猫群优化算法:一个调查和绩效评估

文摘

本文深入调查和性能评价的猫群优化算法(方案)。方案是一个健壮且强大的metaheuristic群优化方法,收到了很积极的反馈,因为它的出现。它已经解决许多优化问题,引入了许多变体。然而,文学缺乏详细的调查或绩效评估在这方面。因此,本文试图审查所有这些作品,包括它的发展和应用,并相应地集团。此外,全封闭古典23日基准测试函数和10现代基准函数2019 (CEC)。结果对三个小说,然后比较强大的优化算法,即蜻蜓算法(DA),蝴蝶优化算法(BOA),和健身相关的优化器(FDO)。这些算法然后排名根据弗里德曼测试,结果表明,方案中位列第一。最后,采用统计的方法进一步确认方案算法的表现。

1。介绍

优化选择最优解的过程对于一个给定的问题在许多可选解决方案。这个过程的一个关键问题是许多现实问题的搜索空间的巨大,它是不可行的所有解决方案是在合理的时间检查。产品表面算法随机方法,旨在解决这些类型的优化问题。他们通常把一些确定性和随机性迭代技术,然后比较数量直到找到一个令人满意的解决方案。这些算法可以分为trajectory-based和以人群为基础的类(1]。在trajectory-based类型,如模拟退火算法(2),只有一个代理搜索在搜索空间中寻找最优解,而在以人群为基础的算法,也称为群体智慧,如粒子群优化(PSO) (3),搜索和多个代理相互通信以分散的方式来找到最优解。代理通常在两个阶段,即勘探和开发。在第一个,他们将在全球范围内找到有前途的领域,而在第二个,他们在本地搜索发现到目前为止在那些有前途的领域找到更好的解决方案。这两个阶段之间的权衡,在任何算法,非常重要,因为偏压对勘探或开采会降低整体性能和产生不良的结果1]。因此,超过数以百计的群体智能算法研究人员提出了实现这一平衡,为现有的优化问题提供更好的解决方案。

猫群优化(方案)是一种群体智能算法,最初是由楚等人在2006年发明的(4,5]。受到猫的自然行为,它有一个新技术在建模勘探开发阶段。它已经成功地应用于各种优化领域的科学与工程。然而,文献缺乏最近和这个算法的详细审查。此外,自2006年以来,社会没有对小说算法相比,即。,it has been mostly compared with PSO algorithm while many new algorithms have been introduced since then. So, a question, which arises, is whether CSO competes with the novel algorithms or not? Therefore, experimenting CSO on a wider range of test functions and comparing it with new and robust algorithms will further reveal the potential of the algorithm. As a result, the aims of this paper are as follows: firstly, provide a comprehensive and detailed review of the state of art of CSO algorithm (see Figure1),它显示了通用框架进行调查;其次,评价现代metaheuristic方案算法对算法的性能。这些应该大大帮助研究人员进一步研究领域的发展和应用。

剩下的纸是组织如下。部分2介绍了原始算法及其数学模型。部分3致力于审查所有的修改版本和方案的变体。部分4总结了杂交方案算法与安和其他non-metaheuristic方法。部分5提出了应用程序的算法和组根据他们的纪律。部分6提供绩效评估,方案比较与蜻蜓算法(DA) (6),蝴蝶优化算法(BOA) [7),和健身相关的优化器(FDO) [8]。最后,部分7提供的结论和未来的发展方向。

2。原来猫群优化算法

原来的猫群优化是一个连续和简略算法(4,5]。它是受休息和追踪猫的行为。猫似乎是懒惰的,大部分时间都休息。然而,在他们休息,他们的意识非常高和非常意识到周围正在发生的事情。如此,他们不断观察周围环境智能和刻意,当他们看到一个目标,他们开始朝着它迅速。因此,方案建模算法是基于结合这两个猫的主要行为。

方案算法由两种模式,即跟踪和寻找模式。每个猫代表一个解集,都有自己的位置,一个健身价值,一个旗帜。M的位置是由搜索空间维度,每个维度都有它自己的速度;健身价值描述了如何解集(cat);最后,国旗是猫到寻求或跟踪模式进行分类。因此,我们应该首先指定有多少猫应该从事通过算法迭代和运行它们。最好的猫在每个迭代中保存到内存中,并在最后一次迭代中一个代表最终的解决方案。

2.1。总体结构的算法

该算法需要以下步骤为了寻找最优的解决方案:(1)指定解决方案集的上界和下界。(2)随机生成N猫(解决方案集)和他们的传播米维空间中的每个猫有一个随机的速度值不大于一个预定义的最大速度值。(3)随机分类猫先生为寻找和跟踪模式。先生是一个混合比例,选择在[0,1]区间。所以,例如,如果一个猫的数量N等于10,设置为0.2,那么8只猫将随机选择通过寻找模式和其他2猫会通过跟踪模式。(4)评估所有猫的健身价值根据domain-specified适应度函数。接下来,选择最好的猫并保存到内存中。(5)猫然后寻求或跟踪模式。(6)猫走后寻求或跟踪模式,在接下来的迭代中,随机分配猫寻求或跟踪模式基于先生。(7)检查终止条件;如果满意;终止程序;否则,重复步骤4到步骤6。

2.2。寻求模式

这种模式模仿猫的休息行为,扮演重要角色四个基本参数:寻求内存池(SMP),寻求一系列选择的维度(阶跃恢复二极管),项维度改变(CDC),和近程考虑(SPC)。这些值都是调优和定义的用户通过试错法。

SMP指定为猫寻找内存的大小,即。,it defines number of candidate positions in which one of them is going to be chosen by the cat to go to, for example, if SMP was set to 5, then for each and every cat, 5 new random positions will be generated and one of them will be selected to be the next position of the cat. How to randomize the new positions will depend on the other two parameters that are CDC and SRD. CDC defines how many dimensions to be modified which is in the interval of [0, 1]. For example, if the search space has 5 dimensions and CDC is set to 0.2, then for each cat, four random dimensions out of the five need to be modified and the other one stays the same. SRD is the mutative ratio for the selected dimensions, i.e., it defines the amount of mutation and modifications for those dimensions that were selected by CDC. Finally, SPC is a Boolean value, which specifies whether the current position of a cat will be selected as a candidate position for the next iteration or not. So, for example, if the SPC flag is set to true, then for each cat, we need to generate (SMP-1) number of candidates instead of SMP number as the current position is considered as one of them. Seeking mode steps are as follows:(1)使SMP的当前位置的猫_k。(2)对于每个副本,随机选择多达疾控中心尺寸突变。此外,随机添加或减去阶跃恢复二极管值从当前值,而取代旧的位置所示以下方程: 在哪里Xjd_老当前位置;Xjd_新是下一个位置;j表示一只猫的数量,d表示维度;兰德是一个随机数在[0,1]区间。(3)评估健康值(FS)的所有候选人的立场。(4)基于概率,选择一个候选人的指向是下一个地位较高的候选点FS的猫有更多选择机会见方程(2)。然而,如果所有健身值相等,那么设置所有选择每个候选点的概率是1。

如果目标是最小化,然后FS_b= FS_马克斯;否则,FS_b= FS_最小值。

2.3。跟踪模式

这种模式复制猫的跟踪行为。第一次迭代,随机速度值给猫的所有维度的地位。然而,对于以后的步骤,需要更新速度值。移动猫在这种模式下如下:(1)更新速度(V_k,维根据方程()的所有尺寸3)。(2)如果速度值超过最大值,然后它等于最大速度。 (3)更新的猫_k根据以下方程:

参见图2回顾整个算法的图。

3所示。变异的方案

在前面的小节中,原来的方案是覆盖;本节简要介绍其他变体在文献中发现的方案。变异可能包括以下几点:二进制或多目标版本的算法,改变参数,改变步骤,修改结构的算法,与其他算法或组合。参考表1总结了这些修改和他们的结果。

3.1。离散二进制猫群优化算法(BCSO)

