综合学习粒子群优化算法

综合学习粒子群优化算法(Comprehensive Learning Particle Swarm Optimization Algorithm,CLPSO)是对粒子群算法的一种改进，主要针对多峰优化函数的求解。CLPSO算法一项最主要的创新点就是新型的速度更新方式：
阅读全文 >

改进的和声搜索算法

改进的和声搜索算法(improved harmony search algorithm,IHS)对和声搜索算法中的PAR及BW参数进行了改进，使得参数可以更好地适应优化问题的求解，减少算法对参数的敏感，是一种有效的改进方式。对和声搜索算法主要的改进策略如下：
阅读全文 >

多父体杂交演化算法

多父体杂交演化算法(Multi-Parent Crossover Evolutionary Algorithm,MMEA)

算法流程

(1)初始化种群population。

(2)从种群中随机选取M个点，从反射算子、压缩算子、扩张算子中随机选择一种多父体杂交算子，从这M个点中通过执行选定的多父体杂交算子生成一个新个体。如果新个体好于群体中的最差个体，则用新个体取代最差个体。
阅读全文 >

通过随机算法参数改进的简化差分进化算法

差分进化算法是一种解决复杂优化问题的有效算法，但算法对使用的参数(包括缩放因子F[0,2]及交叉因子CR[0,1])相当敏感，不适当的算法参数的选择很大程度地影响着算法的性能。因此本文介绍几种算法参数的随机选取策略，不但可以减少对算法参数的敏感，而且简化了差分进化算法：
阅读全文 >

种子优化算法

种子优化算法(Seed Optimization Algorithm，SOA)是受自然界种子传播方式的启发提出的一种进化算法，通过模拟植物生存的自适应现象，逐代进化，寻找最优结果，解决复杂的优化计算问题。有点类似于分段式进化策略。
阅读全文 >

细菌觅食算法

细菌觅食算法(Bacterial Foraging Algorithm,BFA)[亦有称为细菌觅食优化算法(Bacterial Foraging Optimization algorithm,BFO||BFOA)]由K.M.Passino于2002年基于Ecoli大肠杆菌在人体肠道内吞噬食物的行为，提出的一种新型仿生类算法。该算法因具有群体智能算法并行搜索、易跳出局部极小值等优点，成为生物启发式计算研究领域的又一热点。
阅读全文 >

含边界变异的粒子群优化算法

标准PSO中，当某个粒子在搜索过程中飞出可行域时，通常的处理方式是使该粒子的位置处于边界上，即采用策略：
where (X > Xmax) X = Xmax
where (X < Xmin) X = Xmin

这样做的缺点是，如果边界附近存在着局部最优，很容易使粒子陷入局部最优点，从而产生停滞。
阅读全文 >