International Journal of Complexity in Applied Science and Technology,
投稿网址:https://www.inderscience.com/jhome.php?jcode=ijcast,
发表论文不收取任何费用,论文平均审稿25天内即可录用。
-
亨利气体溶解优化 (Henry Gas Solubility Optimization, HGSO)
- 特点: 基于物理原理的优化算法,灵感来自气体溶解度。
-
阿基米德优化算法 (Archimedes Optimization Algorithm, AOA)
- 特点: 新的元启发式算法,用于解决优化问题。
-
黑寡妇优化算法 (Black Widow Optimization, BWO)
- 特点: 一种新的元启发式方法,灵感来自黑寡妇蜘蛛。
-
哈里斯鹰优化 (Harris Hawks Optimization, HHO)
- 特点: 灵感来源于哈里斯鹰的捕猎行为。
-
牧羊犬优化算法 (Shepherd Optimization Algorithm, SOA)
- 特点: 一种新的元启发式算法。
-
变异蛙跳算法 (Mutated Frog Leaping Algorithm, MFLA)
- 特点: 基于蛙跳行为的优化算法。
-
水循环算法 (Water Cycle Algorithm, WCA)
- 特点: 模拟自然水循环过程的优化算法。
-
火焰算法 (Firefly Algorithm, FA)
- 特点: 基于萤火虫闪烁行为的优化算法。
-
粒子群优化 (Particle Swarm Optimization, PSO)
- 特点: 模拟鸟群和鱼群行为的群体优化算法。
-
教学-学习优化算法 (Teaching-Learning-Based Optimization, TLBO)
- 特点: 模拟教学过程的优化算法。
-
化学反应优化 (Chemical Reaction Optimization, CRO)
- 特点: 基于化学反应过程的优化算法。
-
小世界优化算法 (Small World Optimization Algorithm, SWO)
- 特点: 基于小世界现象的优化算法。
-
人工免疫系统 (Artificial Immune System, AIS)
- 特点: 模拟生物免疫系统的优化算法。
-
蜜蜂群算法 (Bee Colony Optimization, BCO)
- 特点: 模拟蜜蜂觅食行为的优化算法。
-
蚁群算法 (Ant Colony Optimization, ACO)
- 特点: 模拟蚂蚁觅食行为的优化算法。
-
模拟退火 (Simulated Annealing, SA)
- 特点: 模拟退火过程的优化算法。
-
禁忌搜索 (Tabu Search, TS)
- 特点: 使用禁忌表避免循环搜索的优化算法。
-
极限学习机优化(ELM)
- 英文全称: Extreme Learning Machine Optimization
- 缩写: ELM
- 主要特点: 通过极限学习机算法优化模型参数,具有训练速度快,泛化能力强等优点。
-
鲸鱼优化算法(WOA)
- 英文全称: Whale Optimization Algorithm
- 缩写: WOA
- 主要特点: 模拟座头鲸的泡泡网捕食行为,通过搜寻和包围猎物进行全局搜索和局部搜索,适用于连续和离散优化问题。
-
烟花算法(FWA)
- 英文全称: Firework Algorithm
- 缩写: FWA
- 主要特点: 模拟烟花爆炸过程,通过生成烟花和火花进行搜索,具有较强的全局搜索能力。
-
草履虫优化算法(PFOA)
- 英文全称: Paramecium Firefly Optimization Algorithm
- 缩写: PFOA
- 主要特点: 结合草履虫运动行为和萤火虫算法,改进了寻优能力,适用于多种优化问题。
-
水循环算法(WCA)
- 英文全称: Water Cycle Algorithm
- 缩写: WCA
- 主要特点: 模拟水循环过程,通过水的蒸发、降雨、径流等过程进行全局搜索,适用于多峰优化问题。
-
人工蜂群算法(ABC)
- 英文全称: Artificial Bee Colony Algorithm