Sharafi等人介绍了BCSO算法的二进制版本方案(9]。寻找模式的阶跃恢复二极管参数已经被另一个取代参数称为突变操作(PMO)的概率。然而,寻找模式的程序步骤和其他三个参数保持不变。因此,选择尺寸使用CDC然后PMO会被应用。在跟踪模式中,速度和位置的计算方程也变成了一种新形式,在新位置向量组成的二进制数字从当前位置向量或全球位置向量(最好的位置向量)。两个速度矢量也定义为了决定哪些向量(当前或全球)可供选择。

3.2。多目标猫群优化(MOCSO)

普拉丹猫和熊猫提出多目标群优化(MOCSO)通过扩展方案解决多目标问题[10]。MOCSO结合外部存档和帕累托统治地位的概念来处理nondominated解决方案。

3.3。并行猫群优化(PCSO)

蔡和潘引入并行猫群优化(PCSO) [11]。该算法改进方案算法通过消除最糟糕的解决方案。为了实现这一点,他们首先把猫到子组,即。亚种群。猫在寻求模式移动原算法。然而,在跟踪模式,为每个子群,最好的猫将被保存到内存中,并将被认为是当地最好的。此外,猫朝着当地最好的而不是全球最好的。然后,在每组中,猫是分类根据其适应度函数从最好到最差。这个过程将持续的迭代次数,由一个参数指定称为电解珩磨(一个阈值来定义当交换组)的信息。例如,如果决定= 20,然后每隔20迭代,坏的猫的子组交换信息将被随机选择当地取代另一组。这些修改算法,计算速度更快,更准确性当迭代的数量少,人口规模很小。

3.4。集群方案

Santosa和Ningrum改善集群的方案算法和应用它的目的(12]。的主要目标是利用全封闭集群数据和找到最好的集群中心。他们所做的修改是两个要点:首先,将混合比例(先生),因此迫使所有的猫去通过寻找和跟踪模式。这是旨在缩短所需的时间找到最好的集群中心。其次,总是疾控中心值设置为100%,而不是80%,在最初的方案中,为了改变所有维度的候选人猫和增加多样性。

3.5。增强型并行猫群优化(EPCSO)

蔡等人进一步提高PCSO算法的精度和性能,利用田口方法的正交阵列,称之为增强型并行猫群优化(EPCSO) [13]。田口方法是统计方法,由日本工程师发明Genichi田口。这个想法是开发基于正交阵列”实验,提高了工程生产力的重要成本、质量和性能。在他们的算法,寻求EPCSO模式是一样的原始社会。然而,跟踪模式采用田口正交数组。这是提高计算成本的目的即使代理数量的增加。因此,两组的候选人将创建速度跟踪模式。然后,基于正交阵列,实验将相应的运行和猫的位置将被更新。Orouskhani et al。14)添加部分修改EPCSO为了进一步改进它,让它适合他们的应用程序。的修改变化表示的代理协调一组;添加一个新定义的集群标志;和设计定制的适应度函数。

3.6。Average-Inertia加权方案(AICSO)

Orouskhani速度方程等人介绍了一个惯性值以达到平衡勘探开发阶段。他们尝试,值是更好的选择的范围[0.4,0.9]操作开始时,它被设置为0.9,随着迭代次数的进步,值逐渐变得越来越小,直到达到0.4在最后一次迭代开发。大的值协助全球搜索;而小的值协助本地搜索。除了增加惯性值,方程也改革一个新的位置,平均的当前和先前的位置,以及当前和先前的平均速度,在方程(14]。

3.7。自适应动态猫群优化(ADCSO)

Orouskhani等人进一步提高该算法通过引入三个主要修改(15]。首先,他们介绍了一个可调节惯性值速度方程。这个值随着维数的增加逐渐减少。因此,它有最大的价值维度,反之亦然。其次,他们改变了常数(C),一个可调节值。然而,相反的惯性权重,尺寸的最小值逐渐增加,直到最后的维度,它最大的价值。最后,他们改革的位置方程利用其他维度的信息。

3.8。增强混合猫群优化(增强HCSO)

哈迪和沙巴提出了一个混合动力系统,称之为增强HCSO [16,17]。的目标是减少计算成本在视频编辑块匹配过程。在他们的建议,他们利用一个健身计算策略在寻找模式的算法。当时的想法是避免计算一些地区决定是否计算或估计接下来的搜索位置移动。此外,他们还介绍了惯性权重跟踪模式。

3.9。猫群优化的改进结构(ICSO)

哈迪和沙巴提出两个概念结合在一起,提高算法,并命名为ICSO。第一个概念是平行跟踪模式和信息交换,这是取自PCSO。第二个概念是添加一个惯性权重的位置方程,这是取自AICSO。他们应用高效在块匹配运动估计算法。他们的目标是提高性能,减少迭代次数没有退化的图像质量17]。

3.10。反对Learning-Improved方案(OL-ICSO)

Kumar和Sahoo首次提出利用柯西变异算子改善方案算法的探索阶段(34]。然后,他们引进了两个修改进一步改进算法,并命名为反对learning-improved方案(OL-ICSO)。他们提高了人口的多样性算法采用反对学习方法。最后,两个启发式机制(寻找和跟踪模式)。引入这两种机制的目的是改善种群的不同性质,防止算法陷入当地最适条件的可能性解决方案时靠近边界的数据集和数据向量经常越过边界约束(18]。

3.11。混沌研究猫群优化(CQCSO)

聂等人改进方案算法的准确性,避免当地最适条件捕获。他们首先介绍研究猫群优化(QCSO)相结合方案算法与量子力学。因此,提高了精度和算法避免了被困在当地的最适条件。接下来,通过合并一个帐篷映射技术,他们提出了混沌研究猫群优化(CQCSO)算法。增加帐篷映射的思想又进一步改进算法,让可能的算法跳出局部最适条件点可能落入[19]。

3.12。改进的猫群优化(ICSO)

在原始算法中,猫是随机选择进入寻求模式或跟踪模式使用一个参数称为先生然而,Kanwar等人改变了寻求模式通过迫使当前最好的猫在每个迭代中去寻找模式。此外,在他们的问题领域,公司决策变量是整数的解决方案在最初的猫是连续的。因此,从选择最佳的猫,两只猫是由地板和天花板。生产之后,所有可能的组合的猫从这两只猫20.]。

3.13。改进的猫群优化(ICSO)

Kumar和辛格两个修改改进方案算法,称之为ICSO [21]。他们第一次提高了跟踪模式通过修改速度和位置更新方程。的速度方程,随机均匀分布向量和添加了两个自适应参数调整全球和本地搜索运动。其次,本地搜索方法结合算法,以防止当地最适条件问题。

3.14。混合PCSOABC

蔡等人提出了一个混合动力系统结合PCSO与ABC算法和命名是混合PCSOABC [22]。结构简单的包括PCSO和ABC连续运行。自从PCSO执行速度与人口规模小,算法首先开始于一个小的人口和PCSO运行。一个预定义的迭代次数后,人口规模将增加,ABC算法开始运行。由于该算法简单,没有任何可调反馈参数,它有时比PCSO提供糟糕的解决方案。然而,它的收敛速度比PCSO。

3.15。CSO-GA-PSOSVM

Vivek Reddy提出了一种新的方法通过结合方案与粒子群智能算法,遗传算法(GA)和支持向量机(SVM),称之为CSO-GA-PSOSVM [23]。在他们的方法,他们采用了遗传算法变异算子的寻求模式方案为了获得散度。此外,他们都采用GA操作符以及PSO减法和加法操作符的跟踪模式方案以获得收敛。这种混合metaheuristic系统然后合并与支持向量机分类器应用于面部情感识别。

3.16。混合CSO-Based算法

Skoullis等人介绍了三个修改算法(24]。首先,他们用本地搜索精炼过程组合方案。其次,如果当前与全球最好的猫和猫相比他们的健身价值是相同的,全球最好的猫还会更新当前的猫。的目的是实现更多的多样性。最后,猫是单独选择去寻求模式或跟踪模式。

