基于自适应步长萤火虫-多重信号分类算法的低空目标波达方向估计

该文针对传统多重信号分类算法(MUSIC)不适用于低空多径环境下目标波达方向(DOA)估计且谱峰搜索计算量大的问题,在解相干基础上,提出一种基于自适应步长萤火虫算法的多重信号分类算法。该方法通过对快拍数据协方差矩阵虚拟平滑实现多径信号的完全解相干和满秩相关矩阵的构造,利用自适应步长萤火虫算法实现谱峰搜索和目标角度估计。仿真结果表明,新方法能够在无孔径损失的情况下较好克服低空多径效应影响,快速、精确地估计目标波达方向。

自适应步长萤火虫优化算法

针对基本萤火虫算法优化多峰函数时求解精度不高和后期收敛较慢的问题,引入萤光因子以自适应调整萤火虫的步长,提出一种自适应步长萤火虫优化算法。通过8个标准测试函数测试,测试结果表明,改进后的自适应步长萤火虫算法比基本萤火虫算法具有较快的寻优速度和较高的寻优精度。

一种改进的自适应步长的人工萤火虫算法

在基本的人工萤火虫算法(GSO)中,萤火虫的固定移动步长导致算法容易陷入局部最优并可能出现函数适应值的震荡现象。在一些自适应步长的人工萤火虫算法(A-GSO)中,算法迭代过程中会出现一些萤火虫的邻域集合为空集的现象,这将导致算法收敛速度降低并陷入局部最优值。为此,设计了改进的自适应步长的人工萤火虫算法(FA-GSO),改进的算法针对邻域无同伴的萤火虫引入觅食行为寻找优化方向并自适应调整移动步长,进一步提高求解精度和稳定性,并给出了算法的收敛性分析,结合GSO、A-GSO 2种算法对多个标准测试函数进行寻优并提取相关指标。通过指标对照,验证了FA-GSO算法的有效性,表明算法可以改善函数寻优的精度并提高迭代速度。

变步长自适应萤火虫群多模态函数优化算法

针对萤火虫群优化(GSO)算法优化多模态函数存在收敛速度慢和求解精度不高等缺陷,提出一种变步长自适应萤火虫群优化算法(CSGSO)。该算法主要思想是在GSO算法中引入搜索成功与失败概念,在每次迭代中萤火虫个体据其搜索成功或失败,加大或减小其搜索步长,使算法具有动态自适应性。实验结果表明,该算法可有效地解决GSO算法优化多模态函数存在收敛速度慢和求解精度不高的问题,增强了GSO算法优化多模态函数的性能;与其他算法相比,提出的算法具有操作简单、容易理解、收敛速度快和求解精度高等优点。

自适应萤火虫算法在物流集散点选址中的应用

随着国民生产收入的不断提高,我国物流业得到飞速发展.物流集散点选址作为物流企业生产效益的重要影响因素,其选址的科学性和合理性直接决定物流运输成本.本文深入研究了传统萤火虫算法工作原理,提出了改进的自适应萤火虫算法,并应用在物流集散点选址中.通过物流集散点选址建模以及运行流程优化,完成自适应萤火虫算法的收敛性和时间复杂度分析,并进行最优解求解验证.结果表明,自适应萤火虫算法在物流集散点选址中的寻优性能比传统萤火虫算法好,收敛速度和求解精度得到了提高,能够有效提高物流集散点的工作效率,在一定程度上降低了物流运输成本.

一种改进的自适应步长的萤火虫算法

提出一种预防萤火虫失活的自适应步长的萤火虫算法(PA-GSO).第一,步长采用非线性递减方式,初期步长较大移动速度快,后期步长逐渐减少至固定的较小值,实现了算法精度和速度的平衡.第二,为了应对萤火虫的邻居集合为空集时可能丧失移动能力的现象,采用了预防萤火虫失活机制优化萤火虫运动.通过实验对比GSO,A-GSO和CSGSO算法,各方面指标验证了PA-GSO算法在寻优精度、收敛速度和稳定性等方面的提升.

