基于探索能力和开发能力的智能算法设计.pdf

智能算法在信息技术领域中扮演着至关重要的角色，它们模拟自然界的生物行为或现象，通过随机优化来解决复杂的计算问题。本文主要关注如何提升智能算法的探索能力和开发能力，以克服早熟收敛和停滞问题，特别是在处理复杂优化问题时。文章分别对猴群算法和差分进化算法进行了改进，并提出了一种全新的智能算法——联合作战算法。 对于猴群算法，研究者引入了自组织分层结构和时变参数的概念，旨在增强算法的优化性能。通过对个体适应值和空间边界的利用，重新设计了猴群算法的“爬”、“望”和“跳”操作，加入了选择、替换和排斥算子。通过分层结构组织算法的核心操作，并利用自组织机制协调这些操作的执行。此外，将多个固定参数替换为一个时变参数，简化了算法的参数设置，增强了其适用性。实验结果显示，改进后的猴群算法在性能上显著优于原算法及七种其他智能算法。 针对差分进化算法，研究者提出了一种基于高斯变异和动态参数的改进方案。他们设计了新的高斯变异算子，改进了典型变异算子，并利用累计分值信息制定了变异算子间的协作规则。通过余弦函数和高斯函数动态调整缩放因子和交叉概率，增强了算法的局部开发能力。实验结果证明，改进后的差分进化算法优于五种变型以及两种优秀的群智能算法。 再者，为了解决差分进化算法的优化性能问题，研究者设计了一种包含再初始化策略和优化空间调整策略的改善机制。再初始化策略根据种群的优化状态和交叉算子进行，旨在恢复算法的全局探索能力；优化空间调整策略利用最优个体信息和动态参数，防止过度探索。这种改善机制具有通用性，可方便地应用于各种差分进化算法。实验显示，这种改善机制能够有效提升多种差分进化算法的性能。 研究人员受军事理论中的联合作战策略启发，创建了一种新型智能算法——联合作战算法。此算法结合了精英个体信息和优化空间的动态调整，设计了探索新区域的“攻击”操作，开发局部区域的“防御”操作，以及恢复种群多样性的“整编”操作。在多个大规模复杂优化问题上的实验验证，联合作战算法在性能上超越了六种表现优异的智能算法。 该研究通过深入探讨智能算法的探索与开发能力平衡，提出了一系列创新的改进措施，有效提升了智能算法在应对复杂优化问题时的性能。这些改进不仅适用于特定的算法，如猴群算法和差分进化算法，而且可以作为通用策略融入其他优化算法中，对于未来智能算法的设计与优化提供了新的思路和方法。