基于改进萤火虫群算法的大气污染源自动定位方法研究

由于传统污染源定位方法的定位结果严重偏离实际情况。因此,文章研究一种基于改进萤火虫群算法的大气污染源自动定位方法。为筛选大气污染监测点,计算空气污染指数并采集污染浓度数据。构建三维扩散模型以模拟预测污染浓度。基于实际监测与预测结果,构建目标函数,将污染源参数反演转为目标函数求解。改进萤火虫群算法,将固定步长改为动态,用于求解目标函数。最优解即为污染源定位结果。结果表明:所研究方法应用下,偏离度值相对更小,说明该方法的定位结果更接近真实结果,定位准确性高。

改进萤火虫群算法协同差分隐私的干扰轨迹发布

针对历史轨迹加噪发布干扰轨迹时数据集的冗余问题和轨迹形状相似带来的隐私泄露风险,提出轨迹数据先约简后泛化再进行差分隐私加噪的基于改进萤火虫群优化求解的干扰轨迹发布保护机制(IGSO-SDTP)。首先,基于位置显著点约简历史轨迹数据集;其次,结合k⁃匿名和差分隐私对简化后的轨迹数据集分别进行泛化和加噪;最后,设计了兼顾距离误差和轨迹相似性的加权距离,并以加权距离为评价指标,基于改进萤火虫群优化(IGSO)算法求解加权距离小的干扰轨迹。在多个数据集上的实验结果表明,与RD(Differential privacy for Raw trajectory data)、SDTP(Trajectory Protection of Simplification and Differential privacy)、LIC(Linear Index Clustering algorithm)、DPKTS(Differential Privacy based on K-means Trajectory shape Similarity)相比,IGSO-SDTP方法得到的加权距离分别降低了21.94%、9.15%、14.25%、10.55%,说明所提方法发布的干扰轨迹可用性和稳定性更好。

用于函数优化的层次结构萤火虫群算法

基于人工萤火虫群优化算法,参考人类社会商业组织中的分层管理模式,将人工萤火虫群随机地分布在一个层次结构中,并在过程中加入变异因子,改进基本人工萤火虫群优化算法,提出用于函数优化的层次结构人工萤火虫群优化算法.对4个标准函数的测试表明,层次结构萤火虫群算法在高维函数优化方面比基本人工萤火虫群优化算法性能更优.

基于追尾行为的改进型人工萤火虫群算法

利用人工鱼群算法的追尾思想并在过程中加入拥挤度因子,对人工萤火虫群算法进行了改进,提出了一种改进型人工萤火虫群算法,并将该算法用于多峰函数的优化问题。通过实验仿真及与其他算法进行的对比分析表明,改进后的人工萤火虫群算法在种群规模较小、迭代次数较少的情况下也可以精确捕获函数定义域内的所有峰值。

基于萤火虫群算法优化最小二乘支持向量回归机的滚动轴承故障诊断

滚动轴承故障诊断是提高设备利用率、降低运行及维护成本关键。最小二乘支持向量回归机为有效的故障诊断方法,为解决其参数选取受限于主观经验问题,将萤火虫群算法用于惩罚系数C与核参数σ寻优,提出基于萤火虫群算法优化最小二乘支持向量回归机的滚动轴承故障诊断方法。实验结果表明,该方法能对滚动轴承故障位置及程度进行准确诊断,与常规最小二乘支持向量回归机、BP神经网络相比精度更高,由此验证该方法的可靠性。

基于时变萤火虫群算法的冗余机器人手臂逆解

为了解决冗余机器人手臂逆解中存在的计算量大和求解精度不高等问题,提出一种基于时变萤火虫群优化算法的解决方法,该算法基于萤火虫群算法进行演变,根据萤火虫与领域内所有萤火虫个体间的最小距离改变而时变步长,时变步长原理基于黄金比分割法,增强了算法的动态适应性。引入Boltzmann选择机制,实时动态调整搜索过程中移动方向与位置以及求解过程中的选择压力。通过对4个测试函数仿真实验证明,该算法简单有效、稳定性好、求解精度高,在机器人手臂逆解求解应用中,能够有效提高精度和稳定性。

