基于改进黏菌算法的移动机器人路径规划

针对标准黏菌算法(Slime Mould Algorithm,SMA)收敛速度较慢、初始种群多样性低以及全局寻优较差等问题,提出一种融合多策略的黏菌算法(Multi-strategy improved Slime Mould Algorithm,MSMA)。在黏菌初始种群中利用Tent混沌映射产生的混沌序列,丰富算法种群多样性,避免局部最优;在黏菌接近食物阶段引入莱维飞行策略,改进黏菌的寻优方式;利用黄金正弦算法的遍历性,提高黏菌算法的搜索精度。将MSMA应用在移动机器人的全局路径规划上,获取路径规划结果。所提算法具有较好的收敛性以及全局搜索的能力,在移动机器人路径规划方面具有较好的规划性能和寻优能力。

路径规划问题的多策略改进樽海鞘群算法研究

针对移动机器人寻找最优路径问题,提出了一种融合无标度网络、自适应权重和黄金正弦算法变异策略的樽海鞘群算法BAGSSA(Adaptive Salp Swarm Algorithm with Scale-free of BA Network and Golden Sine)。首先,生成一个无标度网络来映射跟随者的关系,增强算法全局寻优的能力,在追随者进化过程中集成自适应权重ω,以实现算法探索和开发的平衡;同时选用黄金正弦算法变异进一步提高解的精度。其次,对12个基准函数进行仿真求解,实验数据表明平均值、标准差、Wilcoxon检验和收敛曲线均优于基本樽海鞘群和其他群体智能算法,证明了所提算法具有较高的寻优精度和收敛速度。最后,将BAGSSA应用于移动机器人路径规划问题中,并在两种测试环境中进行仿真实验,仿真结果表明,改进樽海鞘群算法较其他算法所寻路径更优,并具有一定理论与实际应用价值。

基于概率精英差分和自适应黄金正弦的鲸鱼优化算法

针对鲸鱼优化算法收敛速度慢和寻优精度低的缺点,提出一种基于概率精英差分和自适应黄金正弦的鲸鱼优化算法。基于最大最小思想优化拉丁超立方体抽样来初始化鲸鱼种群,使初始种群分布更加均匀,拥有更好的全局搜索能力;提出融合余弦自适应算子的黄金正弦算法改进鲸鱼的螺旋更新,加快收敛速度,提高收敛精度;设计概率精英差分变异方法并进行贪婪选择,优化算法流程,增强算法跳出陷入局部最优的能力。选取4个单峰测试函数、4个多峰测试函数和5个多最优解的多模态测试函数与主流优化算法进行对比实验,实验结果表明,该算法具有更高的寻优精度、更快的收敛速度以及更优的全局搜索能力,通过消融实验验证了该算法改进策略的有效性。

基于混合策略改进的教与学优化算法

为解决教与学优化算法容易早熟收敛的问题,在原算法的基础上提出一种基于混合策略改进的教与学优化算法(Mixed Strategy Based Improved Teaching-Learning Based Optimization,M-SITLBO)。首先,利用Logistic-Tent混沌映射策略初始化种群,保证种群的多样性;其次,在教师和学生阶段分别引入黄金正弦算法和基于莱维飞行与对数螺旋线的搜索策略优化个体的位置更新公式,增强并平衡算法的全局和局部收敛性能;最后,设计仿真对其寻优性能进行测试,结果表明改进后的教与学优化算法寻优速度、精度以及稳定性显著提升,且具有较强跳出局部最优的能力。

基于改进麻雀搜索算法的PID参数整定系统设计

PID参数整定是PID控制中的一个关键步骤,常规的PID控制在一定程度上已被淘汰。为改善PID控制的效果和精度,文中将黄金正弦策略与精英反向学习策略相结合,提出一种改进的麻雀搜索算法。用23个标准函数对所提出的新方法进行了验证,实验结果证明了新方法的有效性。利用改进的麻雀搜索算法对PID控制参数进行了优化,并对该方法进行了仿真分析。结果表明,采用该方法进行PID参数整定时,其具有更好的稳定性、更高的精度和更好的性能。

基于多策略改进的蜜獾优化算法

针对蜜獾算法(Honey Badger Algorithm,HBA)在解决复杂优化问题时存在收敛速度慢,容易陷入局部最优的问题,提出了一种基于多策略改进的蜜獾优化算法(IHBA).首先,引入Sobol序列初始化种群,增加种群的多样性;其次,引入动态自适应密度因子和黄金正弦策略,快速切割解空间,平衡全局搜索与局部搜索,提升寻优效率;然后,引入柯西变异策略,优化最优解,避免算法陷入局部最优.为验证算法的性能,选取7种智能算法与IHBA对比,对10个经典测试函数进行寻优对比和Wilcoxon秩和检验,仿真结果表明IHBA算法的收敛速度和寻优精度都得到了提升;最后,将IHBA用于求解2个实际的工程优化问题,仿真结果表明IHBA在解决工程优化问题时具有较好的鲁棒性和实用性.

