改进的混合蛙跳算法及其多目标优化的应用研究

混合型蛙跳算法及其应用研究许金元【期刊名称】《计算机应用研究》【年(卷),期】2011(28)8【摘要】To improve the ability of frog-leaping algorithm to solve function optimization problems, proposed a novel efficiently shuffled frog-leaping algorithm. In order to test and verify the ability of proposed algorithm for solving the function optimization problems, compared the performanfce of proposed algorithm with simple frog-leaping algorithm. The experimental results show that calculation result and the convergence speed of proposed algorithm of ESFLA ares superior to simple frog-leaping algorithm, so the proposed algorithm is more suitable for solving complex unconstrained optimization problems.%为了提高蛙跳算法求解无约束连续优化问题的能力,提出了一种改进型混合蛙跳算法.为验证该算法求解函数优化问题的高效性,将其与基本蛙跳算法进行比较实验,结果表明该算法的解精度及收敛速度均优于基本蛙跳算法,更适用于求解复杂的无约束连续优化问题.【总页数】3页(P2835-2837)【作者】许金元【作者单位】湖南机电职业技术学院,长沙410151【正文语种】中文【中图分类】TP18【相关文献】1.混合型蚁群算法及其应用研究 [J], 许梁海;倪志伟;赖大荣2.和声蛙跳算法在复杂优化问题中的应用研究 [J], 肖文显;王俊阁;马孝琴3.混合型神经网络模型算法和应用研究 [J], 周金荣;黄道4.基于混合蛙跳算法的灌溉制度寻优应用研究 [J], 康立军;张仁陟;吴丽丽5.基于蚁群算法和蛙跳算法的云计算资源调度算法 [J], 郭琪瑶;朱范德因版权原因，仅展示原文概要，查看原文内容请购买。

混合蛙跳算法的改进及在旋转机械故障诊断中的应用研究机械故障诊断学是识别机器或机组运行状态的科学,其核心是有效地获取、传递、处理、再生和利用诊断信息,从而具备对给定环境下诊断对象进行准确的状态识别和诊断决策的能力,对于保障设备安全运行意义重大。

目前,随着机械设备工作状况的复杂性、结构大型化以及功能的集成化和自动化的发展,如何从这些设备中提取有效信息,判定设备的运行状态并对所发生的故障进行准确诊断,对于现有的故障诊断方法提出了新的考验。

本论文针对目前在机械设备故障诊断中的一些难题,将新型的群智能算法—混合蛙跳算法与改进算法的相关理论应用于机械故障诊断中,从“智能优化”处理的角度,完成了对诊断系统中传感器优化布置、神经网络模型的参数优化及无监督类机器学习中代价函数和聚类数的智能求解。

论文主要工作如下：(1)在分析混合蛙跳算法相关概念和数学模型的基础上,通过简化的青蛙个体更新模型,以z变换为数学工具对最差青蛙的动态行为进行分析,理论上证明了其局部收敛性和全局收敛性；结合Markov模型以及算法期望收敛时间的相关概念,完成了对混合蛙跳算法的收敛速度理论分析以及算法本身的复杂度分析,完善了混合蛙跳算法的部分理论；以单因素方差分析法为数学工具,首次全面分析了算法中的5个基本参数与算法性能之间的联系,以及其参数的效能问题,结合实验数据,得到SFLA参数设置对算法的影响规律；(2)提出了一种基于交叉和变异运算的离散型混合蛙跳算法,该算法在最差青蛙进行更新时,通过交叉运算得到平均最优青蛙,将其与最差青蛙的汉明距离的大小作为其是否变异运算的依据,仿真试验证明,该算法可有效地解决了标准混合蛙跳算法在求解0-1变量类型的函数时的不足；通过建立基于系统测试可靠性的和故障-传感器因果矩阵的传感器网络优化的数学模型,解决了针对齿轮箱故障诊断时传感器的测点位置和数量的智能优化选择,计算结果不仅表明了新算法的优越性,也可为其它NP难问题提供技术支持;(3)提出了一种基于混沌思想和收敛因于的连续型混合蛙跳算法。

求解多目标优化问题的自适应混沌混合蛙跳算法田祎【期刊名称】《计算机应用与软件》【年(卷),期】2015(32)6【摘要】针对多目标优化问题提出一种自适应混沌混合蛙跳算法 MACSFLA （Adaptive chaos shuffled frog leaping algorithm for mul-tiobjective optimization）。

使用动态权重因子策略以提高混合蛙跳算法 SFLA（Shuffled Frog Leaping Algorithm）收敛效率，引入基于 Pa-reto 支配能力的 SFLA 子族群划分策略，使得 SFLA 能够应用于多目标优化问题。

