自适应随机森林迁移学习的路面状态检测

为提升少量数据集条件下路面状态检测的准确度和效率,提出基于改进卷积神经网络模型VGG16和自适应随机森林迁移学习的路面图像分类方法 .对改进VGG16模型进行迁移学习,将大数据集训练得到的VGG16网络卷积层、池化层、全连接层进行迁移,采用随机森林分类算法代替VGG16网络的softmax层进行重新学习训练,解决softmax强调特征之间独立性的缺点.此外,改进量子狼群算法的量子旋转门更新策略,将其用于随机森林超参数优化,保证随机森林以最佳的参数进行迁移学习训练,进一步提升模型泛化能力.实验结果表明,在自建以及Kaggle网站提供的图像分类实验中,图像识别精度为98.08%,分类速度也得到显著提升.

一种新的群体智能算法--狼群算法

基于狼群群体智能,模拟狼群捕食行为及其猎物分配方式,抽象出游走、召唤、围攻3种智能行为以及"胜者为王"的头狼产生规则和"强者生存"的狼群更新机制,提出一种新的群体智能算法———狼群算法(wolf pack algorithm,WPA),并基于马尔科夫链理论证明了算法的收敛性。将算法应用于15个典型复杂函数优化问题,并同经典的粒子群算法、鱼群算法和遗传算法进行比较。仿真结果表明,该算法具有较好的全局收敛性和计算鲁棒性,尤其适合高维、多峰的复杂函数求解。

求解0-1背包问题的二进制狼群算法

狼群算法(wolf pack algorithm,WPA)源于狼群在捕食及其猎物分配中所体现的群体智能,已被成功应用于复杂函数求解。在此基础上,通过定义运动算子,对人工狼位置、步长和智能行为重新进行二进制编码设计,提出了一种解决离散空间组合优化问题的二进制狼群算法(binary wolf pack algorithm,BWPA)。该算法保留了狼群算法基于职责分工的协作式搜索特性,选取离散空间的经典问题——0-1背包问题进行仿真实验,具体通过10组经典的背包问题算例和BWPA算法与经典的二进制粒子群算法、贪婪遗传算法、量子遗传算法在求解3组高维背包问题时的对比计算,例证了算法具有相对更好的稳定性和全局寻优能力。

利用改进的二进制狼群算法求解多维背包问题

狼群算法启发于狼群群体生存智慧,已被用于复杂函数寻优和0-1普通背包问题求解。针对多维背包问题特点,设计了试探装载式的修复机制有效修复和改进人工狼群中的不可行解,改进了传统基于大惩罚参数的目标函数,减小了由于惩罚参数过大而导致算法陷入局部最优的风险;并受狼群的繁衍方式的启发,在二进制狼群算法的基础上提出了求解多维背包问题的改进二进制狼群算法(improve binary wolf pack algorithm,IBWPA)。通过求解19组不同规模的典型多维背包算例和与其他算法的对比分析,例证了算法的有效性和计算稳定性。

基于量子狼群进化的多目标汇聚节点覆盖算法

在构建双层无线传感器网络中,汇聚层覆盖需要考虑无重复覆盖面积、汇聚节点连通性和能耗平衡这3个关键问题。该文将上述3个问题统筹为多目标优化难题(MOP),提出一种面向汇聚节点覆盖的量子狼群进化算法(QWPEA),选择出候选头狼(CLW)群体,以滑模交叉、量子旋转门、非门变异等方法产生寻优高效的下一代量子编码人工狼。仿真结果表明,该文所提算法能够有效减少汇聚节点数,提高汇聚层结构稳定性,并平衡网络能耗,适于大范围,大规模传感器节点网络部署环境。在800 m×800 m面积部署传感器节点达到1000个时,汇聚有效覆盖率较MOPSO,NSGA-II算法分别高29.55%和25.93%,汇聚通信能耗率分别高15.27%和18.63%,汇聚占通率分别低14.01%和15.46%。

基于双模态卷积神经网络自适应迁移学习的浮选工况识别

为提高小规模训练集下CNN特征驱动的浮选工况识别效果,提出一种基于泡沫红外与可见光图像CNN特征提取及自适应迁移学习的工况识别方法.首先构建基于AlexNet的双模态CNN特征提取及识别模型,并通过RGB-D大规模数据集对模型的结构参数进行预训练;其次,用多个串联的双隐层自编码极限学习机代替预训练模型的全连接层,实现对双模态CNN特征的融合及逐层抽象提取,然后通过核极限学习机映射到更高维空间进行决策;最后构建浮选小规模数据集对迁移后的模型进行训练,并改进量子狼群算法用于模型参数优化.实验结果表明:自适应迁移学习能够明显提高小样本数据集下的识别准确度,采用双模态CNN迁移学习较单模态CNN迁移学习的工况识别精度提高了3.06%,各工况的平均识别准确率达到96.83%,识别精度和稳定性较现有方法有较大提升.

