混合型人工萤火虫群优化算法及应用研究

人工萤火虫群优化(GlowwormSwarmOptimization，GSO)算法是一种新型的群智能搜索算法，源于模拟自然界中萤火虫利用荧光素求偶或寻找同伴而表现出的社会性行为。 该算法已成功应用于传感器的噪声测试、多模态函数优化、模拟机器人、多信号源跟踪与定位和有害气体泄露定位等方面，均表现出良好的性能。人工萤火虫群优化算法越来越受到人们极大地关注，逐渐成为计算智能研究领域的一个新的研究热点。虽然GSO算法在应用方面取得了较大地成功，但算法自身存在着搜索精度不高、后期收敛速度慢等缺陷。本文首先针对GSO算法搜索精度不高的缺陷，结合族群进化算法的 优良结构，将族群进化算法与GSO进行有机的结合，提出了一种具有部落结构的萤火虫群优化算法，并将之应用于函数优化，实验结果表明效果优于基本的GSO算法；其次本文针对GSO算法在运行后期收敛速度慢的缺点，根据不同种类萤火虫发出冷光光色的不同，对种群的数量方面进行改进，并将随机性更强的列维飞行应用到GSO算法中，提出了一种具有列维飞行的双种群萤火虫群优化算法。最后将改进后的算法应用于函数优化和多目标优化问题，改进后的算法优于传统的遗传算法和基本GSO算法。最后依据入侵杂草算法有许多的优点如杂草所产生的种子按正态分布的方式随机分布的父代杂草周围，这种分布方式不仅提高了全局搜索能力，同时增强了局部的搜索能力；且入侵杂草算法采用了优胜劣汰的竞争策略，淘汰了每次迭代中适应性较差的个体，提高了算法的整体性能。本文根据入侵杂草算法的这些优点，将入侵杂草算法和人工萤火虫群优化算法进行融合，提出一种入侵杂草与人工萤火虫群混合优化算法。最后将改进算法应用于约束优化问题，实验的结果证明了改进算法的有效性和可靠性。