基于透镜成像对立学习TSO算法的无人机三维航迹规划

金枪鱼优化算法求解无人机三维航迹规划容易出现搜索精度差、航迹代价高的问题,为此设计了基于透镜成像对立学习机制的改进金枪鱼优化算法。首先,引入非线性权重系数更新、最优最差对立学习及透镜成像对立学习策略对金枪鱼优化算法寻优性能进行改进,提升算法逼近最优解的精度;然后,建立具有地貌约束和性能约束的障碍物威胁模型,将无人机三维航迹规划问题转换为代价函数优化问题,利用改进算法迭代求解航迹规划,搜索代价最小且安全避障的最优航迹。实验结果表明,改进算法有效解决了原有早熟收敛问题,其规划航程更短、代价更低,且航迹规划效率得到了有效提升。

伪对立学习与差分进化的改进鲸鱼优化算法及图像分割应用

针对多阈值图像分割计算代价高、分割精度差的不足,提出伪对立学习与差分进化的改进鲸鱼优化最大熵多阈值图像分割算法。为了提升传统鲸鱼算法的寻优精度和收敛速率,引入伪对立学习和混沌Tent映射进行种群初始化,提升种群多样性和初始解质量,扩大精英个体对种群进化的引领作用;引入差分进化增强种群全局搜索能力,避免迭代后期陷入局部最优,进而实现改进算法OLDWOA。以最大熵函数评估适应度,利用OLDWOA对图像分割多阈值组合寻优,确定最优阈值。利用经典图像做图像分割实验,在计算效率、峰值信噪比、结构相似度和特征相似度指标上对比,证实该方法分割精度和分割效率优于同类算法。

透镜成像对立学习的SMA算法及舆情预测应用

网络舆情具有小样本特征,而传统方法预测准确率低,容易得到局部最优。为此,提出一种改进黏菌算法优化支持向量机的网络舆情预测模型ISMA-SVM。引入混沌Circle映射机制提高初始种群的多样性;利用对数非线性调节反馈因子均衡算法全局搜索与局部开发;设计透镜成像对立学习机制对最优个体变异,扩展搜索空间并避免算法陷入局部最优。利用改进黏菌优化算法优化支持向量机模型,构建网络舆情预测模型。以若干舆情热点百度指数作为样本进行实证研究,结果表明,改进模型具有更高的数据拟合度,预测准确度更高。

个体扰动的混沌对立学习与差分进化灰狼算法

针对传统灰狼优化算法易于陷入局部最优、寻优精度低的问题,提出基于混沌对立学习和差分进化机制的改进灰狼优化算法CODEGWO。引入混沌对立学习策略生成灰狼初始种群,提升初始解的质量,加速算法收敛;引入差分进化的局部搜索机制,改善灰狼的局部开发与邻近区域的搜索能力;引入个体扰动机制增加种群多样性,改进灰狼的全局搜索能力。8个单峰和多峰基准函数优化求解的测试结果表明,CODEGWO算法可以有效提升寻优精度和收敛速度。

基于PSO与对立学习的细菌觅食算法

为提高细菌觅食算法处理高维问题时的收敛速度及精度,提出一种基于粒子群优化算法和对立学习的细菌觅食算法PO-BFA。在种群初始化阶段采用对立学习取代随机初始化,在进化过程中利用对立学习进行种群动态跳跃,以提高算法的收敛速度,并以粒子移动代替细菌的趋化操作,由此省略细菌前进操作。基于6个高维Benchmark函数的实验结果表明,该算法的收敛速度和精度均优于同类算法。

融合对立学习的混合灰狼优化算法

针对标准灰狼优化(grey wolf optimization,GWO)算法存在后期收敛速度慢,求解精度不高,易出现早熟收敛现象等问题,提出了一种基于对立学习策略和Rosenbrock局部搜索的混合灰狼优化(hybrid GWO,HGWO)算法。该算法首先采用对立学习策略取代随机初始化生成初始种群,以保证群体的多样性;然后对当前群体中最优个体进行Rosenbrock局部搜索,以增强局部搜索能力和加快收敛速度;最后为了避免算法出现早熟收敛现象,利用精英对立学习方法产生精英对立个体。对6个标准测试函数进行仿真实验,并与其他算法进行比较,结果表明,HGWO算法收敛速度快,求解精度高。

基于混合二次对立学习的生物地理优化算法

针对生物地理优化(BBO)算法探索能力不强、收敛速度慢的缺点,提出一种基于混合二次对立学习的生物地理优化算法——HQBBO。首先,定义一种启发式的混合二次对立点,并从理论上证明其搜索效率优势;然后,提出混合二次对立学习算子,增强算法的全局探索能力,提高收敛速度;此外,还采用搜索域动态缩放策略和精英保留策略进一步提高寻优效率。对8个基准测试函数的仿真实验结果表明,所提算法在寻优精度和收敛速度上优于基本BBO算法和对立BBO算法(OBBO),表明其采用的混合二次对立学习算法对于其高收敛速度和全局探索能力是非常有效的。