基于自适应步长的萤火虫划分聚类算法

在许多领域中,聚类是重要分析技术之一,如数据挖掘、模式识别和图像分析。针对K-means算法过度依赖初始聚类中心的选择而陷入局部最优的问题,提出了基于自适应步长的萤火虫划分聚类算法(ASFA)。利用萤火虫算法的随机性和全局搜索性找到指定数量的初始簇中心,进一步利用K-means得到精确的簇划分。在萤火虫聚类优化算法中,采用自适应步长代替原有的固定步长,从而避免算法陷入局部最优,且能获得精度更高的解。为了提高算法性能,将改进的新算法用于不同规模大小的标准数据集中,实验结果表明,ASFA与Kmeans、GAK、PSOK对比显示了更好的聚类性能和更好的稳定性及鲁棒性,与其他文献中算法相比,ASFA在寻优精度方面能取得更好的效果。

二进制自适应步长萤火虫优化算法

基本萤火虫优化算法(GSO)存在着易陷入局部最优、后期收敛速度慢和适应函数值震荡等缺陷,引起这些问题的一大原因是算法中设置的固定移动步长。而在一些自适应步长萤火虫优化算法(AGSO)中,算法收敛精度和速度虽较基本萤火虫算法有所优化,但其迭代过程中出现的不稳定性仍需改进。为此,设计了二进制自适应步长萤火虫优化算法(BAGSO),此算法将移动步长转换为各萤火虫位置编码之间的码距,使萤火虫的收敛方向更具全局性,不易陷入局部最优,且进一步提高了收敛精度和稳定性。通过标准测试函数测试,表明在3种算法中BAGSO算法于各性能指标上通常是最优的。

柔性机械爪力控的变步长自适应滤波算法

机械爪工作中,由于电源和机械震动会导致电流有波动,将测得的电流数据通过滤波,减少电流的波动,从而让力控的准确度更高。传统的自适应算法无法满足在快速收敛的同时,实现较高鲁棒性和较小稳态误差的要求。针对上述问题,文中提出一种新的自适应滤波算法。首先,建立基于双曲正切函数的变步长模型,实现更新步长因子的动态变值,其次,将滤波器权向量差及可变因子引入更新权值迭代算法中,以达到快速收敛和减少稳态误差的目的。通过实验证明,文中算法实现了快速收敛,并具有较小的稳态误差,提高了系统的鲁棒性。

基于均匀局部搜索和可变步长的萤火虫算法

针对萤火虫算法(FA)收敛速度慢和求解精度不高的问题,提出一种基于均匀局部搜索和可变步长策略的萤火虫优化算法(UVFA)。首先,根据均匀设计理论建立局部搜索算子,对FA的搜索过程进行改进,以提升算法的局部开采能力和收敛速度;其次,利用可变步长策略,动态地调整算法搜索步长,以平衡全局和局部的勘探能力和开采能力;最后将均匀局部搜索算子和可变步长进行融合。通过对12个标准测试函数进行仿真实验,结果表明,UVFA的目标函数均值均明显优于FA、明智步长策略的萤火虫算法(WSSFA)、可变步长萤火虫算法(VSSFA)和基于均匀局部搜索的萤火虫优化算法(UFA),并且时间复杂度明显降低,并且在低维和高维问题中均显示出了较好的质量,具有良好的鲁棒性。

一种改进的变步长萤火虫优化算法

萤火虫优化算法(Glowworm swarm optimization,GSO)是最近新出现的群智能优化方法.针对基本萤火虫算法在求解复杂函数全局最优值时,存在着求解精度较低、容易陷入局部最优和收敛速度较慢等问题,经过深入分析得知原有算法中采用固定步长是导致这些问题的主要原因,提出一种改进的变步长萤火虫优化算法.该算法中步长随着迭代次数的增加而呈曲线递减,这样在迭代开始时由于步长较大,群体可保持较高的全局搜索能力;随着迭代进行步长逐步递减,从而能提高群体的局部搜索能力.最后通过6个标准测试函数的仿真实验,表明了该算法操作简单,在求解精度和收敛速度上都要优于基本萤火虫优化算法.

基于自适应t分布混合变异的人工萤火虫算法

针对人工萤火虫(AGSO)算法中存在一些漫无目的随机运动的萤火虫及一些萤火虫在非全局极值点出现严重聚集时,收敛速度降低,甚至陷入局部极值的问题,提出一种基于自适应t分布混合变异的人工萤火虫算法。用自适应t分布变异和最优调教变异来增强种群的多样性,限制算法陷入局部最优;定义了变异控制因子对变异的运行进行控制,结合历史状态信息给出了自适应t分布混合变异描述。该变异方法能使算法同时提高全局探索能力和局部开发能力。通过典型函数算例和实际应用算例实验结果表明,该算法是可行有效的,比传统算法具有较快的寻优速度和较高的寻优精度。

一种改进的变步长的萤火虫算法

为了克服人工萤火虫算法(Glowworm swarm optimization,GSO)在求解全局优化问题时,存在收敛速度慢,求解精度不高、易陷入局部最优等问题.提出了一种改进的变步长自适应的萤火虫优化算法.采用该算法可在一定程度上避免因过早的成熟陷入局部最优,并且可在后期达到更高的精确度.实验仿真证明,该算法较明显的提高了其收敛速度和精确度.