基于混合策略的蜣螂优化算法研究

针对蜣螂优化算法存在易陷入局部最优、全局探索和局部开发能力不平衡等问题,为提升蜣螂优化算法的寻优能力,提出一种混合策略的蜣螂优化算法。采用Sobol序列初始化种群,以使蜣螂种群更好地遍历整个解空间;在滚球蜣螂位置更新阶段加入黄金正弦算法,提高收敛速度和寻优精度;引入混合变异算子进行扰动,提高算法跳出局部最优的能力。对改进的算法进行8个基准函数的测试,并与灰狼优化算法、鲸鱼优化算法和蜣螂优化算法等进行比较,并验证了3种改进策略的有效性。结果表明,混合策略的蜣螂优化算法在收敛速度、鲁棒性和寻优精度有明显增强。

基于多策略融合斑马优化算法的特征选择方法

针对传统斑马优化算法在求解复杂优化问题时精度低、收敛速度慢和易陷入局部最优的不足,提出一种多策略融合的改进斑马优化算法(IZOA)。首先,为解决斑马个体初始位置分布不均匀的问题,引入混沌映射来增加探索过程的种群多样性;其次,受自适应权重和黄金正弦算法思想启发,提出一种基于自适应递减权重和黄金正弦更新机制的位置更新策略,用于改进斑马算法的局部寻优与全局探索能力;然后,进行标准测试函数实验,验证了IZOA能够有效提升寻优精度和收敛速度;最后,将K近邻分类器作为待优化目标,选取UCI库的12个标准数据集进行特征选择实验,并利用改进后的算法在特征选择模型中进行最优特征子集搜寻。实验结果表明,相比传统算法,所提算法的平均分类准确率提升4.47%,平均适应度值降低2.5%,验证了该算法在特征选择领域的优越性。

多策略改进的蜣螂优化算法

针对蜣螂优化算法(DBO)搜索精度较差、全局搜索能力不足、容易陷入局部最优等问题,提出一种多策略改进的蜣螂优化算法。选用混沌反向学习策略初始化蜣螂种群,使得蜣螂个体在解空间内分布均匀,提升种群多样性;引入带非线性权重的黄金正弦策略改进滚球行为,协调算法的全局搜索与局部挖掘能力;借鉴麻雀搜索算法的加入者位置更新策略改进觅食行为,促使种群向最优位置靠近,提高算法收敛速度与收敛精度;以分段函数形式改进偷窃行为,利于种群在迭代前期对全局充分探索,避免算法过早收敛;采用非线性权重的柯西-高斯变异策略对当前最优位置进行随机扰动,引导算法跳出局部最优位置。将所提算法与5种优化算法在23个基准函数、12个CEC2022测试函数及2个工程优化问题上进行实验对比,结果表明,所提算法至少在21个基准函数、10个CEC2022测试函数及2个工程优化问题上的性能指标优于其他算法,且排名第1,相比于原始蜣螂优化算法,在收敛精度、收敛速度、全局搜索能力以及稳定性上都有较大提升。

融合多策略的改进黏菌算法及工程应用

黏菌优化算法(Slime Mould Algorithm, SMA)是根据黏菌个体振荡捕食行为提出的一种新型元启发式算法,因其原理简单被应用于多种复杂的优化问题中,基本的SMA在处理一些较为复杂的问题时仍然存在收敛速度较慢、精度不足、鲁棒性差等劣势。为克服这些缺点,提升原算法性能,提出一种融合Sine混沌映射、t分布以及黄金正弦策略的改进黏菌算法(GTSMA)。首先,引入Sine混沌序列初始化种群,提高算法在初始迭代过程中黏菌种群个体的多样性;其次,在黏菌个体更新位置过程中将自由度参数t与基本SMA融合,增加算法跳出局部最优的概率;最后,通过与黄金正弦算法相结合,挑选更优秀的黏菌个体,输出最优解。利用基准测试函数、CEC2021测试集将GTSMA与其他算法进行对比,实验结果表明GTSMA在测试过程中鲁棒性、寻优精度和收敛性能都优于其他算法。将GTSMA应用于工程优化问题,进一步验证了GTSMA在处理实际优化问题上的优越性。

多策略融合的改进哈里斯鹰算法及其路径规划应用

针对哈里斯鹰算法(HHO)后期缺乏全局搜索、易陷入局部极值等问题,提出了一种多策略融合的改进哈里斯鹰算法(MFHHO).首先,提出了自适应混沌和核心种群划分策略,平衡算法后期的全局和局部搜索性能,提高算法的多样性;其次,修改位置更新公式,将莱维飞行替换为黄金正弦策略,提高算法寻优性能和效率;最后,融合自适应正态云最优解扰动策略,提高算法跳出局部最优解的能力.在国际测试函数、CEC2014复杂函数的数值实验中,改进算法性能提升明显;在路径规划实验中,改进算法性能最优,相较于对照组算法性能提升了14.75%,且具有较好的稳定性.

