摘要：布谷鸟搜索算法是一种新兴的仿生优化技术,其迭代使用Lévy flights随机走动和Biased随机走动搜索新的个体.在Biased随机走动中,随机交叉搜索方式具有一定的盲目或无效率,这将可能削弱布谷鸟搜索算法的搜索能力.为了改善布谷鸟搜索算法的搜索能力,提出带外部存档的正交交叉布谷鸟搜索算法(orthogonal crossover cuckoo search algorithm with external archive,OXCS).正交交叉被嵌入于Biased随机走动中以提高交叉搜索的效率.外部存档维护一定时期内的种群历史信息,并为正交交叉操作提供一个父本.实验结果说明提出的策略能够有效地改善布谷鸟搜索算法的搜索能力,并提高求解连续函数优化问题的收敛速度和解的质量.

摘要：蝙蝠算法是一种模拟蝙蝠回声定位行为的新型启发式智能搜索算法,其随机游走于最佳解附近的局部搜索导致算法的搜索效率低且易陷入局部极小值.针对此不足,提出一种正交交叉和指数交叉相互协作的局部搜索策略.正交交叉操作是在父个体空间内基于正交设计的一种有系统的精细化搜索,能有效的避免随机游走的盲目性,指数交叉用于弥补正交交叉受限于父个体空间的不足,使种群保持足够的多样性,正交交叉和指数交叉相互协作使蝙蝠算法能有效地平衡搜索的集中性和多样性.实验结果表明改进的算法能够有效地提高蝙蝠算法的搜索能力,在求解多维函数优化问题上是具有竞争力的.

摘要：为解决差分进化算法求解高维优化问题时效率低下的问题,提出一种正交动态差分进化算法(ODDE),通过动态差分进化框架增强全局搜索能力,利用基于正交实验设计的正交交叉算子加强局部空间搜索能力。基于9个标准测试函数,选择30,100,300,500这4种维度对差分进化算法、动态差分进化算法、正交差分进化算法和ODDE算法进行对比实验,结果表明,ODDE算法的求解精度和收敛速率均优于对比算法,可广泛用于求解工程应用中的高维优化问题。

摘要：为提升多智能体系统的工作效率,克服差分进化算法DE (differential evolution)在多智能体系统任务分配过程中的不足,提出一种基于QOC (quantization orthogonal crosser)策略改进的正交交叉差分进化算法AOCDE (an orthogonal crosser differential evolution)。QOC在DE算法基础上,引入正交思想和数据量化技术,通过改变交叉策略,增强算法全局寻优能力,提升算法收敛性。使用该算法解决多智能体系统任务分配问题,将仿真结果与其它算法进行比较,验证了该算法的有效性。