引入变异算子的改进人工鱼群算法
人工鱼群算法(AFSA)是模仿鱼类行为提出的一种基于动物自治体的优化方法，是群体智能思想的一个具体应用，它解决问题时不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各智能人工鱼个体的局部寻优行为，最终使全局最优值突现(涌现)出来。
基本AFSA有一个比较严重的缺陷是后期收敛速度比较慢，解的精度不高，因此提出了引入变异算子的改进人工鱼群算法。
阅读全文 >
Archive for '智能算法'
采用领域结构的改进进化策略
进化策略中的变异算子是直接在父体上添加变异量，这里描述的采用领域结构的改进进化策略并不直接采用父体，而是采用与个体相邻的部分个体形成的小群体，这样可以利用相邻个体的信息，加大交流，从而使得进化策略得以改进。
阅读全文 >
动态调整视野和步长的改进人工鱼群算法
人工鱼群算法一种模拟动物行为的群体智能优化算法，目前在许多方面的的优化问题中有较好的表现，但存在后期搜索精度较低的缺陷，针对这一问题，不少学者进行了相关研究，研究结果表明，视野对人工鱼群算法中各种行为和收敛性能有较大影响。若视野Visual范围较大，则人工鱼的全局搜索能力强并能快速收敛；若视野范围较小，则人工鱼的局部搜索能力强。步长Step越大，收敛速度越快，但有时会出现振荡现象；步长越小，收敛速度越慢，但求解精度越高。
阅读全文 >
粒子群和人工鱼群协同进化的混合优化算法
协同进化思想
协同进化的原理可以解释为，算法采用多个种群，或将一个种群分为多个子群，各种群(或子群)在各自独立进化的同时相互间共享和交互信息，各种群不仅利用从外界获得的信息指导自身的搜索，同时还把探索得到的经验与其他种群分享，从而使得整个系统协同进化，直至获得最优解。
阅读全文 >
混沌局部搜索策略的差分进化算法
鉴于混沌的遍历性特征，不少人结合了混沌对差分进化算法进行改进，目前提出的混沌差分进化算法可以分为3类：
① 用混沌的方法改变DE的2个参数，即缩放因子F和交叉因子CR；
② 用混沌的方法产生变异个体 ；
③ 是用混沌的方法产生初始种群和子群体。
这里描述的混沌局部搜索策略的差分进化算法属于另外一种类型，可以称之为混沌局部搜索方法。这种方法就是用差分进化算法找出每一代中的最佳个体，然后在最佳个体附近用混沌的方法进行一定次数的局部搜索。
阅读全文 >
基于差分进化与粒子群优化的混合优化算法
差分进化算法DE与粒子群优化算法PSO都是属于群体的启发式算法。DE的变异算子有利于增加全局搜索能力，保证种群的多样性；交叉算子并进行选择可以提高局部搜索能力，加快收敛速度；选择算子具有一定的记忆能力，能够保留优秀个体。PSO在种群多样性有保障的情况下，可以较好地探索求解区域，收敛速度也比较快。这里融合DE与PSO各自的特色鲜明的算子，以期可以提高优化算法的性能。具体操作步骤如下：
阅读全文 >
