基于M-AFSA的MPRM逻辑电路面积优化

现有基于传统智能优化算法的MPRM电路面积优化算法存在效果差的问题。由于MPRM电路面积优化属于组合优化问题，先提出一种多策略协同进化人工鱼群算法（MAFSA），该算法引入基于反向学习的种群初始化策略，以提高种群多样性及初始种群解的质量；引入觅食与追尾交互性策略，以加强人工鱼个体之间的信息交流、提高所提算法的收敛速度；引入自适应扰动策略，以增加人工鱼个体位置变异的随机性、避免所提算法陷入局部最优。此外，提出一种MPRM逻辑电路面积优化方法，利用所提算法来搜索电路面积最小的最佳极性。基于北卡罗莱纳州微电子中心（MCNC）Benchmark电路的实验结果表明：与遗传算法相比，所提算法优化电路平均面积百分比最高为57.24%，平均为39.57%；与人工鱼群算法相比，所提算法优化电路平均面积百分比最高为33.53%，平均为14.54%；与改进的人工鱼群算法相比，所提算法优化电路平均面积百分比最高为30.25%，平均为13.86%。     

基于BABFA的XNOR/OR电路面积优化

基于XNOR/OR的固定极性Reed-Muller（FPRM）电路面积优化是当前集成电路设计领域的研究热点之一。由于基于XNOR/OR的FPRM电路面积优化属于组合优化问题，提出了一种二进制自适应细菌觅食算法（BFA）。该算法在复制操作中加入概率模式，提高种群多样性，采用模糊规则对复制概率和迁移概率进行修正，提高算法的收敛速度。使细菌在邻域内进行搜索，替代细菌群体感应机制中的斥力操作，细菌无需感应其他个体位置对其的影响。提出一种基于XNOR/OR的FPRM电路面积优化方法，利用提出的二进制自适应细菌觅食算法搜索电路面积最小的FPRM电路。基于MCNC Benchmark电路的实验结果表明:面积最大优化率为18%，时间最大节省率为46%。      

基于自适应学习策略的改进鸽群优化算法

鸽群优化（PIO）算法已广泛用于无人机编队和控制参数优化等领域，但标准PIO算法容易陷入局部最优。提出了一种基于自适应学习策略的改进鸽群优化（ALPIO）算法。该算法引入了基于容差的搜索方向调整策略、基于自学习的候选者生成策略以及基于竞争学习的预测策略，通过增强种群的多样性，可提高算法全局最优概率，其已在8个基准函数上进行测试。仿真试验结果表明:所提算法在多峰函数优化问题中的收敛精度和收敛速度有了显著提升，并且能够更有效避免陷入局部最优解。      

混沌多精英鲸鱼优化算法

针对无人机（UAV）的航迹规划问题，提出了一种基于混沌多精英鲸鱼优化算法（CML-WOA）的航迹规划方法。首先，在已知飞行环境下，建立3D飞行空间模型和航迹代价模型。通过引入罚函数，将有约束3D航迹规划问题转化为无约束多维函数优化问题，利用CML-WOA求解模型来获得最优航迹。其次，为克服WOA易陷入局部最优的缺陷，引入立方映射混沌算子改善初始种群，增强种群多样性，并通过自适应框架融入正余弦算法（SCA），利用多精英搜索策略有效地提高了算法开发能力和探索能力。最后，使用贪婪策略保证了收敛效率。通过20个基准函数测试和航迹规划仿真实验对提出的改进WOA进行验证。结果表明:所提算法相对其他算法，寻优性能明显提升，具有较强局部最优规避能力和更高的收敛精度与收敛速度；能够稳定快速地规划出代价最少、满足约束的安全可行的飞行航迹。      

改进自适应人工免疫算法求解函数优化问题

为克服经典人工免疫算法（AIA）在函数优化过程中存在的计算量大、收敛精度不高和收敛速度较慢等不足，引入多个自适应免疫算子，提出了一种改进自适应人工免疫算法（IAAIA）。在经典人工免疫算法中，引入迭代次数对抗体激励度计算算子进行自适应设计，引入种群抗体平均激励度与抗体激励度对免疫选择算子、克隆算子、变异算子与克隆抑制算子进行自适应设计，提升人工免疫算法的收敛速度、收敛精度和稳定性。选择9个典型测试函数作为实验对象，同时选择4种典型人工免疫算法作为对比算法优化实验函数，对比实验结果表明了改进的自适应人工免疫算法在求解函数优化问题的有效性和优越性。      

