lhn的博客

IBSO：一种改进的基于图论的脑风暴优化算法参考文献An Improved Brain Storm Optimization Algorithm Based on Graph Theory要点在IBSO中，当BSO算法处于较差状态时，将生成新的个体来替换一些旧的个体。BSO算法是否处于较差状态取决于哈密顿圈的长度，哈密顿圈的长度可以通过将所有个体转化为一个无向权图来获得。哈密顿圈及其长度将根据改进的圈算法进行计算。一、介绍本文引入图论，提出了一种改进的基于图论的BSO（IBSO）算法。在该算

OLBSO：通过正交学习设计提高头脑风暴优化的学习效率参考文献《Enhancing Learning Efficiency of Brain Storm Optimization via Orthogonal Learning Design》要点在BSO中，收敛操作利用聚类策略将种群分成多个聚类，而发散操作则利用这些聚类信息产生新的个体。然而，这一机制在规范探索和开发搜索方面效率低下。本文首先分析了影响BSO算法性能的主要因素，然后提出了一种正交学习框架来改进BSO算法的学习机制。在这个框架中

BBSO：二元头脑风暴优化的特征选择参考文献《Feature selection through binary brain storm optimization》要点使用BSO解决特征选择问题；提出脑风暴优化技术的二元约束版本；不同情景下的评估以及与具有不同转移函数的几种元启发式方法的比较；一、二元头脑风暴优化传统BSO中的解更新是在搜索空间的连续值位置上执行的。通过将搜索空间建模为一个n维布尔格，我们获得了二元脑风暴优化(BBSO)，其中解在超立方体的角上更新。因为我们的问题是定义

VNBA：一种改进的变邻域搜索全局优化蝙蝠算法参考文献《An Improved Bat Algorithm with Variable Neighborhood Search for Global Optimization》要点蝙蝠算法是受自然界蝙蝠回声定位的启发，新提出的一种生物启发的元启发式算法。但是BA可能偶尔会找不到全局最优解。本文将一种经典的搜索技术——可变邻域搜索(VNS)作为一种局部搜索工具引入到BA中。提出了一种改进的变邻域蝙蝠算法。在VNBA中，经典BA作为全局搜索工具对整个空

SSBSO-DRS：基于双轮盘赌选择的稳态脑风暴优化参考文献《Steady-State Brain Storm Optimization Using Double Roulette Selection》要点原始的BSO选择方法过于简单，需要大量的评估。为了解决这个问题，我们开发了一个带有双轮盘赌选择机制的稳态BSO。首先，提出了一种双轮盘赌选择机制，充分考虑了解之间的排序指标信息。其次，我们设计了一种改进的解聚类策略，使每个聚类的解具有相同的质量，从而防止过早收敛并减少计算负担。第三，考

OIF-BSO：一种用于多模优化问题的头脑风暴优化的优化识别框架参考文献《An optima-identified framework with brain storm optimization for multimodal optimization problems》要点多模态优化问题(multimodal optimization problem, MMOPs)的两个关键问题是定位多个最优解并维护这些已识别的解。针对这两个问题，本文提出了一种结合头脑风暴优化(BSO)算法的优化识别框架(OI

BBO：基于生物地理学的优化参考文献《Biogeography-Based Optimization》一、介绍生物地理学的数学模型描述了物种如何从一个岛屿迁移到另一个岛屿，新物种如何产生，以及物种如何灭绝。这里的“岛屿”一词是描述性的，而不是字面上的。也就是说，岛屿是地理上与其他栖息地隔离的任何栖息地。在本文中使用了更通用的术语“栖息地”。非常适合生物物种居住的地理区域具有很高的栖息地适宜性指数(HSI)。与HSI相关的特征包括降雨、植被多样性、地形特征多样性、陆地面积和温度等因素。表征可居住性

GBSO：全局最优头脑风暴优化算法参考文献《Global-best brain storm optimization algorithm》要点提议引入一个全局最优，结合每次变量更新和基于适应度的分组来提高BSO的性能。此外，该算法还引入了一种由种群当前状态触发的重新初始化方案。提议的GBSO1、基于适应度的分组在分组阶段，根据想法的适应度对其进行排序，并进行分组，以确保好的和坏的想法在不同的组中平均分配。2、每次变量更新提出的方法中，多个想法有助于产生新的想法，允许种群个体之间的更多