3.17。混合CSO-GA-SA

Sarswat等人还提出了一个混合动力系统通过结合方案,GA和SA),然后将它与modularity-based方法(25]。他们命名算法混合CSO-GA-SA。系统的结构非常简单,直接,因为它是由一个连续的组合方案,GA和SA。他们应用了系统检测重叠社区结构和社区发现算法分离。因此,输入数据集是首先输入一个预定义的方案算法的迭代次数。导致猫被转换成染色体,今后应用GA。然而,GA可能落入局部最适条件,为了解决这个问题,SA之后应用。

3.18。修改后的猫群优化(MCSO)

林等人结合变异算子与方案算法作为局部搜索过程,找到更好的解决方案在全球最佳的面积26]。它是用于优化支持向量机的特征选择和参数。此外,Mohapatra等人的想法使用变异操作之前分发猫寻求或跟踪模式(27]。

3.19。正常变异策略猫群优化(NMCSO)

Pappula等人采用了一个正常的变异技术方案算法为了提高算法的探索阶段。他们用十六个基准函数来评估他们对方案的算法和PSO算法(28]。

3.20。改进的猫群优化(ICSO)

林等人改进方案的寻找模式的算法。首先,他们用交叉操作产生候选人的立场。其次,他们改变了新职位的价值时,阶跃恢复二极管价值和当前位置没有相关性(29日]。值得一提的是,有四个版本的方案中引用(17,20.,21,29日),所有拥有相同的名字(ICSO)。然而,他们的结构是不同的。

3.21。紧凑的猫群优化(CCSO)

赵引入了一个紧凑版本的方案的算法。用微分算子在寻求该算法的模式来取代原来的突变的方法。此外,正常使用概率模型来生成新的个人和表示人口的解决方案(30.]。

3.22。布尔二进制猫群优化(BBCSO)

Siqueira等人致力于简化二进制版本的方案以提高其效率。他们减少的数量方程,取代了继续运营商与逻辑门,最后综合先生的轮盘赌方法参数(31日]。

3.23。混合猫群Optimization-Crow搜索(CSO-CS)算法

Pratiwi相结合提出了一种混合动力系统方案与乌鸦搜索算法(CS)算法。该算法首先运行方案算法之后,CS算法的内存更新技术,然后将生成新职位。她应用算法在车辆路径问题(32]。

4所示。方案与人工神经网络及其变体

人工神经网络是计算系统,无数的应用在各个领域。早些时候被用来训练神经网络的传统方法,如反向传播算法。然而,目前由自然优化神经网络训练算法。培训可以优化节点权重甚至网络架构(35]。方案也进行了广泛的神经网络相结合应用在不同的应用领域。本节简要超过那些作品,全封闭的杂化与安和类似的方法。

4.1。方案+安+ OBD

Yusiong提出安结合方案算法和最佳的脑损伤(OBD)方法。首先,全封闭算法作为优化技术训练ANN算法。其次,OBD是用作修剪算法减少少安结构的复杂性,已经使用的连接数量。作为一个结果,一个人工神经网络得到了更少的训练误差和分类精度高(36]。

4.2。ADCSO + GD +简称ANFIS

Orouskhani等人结合ADCSO算法和梯度下降法(GD)算法来调整参数的自适应基于网络的模糊推理系统(简称ANFIS)。在他们的方法中,简称ANFIS的前提和结论参数连续被全封闭训练算法和GD算法(37]。

4.3。方案+支持向量机

Abed和Al-Asadi提出基于支持向量机的混合动力系统和方案。系统应用于心电图信号分类。他们使用方案为目的的特征选择优化和提高支持向量机的参数(38]。此外,林等人,王、吴39,40)还与SVM组合方案,应用到课堂反应系统。

4.4。方案+算法

南达提出了一个混合动力系统通过结合小波神经网络算法(算法)和方案。在他们的建议,方案算法被用来训练将为了获得的权重算法权重(41]。

4.5。BCSO +支持向量机

Mohamadeen等人建立了一个基于BCSO和支持向量机分类模型,然后应用电力系统。使用BCSO优化支持向量机参数(42]。

4.6。CCSO +安

安王等人提出了设计一个能够处理随机性、模糊性,同时在时间序列和累计时间效果。在他们的工作,方案算法用于优化的网络结构和学习参数在同一时间(43]。

4.7。全封闭/ PSO +安

Chittineni安等人用全封闭和PSO算法来训练,然后运用他们的方法在股票市场预测。他们的比较结果表明,方案算法表现优于PSO算法(44]。

4.8。CS-FLANN

Kumar等人结合方案算法和人工神经网络(FLANN)功能联系发展进化过滤去除高斯噪声(45]。

5。的应用方案

本节介绍了方案的应用算法,分为七组,即电子工程、计算机视觉、信号处理、系统管理和组合优化、无线传感器网络、石油工程、土木工程。这些应用程序的目的和结果的摘要表提供2。

5.1。电气工程

方案算法已经广泛应用于电气工程领域。黄等人应用方案和PSO算法在电子支付系统为客户为了减少电费。结果表明,方案更为高效和速度比PSO在寻找全球最佳解决方案(46]。经济负荷调度(古人)和单位承诺(加州大学)是重要的应用程序,目标是减少的燃料是一个电力系统的总成本。黄等人应用经济负荷调度方案算法(古人)的风和热发电机(47]。Faraji等人还提出了应用二进制猫群优化(BCSO)算法在加州大学,并获得更好的结果比前一方法(48]。UPFC代表统一潮流控制器,它是一个电子设备用于传输系统来控制活动和无功功率流。Kumar和Kalavathi方案算法用于优化UPFC为了提高系统的稳定性(49]。列宁和Reddy也应用ADCSO无功调度问题,目标是最小化有功功率损失(50]。提高可用传输能力(ATC)是非常重要的电气工程。Nireekshana等人使用方案算法调节位置和SVC的控制参数和TCSC最大化的目的权力交接事务在正常和应急情况下51]。电力变压器的功能就是提供给消费者。确定这些变压器是电力系统的可靠性如何至关重要。Mohamadeen等人提出了一种分类模型分类变压器根据他们的可靠性状态(42]。该模型建立了基于BCSO与支持向量机结合。结果与基于全局搜索的一个类似的模型。结果表明,BCSO更为高效优化支持向量机参数。安王等人提出了设计一个能够处理随机性、模糊性,同时累积效应在时间序列(43]。在他们的工作,方案算法被用来优化网络结构和学习参数在同一时间。然后,该模型应用于两个应用程序,个人家庭电力消费预测和Alkaline-surfactant-polymer (ASP)驱采油指数预测油田开发。电流源逆变器(CSI)是一种传统的逆变器拓扑。Hosseinnia和Farsadi结合选择性谐波消除(她)与方案公司的算法,然后应用电流源逆变器(CSI) [52]。全封闭的角色算法优化和调优切换参数和最小化总谐波失真。El-Ela et al。53)使用方案和PCSO找到最优的位置和大小的分布式发电单元在分销网络。郭et al。54]使用MCSO算法提出一种新颖的最大功率点跟踪翻译(MPPT)方法来获得全局最大功率点跟踪(GMPP)。斯利瓦斯塔瓦等人使用BCSO算法优化相量测量单元的位置,减少所需数量的pmu (55]。郭等人使用方案算法来识别参数的单引号和双二极管模型在太阳能电池模型(56]。