基于混合策略的麻雀搜索算法改进及应用

针对麻雀搜索算法(SSA)搜索精度不高、全局搜索能力不强、收敛速度慢和易于陷入局部最优等问题，提出了一种基于混合策略的麻雀搜索算法(HSSA)。采用改进的Circle混沌映射初始化种群，提高种群多样性；结合樽海鞘群算法改进发现者的搜索公式，提高算法迭代前期的全局搜索能力和范围；在加入者的搜索公式中引入自适应步长因子，提高算法的局部搜索能力和收敛速度；通过镜像选择机制，提升每次迭代后的个体质量，提高算法的寻优精度和寻优速度；在位置更新处加入模拟退火机制，帮助算法跳出局部最优。利用8种测试函数进行测试，结果表明，改进算法比SSA有更好的寻优性能。将改进前后算法与极限学习机结合进行实验，人体表面肌电信号数据集的分类预测精度从80.17%提高到90.87%，证实了改进算法的可行性和良好性能。     

非线性多目标概率约束规划免疫优化算法

针对噪声信息未知的一般非线性多目标概率约束规划（MOPCP）问题，探讨基于危险理论的多目标免疫优化算法（MOIOA）。算法设计中，借助自适应采样方法估计机会约束的概率和目标值；借助危险理论蕴含的应答模式分割进化种群为已感染、易感染和未感染子群；借助二进制交叉、自适应变异概率、多项式变异策略平衡种群的全局与局部搜索能力。与7种算法相比较获得的数值结果表明，所提算法的搜索效率有明显优势且搜索效果有一定的优越性，同时对复杂工程问题有应用潜力。      

面向多星区域观测调度的改进型自适应遗传算法

针对传统优化算法在解决多星区域观测调度问题中收敛速度缓慢和易于陷入局部最优解的不足，提出了一种改进型自适应遗传算法。该算法通过蒙特卡洛方法结合Hamming距离，给出较优的初始种群；根据种群的平均Hamming距离确定交叉和变异操作的执行顺序，并结合sigmoid函数和高斯函数基于种群的个体适应度设计了自适应非线性的交叉率和变异率；结合双精英保留策略和锦标赛策略，保证最优个体的遗传；使用双重停机条件，提高算法的搜索效率。最后，通过实验表明，该方法可以显著提高全局搜索能力，加快算法的收敛速度，有效提高卫星的观测效率。     

自适应变异麻雀搜索优化算法

针对麻雀搜索算法前期易陷入局部极值点、后期寻优精度不高等问题，提出一种自适应变异麻雀搜索算法（AMSSA）。先通过猫映射混沌序列初始化种群，增强初始种群的随机性、遍历性，提高算法的全局搜索能力；再引入柯西变异和Tent混沌扰动，拓展局部搜索能力，使陷入局部极值点的个体跳出限制继续搜索；最后，提出探索者-跟随者数量自适应调整策略，利用各阶段探索者和跟随者数量的改变增强算法前期的全局搜索能力和后期的局部深度挖掘能力，提高算法的寻优精度。选取16个基准函数和Wilcoxon检验进行验证，实验结果表明：所提算法与其他算法相比，寻优精度、收敛速度和稳定性都取得较大提升。     

基于Logistic回归麻雀算法的图像分割

针对麻雀搜索算法后期种群多样性减少、易陷入局部最优解等问题,提出一种新的改进麻雀搜索算法。所提算法先引入小孔成像反向学习策略对发现者的位置进行更新,提升寻优位置的多样性;其次受Logistic模型的启发,提出一种新的自适应因子对安全阈值进行动态控制,平衡所提算法的全局搜索与局部开发的能力。通过与其他算法在6个基准函数上进行仿真对比,结果表明：所提算法的收敛精度与速度均优于其他算法。在工程应用上,用所提算法优化K-means聚类算法进行图像分割,峰值信噪比（PSNR）、结构相似性（SSIM）及特征相似性（FSIM）3种度量指标验证了其良好的分割性能。     