基于不确定性信息的脑风暴优化模型参考文献《Brain Storm Optimization Model Based on Uncertainty Information》要点本文基于不确定性信息提出了一种改进的头脑风暴优化。它采用亲和传播聚类而不是K-means聚类。同时，通过借用云滴算法的思想来引入组合多聚类信息的创建算子。所提出的头脑风暴优化是通过挖掘和利用候选解​​的不确定信息来提取特征，不需要设置聚类的数量。一、亲和传播聚类亲和传播（AP）算法是一种基于消息传递技术的新型聚类方法。

RPBSO：带有角色扮演策略的BSO参考文献《Enhanced Brain Storm Optimization with Role-playing Strategy》要点在RPBSO中，采用角色扮演策略来分类想法，并且利用想法差异策略来产生新的想法。为了维持想法的多样性并防止陷入局部最佳，还采用重新初始化操作。提议的RPBSO头脑风暴过程中的参与者扮演三种类型的角色。第一种类型的角色是创新的人第二种类型是更保守的人第三种类型是普通人这三种类型的人通过头脑风暴过程提出的想法是创新

IRGBSO：重初始化思想和自适应步长头脑风暴优化算法参考文献《Brain Storm Optimization Algorithm with Re-initialized Ideas and Adaptive Step Size》要点通过引入由当前种群的重新初始化机制提高BSO的性能。提议修改步长方程，以便考虑搜索空间大小。一、原始BSO算法详见：BSO二、改进的BSO算法BSO算法的一个缺点是如果已经收敛，则无法将新想法注入种群。本文中用ABC的想法来评估种群成员的停滞。每个

BSO-OS：目标空间中的头脑风暴优化算法参考文献《Brain Storm Optimization Algorithm in Objective Space》要点在原始的BSO中，聚类过程中的距离计算非常耗时。本文提出了一种新的收敛运算，该运算将在一维目标空间而不是解空间中实现。其计算时间将仅取决于总体大小，而不取决于问题的维度，因此，可以节省大量的计算时间，这使其具有良好的可伸缩性。一、目标空间中的头脑风暴优化A、原始的头脑风暴优化算法详见：BSOB、BSO-OS本文中，在一维目

ASBSO：具有灵活搜索长度和基于记忆选择的改进头脑风暴优化参考文献《ASBSO: An Improved Brain Storm Optimization With Flexible Search Length and Memory-Based Selection》要点本文提议将适应步长结构与成功的记忆选择策略结合到BSO中。所提出的方法是基于记忆选择的适应步长的BSO，即ASBSO，它用多个步长来修改新解的生成过程，从而根据相应的问题和收敛周期提供了灵活的搜索。该新颖的记忆机制能够评估和存储

MBSO：改进的头脑风暴优化算法参考文献《A Modified Brain Storm Optimization》要点BSO通常使用分组，替换和创建来产生尽可能多的想法，以逐代解决问题的全局最优。改进的BSO（MBSO）的第一个改进点是，它在分组运算中使用一种简单分组方法（SGM）而不是聚类方法，来减少算法的计算负担。第二个改进点是MBSO在创建运算中使用一种创新想法差异策略（IDS），而不是高斯随机策略。IDS不仅包含开放思想的元素，可以避免想法被局部最优所困，而且还可以与搜索环境相匹

BSO：头脑风暴优化算法-综述参考文献《Brain storm optimization algorithm: a review》一、介绍群智能算法应具有两种能力：学习能力和开发能力。开发能力侧重于将算法的搜索移至可能存在更高搜索潜力的区域，而学习能力则侧重于从当前解中精确搜索基于单点的优化算法，并从当前种群中进行基于群体的群体智能算法的搜索。开发能力是一种顶层学习或宏观学习方法。它描述了一种算法的学习能力，可以根据要解决的问题的搜索状态来自适应地更改其参数、结构和学习潜力。换句话说，开发能