信息迁移多任务优化共生生物搜索算法

针对现有共生生物搜索(SOS)算法只能求解单个任务,以及信息负迁移影响多任务优化(MTO)性能这两个难题,提出一个信息迁移多任务优化共生生物搜索(ITMTSOS)算法。首先基于多种群演化MTO框架,根据任务个数设置相应数量种群;然后各种群独立运行基本SOS算法,当某一种群连续若干代停滞进化时,引入个体自身最优经验和邻域最优个体以形成知识模块并将该模块迁移至该种群个体进化过程中;最后对ITMTSOS算法时间和空间复杂度进行分析。仿真实验结果表明,ITMTSOS算法同时求解多个不同形态高维函数时均能快速收敛至全局极值解0,与单任务SOS算法相比,平均运行时间最多缩短约25.25%;而在同时求解多维0/1背包问题和师生匹配问题时,所提算法在测试集weing1和weing7上的最优适应值与目前测试集公布的最优结果相比分别提高了22767和22602,师生最优匹配差和平均匹配差的绝对值分别下降了26和33,平均运行时间约缩短了7.69%。

面向路径规划问题的虚拟多任务共生生物搜索算法

针对现有共生生物搜索(SOS)算法在求解路径规划等离散型优化问题时存在性能较差、收敛速度慢等问题,提出虚拟多任务共生生物搜索(VMTSOS)算法。首先根据双向映射解码策略,实现个体连续空间位置和离散城市序列转换;然后引入多任务优化思想构建虚拟多任务环境,设计多种群同时优化同一任务,并通过停滞阈值控制种群间信息迁移频率,当主种群达到停滞阈值时,将辅助种群中部分优秀个体替换为主种群劣质个体;最后对VMTSOS算法时间和空间复杂度进行分析。仿真实验表明,VMTSOS算法在求解多数TSP时均能快速收敛至各测试实例目前的最优解,而在求解冷链物流配送问题时,具有多种群辅助机制的VMTSOS算法能较大程度地降低最优总成本。

共生生物搜索算法在水声信道均衡中的应用

由于多径效应和频散效应导致水声信道中声信号衰减和失真严重,传统均衡技术不能满足在水声信道中应用的要求,近年来神经网络在均衡技术方面的突出表现受到广泛关注,因此,本文提出一种高效的神经网络训练算法,即基于非线性自回归神经网络的改进共生生物搜索算法(简称NARX-nSOS算法)实现水声信道均衡。该算法在非线性自回归神经网络(Nonlinear Autoregressive Neural Network with Exogenous Inputs,NARX)均衡器的基础上,用共生生物搜索算法(Symbiotic Organisms Search,SOS)来进行优化,并结合反向学习算法(Opposition-Based Learning,OBL)来提高该算法的收敛能力,利用计算机对NARX-nSOS算法的有效性进行了仿真验证,结果证明NARXnSOS算法加快了收敛速度,通信质量得到了显著提高。

基于自适应共生生物搜索的人群疏散方法

为了解决传统场域模型在刻画人群疏散过程中的不足,基于自适应共生生物搜索方法来改进场域模型,构建了一种新的室内空间人群疏散优化模型。首先,该模型将路径拥挤度和局部方向拥堵度2个因素融入场域模型,以此构建最小疏散时间的目标优化函数。其次,通过调整动态自适应因子对共生生物搜索的共栖阶段进行扰动,解决优化方法的局部最优问题。最后,根据搭建的真实疏散环境与仿真试验平台,对比分析了改进模型与传统场域模型之间的性能状况。结果表明:传统场域模型在出口处容易造成大量拥挤,而优化模型能够有效实现躲避拥堵;同时优化模型可以根据不同时间段动态调整疏散策略,提高疏散效率。

采用改进共生生物搜索算法的大规模电动汽车接入微电网协调优化研究

针对大规模电动汽车接入微电网运行问题,首先分析包含电动汽车的微电网架构、运行模式、输出特性和数学模型等,并利用蒙特卡罗方法建立电动汽车无序充电负荷模型,建立以微电网综合成本和峰谷差最小的目标函数。其次,为了求解该复杂、高维、非线性模型,且为提高标准共生生物搜索算法的寻优性能,提出改进型共生生物的搜索算法。该算法在标准SOS算法的生物种群初始化阶段采用准反射学习机制;在互利共生搜索阶段采用改进受益因子策略;在偏利共生搜索阶段采用收缩随机数产生因子区间策略。最后,通过电动汽车无序充电和协同优化运行场景实验,对微电网综合运行成本和峰谷差进行对比验证,结果表明,本文所提方法的科学性和有效性。

混合共生生物搜索算法求解置换流水车间调度问题

为了求解置换流水车间调度问题,提出基于共生生物搜索(SOS)算法与局部搜索策略结合的混合共生生物搜索算法.采用最大排序值的优先规则,处理离散的搜索空间.在初始化阶段结合NEH启发式算法以提高初始种群的质量.在优化过程中引入交换变异来改善种群内的多样性,插入-倒转区增加算法跳出局部最优的能力;采用局部搜索策略提升算法的全局探索能力,有效避免了共生生物搜索算法易早熟、后期搜索效率低、易陷入局部最优等缺陷.通过3个最常用、最专业的标准测试集Carlier、Rec和Taillard对算法性能进行测试.与其他多种算法进行比较,验证了提出的混合SOS算法的优越性和稳定性.

