。用该算法求解作业车间调度问题，仿真实验结果表明，该算法与基本蚁群算法相比在收敛速度和计算最优解方面都有了改进。

摘要：针对标准粒子群算法在处理复杂优化问题时易出现收敛速度慢和陷入局部最优的问题,提出了一种自适应进化模型的粒子群优化算法。通过设定的阈值limit将种群进化状态划分为正常状态和"早熟"状态,当种群全局最优位置信息连续超过limit次没有更新时,认为算法处于"早熟"状态,此时对种群的个体最优位置进行反向学习,帮助算法逃离局部最优,并采用新的进化模型;否则视为正常进化状态,并采用标准粒子群进化模型。8个基准测试函数的仿真结果表明,该算法与一些其它改进粒子群算法如FIPS、CLPSO、MPSO-SFLA算法相比,在全局寻优能力、收敛速度和收敛精度方面都具有明显的优势。