新型群智能优化算法综述

doi:10.3778/j.issn.1002-8331.1803-0260

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (12): 1-9.DOI: 10.3778/j.issn.1002-8331.1803-0260

新型群智能优化算法综述

林诗洁1，2，董晨1，2，陈明志1，2，张凡1，2，陈景辉1，2

1.福州大学数学与计算机科学学院，福州 350116
2.福州大学网络系统信息安全福建省高校重点实验室，福州 350116

出版日期:2018-06-15 发布日期:2018-07-03

Summary of new group intelligent optimization algorithms

LIN Shijie1，2, DONG Chen1，2, CHEN Mingzhi1，2, ZHANG Fan1，2, CHEN Jinghui1，2

1.College of Mathematics and Computer Science, Fuzhou University, Fuzhou 350116, China
2.Key Laboratory of Information Security of Network Systems, Fuzhou University, Fuzhou 350116, China

Online:2018-06-15 Published:2018-07-03

摘要/Abstract

摘要： 传统群智能算法在解决复杂实际多目标优化问题中存在不足，近年来学者提出诸多新型群智能算法，适用性强，在求解复杂实际问题中取得了较好的实验效果。以算法提出时间为主线，对新型群智能算法中细菌觅食优化算法、混合蛙跳算法、人工蜂群算法、萤火虫算法、布谷鸟搜索、果蝇优化算法和头脑风暴优化算法的改进及应用进行分析和综述，并对群智能算法未来的研究发展方向进行了探讨。

关键词: 细菌觅食优化, 混合蛙跳算法, 人工蜂群算法, 萤火虫算法, 布谷鸟搜索, 果蝇优化算法, 头脑风暴优化算法

Abstract: Traditional swarm intelligent algorithms have some shortcomings in solving complex practical multi-objective optimization problems. In recent years, scholars have proposed many new swarm intelligent algorithms with strong applicability and have achieved good experimental results in solving complex practical problems. In this paper, it summarizes new swarm intelligent algorithms including Bacterial Foraging Optimization（BFO）, Shuffled Frog Leaping Algorithm（SFLA）, Artificial Bee Colony（ABC）, Glowworm Swarm Optimization（GSO）, Cuckoo Search（CS）, Fruit Fly Optimization Algorithm（FOA） and Brain Storm Optimization（BSO）. Finally, further research direction about it will be discussed.

Key words: bacterial foraging optimization, shuffled frog leaping algorithm, artificial bee colony, glowworm swarm optimization, cuckoo search, fruit fly optimization algorithm, brain storm optimization

林诗洁1，2，董晨1，2，陈明志1，2，张凡1，2，陈景辉1，2. 新型群智能优化算法综述[J]. 计算机工程与应用, 2018, 54(12): 1-9.

LIN Shijie1，2, DONG Chen1，2, CHEN Mingzhi1，2, ZHANG Fan1，2, CHEN Jinghui1，2. Summary of new group intelligent optimization algorithms[J]. Computer Engineering and Applications, 2018, 54(12): 1-9.

[1]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[2]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[3]	李雨鑫，李悦悦. 面向JIT采购的多目标车辆调度[J]. 计算机工程与应用, 2021, 57(12): 263-272.
[4]	张海南，游晓明，刘升，刘中强. 交互式学习的布谷鸟搜索算法[J]. 计算机工程与应用, 2020, 56(7): 147-154.
[5]	王龙飞，邓亮，刘萍. 基于改进果蝇优化的压电精密定位平台迟滞Bouc-Wen模型辨识[J]. 计算机工程与应用, 2020, 56(2): 242-247.
[6]	李顺东，游晓明，刘升. 结合ABC算法动态分级的双蚁态蚁群算法[J]. 计算机工程与应用, 2020, 56(12): 37-46.
[7]	黄建新，袁杰. 三维空间机器人主动嗅觉烟羽源自主定位策略[J]. 计算机工程与应用, 2020, 56(12): 223-230.
[8]	李春，高飞，王会青. 改进果蝇算法优化CIAO-LSTM网络的时序预测模型[J]. 计算机工程与应用, 2020, 56(11): 129-134.
[9]	张水平，高栋. 动态调整搜索策略的果蝇优化算法[J]. 计算机工程与应用, 2020, 56(10): 56-62.
[10]	黄建琼，郭文龙. 混合粒子群和改进细菌觅食的不平衡数据分类[J]. 计算机工程与应用, 2020, 56(10): 171-178.
[11]	张哲辰，刘三阳. 基于拓扑改进与交叉策略的萤火虫算法[J]. 计算机工程与应用, 2019, 55(7): 1-8.
[12]	信成涛，邹海. 修正浓度与适应步长的果蝇优化算法[J]. 计算机工程与应用, 2019, 55(7): 48-52.
[13]	宋晓宇，高明海，赵明. 具有自适应搜索策略的混合人工蜂群算法[J]. 计算机工程与应用, 2019, 55(22): 53-59.
[14]	浦玉学，舒鹏飞，蒋祺，陈卫中. 工业机器人时间-能量最优轨迹规划[J]. 计算机工程与应用, 2019, 55(22): 86-90.
[15]	朱丹1，邱斌1，2，肖海林1，4，倪菊3. 基于萤火虫算法的认知车载网络频谱分配[J]. 计算机工程与应用, 2019, 55(2): 67-71.

新型群智能优化算法综述

Summary of new group intelligent optimization algorithms

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics