A combination algorithm of Chaos optimization and genetic algorithm and its application in maneuvering multiple targets data association

The most important problem in targets tracking is data association which may be represented as a sort of constraint combinational optimization problem. Chaos optimization and adaptive genetic algorithm were used to deal with the problem of multi-targets data association separately. Based on the analysis of the limitation of chaos optimization and genetic algorithm, a new chaos genetic optimization combination algorithm was presented. This new algorithm first applied the "rough" search of chaos optimization to initialize the population of GA, then optimized the population by real-coded adaptive GA. In this way, GA can not only jump out of the "trap" of local optimal results easily but also increase the rate of convergence. And the new method can also avoid the complexity and time-consumed limitation of conventional way. The simulation results show that the combination algorithm can obtain higher correct association percent and the effect of association is obviously superior to chaos optimization or genetic algorithm separately. This method has better convergence property as well as time property than the conventional ones.

多场景下基于AHP-EWM的人体健康状态评估模型研究

为解决人体健康评估方法个性化监测不足的问题以及在满足不同场景下健康状态精细化评估的需求,需要一种基于多场景的人体健康状态评估方法来实现长期自动化监测。提出一种基于层次分析法(AHP)和熵权法(EWM)组合的多场景人体健康状态评估模型。首先采集人体在运动、休息、工作/学习和娱乐等4种不同场景下的健康监测指标数据,构建相应的评估指标体系。然后分别根据评估指标计算出AHP和EWM权重,再采用量子粒子群优化(QPSO)算法对AHP和EWM中的主客观权重进行分配,以确保评价指标占比的客观性。最后通过模糊综合评价法对人体健康状态进行评估和量化,并利用实际监测数据对方法的可靠性和稳定性进行验证。实验结果表明,在4种场景下所提方法的综合得分分别为63.78、59.83、58.71和59.21,表明在不同场景下该模型都具有较好的准确性和稳定性。根据评估结果,对测试者的身体状态评价结果进行分析,并给出一些健康建议。所提模型可全面了解人体在不同场景下的健康状况,并为人们提供科学的健康指导,从而为健康管理和疾病预防提供科学依据。

基于多策略麻雀搜索算法的径向基神经网络时延预测方法

网络诱导时延序列存在随机性和不稳定性,单一的预测算法难以准确预测,针对该问题,提出一种基于多策略麻雀搜索算法(ISSA)的径向基神经网络(RBF)时延预测方法来准确预测网络时延。首先,为了应对麻雀种群初始分布不均匀的问题,增加改进Tent混沌映射来提高种群早期的分布质量,并引入新的惯性权重因子改进发现者位置更新策略,扩大麻雀早期寻优范围;随后引入正余弦优化算法(SCA)更新跟随者位置,避免种群后期陷入局部最优。其次,考虑到RBF隐含层节点中心,幅值以及输出层权值不确定的问题,提出利用ISSA算法寻优求取。最后,搭建改进的时延预测模型并输入实测时延数据得到预测时延值。实验研究结果表明:相较于传统SSA-RBF模型,文中提出的ISSA-RBF时延预测模型的MSE、MAE和MAPE分别提高了69.46%、32.83%、34.43%,可有效预测网络时延,为之后的时延补偿提供基础。

疯狂自适应的正余弦乌燕鸥算法及应用

桥式起重机主梁优化是一个非线性的复杂约束优化问题,现有方法求解此问题时存在收敛缓慢、稳定性差、收敛精度低等问题。为克服此问题,提出一种疯狂自适应的正余弦乌燕鸥混合优化算法(CCASSTOA)。在乌燕鸥算法(STOA)中,引入Logistics混沌映射对STOA算法种群初始化,增加种群个体的多样性和迭代初期收敛速度;将惯性自适应权重和正余弦算法混合搜索策略引入到乌燕鸥位置更新公式中,增强了算法的全局搜索与局部搜索之间的平衡能力。将疯狂算子引入到乌燕鸥最优位置进行扰动,增强迭代后期种群的多样性,避免算法陷入局部最优。采用6个测试函数对CCASSTOA算法性能进行验证,结果表明:CCASSTOA算法优于其他五种元启发式优化算法,收敛精度高,稳定性好和鲁棒性强。将CCASSTOA算法应用在32t/22.5m的桥式起重机主梁轻量化设计中,可实现主梁截面面积减小约为31.45%。因此,CCASSTOA算法可有效地处理此类非线性的约束优化问题。

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。

基于WPSO-BP和L-MBWO的多翼离心风机优化研究

针对多翼离心风机气动性能、噪声情况难以同时改进的问题,提出了一种基于变权重粒子群优化算法的反向传播神经网络风机性能预测模型(WPSO-BP),以及一种基于逻辑混沌初始化的多目标白鲸优化算法(L-MBWO),并将二者应用于多翼离心风机的优化设计中。首先,选取了叶片进出口角、倾斜蜗舌的最大蜗舌半径、叶片切除角度作为设计变量,把风机的全压、效率、声压级作为优化目标;然后,构建了WPSO-BP预测模型,以反映设计变量与优化目标之间的关系,定量分析对比了该模型与BP神经网络预测模型,预测值用于风机的性能优化;接着,将逻辑混沌初始化引入到白鲸优化算法(BWO),基于第三代非支配排序遗传算法(NSGA-Ⅲ)构建了L-MBWO优化算法;最后,在实验验证仿真可靠的前提下,将提出的预测模型和优化算法应用于风机优化,并对优化效果进行了综合分析。研究结果表明:优化后的风机全压增加了34.79 Pa,效率提高了0.67%,噪声降低了1.73 dB,实现了多个优化目标之间的平衡,有效改善了风机的综合性能,为多翼离心风机的优化设计提供了一种新思路。

混合策略改进鲸鱼优化算法在圆柱度误差评定中的应用

机械零件的形位精度对其互换性以及功能质量具有极其重要的影响,其中圆柱度误差是评价回转类零件精度的一个重要指标。设计一种基于混合策略改进的鲸鱼优化算法,以提高圆柱度误差在评定过程中的精度和收敛速度。首先,在初始种群的生成中引入Tent混沌映射和非线性参数,以提高解的质量;其次,为了改善算法的局部搜索能力,在螺旋式位置更新阶段引入一个自适应权重系数;最后,在随机搜寻阶段引入莱维飞行从而提高全局搜索能力。通过采用不同优化算法的实验和结果对比分析,提出的算法在圆柱度误差评定精度和速度方面均有一定提升。

融合混沌映射和乘除算子的花授粉算法及应用

花授粉算法是一种群智能算法,广泛应用于各个领域。本文针对该算法存在收敛精度低、收敛速度慢、稳定性差等不足,提出基于混沌映射和乘除算子的花授粉算法(MDFPA)。首先,利用混合混沌映射更好的随机分布能力生成初始种群,减小随机误差给算法带来的影响;其次,反双曲正切函数有良好的性能,将其引入动态转换概率中,替换固定转换概率,提高算法收敛能力,有利于控制全局搜索和局部搜索之间的平衡;最后,在全局搜索阶段引入乘除算子对花粉位置进行放缩,在空间里进行充分搜索,避免算法陷入局部最优。通过对12个测试函数的仿真实验,表明该算法在单峰、多峰和固定维度测试函数上性能都优于花授粉算法(FPA)、粒子群算法(PSO)、布谷鸟算法(CS)和蜂群算法(ABC),寻优性能显著性提高,具有更快的收敛速度和更优的求解精度。将MDFPA算法应用于PID(Proportion Integration Differentiation)控制器参数优化中,结果表明优化后的PID控制器性能更优。

基于改进蜣螂优化算法的搬运机器人路径规划

针对基本蜣螂优化算法在路径规划方面存在的路径较长、迭代次数多以及局部最优等问题,提出一种改进蜣螂优化算法。首先利用Chebyshev混沌映射优化其初始群体,以提升个体质量;其次将黄金正弦算法引入觅食蜣螂位置更新策略中,以提升算法的收敛速度,使得算法搜寻有效性得以提升;最后在偷窃蜣螂位置加入动态权重,以扩大算法的搜索范围,降低算法提前收敛的概率。利用栅格地图法建立环境地图,模拟搬运机器人的工作环境,利用MATLAB仿真软件,将改进蜣螂优化算法与基本蜣螂优化算法在不同的栅格地图中进行仿真。通过分析仿真数据得出在3种不同的栅格地图中改进蜣螂优化算法在平均路径长度上比基本蜣螂优化算法分别缩短了31.25%、10.31%和8.59%;在平均迭代次数上分别减少了22.26%、12.19%和26.24%;在平均拐点个数上分别减少了35.11%、9.52%和35.09%。仿真结果证明改进蜣螂优化算法在搬运机器人路径规划方面拥有更好的效果,验证了改进蜣螂优化算法的可行性。

基于CFD技术对多工况的线型优化

为减少实际运营中的燃油消耗,对多工况多航速点的船舶线型设计提出了更高的技术要求。本文依托3000TEU船项目,结合直艏的几何特征,使用参数化软件CAESES的Feature功能,对首前部线型变形开发线型变换设计模块,构建四变量的线型变换方案;并基于SHIPFLOW软件的Global计算模式,采用Sobol算法,考虑加权算法对多工况点综合评估,在设计工况水动力性能不变的情况下,对压载工况进行优化,其有效功率下降达2.65%,得到符合工程实际的、较优的船体线型。

融合混沌映射和二次插值的自适应鲸鱼优化算法

针对鲸鱼优化算法(whale optimization algorithm,WOA)易陷入局部最优,收敛速度慢和寻优精度低等问题,提出一种融合混沌映射和二次插值的自适应鲸鱼优化算法(adaptive whale optimization algorithm based on chaotic mapping and quadratic interpolation,CQAWOA)。引入混沌映射在初始化阶段生成新种群,实现种群多样性;设计自适应权重,提高算法全局搜索和局部寻优能力并加快收敛速度;利用二次插值策略生成新的鲸鱼个体,采用贪婪策略更新局部最优解,提高种群计算的精度。通过15个基准函数将改进算法与其它优化算法进行对比测试,测试结果验证了在求解过程中,改进算法寻优速度和求解精度均存在显著提升。

基于协同变异与莱维飞行策略的教与学优化算法及其应用

针对教与学优化(TLBO)算法在处理优化问题时存在搜索不均衡、易陷入局部最优、综合求解性能弱等缺陷,提出一种基于均衡优化与莱维飞行策略的改进教与学优化算法ELMTLBO。首先设计精英均衡引导策略,通过种群中多个精英个体的均衡引导提高算法的全局寻优能力;其次在TLBO算法的学习者阶段后,利用自适应权重策略对莱维飞行产生的步长进行自适应缩量,以提高种群局部寻优能力,增强个体对复杂环境的自适应性;最后设计了变异算子池逃逸策略,通过多个变异算子的协同引导,提升算法的种群多样性。为验证算法改进的有效性,将EMLTLBO算法与侏儒猫鼬优化算法(DMOA)等先进的智能优化算法以及平衡教与学优化(BTLBO)算法、标准TLBO等同类型算法在15个国际测试函数上进行综合收敛性能比较。统计实验结果表明,与先进的智能优化算法和TLBO算法变体相比,ELMTLBO算法能够有效平衡其搜索能力,不但有效求解单峰和多峰问题,而且在复杂多峰问题上仍有显著的寻优能力。在不同策略的共同作用下,ELMTLBO算法的综合优化性能突出,全局收敛性能较为稳定。此外,ELMTLBO算法成功应用于基于隐马尔可夫模型(HMM)的多序列比对(MSA)问题中,优化后得到的高质量对齐序列可用于疾病诊断、基因溯源等,可为生物信息学提供算法支撑。