基于萤火虫群算法的虚拟演播室箱体焊接优化

针对求解虚拟演播室复杂的箱体焊接结构最优焊接顺序难的问题,采用热-机耦合非线性热弹塑性有限元计算模型,对焊接顺序进行优化数值模拟,提出了一种通过萤火虫算法优化从而得到虚拟演播室箱体最优焊接顺序的方法。该方法选择焊接变形量为目标函数,提出了求解最优焊接顺序的萤火虫算法优化模型,设计了基于萤火虫群算法的焊接顺序优化算法。优化结果表明,该方法求解的最优焊接顺序的焊接变形量小,变化率小,该方法要比传统的经验或者试验方法更快,更精确,效果更好。

阶段变异萤火虫群算法及在DR图像增强中应用

针对基本萤火虫群算法收敛速度慢、求解精度低的缺点,提出一种阶段变异方法来改进基本萤火虫群算法,即阶段变异萤火虫群算法。医学DR图像存在对比度低、边缘模糊等问题,对其增强以分段灰度变换为模型,6个分段控制参数为寻优变量,提出一种递归Otsu分割算法对寻优变量进行预设修正,采用阶段变异萤火虫群算法求解寻优变量值。实验结果表明,该增强方法具有自适应性,可以提高图像的分辨率和对比度,使图像细节更加丰富、清晰。

基于改进萤火虫群算法的混合生产排产方法研究

为了完成特定生产类型的排产问题,提出一种改进的萤火虫群算法。该算法中,在每一次迭代后都添加差分操作,优化萤火虫的位置,增加种群多样性,从而改善萤火虫群算法易于早熟的特性。综合考虑混合型生产的约束条件,构建基于改进的萤火虫群算法的排产模型,给出算法设计方案。最后针对某制药厂的实际生产模型,进行仿真实验验证,并与其他算法进行比较。结果证明,所提出的改进萤火虫算法在混合型生产的排产中具有很好的可行性及有效性。

基于萤火虫群算法的网络入侵优化检测算法

针对模糊C-均值聚类法因对初始聚类中心敏感且容易陷入局部极小值而导致无法在网络入侵检测中获得精确分类结果的问题,提出了基于萤火虫群优化(GSO:Glowworm Swarm Optimization)算法的网络入侵检测方法。采用标记样本得到初始聚类中心,运用萤火虫群优化实现对聚类中心的优化。结果显示该方法有效。

求解TSP问题的离散型萤火虫群优化算法

基于求解TSP问题,提出一种离散型萤火虫群优化(DGSO)算法,该算法结合TSP问题特点,给出一种有效编码和解码方法,并定义适合编码的个体间距离计算公式和编码更新公式.同时,为增强算法求解TSP问题的局部搜索能力,加快算法的收敛速度,算法使用了操作简单的2-Opt优化算子.最后,通过对10个TSP问题进行仿真实验,实验结果表明本文提出的算法是在种群规模较小,迭代次数较少的情况下就可以收敛到已知最优解.在大规模TSP算例中算法获得的最优值与理论最优值的误差也在1%以下.

基于粒子群萤火虫混合算法的计算机辅助配棉

为促进棉纺企业精细化管理水平和生产效益的提升,提出一种粒子群萤火虫混合算法的计算机辅助配棉方法。首先,构造混和棉成本最小和混和棉综合质量指标最优的多目标优化函数,建立库存、总重量、原棉种类及质量指标边界等多约束条件,按照线性加权方式将多目标模型转化为单目标模型。其次,对粒子群和萤火虫群进行分阶段初始化,设计一种学习因子动态调整和非线性递减惯性权重策略用以提高粒子群算法的综合寻优能力,并采用自适应移动步长更新萤火虫个体位置。最后,使用粒子群、萤火虫及粒子群萤火虫混合算法对配棉模型进行求解。试验结果表明:3种配棉算法均展现出良好的求解可行性,所得混和棉质量指标的综合绝对误差分别为0.0268、0.0240、0.0281,皆处于较低水平;并且粒子群萤火虫混合算法在成本节约方面更具优势,其配棉的总成本相比粒子群算法、萤火虫算法分别降低了1.20%、2.27%。

一种基于人工萤火虫群优化的改进粒子滤波算法

针对传统粒子滤波算法中存在的粒子多样性丧失问题,提出一种基于人工萤火虫群优化的改进粒子滤波算法。该算法利用人工萤火虫群算法优化粒子滤波的重采样过程,按照权值的蜕化程度对样本集进行分层,通过转移概率将权值蜕化子集——映射到高似然区域。根据优化阈值条件,将低权值粒子集分为抛弃组和优化组,通过选取优化组粒子和高权值粒子适当地线性组合产生新粒子集。仿真结果表明,当感知系数为零时,优化算法将蜕化为基本粒子滤波算法;在适当选择感知系数的情况下,优化算法的滤波精度较高,跟踪突变状态的性能较优,在保证粒子群贴近真实后验分布的同时,增强了粒子的多样性。