自适应精英反向学习共生生物搜索算法

针对共生生物搜索算法在求解高维复杂问题时存在过早收敛,求解精度不高及后期搜索迟滞等问题,结合自适应思想,利用不同差分扰动项和精英反向学习策略对算法进行改进,得到一种改进的共生生物搜索算法。对14个标准测试函数的仿真实验结果进行分析,相比于原算法和其他三种目前流行的算法,改进算法在收敛速度和求解精度方面均具有明显的优势,寻优能力更强。

多策略自适应共生生物搜索算法

针对共生生物搜索算法搜索速度慢、收敛精度不高且易早熟的缺点,提出了一种多策略自适应改进算法。首先,根据适应度将种群分为3个群体,每个群体采用不同的搜索策略以实现不同功能。其次,提出了一种基于实时信息反馈的的混合搜索策略,使其搜索策略实现自适应调整。最后,对超边界个体进行变异操作,以增加种群多样性。对14个标准测试函数的仿真测试表明改进算法全局优化能力更强,具有更好的搜索速度和收敛精度。

基于共生生物搜索算法的汽轮机最优初压研究

为了找到汽轮机在不同负荷下的最优初压,利用改进的共生生物搜索(FSOS)算法和极限学习机(ELM)建立热耗率预测模型,并与BP神经网络、共生生物搜索(SOS)算法优化ELM和FSOS算法优化支持向量机(SVM)等进行了比较。然后,在该模型的基础上用FSOS算法对主蒸汽压力和主蒸汽流量进行优化,使其在各负荷下的热耗率最低。最后,通过优化后的主蒸汽压力拟合出一条最优初压曲线,并与厂家设计的滑压运行曲线进行对比。结果表明:按照最优初压曲线运行,热耗率平均下降约58. 51 k J·(k W·h)^(-1),提高了机组能量的转换效率,对汽轮机经济运行有着显著的效果。

基于旋转学习策略的共生生物搜索算法

为提高共生生物搜索算法(symbiotic organisms search,SOS)的性能,提出一种基于旋转学习策略的共生生物搜索算法(symbiotic organisms search using rotation-based learning,RSOS)。该算法将串行个体更新方式改为并行种群更新方式,提高算法收敛速度;引入遍历保优的旋转学习策略,代替寄生机制的盲目随机搜索,增大保留新个体的概率,补充种群多样性,提高算法跳出局部最优的能力。对于八个标准测试函数仿真表明,RSOS算法较基本SOS算法在收敛速度、收敛精度及稳定性上得到了明显提升。

多角色优化策略的灰狼-共生生物搜索算法

针对共生生物搜索算法存在的易陷入局部最优及搜索停滞等缺陷,提出一种基于多角色优化策略的混合灰狼-共生生物搜索算法(MRSSOS).从算法内部结构、停止防止机制、混合智能优化算法三个方面对标准SOS算法进行改进,减少无效搜索的同时保持种群多样性,进一步平衡算法迭代过程中的探索能力与挖掘能力.实验测试结果表明,改进后的MRSSOS算法性能明显更好,选取的10个单峰函数中,9个都可在1000次迭代内收敛到理论最优解,9个多峰函数中,5个可达最优解,另外2个解优于对比算法,表明MRSSOS在收敛速度、求解精度、稳定性方面性能优势明显.

基于改进共生生物搜索算法的植物冠层图像分割研究

针对植物冠层图像背景复杂干扰目标多,经典Kapur熵阈值化技术效率低的问题,利用改进共生生物搜索算法(Symbiotic Organisms Search,SOS)对最佳阈值组合的选取过程进行优化,有效消除局部最优,进一步利用莱维飞行与自适应权重因子提高算法的优化能力。通过对植物冠层进行分割实验,结果证明,该算法可以获得准确的分割阈值,进而精确地分析植物冠层生长面积与其基因组学间的关系。

基于改进共生生物搜索算法的空战机动决策

针对现代空战机动决策问题,提出了一种基于改进共生生物搜索(SOS)算法的空战机动决策方法。首先,分析了传统基本机动动作库存在的不足,对其进行了改进和扩充,设计了11种常用的基本机动动作;然后,综合考虑角度、距离、速度、高度和战机性能优势,构造了战机机动决策优势函数;最后,针对传统共生生物搜索算法在收敛速度、收敛精度以及局部最优上存在的缺陷,将轮盘赌选择方法、动态变异率和梯度思想引入到传统算法当中,对算法有效性和算法性能进行了仿真分析。仿真结果表明,改进的共生生物搜索算法在收敛速度、收敛精度以及跳出局部最优上更具优势,能够满足空战机动决策需求。