5.2。计算机视觉

面部表情识别是一种生物的方法来识别人类的情感并相应地进行分类。林等人,王、吴39,40)提出了一个课堂反应系统结合方案算法与支持向量机分类学生的面部表情。Vivek也Reddy CSO-GA-PSOSVM算法用于相同的目的(23]。在视频处理块匹配计算昂贵和耗时。哈迪和沙巴使用全封闭的块匹配算法效率运动估计(57]。目的是减少头寸的数量需要计算在搜索窗口在块匹配过程中,即,以提高性能和减少迭代的数量没有图像质量的退化。作者进一步改善他们的工作,取得更好的结果通过替换方案算法和HCSO ICSO (16,17),分别。Kalaiselvan等人,Lavanya Natarajan [58,59)使用方案算法检索水印类似于原件。在视频处理、对象跟踪的过程确定移动物体的位置随着时间的推移使用相机。哈迪和沙巴EHCSO用于目标跟踪系统进一步提高效率和精度的角度(60]。燕等人使用BCSO作为高光谱图像波段选择方法(61年]。在计算机视觉中,图像分割是指将一幅图像划分为多个部分的过程。二甲胂酸和巴塔查里亚Karakoyun et al。62年,63年)建议使用方案算法结合多级阈值进行图像分割的概念。张等人结合小波熵,安,和方案算法开发一个酒精使用障碍(AUD)识别系统64年]。Kumar等人结合方案算法和人工神经网络(FLANN)功能链接从CT图像中删除不必要的高斯噪声(45]。杨等人结合方案和L-BFGS-B技术注册非刚性的多通道图像(65年]。凸轮采用全封闭算法调优参数的直方图拉伸技术,图像增强的目的(66年]。

5.3。信号处理

IIR滤波器代表无限脉冲响应。它是一个离散时间滤波器,应用在信号处理和通信。熊猫等人方案算法用于信息检索系统识别(67年]。作者还应用方案算法作为优化机制直接和逆建模的线性和非线性植物(68年]。Al-Asadi方案算法与支持向量机结合起来对心电图信号分类(38]。

5.4。系统管理和组合优化

在并行计算中,最优任务分配是一个关键的挑战。Shojaee et al。69年,70年建议使用方案算法最大化系统的可靠性。有三种基本调度问题,即开放的商店,商店工作,和流动商店。这些问题被归类为np困难和有许多实际的应用程序。他们协调分配工作在特定的时间资源,目标是减少时间消耗。然而,他们的区别主要是在限制操作顺序。Bouzidi和Riffi BCSO算法作业调度问题(JSSP) (71年]。他们还做了一个方案之间的比较研究和其他两名metaheuristic算法,也就是说,布谷鸟搜索算法(CS)和JSSP的蚁群优化(ACO) (72年]。然后,他们使用方案的算法来解决流水车间调度(FSSP) [73年)和开放的车间调度问题(OSSP) (74年]。此外,丹尼等人也应用方案算法JSSP猫,他们使用了一个非传统的方法来表示位置(75年]。孔雀王朝和特里帕西也应用方案算法bag-of-tasks云系统和工作流调度问题(76年]。Bouzidi Riffi应用方案算法在旅行商问题(TSP)和二次分配问题(QAP),这两个组合优化问题(77年]。Bouzidi等人也使得方案算法之间的比较研究,布谷鸟搜索算法,bat-inspired算法解决TSP (78年]。在云计算中,最小化总执行成本,而对任务处理资源的分配是一个关键问题。Bilgaiyan等人应用方案和MCSO工作流调度算法在云系统(79年]。此外,Kumar等人还应用BCSO在云工作流调度系统(80年]。集覆盖问题(SCP)被认为是一个np完全问题。克劳福德等人成功BCSO算法应用于这个问题(81年]。他们进一步完善这项工作通过使用二值化技术和选择不同的参数为每个测试例子集(82年,83年]。Web服务提供一个标准化的应用程序之间的通信在网络上有许多重要的应用。然而,发现适当的web服务对于一个给定的任务是具有挑战性的。Kotekar和Kamath CSO-based方法作为集团服务文档聚类算法根据他们的功能相似84年]。Sarswat等人应用混合CSO-GA-SA发现重叠社区结构和社区发现算法分离(25]。优化控制问题的复杂网络系统在许多领域的科学与工程是至关重要的。Orouskhani等人应用方案优化算法来解决许多问题将可控性,从而优化网络结构(85年]。Skoullis等人结合方案算法和局部搜索精炼过程和应用在高中制定时间表问题(24]。索托等人结合BCSO与动态混合比率组织细胞制造单元设计问题(86年]。巴拉米等人应用方案算法在水资源管理算法被用来找到最优水库操作(87年]。Kencana等人使用方案算法分类小额贷款在银行系统的可行性88年]。Majumder和Eldho组合方案算法与分析单元法(AEM)和反向粒子跟踪(RPT)模型小说地下水管理系统(89年]。Rautray Balabantaray使用方案算法解决multidocument总结问题[90年]。托马斯等人结合径向点搭配meshfree (RPCM)方法与方案算法用于地下水资源管理(91年]。Pratiwi创造了一个混合动力系统结合方案算法和乌鸦搜索算法(CS),然后用它来解决时间窗的车辆路径问题(VRPTW) (32]。名称等人提出了一个modularity-based系统方案算法结合K-median集群技术来检测重叠社区在社交网络92年]。

5.5。无线和网络

无线设备不断推动人员更明智地使用电磁频谱的乐队。认知无线电(CR)是一种有效的动态频谱分配的频谱动态分配是基于特定的时间或地点。普拉丹和熊猫(93年,94年)结合MOCSO与健身共享和模糊机制和应用CR设计。他们也进行了比较分析,提出了一种广义的方法设计一个CR引擎基于六进化算法(95年]。无线传感器网络(WSN)是指一组节点(无线传感器),形成一个网络监控物理或环境条件。收集数据需要转发的节点,每个节点需要路由路径。香港等人提出了应用增强并行猫群优化(EPCSO)算法在这个领域作为一个路由算法(33]。传感器网络的背景下的另一个担忧是减少总能耗,同时满足了性能标准。Tsiflikiotis和Goudos解决这个问题称为最优功率分配问题,为此,三个metaheuristic算法提出了比较(96年]。此外,Pushpalatha和Kousalya应用方案基础上优化簇头选择有助于节约能源和可用带宽97年]。阿拉姆等人也应用方案在clustering-based方法处理信道分配算法(CA)之间的问题次要用户对实际约束在智能电网环境下(98年]。的作者(99年,One hundred.)使用方案的算法在网络找到水槽节点的最优位置。Ram等人应用方案算法来最小化的旁瓣水平天线阵列,提高方向性(101年]。Ram等人使用方案优化控制参数的线性天线阵列和生产优化设计(102年]。Pappula和Ghosh还利用柯西变异方案使线性非周期阵列,目标是减少旁瓣水平和控制零位置(103年]。

5.6。石油工程

方案的算法也被应用在石油工程领域。例如,它是作为一个好的位置优化方法,陈等人在104年,105年]。此外,王等人使用方案算法作为一个三元复合驱采油指数预测方法(43]。

5.7。土木工程

Ghadim等人使用方案算法来创建一个识别模型,检测早期裂缝在建筑结构106年]。

6。绩效评估

许多变异和应用方案算法在上面的部分中讨论。然而,这些版本和基准进行比较分析它们之间没有可行的在这工作。这是因为:首先,他们的源代码不可用。其次,不同的测试函数或数据集已经被使用在他们的实验。此外,由于方案算法的出现,许多小说和强大metaheuristic算法介绍了。然而,文学之间缺乏比较研究方案算法和新算法。因此,我们做了一个实验,原方案算法对三个新和健壮的算法相比,蜻蜓的算法(DA) (6),蝴蝶优化算法(BOA) [7),和健身相关的优化器(FDO) [8]。为此,23日传统和现代基准函数被使用(参见图103),这说明了总体框架进行绩效评估的过程。值得一提的是,对四个测试函数,美国银行返回的虚数,集“N / A”。

6.1。传统基准函数

这一组包括单峰和多通道测试函数。单峰测试函数包含一个单一的优化而多通道测试函数包含多个当地的最适条件,通常一个全局最优。F1 F7单峰测试函数(表3),它是用来试验算法的全局搜索能力。此外,F23 F8是多通道测试函数,用来试验算法的局部搜索能力。请参考[107年为单峰和多峰函数的详细描述。

