基于精英反向学习策略的麻雀搜索算法

针对麻雀搜索算法(Sparrow Optimization Algorithm,SSA)存在收敛速度慢、容易陷入局部极值的问题,提出了一种基于精英反向学习(EOBL,elite opposition-based learning)的麻雀搜索算法。该算法引入精英反向学习策略,通过精英个体反向学习生成反向解,同时获取精英麻雀的动态边界,对比更新前后麻雀,如果更优则替代之前的麻雀,从当前解和精英反向解中挑选优异个体作为下一代种群,有效的提高了算法全局搜索能力和搜索精度。通过标准测试函数进行对比仿真,结果表明加入精英反向学习麻雀搜索算法具有很好的全局搜索能力和收敛速度。

应用小生境和反向学习策略的量子粒子群算法

针对粒子群算法收敛速度慢、容易陷入局部最优等缺陷,提出一种应用小生境和反向学习策略的量子粒子群算法。以可拓理论为基础构造算法模型,在群体中划分出小生境,并设置共享区,对共享区粒子实施适应度动态共享,可有效防止算法过早收敛,增强全局搜索能力;为深度挖掘全局最优粒子,引入精英反向学习策略,增强解空间的开发,提高算法精度。通过测试函数评估算法性能,实验结果表明算法的优化性能得到了改善。

基于反向学习策略的自适应花授粉接收信号强度指示室内可见光定位

为提高大型室内场所的定位精度,提出一种基于改进自适应花授粉算法的接收信号强度指示(RSSI)可见光定位方案。利用固定在屋顶呈网格型排布的LED发送位置信息,接收端采用基于反向学习策略和自适应花授粉算法的RSSI定位方法实现精确定位。传统花授粉算法具有易陷入局部最优、缺乏变异机制等缺点,利用反向学习策略可使初始种群分布更加均匀,通过提高种群多样性可使算法跳出局部最优;采用有利于全局广泛搜索的自适应移动因子提高收敛速度。在100 m×100 m×100 m大型室内场所的一层100 m×100 m×10 m的空间中,考虑热噪声和散射噪声干扰的情况,经过多次仿真可得,相比于传统定位算法,随机灯排布下采用改进花授粉的RSSI算法的定位误差小于±1 cm;采用网格型灯排布结合改进定位算法的室内可见光定位系统时,定位精度得到明显提升,定位时间大幅缩短。该方案具有定位精度更高、计算速度更快、工作稳定等优点。

一种基于算术运算和透镜成像学习策略的改进灰狼优化算法

针对基本灰狼优化算法收敛速度慢,易陷入局部搜索的情况,提出一种基于算术运算和透镜成像学习策略的改进灰狼优化算法。该算法在基本灰狼优化算法的基础上,引入算术优化算法的乘除算子,利用带透镜成像的反向学习策略增强最优个体的多样性,增强算法的全局探索能力,提高收敛速度。对比实验结果表明,改进的灰狼优化算法具有收敛速度快、易跳出局部寻优状态,在30个基准测试函数的求解中获得了28个测试函数的最优均值,并且求解质量及普适性均优于最新的几种对比算法。

融合学习策略和邻域搜索的飞蛾火焰算法

为进一步降低基本飞蛾火焰算法陷入局部最优的概率并提高种群多样性,提出一种融合学习策略和邻域搜索的飞蛾火焰算法。将拟反向学习策略嵌入到火焰更新过程,有助于火焰从局部最优中跳出,并且提供了更高的机会接近问题的未知最优解。对飞蛾种群基于适应度值分群,其中一个群采用排序配对学习策略以实现个体间的信息交流,另一个群采用邻域搜索策略以增加种群多样性,这种并行计算能更快地提升整个种群的质量。选取CEC2017测试函数进行数值实验,测试结果和统计分析表明了所提算法具有更高的求解精度和稳定性。将所提算法用于求解OR-Library中的标准实例,结果验证了所提算法对作业车间调度问题是有效的。