基于改进人工鱼群算法的无人直升机编队航迹规划

针对无人直升机（UH）编队的航迹规划问题，提出了一种基于改进人工鱼群算法（AFSA）的航迹规划算法。从邻域学习和算法特性2个角度出发，针对人工鱼群算法中的人工鱼视野模型提出了一种人工鱼自适应视野模型，并对其鱼群的进化策略在无性繁殖方式的基础上进行了改进；从规划原理、代价函数、约束条件3个方面建立了无人直升机编队航迹规划模型；针对航迹规划中普遍存在的搜索效率低、精度差等特有问题改进了所提算法的编码方式和聚类策略。利用三机编队航迹规划的算例对所提算法进行了验证，仿真结果证明，通过对人工鱼群算法的改进、航迹规划模型的建立等措施实现了良好的无人直升机编队航迹规划，同时在搜索效率、收敛速度及求解精度上都有了显著提高。      

混沌麻雀搜索优化算法

针对麻雀搜索算法(SSA)在接近全局最优时，种群多样性减少，易陷入局部最优解等问题，提出了一种混沌麻雀搜索优化算法(CSSOA)。首先，通过改进Tent混沌序列初始化种群，提高初始解的质量，增强算法的全局搜索能力。其次，引入高斯变异的方法，加强局部搜索能力，提高搜索精度；同时以搜索停滞的解为基础产生Tent混沌序列，用此混沌序列对部分陷入局部最优的个体进行混沌扰动，促使算法跳出限制继续搜索。最后，对12个基准函数进行仿真实验。结果表明:所提算法能够克服SSA易陷入局部最优的缺点，提高算法的搜索精度、收敛速度和稳定性。同时，将CSSOA应用到简单图像分割问题，验证了CSSOA应用于实际工程问题的可行性。      

基于CEA-GA的多无人机三维协同曲线航迹规划方法

针对多无人机协同航迹规划求解计算复杂度高，收敛效率差等问题，提出一种基于混沌精英适应遗传算法（CEA-GA）的多无人机三维协同曲线航迹规划方法。利用层级规划思想，建立基于单机规划层-航迹平滑层-多机协同规划层的多无人机三维协同曲线航迹层级规划模型，将复杂约束规划问题分解为子函数优化求解问题，减小计算量；考虑到遗传算法（GA）求解高维复杂约束优化问题存在的性能局限，采用Tent混沌映射均匀初始化种群，以扩大个体搜索空间，丰富种群多样性，在此基础上，通过引入自适应遗传算子平衡算法的全局搜索与局部开发能力，帮助个体跳出局部最优，并采用适应度动态更新策略进一步提高算法的局部探索能力和收敛速度。将精英保留策略引入GA以更好地保证改进算法的全局收敛性。将CEA-GA应用于模型求解，仿真实验结果表明：CEA-GA具有较强的鲁棒性、较好的寻优性能和收敛效率，且能够为集群规划满足约束条件的协同曲线航迹，从而验证了所提方法的有效性和CEA-GA的优越性。     

一种改进X-best引导个体和动态等级更新机制的鸡群算法

在群智能算法的改进中，常利用优秀个体加速算法收敛，但对其依赖过度会导致种群多样性和算法全局收敛性下降的现象。对此，提出一种改进X-best引导个体和动态等级更新机制的鸡群算法。首先，在个体更新阶段不仅引入优秀个体加速收敛，并且通过普通个体对优秀个体的影响进行适当平衡，因此，优秀个体与普通个体的信息都能得到利用，进而种群多样性和算法全局收敛性得到提升。其次，通过对等级更新参数进行动态优化，加强了种群等级更新机制对算法收敛的促进作用。最后，经过时间复杂度与收敛性分析，证明了改进算法仍具有简单性和全局收敛性。仿真结果表明:所提出的改进算法较其他对比算法在寻优精度、寻优成功率和收敛速度等方面都具有明显优势。      

单目标概率约束规划的微种群免疫优化算法

针对无先验随机分布信息的单目标概率约束规划,探讨了微种群免疫优化算法。算法设计中,受危险理论启发设计微种群免疫优化算法进化框架;借助估计值的误差幅度,提出2个方法分别估计概率值和目标值;依据个体间的优劣关系,划分群体为3个类型子群协同进化;构建生命周期模型,设计自适应的交叉与变异概率、变异策略,结合交叉算子促进子群信息有效交流,并沿不同方向协同进化。数值实验统计结果说明:所提算法拥有良好的搜索效率、搜索效果及降噪能力,具有一定的竞争力和应用潜力。      