6.2。现代基准函数(CEC 2019)

这些组基准函数,也称为复合基准函数,是复杂的,很难解决。CEC01 CEC10函数如表所示3是这些类型的转变,旋转,扩大,传统基准函数的组合版本。请参考[108年为现代基准函数的详细描述)。

方案和其他算法的比较结果表3的平均值和标准偏差。对于每个测试函数,算法执行30独立运行。每次运行30搜索代理是经过500次迭代搜索。参数设置对所有算法,设置为默认值,没有改变。

它可以注意到从表3方案的算法是现代的和竞争算法提供了非常令人满意的结果。为了感知的总体性能算法,排序如表所示4根据不同的基准函数组。可以看出,方案在整体排名中位列第一,多通道测试函数。此外,它排名第二在单峰和CEC测试函数(见图4)。这些结果表明了方案的有效性和鲁棒性算法。话虽这么说,这些结果需要确认统计。表5介绍了Wilcoxon配对符号秩检验测试函数。在85%以上的结果,值小于0.05%,证明结果是重要的,我们可以拒绝零假设,没有区别的意思。值得一提的是,方案的性能可以进一步评估通过比较它与其他新算法如驴和走私者优化算法(109年),修改后的灰太狼优化器(110年],BSA和它的变体(111年),WOA及其变种(112年),和其他大的修改版本113年]。

7所示。结论和未来的发展方向

猫群优化(方案)是一个metaheuristic最初提出的优化算法楚et al。52006年)。从今以后,许多修改版本和应用介绍了。然而,文学在这方面缺乏一个详细的调查。因此,本文首先解决这个差距,提出了全面审查包括它的发展和应用。

方案显示,处理能力不同,在各领域的复杂问题。然而,就像任何其他metaheuristic算法方案算法具有的优点和缺点。跟踪模式类似于全局搜索过程,并同时寻求模式类似于本地搜索过程。这个算法有着重要的属性,这两个模式分离和独立。这使研究人员可以很容易地修改或改善这些模式,从而达到适当的平衡勘探开发阶段。此外,快速收敛是该算法的另一个强项,这使得它一个明智的选择对于那些需要快速响应的应用程序。然而,该算法具有较高的机会落入局部最适条件,称为过早收敛,可以视为算法的主要缺点。

另一个担忧是全封闭算法没有对新算法进行比较的机会,因为它主要测量了PSO和GA算法在文献中。为了解决这个问题,进行绩效评估对三个新的和强大的算法比较方案。为此,23日传统基准函数和10现代基准函数。结果表明方案算法的表现,它排名第一。这些结果的意义也证实了统计方法。这表明社会仍然是一个竞争算法。