基于加权扰动共生生物搜索算法桩网复合地基优化设计

通过分析桩体未打入硬土层和桩体打入硬土层两种情况下桩网复合地基的受力变形特性和设计计算方法,建立了以桩径、桩长、桩帽边长和厚度、桩间距为设计变量,以地基承载力、沉降、加筋体抗拉、桩帽抗弯抗剪为约束条件,以工程造价为目标函数的桩网复合地基优化设计数学模型;通过引入加权扰动策略和减少寄生操作改进共生生物搜索(SOS)算法,提出了加权扰动共生生物搜索(PWSOS)算法;采用PWSOS算法求解桩网复合地基优化数学模型,得到基于PWSOS算法桩网复合地基优化设计方法。工程实例计算结果表明,改进得到的PWSOS算法具有更好的寻优性能和收敛速度,并得到了更优的桩网复合地基优化设计方案。

基于改进共生生物搜索算法的林火图像多阈值分割

针对传统多阈值分割方法计算复杂度随着阈值个数的增加而增长,以及对给定图像进行多阈值分割操作时效率很低等问题,提出了一种基于共生生物搜索(SOS)算法结合Kapur熵的多阈值分割方法。首先将精英反策略(EOBL)引入到SOS算法的共栖阶段,从而改善传统SOS算法处理复杂优化问题时易陷入局部最优的问题;然后引入莱维飞行策略扩大SOS算法的的搜索范围,增强其搜索轨迹的随机性;最终将得到的改进共生生物搜索(MSOS)算法应用到林火图像最佳阈值的选取问题上。实验结果表明,与粒子群优化算法、和声搜索算法、蝙蝠算法等对比算法相比,所提算法能更好地分割图像,在实际工程问题中具有一定的实用性和价值。

面向低成品率光刻机调度问题的反向-灾变共生生物搜索算法

针对传统进化算法在低成品率步进式光刻机的有效调度问题上因参数多或局部搜索能力不足导致求解质量欠佳的情况,以最小化最大完工时间为优化目标,提出了1种反向-灾变共生生物搜索算法。在共生生物搜索算法的种群初始化及寄生阶段使用反向学习增加种群多样性,从而扩展搜索广度;在算法陷入局部最优时进行灾变判断,根据判断结果跳出局部最优,在下1次迭代的互利共生与偏利共生阶段引入变邻域下降法增加搜索深度。对不同成品率情况进行多种算法的仿真实验,对比结果表明,所提算法具有更好的求解质量。

基于共生生物搜索算法的多阈值图像分割方法

为了解决多阈值OTSU图像分割方法存在的阈值个数增加计算复杂度也随之增加的问题,笔者提出了基于共生生物搜索算法的多阈值图像分割方法,利用共生生物搜索算法寻找最优阈值,提高分割精度。通过对经典图像进行实验,分析实验结果的峰值信噪比和特征相似度,可知共生生物搜索算法能够有效地提高图像分割精度,减少运算时间。

基于共生生物搜索算法优化SVM的学生德育综合评价

为了确切地综合评价大学生德育,从政治素养、思想素质、社会公德、法纪素质和身心素质等5个维度构造大学生德育综合评价指标体系。通过专家打分法获取30个二级指标的评价得分,将大学生德育综合评价等级分为优秀、良好、中等和较差4个等级。将30个二级评价指标得分和大学生德育综合评价等级分别作为SOS-SVM的输入和输出,建立基于多指标的SOS-SVM大学生德育综合评价模型。通过对比分析,基于SOS-SVM方法的德育评价方法较BP法和SVM方法具有更高的准确率,为大学生德育综合评价提供更加科学的参考依据。

基于自适应权重的改进共生生物搜索算法

传统的共生生物搜索算法有着较好的全局搜索能力,但是容易陷入局部最优。为了解决这个问题,笔者提出了基于自适应权重的改进共生生物搜索算法,能够跳出局部最优,并且能够向目标移动时逐渐收敛,更好地找到目标函数的最优值。通过对6个标准测试函数的实验仿真,发现基于自适应权重的改进共生生物搜索算法的寻优能力得到加强,运算时间减少,稳健性更强。

基于子种群拉伸操作的精英共生生物搜索算法

针对共生生物搜索算法存在易早熟、收敛速度慢等缺陷,提出一种基于子种群拉伸操作的精英共生生物搜索算法。在“互利共生”阶段,根据适应度值将种群划分为两个子种群,设计有针对性的进化策略,使两个子种群分别负责开发和探索,有效地平衡算法的收敛速度与精度;在“偏利共生”阶段,利用最优个体的方向性引导信息,引入拉伸因子和差分扰动向量,并修正个体更新模式,从而在提高算法收敛速度的同时保证种群的多样性;模拟寄生体和宿主的生物关系,提出精英"寄生"机制,进一步平衡算法在整个迭代过程中的探索与开发能力。对与标准共生生物算法、改进后的共生生物搜索算法以及其他4个群智能进化算法在17个函数上的测试结果进行比较分析,结果表明所提出的算法精度更佳,收敛速度优势明显。