基于双向局部开发和黄金正弦的异构导向的鲸鱼优化算法

为了解决鲸鱼优化算法WOA准确率低和稳定性差的问题,提出了一种基于双向局部开发和黄金正弦算法的异构导向的鲸鱼优化算法LEDGWOA。在搜索猎物阶段嵌入黄金正弦算子,结合“更优更近”的原则,增强个体间信息交流的强度。此外,根据适应度值区分出统治鲸鱼群,用自适应惯性权重计算出一个虚拟领导者。在包围猎物阶段时,整合切比雪夫阈值的双向开发策略,从而加强了邻域的开发强度。随机螺旋式更新可以间接地增加种群在迭代后期的分散度。改进后的算法在CEC2017和CEC2019函数上进行仿真实验,并成功应用于压力容器的优化设计。LEDGWOA与17种算法进行对比,结果表明其具有优越的性能。

基于蝙蝠优化算法的智能机器人路径规划方法

为了解决智能机器人规划路径时,由于未能获取机器人信号目标强度,路径规划存在适应度值低和规划时间长的问题,提出基于蝙蝠优化算法的智能机器人路径规划方法。建立机器人模型并获取机器人目标信号强度,利用粒子群算法搜索机器人移动目标,结合蝙蝠算法和黄金正弦算法获取种群平均位置,通过分阶段搜索流程,实现机器人移动路径规划。结果表明:所提方法的路径规划时间仅为2.0 s,适应度达到了24.1,不可行解个数为零,该方法有效提高了适应度值,降低了规划时间,具备可行性和实际应用价值。

基于改进麻雀搜索算法分数阶PI的PMSM调速策略

永磁同步电机调速系统采用传统比例积分双闭环控制结构存在抗扰性能差与响应速度慢的问题。为此,文中在建立PMSM数学模型和分析传统PI参数设计方法的基础上,提出一种基于改进麻雀搜索算法分数阶比例积分的PMSM调速优化策略,通过在常规SSA中引入佳点集初始化策略和黄金正弦更新策略,解决了SSA易陷入局部最优的问题,提高了收敛速度和精度,以进一步改善PMSM调速系统的响应性能。最后通过MATLAB仿真对比结果可知,所述ISSA-FOPI调速改进策略在4种工况下具有最短的调节时间分别为1.2、0.9、9.9与12.1 ms,和最小的超调量分别为0.16%、0.16%、0.05%与0.6%,这充分体现了所述策略的有效性与优越性。

基于CTGAN与GDMPA-RF算法的活立木含水率诊断方法优化研究

活立木含水率的精准实时诊断是智慧林业领域的重要研究内容,其可为植物生理状态分析、林区生态水文调控、林火预警防范等做出关键指征。基于无线声发射传感器网络(Wireless Acoustic Sensor Network,WASN)系统的含水率测定方法既可实现高效无损探测,又能长期野外部署,尤为适合林场实际需求。为了进一步提升WASN的辨识准确率,首先利用条件表格生成对抗网络(Conditional Tabular GAN,CTGAN)对所采集的AE特征进行数据增广,其次基于分布式梯度提升框架(Light Gradient Boosting Machine,LightGBM)对扩增后的混合数据集进行特征优选,然后提出了黄金正弦动态海洋捕食者算法优化的随机森林(Golden-Sine Dynamic Marine Predators Algorithm-Random Forests,GDMPA-RF)策略,并以此建立含水率精准反演模型。实验对比结果显示,基于优选特征子集构建的GDMPA-RF模型在立木含水率诊断性能强化方面效果最佳,其准确率(Accuracy)、精确率(Precision)、F1分数(F1-Score)、加权平均(Weighted Average)和AUC分别为99.17%、99.52%、98.14%、0.9943和0.9850,均高于鲸鱼优化算法等结合RF模型的评估指标,说明方法具有优良的监测效能,较好地优化了活立木树干含水率的在线实时推演精度。