在未来,该算法可以提高在很多方面;例如,可以适应不同的技术跟踪模式为了解决过早收敛问题或改变参数静态先生在全封闭的原始版本。将该参数转换为一个动态参数可以提高算法的整体性能。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. x杨,产品表面Metaheuristic算法英国,Luniver出版社,2010。
2. 柯克帕特里克,c, d . Gelatt, m . p . Vecchi“由模拟退火优化”科学,卷220,不。4598年,第680 - 671页,1983年。视图:出版商的网站|谷歌学术搜索
3. j·肯尼迪,“粒子群优化”,机器学习的百科全书施普林格,柏林,德国,2010年。视图:谷歌学术搜索
4. s . c .楚和p·w·蔡”,计算智能根据猫的行为,”国际期刊的创新计算、信息和控制,3卷,不。1,第173 - 163页,2007。视图:谷歌学术搜索
5. s . c .楚p·w·蔡,j·s·潘,“猫群优化,”《太平洋学报在人工智能国际会议施普林格,页854 - 858年,桂林,中国,2006年8月。视图:谷歌学术搜索
6. 美国Mirjalili“蜻蜓算法:一个新的meta-heuristic优化技术解决简略,离散,和多目标问题,“神经计算和应用,27卷,不。4、1053 - 1073年,2016页。视图:出版商的网站|谷歌学术搜索
7. Arora和s·辛格,”蝴蝶优化算法:全局优化的新方法,”软计算,23卷,不。3、715 - 734年,2019页。视图:出版商的网站|谷歌学术搜索
8. j·m·阿卜杜拉·t·艾哈迈德,“健身相关的优化器:灵感来自于蜜蜂蜂拥生殖过程,”IEEE访问7卷,第43486 - 43473页,2019年。视图:出版商的网站|谷歌学术搜索
9. m·a·Khanesar y Sharafi, m . Teshnehlab“离散二进制猫群优化算法”学报2013年第三国际会议上电脑,控制和通信(IC4)IEEE,页1 - 6,卡拉奇,巴基斯坦,2013年9月。视图:谷歌学术搜索
10. p . m .普拉丹和g .熊猫“使用猫群算法解决多目标问题,”专家系统与应用程序,39卷,不。3、2956 - 2964年,2012页。视图:出版商的网站|谷歌学术搜索
11. p·w·蔡j·s·潘,s·m·陈,b . y .廖和s p,“平行猫群优化,”《2008国际机器学习与控制论会议》第六卷,第3333 - 3328页,IEEE,昆明,中国,2008年7月。视图:谷歌学术搜索
12. b . Santosa和m . k . Ningrum“猫群优化为集群,”2009年国际研讨会论文集的软计算和模式识别2009年12月,页54-59 IEEE,。视图:谷歌学术搜索
13. P.-W。蔡,js。锅,S.-M。陈,B.-Y。廖”,增强并行猫群优化基于田口方法,”专家系统与应用程序,39卷,不。7,6309 - 6319年,2012页。视图:出版商的网站|谷歌学术搜索
14. m . Orouskhani m . Mansouri和m . Teshnehlab“Average-inertia加权猫群优化,”国际会议论文集群体智慧施普林格,页321 - 328年,重庆,中国,2011年6月。视图:谷歌学术搜索
15. m . Orouskhani y Orouskhani、m . Mansouri和m . Teshnehlab”小说猫群解无约束优化问题的优化算法,”国际信息技术和计算机科学杂志》上,5卷,不。11日,32-41,2013页。视图:出版商的网站|谷歌学术搜索
16. 哈迪和m .沙巴,“强化混合猫群优化基于健身近似方法有效的运动估计,“国际期刊的混合信息技术,7卷,不。6,345 - 364年,2014页。视图:出版商的网站|谷歌学术搜索
17. 哈迪和m .沙巴,“改善猫群优化有效的运动估计,”国际期刊的混合信息技术,8卷,不。1,第294 - 279页,2015。视图:出版商的网站|谷歌学术搜索
18. y Kumar和g . Sahoo”,一种改进的基于反对猫群优化算法学习和柯西运营商为集群,”杂志的信息处理系统,13卷,不。4、1000 - 1013年,2017页。视图:谷歌学术搜索
19. 和h x聂,w . Wang聂,“混沌研究猫群优化算法及其应用在翻译PV MPPT”计算智能和神经科学卷,2017篇文章ID 1583847, 11页,2017年。视图:出版商的网站|谷歌学术搜索
20. n . Kanwar n . Gupta k . r . Niazi和a . Swarnkar”提高同步的猫群优化分配DSTATCOM和DGs的分销系统,”《可再生能源文章ID 189080卷,2015年,10页,2015。视图:出版商的网站|谷歌学术搜索
21. 改善y Kumar和p·k·辛格,”猫群优化算法求解全局优化问题及其应用集群,”应用智能,48卷,不。9日,第2697 - 2681页,2017年。视图:出版商的网站|谷歌学术搜索
22. p·w·蔡j·s·潘,施p, b . y .廖,“一个新的优化框架基于混合群体智慧,”手册的群体智慧施普林格,柏林,德国,421 - 449年,2011页。视图:谷歌学术搜索
23. t . v . Vivek g . r . Reddy,“混合使用CSO-GA-PSO-SVM bioinspired面部情感识别算法,”学报2015年第五通信系统和网络技术国际会议(CSNT)IEEE,页472 - 477年,2015年4月。视图:谷歌学术搜索
24. 诉Skoullis,即x Tassopoulos, g . n . Beligiannis”解决高中制定时间表问题使用一个混合的猫群优化算法为基础,“应用软计算52卷,第289 - 277页,2017年。视图:出版商的网站|谷歌学术搜索
25. A . Sarswat诉杰米,r . m . Guddeti”小说两步方法重叠社区发现社交网络,”社会网络分析和挖掘,7卷,不。1,p。2017。视图:出版商的网站|谷歌学术搜索
26. K.-C。林,中州。黄,j . c .挂,Y.-T。林”,特征选择和参数优化的支持向量机基于修改猫群优化,“国际期刊的分布式传感器网络,11卷,不。7篇文章ID 365869 2015。视图:出版商的网站|谷歌学术搜索
27. p . Mohapatra、美国的查克推瓦蒂和p . k .破折号“微阵列医疗数据分类使用基于内核岭回归和修改猫群优化基因选择系统,”群与进化计算28卷,第160 - 144页,2016年。视图:出版商的网站|谷歌学术搜索
28. l . Pappula和d·戈什”,与正常变异猫群优化多峰函数的快速收敛,“应用软计算卷,66年,第491 - 473页,2018年。视图:出版商的网站|谷歌学术搜索
29. K.-C。林,K.-Y。张,中州。黄、j . c .挂和n .日圆,“基于一种改进的特征选择猫群优化大数据分类的算法,”《华尔街日报》的超级计算,卷72,不。8,3210 - 3221年,2016页。视图:出版商的网站|谷歌学术搜索
30. m .赵”,小说紧凑猫群优化基于微分方法,”企业信息系统卷,2018年,页1 - 25,2018。视图:出版商的网站|谷歌学术搜索
31. h . Siqueira e . Figueiredo m .马赛c·j·桑塔纳,c . j . Bastos-Filho和a . a . Gokhale“布尔二进制猫群优化算法,”学报2018年IEEE拉丁美洲会议上计算智能(LA-CCI),页1 - 6,IEEE、瓜达拉哈拉、墨西哥,2018年11月。视图:谷歌学术搜索
32. A . b . Pratiwi”混合猫群optimization-crow搜索算法和时间窗车辆路径问题,”诉讼的2017第二届国际会议在信息技术、信息系统和电气工程(ICITISEE)IEEE,页364 - 368年,日惹,印尼,2017年11月。视图:谷歌学术搜索
33. l .香港、js。锅,P.-W。美国瓦茨拉夫·蔡,黄永发。Ho”平衡能耗算法基于增强型并行猫群优化的无线传感器网络,”国际期刊的分布式传感器网络,11卷,不。第三条ID 729680, 2015。视图:出版商的网站|谷歌学术搜索
34. y Kumar和g . Sahoo”,一种改进的猫群优化聚类的算法,”计算智能数据Mining-Volume 1施普林格,新德里,印度,2015卷,第187 - 197页。视图:谷歌学术搜索
35. a . Baldominos、y Saez和p . Isasi”组合进化计算和深层神经网络:一个使用委员会和手写识别方法转移学习,”复杂性卷,2019篇文章ID 2952304, 16页,2019年。视图:出版商的网站|谷歌学术搜索
36. j·p·t·Yusiong”使用猫群优化算法优化人工神经网络,”智能系统和应用程序的国际期刊,5卷,不。1,第80 - 69页,2012。视图:出版商的网站|谷歌学术搜索
37. m . Orouskhani m . Mansouri y Orouskhani, m . Teshnehlab”修改猫群优化的混合法和梯度下降算法,简称ANFIS训练,”国际期刊的计算智能和应用程序,12卷,不。2,文章ID 1350007, 2013。视图:出版商的网站|谷歌学术搜索
38. h·a·Al-Asadi“新混合动力车(SVMs-CSOA)心电图信号分类架构,”国际先进的人工智能研究杂志》(IJARAI),4卷,不。5,2015。视图:出版商的网站|谷歌学术搜索
39. k.c.林,r·w·林s . j . Chen c . r .你和j·l·柴”教室基于情感计算的响应系统”学报》2010年第3 IEEE国际会议Ubi-Media计算IEEE,页190 - 197年,金华,中国,2010年7月。视图:谷歌学术搜索