基于对立学习的PSO算法研究

为进一步提高PSO算法的优化效率,加速寻优过程,提出基于随机对立策略的PSO算法,包括QOP-SO和QRPSO。这两种算法在种群初始化阶段采用随机对立学习方法,并在进化过程中用随机对立学习进行种群动态跳跃,以提高产生解的质量。利用6个测试函数对算法的效率进行检验,将其与标准PSO和OPSO算法进行对比,结果表明,新算法具有更快的收敛速度和更高的求解精度。

基于正交对立学习的改进麻雀搜索算法

针对麻雀搜索算法种群多样性少,局部搜索能力弱的问题,本文提出了基于正交对立学习的改进型麻雀搜索算法(OOLSSA)。首先,在算法中引入正态变异算子,丰富算法种群多样性;其次,利用对立学习策略,增强算法跳出局部最优的能力;然后,在加入者更新之后引入正交对立学习机制,加快算法的收敛速度;最后,基于15个基准测试函数与6个传统优化算法和2个改进型算法进行仿真实验、非参数Friedman检验以及算法平衡能力进行分析,评估OOLSSA算法寻优性能。仿真结果证明,OOLSSA与其余8种算法相比,算法的探索开发能力以及收敛速度都表现良好。

混沌与对立学习正余弦算法及多阈值图像分割

针对传统多阈值图像分割方法效率低、分割精度差,提出基于混沌与对立学习正余弦算法COLSCA的多阈值图像分割方法。为提高正弦余弦算法的寻优精度和收敛速率,引入非线性对数曲线对正余弦振幅转换参数进行更新,平衡算法全局勘探与局部开发能力;利用混沌搜索对种群精英个体进行变异,增强局部开发能力;设计对立学习增强种群多样性,避免局部最优解。将Kapur熵作为适应度函数,利用COLSCA算法求解图像分割阈值。实验结果表明,该算法可以有效提升图像分割精度和分割效率。

融入混沌与对立学习机制的二进制粒子群特征选择算法

为了实现特征空间降维,提高文本聚类准确性,提出一种融入混沌与对立学习的二进制粒子群优化特征选择算法。设计了新的词条权重计算方法,将文本数据表达为矢量空间模型;提出改进二进制粒子群算法求解特征选择问题,引入混沌系统和对立学习机制对粒子随机搜索方向和初始种群分布分别进行优化;在评估粒子适应度中引入词条方差和平均中位数两种方法对特征子集评估,并设计特征合并和交叉机制融合两种适应度的优势,生成最优特征子集;利用K均值算法对特征选择的文本进行聚类。结果表明,该算法在特征降维、聚类准确率、F度量值上均优于同类算法,可以有效实现特征空间降维并提升文本聚类性能。

基于对立学习的改进CoDE算法

针对复合差分进化(CoDE)算法中所采用策略的局部搜索能力较弱及种群初始个体性能较差的缺点,提出了一种改进的CoDE算法.采用对立学习方式对种群进行初始化,改善初始解的性能;为加强算法的局部开发能力,提出了一个具有精英解的新变异策略以改进CoDE变异策略池.对30个CEC2014测试函数进行数值模拟并与9种算法进行了比较,结果表明该算法提高了计算的收敛速度和精度.

融合混沌对立和分组学习的海洋捕食者算法

针对海洋捕食者算法存在收敛速度慢、不易逃出局部最优的缺点,提出了一种改进海洋捕食者算法。将混沌映射与对立学习策略相结合,在保证遍历性和随机性的同时,生成高质量的初始猎物种群。引入自适应t分布变异算子更新种群,增加种群多样性,避免陷入局部最优。对更新后的种群,按照适应度分为精英组和学习组,学习组向精英组猎物的平均维度进行学习,精英组内的猎物相互维度学习,进一步提高种群质量和搜索精度。选取15个测试函数,通过对比测试,验证了改进后的算法可以有效提高原算法的收敛速度和寻优精度。将改进后的算法应用于无线传感器网络覆盖优化,实验结果显示,改进后的算法提高了网络覆盖率,优化后的节点分布更加均匀。

未知环境下基于虚拟子目标的对立Q学习机器人路径规划

针对Q学习算法在复杂的未知环境下Q值更新速度慢,容易产生维数灾难等问题,提出了一种未知环境下基于虚拟子目标的对立Q学习机器人路径规划算法.该算法根据移动机器人探索过的状态轨迹,建立了2个状态链分别记录状态-动作对和状态-反向动作对,并将每个单链当前状态的Q值,依次反馈影响前一状态的Q值,直到状态链的头端.同时,在局部探测域内通过寻找最优虚拟子目标的方法解决了大规模环境下Q学习容易产生维数灾难的问题.实验结果表明,在复杂的未知环境中,该算法可以有效地加快算法学习的收敛速度,提高学习效率,以较优的路径完成机器人导航任务.