求解0-1背包问题的量子狼群算法

针对0-1背包问题,在基本狼群算法的基础上,提出了量子狼群算法.借鉴量子编码方式,定义了种群中粒子的概率位置和准确位置,通过量子旋转门控制人工狼概率位置向全局最好位置逼近,然后以量子塌缩实现了概率位置向准确位置的映射,兼顾了算法的导向性与随机性.选取了8个经典0-1背包问题与3个高维背包问题进行了测试,并与其他算法进行比较,实验结果表明,量子狼群算法能够有效搜索全局最优解,特别是在高维背包问题中具有较好性能.

求解离散优化问题的元胞量子狼群演化算法

针对离散空间优化问题,提出了求解离散优化问题的元胞量子狼群演化算法,首先,为了提高算法的全局收敛速度,采用双策略量子位初始化方法和滑模交叉方法,分别生成量子狼群初始位置和产生头狼,实现种群多样性;其次,为了描述头狼与猎物间的距离以及增强狼群的遍历范围,采用二进制编码方式和元胞自动机中的演化规则,分别实现狼群中个体狼与猎物距离的精确描述和量子旋转角的选取调整;然后,为了证明该算法的收敛性能,采用泛函分析方法,实现了算法全局收敛性能的验证;最后,通过6个标准测试函数的仿真实验,并与狼群算法以及量子狼群算法的优化结果进行比较。实验结果表明,该算法具有较快的收敛速度和较好的全局寻优能力。

改进狼群算法求解多目标柔性作业车间调度问题

针对传统智能优化算法求解多目标柔性作业车间调度时存在算法后期收敛速度慢、易陷入局部最优的问题,本文提出一种将量子粒子群算法中的三大重要性能参数和狼群算法融合的混合优化算法.首先,构建以最大完工时间、机器总负荷和瓶颈机器负荷为优化目标的多目标数学模型;其次,采用高斯分布的概率密度函数产生随机变量进行种群初始化操作,以提高初始种群的多样性和质量;利用邻域结构搜索策略不断调整最佳序列,算法的全局搜索性能得以提高;最后,通过物元分析法对种群进行更新,提高种群的自适应能力.通过与多种智能优化算法的仿真实验对比可知,本文所提出的混合狼群算法对求解多目标柔性作业车间调度问题具有可行性和优势.

一种认知无线电频谱分配的精英量子狼群算法

针对认知无线电频谱使用率低的问题,文中设计图论模型,提出一种精英量子狼群算法,该算法结合量子进化算法与精英选择算子,通过量子位编码与量子旋转门更新提高种群的多样性与寻优能力,通过精英选择算子提高算法的收敛速度。在仿真实验中,将精英量子狼群算法与蚁群算法、遗传算法进行对比。实验结果表明,在次用户数为15且频谱数为20时,精英量子狼群算法优化过的网络效益值比遗传算法高10.68%,比蚁群算法高23.97%,证明所提算法加快了算法收敛的速度,有效提高了网络效益和吞吐量。

面向布局优化问题的多量子态量子进化算法及其应用

针对演化算法在求解带平衡约束的圆形布局问题上所出现的早熟现象,提出一种有利于保持种群多样性的多量子态量子进化算法,并结合高效的定位定序启发式方法进行求解。为了高效优化布局顺序,在量子进化算法的基础上:引入多量子态编码和基于平均收敛概率的收敛标准以提高求解速度;引入基于禁忌策略和启发信息的观测方法,使其所得到的n进制解为互不相同的整数串,同时保证优先布局质量大、半径大的小圆;引入动态量子进化策略,有效地引导种群向最优个体进化。在定位规则中引入定位概率函数提高解的精度,数值实验结果表明,该算法能够有效求解带平衡约束的圆形布局问题。

Heterogeneous coverage method with multiple unmanned aerial vehicle assisted sink nodes

A heterogeneous coverage method with multiple unmanned aerial vehicle assisted sink nodes(MUAVSs)for multi-objective optimization problem(MOP)is proposed,which is based on quantum wolf pack evolution algorithm(QWPEA)and power law entropy(PLE)theory.The method is composed of preset move and autonomous coordination stages for satisfying non-repeated coverage,connectedness,and energy balance of sink layer critical requirements,which is actualized to cover sensors layer in large-scale outside wireless sensor networks(WSNs).Simulation results show that the performance of the proposed technique is better than the existing related coverage technique.

求解TSP问题的离散狼群算法

通过定义反转算子,对人工狼位置和智能行为重新进行整数编码设计,并结合概率近邻初始化方法,提出一种求解旅行商问题的离散狼群算法,该算法保留了狼群算法基于职责分工的协作式搜索特性,并较好地平衡了算法的广度开拓和深度开采能力,采用C-TSP问题和TSPLIB数据库中的多组TSP问题作为实验用算例,并将所提出算法与其他5种智能优化算法进行对比,仿真结果表明,所提出算法在求解准确率、稳定性和所需迭代次数等方面具有相对优势.