在此基础上，MACSFLA 首先利用 SFLA 快速寻优能力接近理论 Pareto 最优解，然后采用自适应网格密度机制动态维护外部存储器 Pareto 最优解规模，并使用自适应混沌优化技术改善Pareto 最优解集样本多样性，最后利用 Pareto 最优解选择策略为青蛙种群选择最优更新粒子。

多目标函数测试实验结果表明，与MOPSO 和 NSGA-Ⅱ相比，MACSFLA 在 Pareto 最优解集均匀性和多样性上有明显优势。

%We propose an adaptive chaos shuffled frog leaping algorithm (MACSFLA)for multi-objective optimisation problem.It uses dy-namic weighting factor strategy to improve the convergence efficiency of shuffled frog leaping algorithm (SFLA),and introduces Pareto control capability-based SFLA sub-ethnic partition strategy to make SFLA be able to apply to multi-objective optimisation.On this basis,MACSFLA first employs fast search ability of SFLA to approach the optimal solutions of theoretical Pareto,and then uses adaptive grid density mechanism to dynamically maintain the scale ofoptimal Pareto solution of external memoriser,and uses adaptive chaos optimisation technology to improve the sample diversity of optimal Pareto solution.Finally,it uses optimal Pareto solution selection strategy to select more update particles for frog populations.Results of multi-objective function test experiment show that,compared with MOPSO and NSGA-Ⅱ,MACSFLA has evident ad-vantages in uniformity and diversity of optimal Pareto solution set.【总页数】4页(P252-255)【作者】田祎【作者单位】商洛学院陕西商洛 726000【正文语种】中文【中图分类】TP18【相关文献】1.变异自适应混沌粒子群算法求解线性超定方程 [J], 张成兴2.机器人逆运动学差分自适应混沌粒子群求解 [J], 谢宏;向启均;陈海滨;张小刚;杨鹏;张爱林;李云峰3.求解多目标优化问题的自适应粒子群算法 [J], 文瑛;廖伟志;闭应洲4.一种新的基于logistic混沌映像的自适应混沌蚁群优化算法求解动态车辆路径问题 [J], 徐洪丽;钱旭;岳训;马长安;刘康5.求解约束优化问题的自适应免疫混合蛙跳算法 [J], 潘学因版权原因，仅展示原文概要，查看原文内容请购买。