基于反向策略的混沌麻雀搜索算法

针对麻雀搜索算法(SSA)在全局搜索初期多样性较差且后期具有陷入局部最优的风险,利用反向学习策略和混沌理论提出了一种改进的麻雀搜索算法(ISSA)。首先,在麻雀初始化种群个体位置时引入反向学习策略,以提高寻优前期麻雀种群整体质量,利于加快全局搜索速度;其次,在算法后期采用Sinusoidal map混沌映射策略,对麻雀位置进行扰动以提高算法的局部开发能力。利用12个国际基准测试函数测试改进算法的性能,并与SSA、改进灰狼算法(TGWO)、鲸鱼算法(WOA)、多分段动态定权粒子群算法(DPSO)进行对比,实验表明ISSA在收敛精度和算法的稳定性方面均表现更优,且收敛速度更快。

基于精英反向学习的萤火虫k-means改进算法

为解决传统k-means聚类算法在聚类精度及中心点选取方面的问题,提出一种基于精英反向学习的萤火虫k-means改进算法。针对k-means算法的弱点,利用萤火虫优化算法具有较强全局搜索能力这一特性,使用精英反向学习策略对萤火虫进行改进,扩大萤火虫的搜索范围并提高收敛速度,对萤火虫的吸引度和步长因子进行改进,提升聚类效率。将改进算法运用到UCI标准数据集进行聚类仿真实验,该算法在寻优精度和收敛速度上有更好的结果,验证了其有效性。

一种精英反向学习的萤火虫优化算法

为了提高传统萤火虫算法的收敛速度和求解精度,提出了一种精英反向学习的萤火虫优化算法。通过反向学习策略构造精英群体,在精英群体构成的区间上求普通群体的反向解,增加了群体的多样性,提高了算法的收敛速度;同时,为了避免最优个体陷入局部最优,使整个群体在搜索过程中出现停滞,提出了差分演化变异策略;最后,提出了一种线性递减的自适应步长来平衡算法的开发能力。实验结果表明,算法在收敛速度和收敛精度上有更好的效果。

透镜成像反向学习的精英池侏儒猫鼬优化算法

侏儒猫鼬优化算法(dwarf mongoose optimization,DMO)是新提出的一种元启发式算法,该算法具有较强的全局探索能力和稳定性,但由于原始算法中仅依靠雌性首领带领整个猫鼬种群进行搜索,会产生收敛速度较慢、易陷入局部最优以及探索阶段与开发阶段之间的平衡较差等问题。针对上述问题,提出一种融合透镜成像反向学习的精英池侏儒猫鼬优化算法(improved dwarf mongoose optimization,IDMO),采用透镜成像反向学习策略,避免算法在迭代过程中陷入局部最优,增强算法的探索能力;在阿尔法组觅食时引入精英池策略,提高了算法的收敛精度,进一步增强算法探索能力。通过基准测试函数进行实验,表明IDMO算法具有良好的寻优性能和鲁棒性,且算法收敛速度得到显著提升。通过对汽车碰撞优化问题的求解,进一步验证了IDMO算法具有良好的适用性和有效性。

基于自适应反向学习秃鹰搜索算法的最优潮流计算

针对秃鹰搜索算法(BES)易陷入局部最优、全局搜索与局部开发难以平衡的缺点,引入反向学习策略,促使秃鹰个体进行竞争,结合柯西变异策略和自适应惯性权重因子,提出了一种自适应反向学习秃鹰搜索算法(AOBES),并将其引入最优潮流问题求解。IEEE30节点系统仿真结果表明,采用AOBES算法求解最优潮流问题具有寻优精度高、稳健性强等优势。

基于混沌精英和Lévy飞行策略的鲸鱼优化算法

针对鲸鱼优化算法(Whale Optimization Algorithm,WOA)存在的收敛速度慢、精度低的问题,提出了基于Tent混沌精英和Lévy飞行策略的鲸鱼优化算法(TELWOA)。使用Tent混沌映射初始化鲸鱼种群,保持种群的多样性,并通过引入精英反向学习策略,对初始种群的精英个体生成反向解,选取适应度高的种群作为下一代鲸鱼种群,加快算法收敛速度。其次,通过使用非线性收敛因子,缓解算法全局搜索和局部搜索能力不平衡的现象。最后,在鲸鱼位置寻优过程中使用Lévy飞行策略,避免算法陷入局部最优,提升算法的全局搜索能力。通过对不同改进策略的有效性分析、与其他智能算法的对比分析,证明了TELWOA算法在收敛精度、算法稳定性和全局寻优能力上与对比算法有显著提升,具有一定的实际工程应用能力。