- 缩写: ABC
- 主要特点: 模拟蜜蜂觅食行为,采用工蜂、跟随蜂和侦察蜂三种角色进行搜索,具有简单易行和全局搜索能力强的优点。
-
狮群优化算法(LOA)
- 英文全称: Lion Optimization Algorithm
- 缩写: LOA
- 主要特点: 模拟狮群社会结构和捕猎行为,通过雌狮狩猎和雄狮统治等过程进行搜索,适用于大规模复杂优化问题。
-
萤火虫算法(FA)
- 英文全称: Firefly Algorithm
- 缩写: FA
- 主要特点: 模拟萤火虫的闪光吸引行为,通过光强度和吸引力进行全局和局部搜索,适用于多峰优化问题。
-
群狼优化算法(GWO)
- 英文全称: Grey Wolf Optimizer
- 缩写: GWO
- 主要特点: 模拟灰狼的狩猎和社会等级结构,通过包围、追捕和攻击猎物进行搜索,具有良好的全局搜索能力。
-
鲸鱼优化算法(WOA)
- 英文全称: Whale Optimization Algorithm
- 缩写: WOA
- 主要特点: 模拟座头鲸的泡泡网捕食行为,通过搜寻和包围猎物进行全局搜索和局部搜索,适用于连续和离散优化问题。
-
生物地理学优化算法(BBO)
- 英文全称: Biogeography-Based Optimization
- 缩写: BBO
- 主要特点: 模拟物种在地理区域中的迁移和扩散,通过适应度值和迁移率进行搜索,适用于多峰优化问题。
-
光滑粒子群算法(Smooth Particle Swarm Optimization,SPSO)
- 主要特点:SPSO算法通过引入粒子光滑度和适应度函数平滑度,减小粒子群搜索过程中的抖动,提高搜索精度和稳定性。
-
可变形群体优化算法(Deformable Particle Swarm Optimization,DPSO)
- 主要特点:DPSO算法通过引入变形粒子,增强算法的全局搜索能力和局部搜索能力,避免陷入局部最优。
-
引力搜索算法(Gravitational Search Algorithm,GSA)
- 主要特点:GSA通过模拟物理引力来引导搜索过程,粒子间的引力相互作用使得粒子逐渐聚集到全局最优解。
-
黑洞优化算法(Black Hole Optimization,BHO)
- 主要特点:BHO算法模拟黑洞的吸引力作用,将低适应度的解吸引到高适应度的解附近,从而提高算法的收敛速度和精度。
-
光明群体优化算法(Bright Swarm Optimization,BSO)
- 主要特点:BSO通过引入光源的吸引力,模拟光明对粒子的吸引作用,增强算法的全局搜索能力。
-
引力和电荷优化算法(Gravitational and Electrostatic Optimization,GEO)
- 主要特点:GEO算法结合引力和电荷相互作用,通过引力和电场力的共同作用,引导搜索过程,提高算法的搜索效率。
-
吸引力优化算法(Attractive Optimization,AO)
- 主要特点:AO通过模拟物理吸引力,引导粒子逐渐靠近最优解,增强算法的全局搜索能力和局部搜索能力。
-
光束搜索算法(Beam Search Optimization,BSO)
- 主要特点:BSO算法通过模拟光束的聚集作用,引导搜索过程,提高搜索精度和稳定性。
-
动态权重优化算法(Dynamic Weight Optimization,DWO)
- 主要特点:DWO通过动态调整粒子的权重,提高搜索过程中的灵活性和适应性。
-
自适应变异优化算法(Adaptive Mutation Optimization,AMO)
- 主要特点:AMO通过引入自适应变异操作,增强算法的全局搜索能力和局部搜索能力。
-
弹簧优化算法(Spring Optimization Algorithm,SOA)
- 主要特点:SOA通过模拟弹簧的弹力作用,引导粒子逐渐靠近最优解,提高搜索精度和稳定性。
-
磁场优化算法(Magnetic Field Optimization,MFO)
- 主要特点:MFO通过模拟磁场的吸引力作用,引导搜索过程,提高搜索效率和精度。
-
电磁场优化算法(Electromagnetic Field Optimization,EFO)
- 主要特点:EFO通过模拟电磁场的相互作用,引导粒子逐渐聚集到最优解,提高算法的收敛速度和精度。