求解农业物流配送中心选址的自学习蝗虫算法

为降低物流配送成本,提高配送效率,提出自学习蝗虫优化算法IGOA求解农业物流配送中心选址问题。为提高标准GOA算法的寻优精度和速率,设计佳点集种群初始化方法,提高种群分布均匀性;引入伪对立学习对最优个体变异,增强种群跳离局部最优的能力;根据适应度对种群对半划分,分别对两个子种群进行配对自学习和邻域搜索,提高种群寻优质量。利用改进蝗虫优化算法IGOA对农业物流配送中心选址模型迭代寻优,其结果表明,IGOA算法可以降低物流配送成本,提高配送效率。

相空间重构与改进SMA优化SVR的网络流量预测

为提高网络流量预测精度,提出结合相空间重构与改进黏菌优化支持向量回归的预测模型。为解决黏菌算法收敛慢、易得局部最优的不足,引入3种形态对立学习对种群进行初始化,提高种群多样性;利用非线性反馈因子更新机制,均衡全局搜索与局部开发;设计柯西-高斯混合变异对最优解变异,扩展搜索空间,避免陷入局部最优。利用改进黏菌算法对支持向量回归优化调参,有效解决超参初值敏感缺陷,提高学习精度和收敛速度,以此构建网络流量预测模型。实验结果表明,改进模型预测误差更小,能够实现高精度和实时性预测要求。

基于多策略混合改进HHO算法的WSN节点覆盖优化

针对监测区域内无线传感器网络节点部署容易出现分布不均匀、有效覆盖率低等问题,提出一种多策略混合改进哈里斯鹰算法的WSN节点覆盖优化策略。利用Fuch无限折叠混沌初始化、自适应精英个体对立学习、正余弦优化和高斯与拉普拉斯最优解变异策略对标准哈里斯鹰优化算法的性能进行改进。利用改进算法求解WSN节点覆盖优化问题,以监测区域网络覆盖率最大为目标,对节点部署位置寻优。实验结果表明,改进策略能够得到更高的网络覆盖率,减少传感节点冗余,延长网络生存时间。

求解约束优化问题的改进蛇优化算法

结合外点罚函数法与改进蛇优化算法求解约束优化问题,得到一种新的求解约束优化问题的算法WDFSO。算法WDFSO首先通过外点罚函数法将约束优化问题转化为一系列界约束优化问题,然后运用基于变异质心的对立学习策略与种群分类策略改进的蛇优化算法对所得界约束优化问题进行求解,进而获得所求约束优化问题的解。为验证算法WDFSO的有效性,选取CEC2006中19个标准约束优化问题进行数值实验,并使用Wilcoxon秩和检验来证明算法的显著性。实验结果表明,与对比算法相比,算法WDFSO求解约束优化问题具有更高的收敛精度和更好的稳定性。最后应用算法WDFSO求解两个工程约束优化问题,结果表明算法WDFSO求解性能更好。

改进ISCA算法的工业炉火焰图像阈值分割方法

工业炉是一种利用燃料燃烧的热量对物料进行加工的高温设备。若使用不当,极易发生爆炸现象,通过观测工业炉火焰图像可准确了解燃料的燃烧情况,避免事故的发生。但工业炉火焰图像易受燃烧工况等因素的影响,选取分割阈值存在一定的难度,无法准确地分割火焰图像。为此,提出一种基于改进ISCA算法的工业炉火焰图像阈值分割算法。利用混沌映射、归一化方式改进ISCA算法,根据贪婪选择设立对立学习机制,增加种群多样性,有效避免陷入局部最优解。基于中值滤波算法,对火焰图像噪声进行去除,利用阈值分割、灰度直方图,建立火焰图像阈值分割函数模型,结合Kapur熵最大化、累积分布函数求解该模型,完成工业炉火焰图像阈值分割。实验结果表明,所提算法的误分率始终低于2%,阈值分割用时在0.3 s以下,第17次迭代即可完成收敛,该算法在工业炉火焰图像阈值分割过程中运算速度快且阈值分割误分率低,可以有效提高工业炉火焰图像阈值分割精度。

基于OOLSSA-LSTM的光伏发电预测模型研究

预测精确度一直是负荷预测的重点研究方向。提出一种利用正交对立学习改进的麻雀搜索算法[An Improved Sparrow Search algorithm Based on orthogonal-opposition-based learning(OOLSSA)]与长短期记忆网络(Long Short Term Memory network)组成的OOLSSA-LSTM混合预测模型,利用正交对立学习对麻雀算法进行优化,对LSTM参数进行选择,避免人为选择造成的误差。通过实验对比单一的LSTM预测模型、SSA-LSTM预测模型及OOLSSA-LSTM预测模型的预测结果,得到的实验结果满足预期,证明此改进算法具有更好的寻优结果,为功率预测提供一个新方案。