摘要：对生物地理学优化算法(biogeography-based optimization,BBO)的研究现状进行了总结,并介绍了一些最新的研究进展。从BBO算法提出的背景出发,讨论了算法的主要思想、算法原理以及算法步骤。论述了该算法的研究进展,包括BBO算法的改进、算法的收敛性分析、BBO算法与其他算法的融合以及BBO算法在优化领域的典型应用,对BBO算法有待研究的问题做了总结。

摘要：针对人工蜂群算法收敛速度较慢和容易早熟的缺点,提出一种基于改进收益度的人工蜂群算法。采用分段函数的方法计算收益度,加大收益度之间的区别,更容易选中位置更好的蜜蜂进行更新;借鉴粒子群思想,在观察蜂的更新公式中增加全局最优个体的信息反馈,加快人工蜂群算法的收敛速度。在8个测试函数上的仿真和对比实验结果表明,在30维上有7个函数的测试结果优于其它算法,在5个函数上的T测试结果有显著提高,在函数维数加到60维时仍然有7个函数测试结果优于其它算法,将函数维数进一步加大到100维函时,该算法依然具有很强的鲁棒性和处理高维复杂函数的能力。

摘要：为解决粒子群算法在解决多峰问题时容易陷入局部最优的问题,对粒子群算法和人工蜂群算法进行研究,提出一种新的融合算法。采用多种群粒子群方法进化,每次进化后将各子群中的最优粒子重新组合一个新的群体,利用人工蜂群模式进化得到全局最优个体;将全局最优个体反馈到粒子群各子群的进化模式中,以提高算法的收敛速度。将10个测试函数的仿真结果与一些改进的粒子群和标准人工蜂群算法进行了比较,比较结果表明,融合算法有7个测试函数的测试效果最好,其中4个为单峰函数,3个为多峰函数;该算法具有良好的全局搜索能力和较快的收敛速度。

摘要：针对单一进化模型无法满足粒子在不同阶段进化需求的问题,提出了一种自适应选择模型的改进粒子群算法。通过对粒子群算法的进化模型进行研究,给出了两种不同的进化模型,计算两种进化模型的速度多样性指标确定两种进化模型各自的选择概率,根据选择概率自适应选择相应的进化模式进行更新。速度多样性可以很好地反应粒子不断变化的进化情况,改进的粒子群算法可以根据进化情况自适应地调整各个进化模型的粒子比例,改善算法性能。为了进一步改进算法的整体性能,增加了一维学习机制。对比一些改进粒子群算法,进行8个测试函数的仿真实验,实验结果表明,该算法有5个测试函数的测试效果最好,Friendman检验和算法收敛对比分析结果表明,该算法具有良好的全局搜索能力和较快的收敛速度。

摘要：云计算环境中的资源具有动态性和异构性,大规模任务资源分配的目标是最小化完成时间和资源占用,同时具有尽可能好的负载均衡,这是一个非确定性多项式(NP)问题。借鉴智能群体算法的优点,提出基于改进的粒子群优化(PSO)算法构建混合式群体智能调度策略——动态随机扰动的PSO策略(DRDPSO)。首先,将PSO的惯性权重常数修改为变量,实现对求解过程收敛速度的合理控制;其次,缩小每次迭代的搜索范围,在保留候选最优集合的前提下减少无效搜索;然后,引入选择操作,筛选出优质个体并传递到下一代;最后,设计随机扰动,提高候选解的多样性,在一定程度上避免了局部最优陷阱。在Cloud Sim平台上进行了两类仿真测试,结果表明,处理同构任务时,在大部分情况下DRDPSO的指标都优于模拟退火遗传算法(SAGA)和遗传算法(GA)+PSO算法,总执行时间比SAGA减少13. 7%～37. 0%,比GA+PSO减少13. 6%～31. 6%;其资源耗费比SAGA减少9. 8%～17. 1%,比GA+PSO减少0. 6%～31. 1%;其迭代次数比SAGA减少15. 7%～60. 2%,比GA+PSO减少1. 4%～54. 7%;其负载均衡度比SAGA减小8. 1%～18. 5%,比GA+PSO减少2. 7%～15. 3%,且波动幅度最小。处理异构任务时,三种算法表现出相似的规律:CPU型任务的总执行时间最多,混合型任务次之,IO型任务最少,DRDPSO的综合指标最好,较为适合处理多种类型的异构任务,而GA+PSO算法适合快速求解混合型任务,SAGA则适合快速求解IO型任务。所提DRDPSO在处理较大规模的同构和异构任务时,能够较为明显地缩短总的任务执行时间,不同程度地提高资源利用率,并适当兼顾计算节点的负载均衡。

摘要：针对乡村休闲游短期客流量预测中多影响因素、非线性、数据稀疏的特点,提出一种基于支持向量回归的预测模型。支持向量机模型的预测效果受支持向量机的参数的影响较大,利用蝙蝠算法对支持向量回归预测模型进行建模参数优化,实现乡村休闲游短期客流量的精准预测。对九寨沟每日客流量数据和密云区乡村休闲游客流量数据进行仿真实验,实验结果表明,对比该模型与神经网络模型、ARIMA模型、贝叶斯线性回归模型、随机森林回归模型,在乡村休闲游的小样本情况下,其预测精度明显高于其它模型,可以进行有效的短期客流量预测,蝙蝠算法相比于传统群体智能算法具有更好的全局搜索能力以及更少的计算用时。

摘要：针对旅行商问题提出一种离散粒子群算法。算法重新定义了速度及其与粒子位置的相关算子,设计了"距离排序矩阵"(保存距离城市由近到远的其他城市的矩阵),并根据它生成可动态变化的优秀基因库来指导粒子高效地进行全局搜索。本文用TSPLIB中的部分案例进行实验,实验结果表明,该算法在求解旅行商问题上有很好的性能,并且具有很好的鲁棒性。