一种改进的混合蛙跳算法赵红星;常小刚【摘要】针对混合蛙跳算法后期收敛速度慢、精度低并易陷入局部最优的问题,提出一种改进的混合蛙跳算法.在改进的混合蛙跳算法中,对青蛙的觅食机制和进化迭代公式重新定义,青蛙的第一跳向模因组其它青蛙单维搜索,第二跳向模因组内最优青蛙单维搜索,第三跳向全局最优青蛙单维搜索,通过青蛙的三跳协同搜索,能够使算法的全局搜索能力和局部搜索能力得到显著改善.通过7个测试函数与ABC算法和标准混合蛙跳算法实验对比,实验结果表明改进的混合蛙跳算法具有比ABC算法和混合蛙跳算法更优秀的搜索性能,在收敛速度和收敛精度方面具有明显的优势.%To solve the problem of slow convergence speed,low precision and easy to fall into local optimum of SFLA algorithm,an improved shuffled frog leaping algorithm (BCSFLA) is proposed.The searching mechanism and the evolutionary iteration formula of frogs are redefined.In the frog's first and second jump search,it's learning toward the other frogs and the optimal frog in the model group,and in the frog's third jump search,it's learning toward the global optimal frog.Through the cooperation of the three jump search,the global search ability and local search ability of the algorithm are improved significantly.Experiments are conducted on a set of 7 benchmark functions and compared with ABC algorithm and SFLAalgorithm.Finally,the result demonstrates a good performance of BCSFLA algorithm.【期刊名称】《兰州交通大学学报》【年(卷),期】2017(036)001【总页数】6页(P51-56)【关键词】混合蛙跳算法;人工蜂群算法;全局搜索;函数优化【作者】赵红星;常小刚【作者单位】兰州交通大学交通运输学院,甘肃兰州 730070;兰州交通大学现代信息技术与教育中心,甘肃兰州 730070;兰州交通大学现代信息技术与教育中心,甘肃兰州 730070【正文语种】中文【中图分类】TP301.6混合蛙跳算法(shuffled frog leaping algorithm,SFLA)[1]是Eusuff和Lansty依据群智能思想于2000年提出的一种亚启发式算法，该算法结合了模因算法(MA)[2]和粒子群算法(particle swarm optimization,PSO)[3]的优点，通过模拟青蛙群体的觅食过程，以局部搜索和全局信息交流的方式，在搜索范围内寻找最优解.SFLA因算法简单、易于理解、控制参数少且具有相对较优的搜索能力而得到了学者的广泛关注.文献[4]建立了SFLA的Markov链数学分析模型.文献[5]将人工鱼群算法(artificial bee colony algorithm,ABC)与SFLA结合提出了混合算法CSFLA(composite shuffled frog leaping algorithm).文献[6] 改进了SFLA的进化计算公式，使进化计算受到模因组内的最优个体、全局最优个体和干扰因子三者共同的影响，并成功解决了无线传感网的定位问题.文献[7]提出了基于惯性因子的SFLA.文献[8]将自适应粒子群(SAPSO)算法与SFLA相互结合，成功解决了配电网的重构问题.文献[9]将幂律极值动力学优化与SFLA融合，分析了容量约束车辆路径问题，并通过实例证明了算法的有效性.文献[10]引入模拟退火(SA)、免疫接种(IV)、高斯变异和混沌扰动算子以提高SFLA算法的深度搜索能力和广度搜索能力，改进后的SFLA算法成功优化了支持向量机(SVM)的参数.针对SFLA的全局收搜索能力和深度搜索能力的不足之处，提出了一种改进的混合蛙跳算法(bee colony shuffled frog leaping algorithm,BCSFLA)，在BCSFLA的寻优过程中，结合了人工蜂群算法的单维搜索机制，并且根据模因组的最坏青蛙进化情况决定是否由模因组的最优青蛙进行精细化搜索，通过对青蛙觅食过程的重新定义，使BCSFLA的全局搜索能力和精度搜索能力同时得到提高.利用7个60维的测试函数，进行了BCSFLA、ABC、SFLA的计算试验对比，结果表明BCSFLA在函数优化方面具有比ABC和SFLA更明显的优势.SFLA是模拟青蛙觅食过程中的信息交流特点在SFLA中，每个模因组的局部搜索首先是由该模因组的最坏青蛙在该模因组的最优青蛙或者全局最优青蛙的启发下计算进化，如果产生的新个体优于该模因组的最坏青蛙，则利用新个体代替该模因组的最坏青蛙，在下一次计算时，新的最坏青蛙必然优于之前的最坏青蛙，经过多次计算，从而使整个模因组实现进化.如果该模因组的最坏青蛙在进化计算时产生的新个体不优于当前的最坏青蛙，则在搜索范围内随机产生新个体代替当前的最坏青蛙，从而拓展了算法的全局搜索能力.