基于精英反向学习的改进BAS算法

针对标准天牛须算法(BAS)收敛精度不高、容易陷入局部最优值的问题,提出一种基于精英反向学习的改进BAS算法(IBAS)。首先采用天牛种群代替单一天牛个体,通过种群的精英个体指引天牛个体的搜索路径,提高种群搜索效率;然后引入精英反向学习策略增加种群的多样性,改善算法的全局寻优能力。基于8个基准函数分别在低维与高维进行仿真实验,相较于其他比较算法,IBAS算法取得了更优的寻优精度与鲁棒性。

多策略融合鲸鱼算法与二维最大熵的图像分割

传统的图像分割算法存在抗噪声差、迭代速度不高等缺陷,为了提高图像分割的质量,提出一种引入反向学习策略的鲸鱼优化算法(WOA)与二维最大熵结合的图像分割方法,并通过结合Sobol序列、自适应权重系数、收敛因子的非线性调整优化后的WOA算法,得到目标图像的最优阈值,并对其进行分割。通过与原始WOA算法在测试函数上的对比,表明改进算法具有较好的收敛性和较快的收敛速度。将改进算法实际运用到草坪背景下,分割后图片的峰值信噪比值相较于另外2种对比算法分别提高了5.2%、3.5%,在天空背景下分别提高了3.6%、2.2%,证明了改进后的算法可以提高分割的图片质量,体现了该算法的优越性。

多策略SMA-BP神经网络的空气质量指数预测

针对BP神经网络预测精度不佳、预测结果不稳定的问题,提出改进黏菌算法(ISMA)优化BP神经网络的预测模型,引入Tent混沌映射克服初始种群分布不均的缺点,针对黏菌算法位置更新的随机性和后期容易陷入局部最优等问题引入领导者策略和莱维飞行策略,利用自适应反向学习策略扩大搜索空间并用23组基准函数加以测试。随后利用ISMA算法优化BP网络模型的初始权值和阈值,构建ISMA-BP空气质量指数预测模型,最后将收集到的779组空气质量指数数据代入预测模型中进行测试分析,实验结果表明,与BP神经网络模型、GWO-BP、SMA-BP模型相比,ISMA-BP模型对AQI的预测具有更高的精度,其预测的均方误差为3.8402,平均绝对误差分别为1.5078。

一种混合策略改进的灰狼优化算法

为了改善传统灰狼优化算法初始种群不均匀、收敛速度慢和易陷入局部寻优的缺点,提出一种混合策略改进的灰狼优化算法。首先,基于反向学习策略生成多样化种群,为算法全局搜索奠定基础;然后,引入非线性调整策略平衡算法的全局和局部搜索能力,提升算法运行效率;最后,在位置更新中引入莱维飞行策略扩大搜索范围,增强算法全局搜索能力。通过12个标准基准函数测试算法性能。仿真结果表明,IGWO算法比传统GWO算法的寻优精度和稳定性平均提高了4倍。

融合学习机制的多混沌麻雀搜索算法

针对麻雀搜索算法(SSA)易受初始解的影响陷入局部极值、迭代后期收敛速度慢等缺陷,提出了一种融合学习机制的多混沌麻雀搜索算法(MMCSSA)。首先,引入重心反向学习策略(COBL)生成精英种群增强对多源优质搜索区域的勘探能力,提升算法的局部极值逃逸能力和收敛性能。其次,提出一种动态调整的黄金正弦领导策略并嵌入SSA中以改善发现者的搜索方式,增强算法的全局搜索能力。然后,提出一种基于学习机制的多混沌映射策略,该机制利用多混沌多扰动模式的特性,通过动态调用不同混沌映射赋予算法不同类别的扰动特征。混沌扰动失败时,引入高斯变异策略对当前解进行深度开发,两种策略协同作用,相互促进,极大增强了算法逃逸局部最优的能力。最后,将所提算法应用于12个不同特征的基准函数进行实验,结果表明与其他算法相比,MMCSSA在收敛精度、寻优速度和鲁棒性方面有更好的表现。

