摘要：根据不同适线准则,研究群智能优化算法在水文频率曲线适线中的计算问题,为水利工程规划、水资源优化配置等提供依据。以陕北地区12个主要测站的年径流系列为例,选取五大分布类共12种分布线型,根据我国现行水利水电工程设计洪水计算规范,按照离(残)差平方和最小准则(OLS)、离(残)差绝对值和最小准则(ABS)、相对离差平方和最小准则(WLS),以MATLAB7.6为计算平台,研究模拟退火算法、遗传算法、粒子群算法和蚁群算法进行水文频率参数的估计。在不同适线准则下,陕北地区年径流最优频率分布模型为广义Logistic分布(Generalized Logistic Distribution,GLO),粒子群算法进行参数估算偏差最小。与传统优化方法相比,群智能优化算法对优化目标函数要求低,是一种推求年径流频率曲线统计参数的新途径。

摘要：为提高解武器—目标分配问题(WTA)的群智能优化算法初始种群性能,从提高初始种群多样性的角度提出了基于密码筒的种群初始化方法,从提高初始种群解质量的角度分别提出了基于目标威胁—打击效果混合排序的种群初始化方法和装甲分队战术种群初始化方法。最后,通过一系列不同规模WTA算例的仿真实验对初始化方法进行评估,结果表明三种种群初始化方法均达到了设计要求,且各具优势。

摘要：基于改进飞蛾扑火优化(Improved Moth-Flame Optimization,IMFO)算法,以两艘现有船舶为计算实例,展开了综合考虑螺旋桨推进效率、空泡性能和桨叶强度的船机桨匹配工作。以遗传算法(Genetic Algorithm,GA)和原始飞蛾扑火优化(Moth-Flame Optimization,MFO)算法为对比算法,分析了IMFO辅助船机桨匹配工作时的性能。数值实验的结果表明,在解决船机桨匹配问题时,IMFO算法的收敛时间相比GA算法在两个算例中分别缩短了44.24%和54.14%,相比MFO算法分别缩短了23.9%和23.12%。此外,在求解精度方面,在计算示例1中,IMFO算法相比GA算法和MFO算法略有提升;而在计算示例2中,IMFO算法相比GA算法提高了3.66%,较MFO算法提高了0.98%。最后,通过对两个算例的可行解空间进行可视化表示,进一步讨论了IMFO算法的求解性能。上述结果对比证明了IMFO算法具备强大的全局搜索能力,在解决船机桨匹配问题时具有良好的竞争力和鲁棒性。

摘要：通过对求解虚拟企业资源结盟博弈问题与求解经典SAT问题相似性的分析,提出了一种求解虚拟企业资源结盟博弈的启发式群智能优化算法.算法融合萤火虫优化算法与布谷鸟优化算法部分原理,并设计可行的交叉算子以及变异优化算子,能够修复不可行解并保持种群多样性.实验结果表明本文算法的迭代次数与搜索到的稳定联盟数成线性增长,较启发式遗传算法有着更好的爬山性能和搜索能力.

摘要：为提高物流车车架轻量化环节的收敛速度与精度,提出一种基于警戒者灰狼策略与准反射学习策略的改进型灰狼优化算法(eGWO),通过与其他算法进行测试对比,表明eGWO具有良好的求解性能;对物流车车架进行满载弯曲、满载扭转、满载制动、满载转向工况仿真分析,使用最优拉丁超立方试验设计方法与响应面模型方法建立车架近似模型,并使用eGWO对物流车车架的尺寸优化数学模型进行求解,使得车架总质量下降11.9kg,减重率9.94%,为车架轻量化研究提供了可行方法。

摘要：为提升图像分割的准确度和性能,提出改进被囊群算法(improved tunicate swarm algorithm,IMTSA)的多阈值分割方法。基于折射反向学习初始化种群,采用精英反向学习重新选择优势个体,结合学生分布协调全局和局部搜索能力。在图像分割中,基于Otsu和最大熵方法,在不同阈值场景下,IMTSA与其它算法进行性能对比。实验结果表明,IMTSA在3类基准函数中均表现更好,图像分割效果与阈值数量成正比,其整体分割性能具有一定优势。

摘要：针对平衡优化器算法(Equilibrium Optimizer,EO)求解精度低、收敛速度慢等问题,提出一种融合麻雀搜索和随机差分的双向学习平衡优化器算法。首先,给出了基于麻雀搜索算法的自适应种群划分策略,以平衡算法的全局探索和局部勘探,从而提高算法的收敛精度和收敛速度。其次,引入随机差分策略来重建平衡池,增加个体之间的信息交流,以利于算法跳出局部最优。最后,设计了一种双向混沌反向学习策略并将其应用到更新后的种群,以增加种群多样性,从而进一步提高算法的收敛精度。通过14个测试函数进行仿真实验,使用Wilcoxon秩和检验以及平均绝对误差来评价算法性能,并将改进算法应用到两个工程设计问题,实验结果验证了3种改进策略的有效性,且改进算法的收敛精度、收敛速度和鲁棒性都有显著提高。

摘要：为提高WSN的能量效率和网络吞吐量,提出一种基于生物地理学优化的分簇算法(CABBO)。从3个方面提高生物地理学优化(BBO)在WSN分簇的适应性。通过综合节点剩余能量、邻居节点个数、与基站距离因素,选取综合值大的节点优化初始栖息地种群质量,提高算法收敛速度;采用余弦迁移模型提高算法的探索能力;通过考虑多个性能指标定义目标函数,实现网络的有效连接和负载均衡。实验结果表明,该算法在网络生命周期、能量效率、吞吐量和负载均衡等方面具有较优性能表现。

摘要：头脑风暴优化算法是一种受人类群体行为启发的新型群智能优化算法。该算法通过模拟人类使用头脑风暴创造性解决问题的行为,在解空间中分析个体分布,并使用变异生成新个体,多次迭代求得最优解,具有较高的鲁棒性和自适应能力。针对头脑风暴优化算法精度较差、易陷入局部最优导致早熟收敛的缺陷,提出了一种多分支混沌变异的头脑风暴优化算法。该算法选取8种混沌映射,设计了一种多分支混沌变异算子。当原始算法陷入局部最优时,使用多分支混沌变异生成新个体,利用多种混沌运动的遍历性、随机性和多样性,扩大了混沌空间的范围,增强了算法全局搜索的能力。对10个经典测试函数的10、20、30维问题进行测试,并与原始头脑风暴优化算法、粒子群优化算法、遗传算法和布谷鸟搜索算法进行对比,实验结果表明,所提出的算法可以有效避免陷入局部最优,具有更高的稳定性和全局搜索能力。

摘要：蜉蝣算法是一种受蜉蝣飞行及交配行为启发的新型群智能优化算法,具有良好的寻优性能,但其在求解高维复杂问题时依然存在因失效蜉蝣而影响算法效率的问题.鉴于此,提出一种偏移进化蜉蝣算法(migration evolutionary mayfly algorithm,MEMA).针对蜉蝣种群进行个体能力评价,剔除种群中生命周期较长但进化能力较弱的个体,同时以其为据点进行全局位置偏移,以获取新生个体.对新个体进行指向性动态进化训练,从而提升种群整体优化能力.最后在Matlab环境下,随机抽取了6个benchmark测试函数设计仿真实验以验证MEMA算法的有效性,实验结果表明,相比于其他5种对比算法,MEMA算法在低维及高维函数测试中均能更好地实现最优解搜索,在收敛精度、收敛速度以及鲁棒性等方面均具备一定优势.