在标准的SFLA算法中，青蛙的第一跳和第二跳是由模因组最坏青蛙向该模因组最优青蛙或者全局最优青蛙方向搜索，在算法的后期，如果部分较优秀的青蛙始终保持不变，将导致整个群体只向少部分较为优秀的青蛙方向搜索，从而使算法的广度搜索能力有所减弱.同时，随着算法的不断进化，模因组的最坏青蛙本身也携带了较为优秀的信息，此时模因组内的最坏青蛙很难通过前两跳得到改善，那么青蛙的第三跳将对模因组最坏青蛙随机处理，便不可避免地使最坏青蛙出现退化现象，影响了算法的搜索速度和搜索深度.为了提高蛙群的全局搜索能力，青蛙在第一跳的时候可以利用模因组内其它青蛙的启发信息，使模因组最坏青蛙可以朝着多个方向搜索.同时，为了使蛙群的整体质量得到快速提高，可以规定青蛙的第二跳向所在模因组内的最优青蛙学习，通过最坏青蛙的不断改善，将使模因组内的所有青蛙质量得到快速提高.在标准的SFLA 中，所有的搜索都是由模因组最坏青蛙完成的，缺乏对优秀个体周围充分的精细化搜索，使后期收敛速度慢. 故此，青蛙的第三跳可以由模因组最优个体进行精细化搜索，使算法的深度搜索能力得到提高.同时，为了避免BCSFLA在搜索时由于迭代空间过大，降低搜索性能，特借鉴了ABC的单维度计算方法，使BCSFLA以较小的搜索范围进行寻优迭代，进一步保证了算法的精细化搜索能力.BCSFLA的详细流程如图2所示.在BCSFLA算法的蛙群寻优过程中，青蛙的第一跳操作如果可以改善当前最坏青蛙，则算法直接进行下一次局部搜索判断，如果通过青蛙的第一跳操作没有使最坏青蛙得到改善，说明此时倾向广度搜索操作难以找到更加优秀的个体，则此时由最坏青蛙向模因组的最优青蛙方向搜索，以达到快速提高群体的整体质量的目的，如果此时最坏青蛙得到了改善，则进入下一次的局部搜索判断，否则青蛙进入第三跳操作，在第三跳的操作过程中，说明当前模因组的整体质量很难由最坏青蛙的搜索而得到改善，则此时应该由当前模因组内的最优青蛙进行精细化搜索，从而提高算法的搜索深度.在以上蛙群搜索过程中，青蛙的第一跳操作可以保证算法有较强的全局搜索能力，而第二跳操作可以快速改善蛙群的整体质量，使得第三跳精细化搜索更加高效.BCSFLA是通过分析SFLA的寻优进程，在SFLA算法框架基础之上结合人工蜂群算法的寻优机制，从而对SFLA的进化计算公式进行了重新定义.SFLA算法时间和空间复杂度分别为O(M×N×D×G)和O(M×N×D)，其中：M为模因组个数；N 为每个模因组个体数；D为优化问题维度；G为算法全局迭代次数.BCSFLA相对只是更改了SFLA算法的进化计算公式，由原来的D维变成了单维计算，并且在单维计算中只是参照了人工蜂群算法的进化策略，并未影响SFLA算法的时间复杂度和空间复杂度.因此，BCSFLA算法基本未增加运算时间和空间开销.为了测试BCSFLA的收敛性能，本文选用文献[11-13]中的7个60维的测试函数进行实验分析.各函数的表达式、搜索范围以及理论最优值如表1所列.同时，为了验证BCSFLA的性能优势，选择具有比遗传算法(genetic algorithm,GA)、PSO、差分算法(differential evolution algorithm, DE)更具优势的ABC[13-14]，以及标准SFLA算法进行性能对比，各算法的参数设置如下：BCSFLA：蛙群大小SN=100，模因组个数M=10，每个模因组包含青蛙个数N=10，模因组的局部搜索次数l=10；ABC算法：蜂群大小SN=100，参照文献[15]设置lim it=0.3×SN×D，D为具体问题的搜索维度；SFLA：蛙群大小SN=100，模因组个数M=10，每个模因组包含青蛙个数N=10，模因组的局部搜索次数l=10.三种算法搜索的终止条件为全局迭代次数G=3 000，所有实验均在内存为4 Gbyte，处理器Intel(R)Core i5-3750 3.40 GHz计算机上，采用VC++6.0实现. 为了使实验结果更加客观，使所有实验独立运行30次，统计30次实验结果的平均值和方差如表2所列.从表2的实验结果可以看出，在优化函数f3和f5时，BCSFLA和ABC同时获得了全局最优解，而在其它函数优化实验中，BCSFLA具有比ABC和SFLA更优秀的结果，而且优势较为明显.这是由于在进化计算时，青蛙的第一跳搜索侧重于广度搜索，能够增强算法的全局搜索能力，青蛙的第二跳搜索能够使模因组内的所有青蛙得到快速改善，从而改善了群体的整体质量，青蛙的第三跳则使蛙群具有了精细化搜索能力，通过模因组内的最优青蛙向全局最优青蛙的学习，使算法的收敛精度得到了有效提高.同时，从实验结果可以看出，ABC比SFLA更具优势，ABC算法通过雇佣蜂和侦察蜂的搜索提升了算法的全局搜索能力，而观察蜂更加倾向于选择优秀个体进化，提高了算法的深度搜索能力.在SFLA中，算法的搜索总是由模因组内的最坏青蛙向模因组内最优青蛙和全局最优青蛙学习，或者进行随机搜索，导致了算法的搜索性能低下.为了比较三种算法对各函数随迭代次数的收敛速度，三种算法对各函数30次收敛的平均过程如图3所示.从三种算法对各函数30次收敛的平均过程可以看出，BCSFLA随迭代次数的变化，总能够以较快的速度发现比ABC算法和SFLA更好的解，这是因为BCSFLA通过青蛙的三跳操作，有效地均衡了算法的全局搜索和深度搜索机会，在提升算法的搜索覆盖范围的同时，能够开发部分优秀青蛙的领域，减少了青蛙学习的方向的盲目性，借鉴ABC算法的进化计算公式，提高了青蛙能够以更高的效率向其它优秀青蛙进行学习.针对SFLA全局搜索能力和深度搜索能力的不足，提出了BCSFLA，重新定义了青蛙的三跳寻优机制，通过青蛙三跳搜索的互相协作，均衡了算法的全局搜索和深度搜索机会.通过常用的7个60维测试函数的试验对比分析表明：BCSFLA在函数优化方面具有比ABC和SFLA更好的收敛性能.。