40. w . Wang和j·吴”,注意收缩情感识别基于CSO&SVM在电子学习”第七届国际会议上自然学报》计算,1卷,页566 - 570,IEEE,上海,中国,2011年7月。视图:谷歌学术搜索
41. s . j .南达”WNN-CSO模型准确预测的混沌和非线性时间序列,”学报2015年IEEE国际会议信号处理、信息、通讯和能源系统(香料)科泽科德,页1 - 5,IEEE,印度,2015年2月。视图:谷歌学术搜索
42. k . i Mohamadeen r . m . Sharkawy和m . m . Salama“二进制猫群优化与二进制粒子群优化对变压器的健康指数的决心,”学报2014年工程技术国际会议(ICET)IEEE,页1 - 5,开罗,埃及,2014年4月。视图:谷歌学术搜索
43. s . b . Wang, x,和p·李,“基于云过程神经网络时间序列预测,“国际期刊的计算智能系统,8卷,不。5,992 - 1003年,2015页。视图:出版商的网站|谷歌学术搜索
44. s Chittineni诉Mounica k .身为理发师s . c . Satapathy和p . p . Reddy”方案的比较研究,PSO训练的人工神经网络对股票市场预测,”程序计算国际会议的科学、工程和信息技术施普林格,页186 - 195年,Tirunelveli,印度,2011年9月。视图:谷歌学术搜索
45. m·库马尔s . k . Mishra, s . s . Sahu“猫群优化基于人工神经网络功能链接过滤去除高斯噪声的计算机断层扫描图像,”应用计算智能和软计算卷,2016篇文章ID 6304915, 6页,2016。视图:出版商的网站|谷歌学术搜索
46. j·s·j·c·黄j . c . Chen,和y . c .黄”方案和算法来解决最优合同高压用户的能力,”《2009年国际会议上电力电子与驱动系统(ped)IEEE,页246 - 251年,台北,台湾,2009年11月。视图:谷歌学术搜索
47. j·s·j·c·黄j . c . Chen,和y . c .黄”方案算法混合发电系统的经济调度决策”学报第十圆柱应用国际会议信息和通信,和第三圆柱国际会议上生物医学电子学和生物医学信息学,页81 - 86,世界科学和工程学院和社会(圆柱),台北,台湾,2010年8月。视图:谷歌学术搜索
48. Faraji, a z Bargabadi, z Hejrati,应用程序二进制的猫群优化算法单位承诺的问题,在第一次全国会议上Meta-Heuristic算法及其应用在工程和科学,Fereydunkenar,伊朗,2014年8月。
49. g·n·库马尔和m . s . Kalavathi动态负荷模型对电压稳定研究UPFC的解决方案使用方案,“国际期刊的计算机应用程序,卷116,不。10日,新,2015页。视图:出版商的网站|谷歌学术搜索
50. 列宁和b . k . r . Reddy,“减少有功功率损失通过使用自适应猫群优化,“印尼《电气工程和信息学(IJEEI),卷2,不。3、111 - 118年,2014页。视图:出版商的网站|谷歌学术搜索
51. t . Nireekshana g . Kesava Rao, s . Sivanaga Raju”可用传输能力增强使用猫群优化,与事实”Ain Shams工程杂志,7卷,不。1,第167 - 159页,2016。视图:出版商的网站|谷歌学术搜索
52. 利用h . Hosseinnia和m . Farsadi,”猫群优化算法选择在电流源逆变器谐波elemination,”国际电力电子杂志和驱动系统(IJPEDS)》第六卷,没有。4、888 - 896年,2015页。视图:出版商的网站|谷歌学术搜索
53. a . a . El-Ela r . a . El-Sehiemy a . m . Kinawy和e·s·阿里,“分布式发电的最优位置和大小单位使用不同的猫群优化算法”《2016年18国际中东电力系统会议(MEPCON)IEEE,页975 - 981年,开罗,埃及,2016年12月。视图:谷歌学术搜索
54. l .郭z孟、y太阳和l .王”修改后的猫群优化基于光伏系统最大功率点跟踪方法在部分阴影条件下,“能源卷,144年,第514 - 501页,2018年。视图:出版商的网站|谷歌学术搜索
55. 答:斯利瓦斯塔瓦和美国Maheswarapu最佳PMU放置使用二进制猫群优化,完成电力系统可观测性”《2015年国际能源经济与环境会议(ICEEE)IEEE,页1 - 6,大诺伊达,印度,2015年3月。视图:谷歌学术搜索
56. l .郭z孟、y太阳和l .王”参数识别和太阳能电池模型的灵敏度分析猫群优化算法,”能量转换和管理卷,108年,第528 - 520页,2016年。视图:出版商的网站|谷歌学术搜索
57. 哈迪和m .沙巴,”一个新颖的基于块匹配算法在猫群优化有效的运动估计,“国际期刊的数字内容技术及其应用,8卷,不。6,33页,2014年。视图:谷歌学术搜索
58. g . Kalaiselvan a Lavanya,诉Natrajan”增强水印的性能基于猫群优化方法,”《2011年国际会议上最近的趋势在信息技术(ICRTIT)IEEE,页1081 - 1086年,钦奈,印度,2011年6月。视图:谷歌学术搜索
59. a . Lavanya和诉Natarajan水印性能的分析基于群优化方法,”计算和信息技术的进步施普林格,柏林,德国,167 - 176页。视图:谷歌学术搜索
60. 哈迪和m .沙巴,“一个丰富的3 d轨迹方程生成多个对象的最常见的路径跟踪,”国际多媒体和无处不在的工程杂志》上,10卷,不。6日,53 - 76年,2015页。视图:出版商的网站|谷歌学术搜索
61. l .严x Yan-Qiu w .李海,“高光谱降维的森林类型猫群算法的基础上,“开放的自动化和控制系统,7卷,不。1,2015。视图:出版商的网站|谷歌学术搜索
62. w .二甲胂酸和t·巴塔查里亚”,一种新的灰色图像分割算法使用猫群优化”《2016年国际会议上沟通和信号处理(ICCSP)IEEE,页1004 - 1008年,钦奈,印度,2016年4月。视图:谷歌学术搜索
63. m . Karakoyun: a . Baykan和m . Hacibeyoglu“多级阈值与群优化算法,图像分割”国际研究杂志》上的电子和计算机工程,3卷,不。3 p。2017。视图:出版商的网站|谷歌学术搜索
64. y . d . Zhang y隋,j .太阳,g .赵和p .钱,”猫群优化应用于酒精使用障碍识别,”多媒体工具和应用程序,卷77,不。17日,第22896 - 22875页,2018年。视图:出版商的网站|谷歌学术搜索
65. f·杨,m .叮,x, w•侯和c中,“非刚性的多模医学图像配准与猫群优化,通过结合L-BFGS-B”信息科学卷,316年,第456 - 440页,2015年。视图:出版商的网站|谷歌学术搜索
66. h . b .凸轮,s . Akcakoca a . Elbir h . o . Ilhan和n . Aydın”猫的绩效评估和粒子群优化技术在图像增强,”学报2018年电力电子、计算机科学、生物医学工程会议(EBBT)IEEE,页1 - 4,伊斯坦布尔,土耳其,2018年4月。视图:谷歌学术搜索
67. g .熊猫下午普拉丹和b Majhi,“使用猫群优化信息检索系统标识,”专家系统与应用程序,38卷,不。10日,12671 - 12683年,2011页。视图:出版商的网站|谷歌学术搜索
68. g .熊猫下午普拉丹和b Majhi,“直接使用猫群优化和逆建模的植物,“手册的群体智慧施普林格,柏林,德国,469 - 485年,2011页。视图:谷歌学术搜索
69. r . Shojaee h·r·Faragardi s Alaee和n . Yazdani”一只新猫群文中针对面向可靠性任务分配算法在分布式系统中,”学报第六届国际研讨会电信(IST)IEEE,页861 - 866年,德黑兰,伊朗,2012年11月。视图:谷歌学术搜索
70. r . Shojaee h . r . Faragardi, n . Yazdani”从可靠的分布式系统向猫群优化可靠的云,“国际期刊的信息和沟通,5卷,不。4、9到18,2013页。视图:谷歌学术搜索
71. a . Bouzidi和m . e . Riffi”猫群优化解决作业车间调度问题,”《2014年第三IEEE国际讨论会在信息科学和技术(石柜),页202 - 205,IEEE -,摩洛哥,2014年10月。视图:谷歌学术搜索
72. A Bouzidi和m . e . Riffi”的比较研究三个基于metaheuristics求解JSSP的”欧洲和中东和北非地区合作的发展信息和通信技术施普林格,页235 - 243年,可汗,瑞士,2017。视图:谷歌学术搜索
73. a . Bouzidi和m . e . Riffi”猫群优化解决流水车间调度问题,“理论与应用信息技术杂志》上,卷72,不。2、2015。视图:谷歌学术搜索
74. a . Bouzidi m . e . Riffi和m . Barkatou“猫群优化求解开放的车间调度问题,“工业工程国际杂志》上,15卷,不。2、367 - 378年,2019页。视图:出版商的网站|谷歌学术搜索
75. 诉达尼,a . Sarswat诉Swaroop s Domanal和r . m . Guddeti”快速收敛到最优解附近使用猫群优化作业车间调度,”《国际模式识别与机器智能会议施普林格,页282 - 288年,加尔各答,印度,2017年12月。视图:谷歌学术搜索
76. a . k .孔雀王朝和a . k . Tripathi Deadline-constrained bag-of-tasks和工作流的调度算法在云计算环境中,”第二届国际会议上高性能编译、计算和通信6 - 10页。ACM,香港,中国,2018年3月。视图:谷歌学术搜索