融合多策略改进黑猩猩优化算法的UAV航迹规划

针对三维复杂环境中无人机航迹规划容易出现搜索停滞、收敛于局部最优的不足,提出一种多策略混合改进黑猩猩优化算法的航迹规划方法。针对黑猩猩优化算法寻优精度不足的问题,引入收敛因子非线性更新均衡算法全局搜索与局部开发能力;设计权重因子避免个体跟随的盲目性及迭代后期个体趋于同化,提升搜索精度;设计黄金正弦莱维飞行引导机制防止因多样性逐步贫化而陷入局部最优。利用改进黑猩猩算法求解无人机航迹规划,结合无人机飞行环境三维地形图构建航迹规划模型,设计多约束飞行代价函数,并将其作为适应度函数,对无人机三维航迹规划方案迭代求解。结果表明,改进算法能够搜索到一条安全避障且航迹代价更小的路径,搜索精度高于类比算法。

改进灰狼算法的物流网点辐射中心定址模型

为提高不同城市、不同企业之间的物流配送效率,改善当前物流发展现状,在兼顾配送距离的基础上,引入外部影响因子对Mean Shift聚类算法进行改进,得到现有物流网点的类簇集合,再以传统灰狼优化算法(GWO)为基础,结合分段线性映射(PWLCM)与黄金正弦算法(Gold-SA)对其进行改进,有效解决了传统灰狼优化(GWO)算法搜索速度慢、全局搜索能力差,易陷入局部最优解等问题。实验结果表明,上述模型不仅在收敛速度和迭代次数上有明显优势,且包含定址区域的实际信息,可具有针对性的解决物流网点辐射中心定址问题,有效缩短网点与辐射中心的平均距离,对节省物流资源,提升配送效率有一定的帮助。

基于定向变异策略的改进克隆选择算法

本文针对克隆选择算法(CSA)存在的问题,如搜索速度慢、收敛精度低、容易陷入局部最优,提出一种基于定向变异的改进克隆选择算法(DMSCSA).该算法引入Halton序列来生成均匀分布的初始化种群,实现对解空间更高效的搜索;采用黄金正弦变异策略在迭代过程中对优秀抗体定向变异,提升算法收敛速度;引入柯西变异策略,能够在保证种群多样性的前提下提高算法跳出局部最优的能力.使用CEC2019测试函数集中的8个不同的测试函数并与其他同类型算法进行对比实验,通过实验结果可知,DMSCSA算法在寻优精度、收敛速度等方面均有提升.

基于改进蜣螂算法的无人机航迹规划

针对无人机航迹规划求解计算量大、收敛难等问题,提出了一种融入了混沌映射和莱维飞行的多策略蜣螂优化(Piecewise Levy Flight Dung Beetle Optimizer, PLDBO)算法的航迹规划方法。建立了三维任务空间模型和无人机路径规划成本函数,将路径规划问题转化为多维函数优化问题。对蜣螂优化(Dung Beetle Optimizer, DBO)算法调用Piecewise混沌映射,改变其初始化过程,增强种群的多样性,加快收敛速度。引入黄金正弦改进滚球蜣螂位置更新公式,有效协调了全局搜索能力与局部挖掘能力,加快了收敛速度。在小偷蜣螂位置更新公式引入Levy策略,增强算法跳出局部最优的能力。引入了一种具有策略自适应的横向交叉,提高了算法的收敛精度,增强了全局寻优能力。通过将提出的改进算法在知名的15个经典基准函数上比较,全面验证了PLDBO算法的优越性,并应用于航迹规划问题求解。仿真结果表明,PLDBO算法能获得更可行、更高效的路径。

融合多策略改进的自适应乌鸦搜索算法

针对乌鸦搜索算法存在收敛精度低,寻优速度慢,位置更新存在盲目性等缺陷,提出了一种融合多策略改进的自适应乌鸦搜索算法(Adaptive Crow Search Algorithm with Multiple Strategy Improvements,ACSA)。首先,通过引入一种记忆遗忘机制,不仅提高了算法的收敛速度和精度,而且能够保持种群的多样性。当个体乌鸦发现存在跟随者时,引入了黄金正弦算法进行位置更新,克服了位置更新存在盲目性的不足,从而提高了算法的收敛精度。同时改进了自适应感知概率和飞行步长,以此提高算法的寻优速度和精度。将本算法运用于13个基准测试函数和三杆桁架的设计问题,并同其他的算法进行试验对比,并将实验结果进行Wilcoxon秩和检验以及Friedman检验。实验结果表明,改进后的算法在函数优化以及三杆桁架的工程优化问题上,均能够较好地寻优求解,算法的求解精度和收敛速度均得到了一定的提升。