基于模拟退火算法的萤火虫群优化算法研究

研究算法优化问题,在人工萤火虫群(GSO)算法的研究中,为了改进GSO易陷入局部极小和进化后期收敛速度慢、求解精度低等缺陷,引入了模拟退火算法,提出了一种新的人工萤火虫群算法(SA_GSO)。新算法将Boltzmann选择机制应用到萤火虫的移动选择策略中,动态调整搜索最优解过程中的选择压力,在人工萤火虫全局寻优的同时,并利用模拟退火算子实施局部细化,提高了GSO算法的全局搜索和局部搜索能力。仿真结果表明,SA_GSO算法的收敛速度和求解精度显著地提高,是求解组合优化问题的一种可行且有效的方法。

萤火虫群优化算法多阈值的脑CT图像分割

在基于多阈值的脑,CT图像分割算法中,最佳阈值选取是脑CT图像中的关键,针对传统多阈值法的阈值选择难题为了提高脑。CT图像的分割准确率,提出一种萤火虫群算法优化多阈值的脑CT图像分割方法首先建立了基于多阈值法的脑图像分割数学模型,然后通过萤火虫群算法数学模型进行求解,搜索到脑CT图像分割的最佳阈值,CT最后采用最佳阈值完成脑CT图像的分割。仿真结果表明,萤火虫群算法提高了脑CT图像的精度,获得了更加理想的脑CT图像结果。

人工萤火虫群优化算法的改进与积分应用

本文针对传统积分方法,要求被积函数的有较强性质并且求解精度低的不足,提出了一种基于改进型人工萤火虫群优化算法求数值积分的新方法。该方法首先在积分区间上随机产生积分节点,然后通过改进型人工萤火虫群优化算法优化节点位置,再累积求和,得出数值积分。实验仿真表明,与其他方法相比,具有收敛速度快、精确度高等优点。

基于改进离散型萤火虫群优化算法和分形维数的属性选择方法

属性选择是数据挖掘领域中数据预处理的一个重要方法.文中提出一种融合离散型萤火虫群优化算法(DGSO)与分形维数的属性选择方法.该方法以分形维数作为属性子集的评估度量准则,以DGSO作为搜索策略.为分析该方法的可行性和有效性,采用6个UCI数据集进行实验.结合10-fold交叉验证和SVM对属性选择前后的分类准确率进行分析,并进行搜索策略和评估度量准则间的性能对比及详细的参数分析.结果表明该方法具有较高的可行性和有效性.

具有混合群智能行为的萤火虫群优化算法研究

萤火虫群优化算法是一种新型的群智能优化算法,基本的萤火虫群优化算法存在收敛精度低等问题。为了提高算法的性能,借鉴蜂群和鸟群的群体智能行为,改进萤火虫群优化算法的移动策略。运用均匀设计调整改进算法的参数取值。若干经典测试问题的实验仿真结果表明,引入混合智能行为大幅提升了算法的优化性能。

基于萤火虫群优化算法的选择性集成雾霾天气预测方法

雾霾目前已成为严重的环境污染问题,因此需要预测雾霾天气,最小化雾霾的负面影响.文中提出基于萤火虫群优化算法的选择性集成学习方法,首先使用混合核SVM独立训练多个个体支持向量机,然后利用改进的离散型萤火虫群优化算法选择部分精度较高、差异度较大的个体分类器参与集成,最后通过多数投票法得到最终的分类预测结果.应用文中方法预测中国雾霾天气,实验表明方法的有效性和可行性.

人工萤火虫群优化算法求解约束优化问题

约束优化问题是工程应用领域经常出现的一类数学规划问题,近年来,约束优化问题求解已成为进化计算研究的一个重要方向.而一系列新型的进化计算方法 ,如人工神经网络、模拟退火、遗传算法、进化规划、进化策略、粒子群、人工鱼群等获得了极其迅速的发展和广泛的应用.本文提出了一种基于人工萤火虫群优化算法求解约束优化问题的新方法.该方法在求解约束优化问题的过程中,不断地寻找更优可行解,逐渐达到搜索全局最优解.通过标准测试函数和工程实例仿真表明,该方法能很好的求解约束优化问题,精度高、适应性强,在工程实际中有较大的应用价值.