基于自适应步长策略的A*算法路径规划优化

针对A*算法求解路径轨迹耗时长、内存占用大等问题,本文提出一种基于自适应步长策略改进A*算法.首先,根据当前点与终点的位置关系,设定寻路方向的优先级顺序,减少不合理方向上的冗余规划计算量;其次,修改到达终点的判断条件,可在轨迹规划时实现路径的跳跃;再次,针对A*算法轨迹规划效率低的问题,提出自适应步长策略;最后,针对内存占用大,以及面对大地图时可能出现的内存溢出问题,提出了八方向搜索法.实验结果表明,相较于原始的A*算法,改进的A*算法在轨迹规划效率上获得了极大的提升,同时内存占用大的问题也得到了很好的解决.

基于多子群协同进化的自适应萤火虫算法

为了改善萤火虫算法的收敛精度和收敛速度,将协同进化思想引入自适应萤火虫算法中,提出一种基于多子群协同进化的自适应萤火虫算法(CAFA).将种群划分为2个子群,并且2个子群采用不同策略同时进行进化,以加快收敛速度和精度.最后将CAFA算法与萤火虫算法和自适应萤火虫算法在6个典型的基准测试函数中进行仿真对比,结果表明CAFA算法在收敛速度和精度方面均优于其他2种算法.

基于动态自适应萤火虫优化算法

为了有效解决标准萤火虫算法在寻优过程中存在易陷入后期收敛速度较慢、寻优精度不高等问题,在位置更新公式中引入动态调整惯性权重和自适应步长机制,提出一种动态自适应萤火虫优化算法。利用四个标准测试函数进行仿真实验结果表明,动态自适应萤火虫算法具有更快收敛速度、较高求解精度和稳定性。

基于自适应混沌萤火虫算法的集装箱轮船物流运输调度方法

针对集装箱中转港配送中心对其配送范围内的支线港合理调配轮船的配送路线问题,提出一种新的集装箱物流运输调度方法。采用自适应混沌萤火虫算法对建立的调度模型进行求解,并结合实际案例给出具体调度结果,较好解决了集装箱运输调度路径优化问题。

改进萤火虫算法的武器目标分配问题研究

武器目标分配(WTA)是指挥控制和任务规划领域的关键问题之一,萤火虫算法求解武器目标分配问题具有参数设置简单、执行效率高等优点。针对传统萤火虫算法易陷入局部极值,收敛速度和精度不高的弊端,从以下三个方面进行改进:初始化萤火虫序列编码时融入PWLCM混沌优化以提高全局搜索能力;设置受迭代次数控制的服从半高斯分布的非均匀步长因子以兼顾算法的搜索能力和收敛性;设计基于排序的萤火虫更新策略同时融入交叉变异操作以提高算法的效率和准确性。为验证改进算法的先进性,先利用其求解4种典型测试函数的最优解,再求解WTA问题,并与传统萤火虫算法进行对比,仿真实验结果表明,改进后算法的评价函数值提高了2.1%,迭代次数减少了52.9%,改善了传统算法易陷入局部极值的缺点,提高了收敛速度和精度,提升了武器目标分配的效果。

基于变步长自适应降噪核脉冲信号分析的算法优化研究

针对提高核脉冲信号信噪比这一需求,本文以小波算法为基础,创建了新的阈值函数处理方法,可以满足核脉冲信号降噪基本需求;并进一步提出了一种新的优化变步长自适应非平稳信号降噪算法EVSL,实现核脉冲信号分析。对模拟核信号与原始测量信号同步处理后,与现有算法进行指标对比,结果表明EVSL算法能兼顾收敛速度与稳态精度,有效提高信噪比、保留实际有用信息,是一种有效的提升核脉冲信号质量的方法。

自适应萤火虫算法改进蚁群算法的移动机器人路径规划

针对传统的蚁群算法在解决移动机器人路径规划问题时存在收敛性差、搜索速度慢、过于依赖参数选择等问题,提出一种自适应萤火虫算法改进蚁群算法的混合算法。首先,在蚁群算法基础上引入萤火虫算法,对蚁群算法的核心参数进行优化;其次,针对两种算法混合后时间开销大的问题,引入精英策略和承接式相结合的信息素更新方式,并对萤火虫算法的步长因子进行自适应设计,以提高整个混合算法的求解效率和求解精度;最后,在不同的栅格环境下进行路径规划仿真实验。结果表明,混合智能算法较传统蚁群算法综合效果有明显提升。