基于改进灰狼算法的自动导航小车控制策略

针对灰狼算法(grey wolf optimizer,GWO)易陷入局部最优、后期收敛速度慢等问题,通过引入改进Tent混沌映射反向学习策略和非线性收敛因子,并加入差分进化的变异、交叉、选择操作,提出一种改进的差分灰狼优化算法(improved differential evolution grey wolf optimizer,IDE-GWO)。将改进算法应用于优化自动导航小车(automated guided vehicle,AGV)的比例积分微分(proportion integration differentiation,PID)控制参数,并与其他几种算法进行对比。Simulink仿真实验结果表明:该改进算法优化PID参数的控制效果明显优于其他智能优化算法,能够有效地提升AGV轨迹跟踪性能,使得AGV实际轨迹能较好拟合目标轨迹。

基于反向变异麻雀搜索算法的微电网优化调度

微电网系统包括多种分布式电源,为了降低微电网发电成本,应用优化算法对微电网进行调度很有必要。传统优化算法在微电网调度求解时容易陷入局部最优,导致收敛速度下降,因此文中在麻雀搜索算法(SSA)的基础上,提出一种反向变异麻雀搜索算法(RMSSA)。首先,利用反向学习策略和自适应t分布变异扩大SSA的寻优范围,提高种群多样性,改善SSA的搜索能力,然后建立以综合运行成本最低为目标的微电网优化调度模型,最后设定功率平衡、充放电速率、爬坡速率等约束条件,利用RMSSA对微电网优化调度模型进行求解。对比仿真结果表明此算法具有良好的全局搜索能力,其在收敛速度、寻优精度和稳定性上优于原SSA、灰狼算法、蝙蝠算法,微电网能获得更佳的综合效益。

基于混合麻雀算法改进反向传播神经网络的短期光伏功率预测

精准地预测短期光伏发电功率,是提高光伏电站运行效率、保障光伏并网后安全稳定运行的关键。因此,提出了一种基于精英反向学习策略并结合Metropolis准则的混合麻雀搜索算法(hybrid sparrow search algorithm,HSSA)改进反向传播神经网络(back propagation neural network,BPNN)的预测模型。首先采用皮尔逊相关系数公式选择与光伏输出相关性最好的气象特征集作为模型的输入,避免冗余的气象因子影响光伏输出。再利用欧式距离公式计算时序相似度来选取训练集,以提高训练集的可靠性。最后,使用HSSA-BPNN的权阈值建立预测模型,并利用新疆某光伏电站的实际数据进行实验分析。分析结果表明,与BPNN、粒子群算法(particle swarm algorithm,PSA)-BPNN、麻雀搜索算法(sparrow search algorithm,SSA)-BPNN相比,混合麻雀搜索算法(hybrid sparrow search algorithm,HSSA)-BPNN模型具有良好的适应性、较好的预测性能。

基于优化极限学习机的人造板厚度在线检测

为提高人造板厚度检测精度,提出一种基于改进哈里斯鹰优化(Harris Hawk Optimization,HHO)算法提升极限学习机(Extreme Learning Machine,ELM)的人造板厚度检测方法。通过对HHO算法进行改进,并利用优化后的算法对ELM的权值和偏置值等参数进行选择,在提升算法性能的基础上保留其寻优机制。同时,在初始种群位置中引入Tent映射反向学习,减少了不必要的全局搜索,在不影响种群多样性的条件下提高算法的收敛速度。最后以中密度纤维板(Medium Density Fiberboard,MDF)为例进行在线检测实验,得到实验数据并进行对比分析。实验结果显示,所提方法能够有效地减少测量误差,提高测量精度,具有一定的实际应用价值。