77. a . Bouzidi和m . e . Riffi离散猫群优化算法应用于组合优化问题,”学报2014第五车间代码,密码和通讯系统(WCCCS),IEEE 30 - 34页。El Jadida,摩洛哥,2014年11月。视图:谷歌学术搜索
78. s . Bouzidi m . e . Riffi, a . Bouzidi”比较分析三种metaheuristics求解旅行推销员问题,“交易在机器学习和人工智能,5卷,不。4、2017。视图:出版商的网站|谷歌学术搜索
79. s . Bilgaiyan s Sagnika m . Das,“工作流调度在云计算环境中使用猫群优化,”学报2014年IEEE国际预先计算会议(IACC)的IEEE,页680 - 685年,古尔加翁,印度,2014年2月。视图:谷歌学术搜索
80. b·库马尔·m·卡尔拉,p·辛格“离散二进制猫群优化调度工作流应用程序在云系统”学报2017年3日计算情报与通信技术国际会议(CICT)加济阿巴德,页1 - 6,IEEE,印度,2017年2月。视图:谷歌学术搜索
81. b·克劳福德r·索托:贝里奥et al .,”一个二进制猫群优化算法non-unicost集合覆盖问题,“数学问题在工程ID 578541条,卷。2015年,8页,2015。视图:出版商的网站|谷歌学术搜索
82. b·克劳福德r·索托n .贝里奥和大肠Olguin解决使用二进制猫群优化metaheuristic集合覆盖问题。世界科学院、工程和技术。”国际期刊的数学、计算机、物理、电子和计算机工程,10卷,不。3、104 - 108年,2016页。视图:谷歌学术搜索
83. b·克劳福德r·索托:贝里奥,e . Olguin“猫群优化与不同的二值化方法求解集合覆盖问题,”智能系统的人工智能观点施普林格,页511 - 524年,可汗,瑞士,2016。视图:谷歌学术搜索
84. Kotekar和Kamath”提高服务发现使用基于猫群优化web服务集群,”科学的观点,8卷,第717 - 715页,2016年。视图:出版商的网站|谷歌学术搜索
85. y Orouskhani, m·贾利利,x,“优化动力将控制网络结构,”科学报告》第六卷,没有。1,文章ID 24252, 2016。视图:出版商的网站|谷歌学术搜索
86. r·索托b·克劳福德身上花费托莱多,c·卡斯特罗f .裴瑞兹和r .集中政策,“解决制造单元设计问题通过二进制猫群优化与动态混合比率,“计算智能和神经科学卷,2019篇文章ID 4787856, 16页,2019年。视图:出版商的网站|谷歌学术搜索
87. m·巴拉米o . Bozorg-Haddad x楚,“猫水库群优化算法优化的应用操作,“灌溉和排水工程》杂志上,卷144,不。1,文章ID 04017057, 2017。视图:出版商的网站|谷歌学术搜索
88. e . n . Kencana n . Kiswanti k .纱丽,“猫群优化算法的应用程序在小额贷款分类性能,”物理学杂志》:会议系列文章ID 012037卷,893年,2017年。视图:出版商的网站|谷歌学术搜索
89. p . Majumder和t . i Eldho”,一个新的地下水管理模型的耦合分析单元法和反向粒子跟踪与猫群优化,“水资源管理,30卷,不。6,1953 - 1972年,2016页。视图:出版商的网站|谷歌学术搜索
90. r . Rautray和r . c . Balabantaray”猫群优化基于进化框架多文档摘要,“自然史答:统计力学及其应用卷,477年,第186 - 174页,2017年。视图:出版商的网站|谷歌学术搜索
91. a . Thomas p . Majumdar t . i Eldho和a . k . Rastogi”仿真优化模型对含水层参数估计使用耦合meshfree点搭配方法和猫群优化,“工程分析与边界元素卷。91年,60 - 72、2018页。视图:出版商的网站|谷歌学术搜索
92. 答:A .名称、l . m . El Bakrawy和n i Ghali”混合猫优化和K-median解决社区检测,”亚洲应用科学杂志》上,5卷,不。5,2017。视图:谷歌学术搜索
93. 下午普拉丹和g .熊猫,”帕累托优化认知无线电参数使用多目标进化算法和模糊决策,”群与进化计算7卷,7-20,2012页。视图:出版商的网站|谷歌学术搜索
94. 下午普拉丹和g .熊猫”合作频谱感知认知无线电网络中使用多目标进化算法和模糊决策,”特设网络,11卷,不。3、1022 - 1036年,2013页。视图:出版商的网站|谷歌学术搜索
95. 下午普拉丹和g .熊猫”比较性能分析认知无线电的基于进化算法的参数优化引擎:一项调查,“特设网络,17卷,第146 - 129页,2014年。视图:出版商的网站|谷歌学术搜索
96. a . Tsiflikiotis和s . k . Goudos”最优功率分配使用新兴产品表面算法在无线传感器网络中,”学报2016年第五届国际会议上现代电路和系统技术(MOCAST)塞萨洛尼基,页1 - 4,IEEE,希腊,2016年5月。视图:谷歌学术搜索
97. A Pushpalatha和g . Kousalya”,延长网络寿命和可靠的数据传输到最佳水槽迁移机制,“集群计算,22卷,不。S5, 12049 - 12058年,2018页。视图:出版商的网站|谷歌学术搜索
98. 美国阿拉姆,a·n·马利克·m·库雷希,s . a . Ghauri和m . Sarfraz”Clustering-based附近区域网络的信道分配方案在基于认知无线电的智能电网通信中,“IEEE访问》第六卷,第25784 - 25773页,2018年。视图:出版商的网站|谷歌学术搜索
99. 诉Snasel, l .香港、p .蔡和j·s·潘,“水槽节点放置策略基于猫群优化算法,”网络情报杂志,1卷,不。2,52-60,2016页。视图:谷歌学术搜索
100. p·w·蔡l .香港s瓦茨拉夫·j·s·潘,诉Istanda y和z,“利用猫群优化分配的汇聚节点在无线传感器网络环境中,”学报2016年第三次国际会议上计算测量控制和传感器网络(CMCSN)IEEE,页166 - 169年,松江日本,2016年5月。视图:谷歌学术搜索
101. g内存,d . Mandal r .凹地,s·戈沙尔“猫群优化应用于time-modulated同心圆形天线阵:与其他随机优化方法,分析和比较”IEEE天线和传播,卷63,不。9日,第4183 - 4180页,2015年。视图:出版商的网站|谷歌学术搜索
102. g内存,d . Mandal s p·戈沙尔r .凹地,“最优阵列因子线性阵列天线辐射方向图综合使用猫群优化:由电磁模拟验证,”前沿的信息技术和电子工程,18卷,不。4、570 - 577年,2017页。视图:出版商的网站|谷歌学术搜索
103. l . Pappula和d·戈什”,合成线性非周期阵列使用柯西变异猫群优化,“AEU-International电子和通讯》杂志上卷。72年,52 - 64年,2017页。视图:出版商的网站|谷歌学术搜索
104. h·陈冯,x, s . Wang w·周和耿y”井位优化使用一种分析计算目标函数和猫群优化算法,”石油科学与工程》杂志上卷,157年,第1083 - 1067页,2017年。视图:出版商的网站|谷歌学术搜索
105. c: f .琦鸿z献民,w . Sen,分析师Wensheng, z l .风扇,“好位置与猫群优化算法在优化油田开发限制,”能源技术杂志》上,卷141,不。1,文章ID 012902, 2019。视图:出版商的网站|谷歌学术搜索
106. r . Hassannejad s Tasoujian, m . r . Alipour”呼吸裂缝识别要使用猫群优化算法结构,”Modares机械工程里,15卷,不。12日,17-24,2016页。视图:谷歌学术搜索
107. Mirjalili和a .刘易斯“鲸鱼优化算法”,工程软件的进步卷。95年,51 - 67,2016页。视图:出版商的网站|谷歌学术搜索
108. k . v .价格:h . Awad m . z阿里和p . n . Suganthan100 -位的挑战:问题定义和评估标准的100 -位挑战特别会议和竞争对单一目标数值优化2018年,南洋理工大学,新加坡。
109. a . s . Shamsaldin t·a·拉希德·r·a .大官n . k . Al-Salihi m·穆罕默迪,”驴和走私者优化算法:协同工作的方法路径发现,“计算设计和工程杂志》上》第六卷,没有。4、562 - 583年,2019页。视图:出版商的网站|谷歌学术搜索
110. t·A·拉希德·d·k·阿巴斯,y . k . Turel”的递归神经网络多隐藏修改灰太狼优化器,”《公共科学图书馆•综合》,14卷,不。第三条ID e0213237, 2019。视图:出版商的网站|谷歌学术搜索
111. b·a·哈桑和t·a·拉希德,”操作框架的最新进展回溯搜索优化算法:系统回顾和性能评估,”应用数学和计算文章ID 124919卷,370年,2019年。视图:出版商的网站|谷歌学术搜索
112. h·m·穆罕默德,美国美国Umar, t·A·拉希德“鲸鱼优化算法的系统和荟萃分析调查,“计算智能和神经科学8718571卷,2019篇文章ID, 25页,2019。视图:出版商的网站|谷歌学术搜索
113. c·m·拉赫曼和t·a·拉希德蜻蜓算法及其应用在应用科学调查中,“计算智能和神经科学卷,2019篇文章ID 9293617, 21页,2019。视图:出版商的网站|谷歌学术搜索

版权

版权©2020亚兰·m·艾哈迈德等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。