为了进一步提高量子行为粒子群优化(QPSO) 算法的全局收敛性能, 有效改善算法中存在的粒子早熟问题,提出一种基于完全学习策略的改进QPSO 算法(CLQPSO). 该学习策略改变了QPSO 中局部吸引子的更新方式, 充分利用了种群的社会信息. 采用8 个测试函数对算法性能进行比较分析. 实验结果表明, 所提出的改进算法不仅收敛速度快, 而且全局收敛能力好, 收敛精度优于PSO 算法和QPSO 算法.
提出一种定向多尺度变异克隆选择优化算法. 为了实现抗体间信息共享, 算法利用定向进化机制引导抗体向着抗体群最优解区域逼近. 采用多尺度高斯变异机制, 在算法初期利用大尺度振荡变异实现了全局最优解空间的快速定位. 随着适应值的提升, 小尺度变异会随之减低, 使得算法在进化后期通过小尺度变异完成局部精确解的搜索. 将算法应用到5 个经典函数优化问题, 结果表明, 该算法不仅具有更快的收敛速度, 而且全局解搜索能力和稳定性均有显著提高.