基于Safe-PPO算法的安全优先路径规划方法

现有的路径规划算法对路径规划过程中的路径安全性问题考虑较少，并且传统的近端策略优化(PPO)算法存在一定的方差适应性问题。为解决这些问题，提出一种融合进化策略思想和安全奖励函数的安全近端策略优化(Safe-PPO)算法，所提算法以安全优先进行路径规划。采用协方差自适应调整的进化策略(CMA-ES)的思想对PPO算法进行改进，并引入危险系数与动作因子来评估路径的安全性。使用二维栅格地图进行仿真实验，采用传统的PPO算法和Safe-PPO算法进行对比；采用六足机器人在搭建的场景中进行实物实验。仿真实验结果表明：所提算法在安全优先导向的路径规划方面具有合理性与可行性：在训练时Safe-PPO算法相比传统的PPO算法收敛速度提升了18%，获得的奖励提升了5.3%；在测试时采用融合危险系数与动作因子的方案能使机器人学会选择更加安全的道路而非直观上最快速的道路。实物实验结果表明：机器人可以在现实环境中选择更加安全的路径到达目标点。     

PSO选星算法参数分析与改进

多星座组合导航提供更多的可用卫星,但也增大接收机计算复杂度,选取部分可见星代替全部可见星进行接收机位置解算成为选星算法研究的热点。粒子群优化（PSO）选星算法将PSO算法引入到选星过程中,该方法能够减少选星时间,实现北斗/GPS组合星座快速选星。研究了该算法的关键参数包括惯性权重因子、加速系数、种群大小等对PSO选星算法性能的影响,并针对搜索过程容易陷入局部最优问题,提出自适应模拟退火粒子群优化（ASAPSO）选星算法,该算法通过引入随适应值大小自适应调整进化参数及结合模拟退火算法调整粒子速度,以增强算法跳出局部极值的能力。采用实际数据对算法进行验证,结果表明:ASAPSO选星算法在保证选星时间的同时,能够提高算法搜索结果的准确性,其性能优于PSO选星算法。      

融合粗糙数据推理的离散麻雀搜索算法求解HFSP问题

针对麻雀搜索算法(SSA)易陷入局部最优、无法求解离散优化问题等不足,提出了一种改进离散麻雀搜索算法(IDSSA)。抽象原始麻雀搜索算法的位置更新公式,针对个体的不同身份设计新的离散化启发式位置更新策略,并针对混合流水车间调度问题(HFSP)设计了编码与解码方式;引入粗糙数据推理理论,通过数学证明解释了引入理论的可行性与合理性,为算法提供理论支撑,提高可解释性;利用上近似的性质扩大搜索空间,提高种群多样性,避免算法早熟,结合划分及粗糙数据推理提出3种策略,促进种群间信息共享,调节种群的开发能力与探索能力,降低算法陷入局部最优的概率;使用改进离散麻雀搜索算法求解混合流水车间调度问题,对3个小规模实例与10个Liao经典测试集进行仿真实验,验证了改进离散麻雀搜索算法求解混合流水车间调度问题的可行性,通过与遗传算法、差分进化算法等经典算法的对比实验,证明了所提算法的优越性与改进策略的有效性。     

基于子目标进化的高维多目标优化算法

多目标优化问题是工程应用中的常见问题,已有的方法在解决3个目标以上的高维优化问题时效果欠佳.如何进行有效的个体选择是求解高维多目标优化问题的关键.针对该问题,提出了求解高维多目标优化问题的子目标进化算法.从理论上证明了多目标优化问题Pareto非支配解的求取,可通过子目标函数值排序,先行选择进化种群中部分非支配解;然后,根据排序信息有选择性地比较进化种群中的元素,减少了比较次数,从而快速获得非支配解集.同时,提出归一化函数差值的Minkowski距离"k近邻"距离计算方法,在进化过程中应用到密度函数中,加速了收敛速度.同当前求解高维多目标优化的算法,在对标准测试函数的计算性能上进行比较,统计结果显示了所提算法在性能上的优势.      

基于改进蚁群算法的月面机器人的路径规划及虚拟仿真

针对月面机器人在复杂地形下的路径规划问题，提出了一种改进的蚁群算法。算法构建了栅格化地形图，基于人工势场法改进了蚁群算法的启发函数，加快了算法收敛速度；引入空间信息素划分方法，提高了蚁群在最短路径附近区域的搜索能力；实验证明，改进后的蚁群算法，路径规划成功率显著提高，收敛速度加快。在算法规划出月面机器人的最短路径后，采用虚拟仿真技术，基于unity3D构建虚拟月面环境和月球车，直观地展示了月面机器人在月面环境下的路径规划效果。