基于优化技术的权重计算方法在岩体质量评价中的应用

基于模糊数学和可拓学的岩体质量评价,其关键环节就是权重的确定。目前,尽管权重的确定方法有很多,但不能很方便地服务于实际工程。引入可拓学等级特征值的概念,将权重计算问题转化为优化问题来解决是一个新的有意义的探索。将混沌优化算法和可拓评判方法结合起来,对样本数据进行反分析,从而获得权重。根据实际情况选择影响指标,建立评价标准,提取样本数据,应用程序CAExWeigh.exe对样本数据进行分析。结合实际工程地质情况分析计算结果,表明该方法计算结果是可靠的;同时还表明,从一定意义上来说,权重是因素影响程度统计意义上的均值,且只有当其指标值在一定范围内变化才有意义。

基于自适应混沌粒子群优化的防空目标分配

粒子群优化算法存在早熟收敛和搜索精度较低的问题。为此,提出一种基于自适应混沌粒子群的优化算法。采用自适应权重和遗传算法中的交叉、变异操作更新粒子群,增加种群粒子的多样性,运用早熟判断机制判断粒子的当前状态,当粒子处于早熟状态时,利用混沌搜索的方法引导群体快速跳出局部最优。仿真结果表明,该算法可以有效解决粒子群算法的早熟问题,提高搜索精度和收敛速度。

自适应混沌粒子群优化算法

粒子群优化算法在求解复杂函数时,存在收敛速度慢、求解精度不高、易陷入局部最优点等问题。为此,提出一种自适应混沌粒子群优化算法。在基本粒子群算法中引入混沌变量,当算法陷入早熟收敛时进行混沌搜索,同时引入非线性递减的惯性权重。实验结果表明,该算法具有较快的收敛速度和较高的收敛精度,能有效避免早熟收敛问题。

改进PSO-BPNN的电力变压器故障诊断与模式识别

为了优化反向传播网络相关学习参数,提出一种粒子群优化辅助BP神经网络(BPNN)的新方法.以变压器油中气体体积分数百分比构造故障特征,将BP网络的初始权值和阈值进行实数编码,以对应PSO中的粒子,实现BP网络的离线训练与在线分析,对变压器故障模式做出判断.结果表明,该算法更合理地更新了粒子的位置和速度,最优地设置了全局极值,有效克服了粒子的早熟收敛,获得的故障诊断准确率高达91%,并大大提升了BP网络的收敛速度.该算法为此类设计提供了有效的模型参考.

混沌支持向量机优化小波加权多模盲均衡算法

为了提高均衡器对高阶QAM信号的盲均衡性能,提出了基于混沌支持向量机优化的小波加权多模盲均衡算法。为避免权向量陷入局部极小值点,该算法利用支持向量机对均衡器的权向量进行初始化,并用混沌优化算法对支持向量机参数进行优化;利用正交小波变换对均衡器的输入信号进行预处理,来降低输入信号的自相关性;采用加权多模算法来调整权向量迭代过程中的模值。水声信道的仿真结果表明,与加权多模盲均衡算法和小波加权多模盲均衡算法相比,该算法具有较快的收敛速度和更小的稳态误差。

模值约束的降维MUSIC二维DOA估计

利用传统二维多重信号分类(multiple signal classification,MUSIC)算法进行二维波达方向(direction of arrival,DOA)估计时,往往带来巨大的运算量,限制了算法的实际应用。提出了一种能够大大降低二维DOA估计运算量的模值约束降维MUSIC算法,该算法将二维DOA估计问题转化为优化方程的求解问题,并采用模值约束法定义附加条件,使方向向量得到了较强约束,进而使求解结果更加接近最优解。理论分析和仿真实验表明,本文算法所需运算量较低,且角度估计的成功率与精确度较高。

具有量子行为的粒子群优化算法的改进

为改善基本粒子群的全局、局部搜索能力和收敛速度、计算精度,基于标准PSO算法和量子理论基础之上,提出一种改进的基于量子行为的PSO算法—WbQPSO算法。新算法中,采用全同粒子系更新位置,并引入混沌思想,对每个粒子进行混沌搜索,另外通过在Mbesti中加入权重系数,试图改善粒子群的全局、局部搜索能力和收敛速度以及计算精度。对经典函数的测试计算表明:改进算法的性能优于经典的PSO算法,基于量子行为的PSO算法。

基于决策者偏好投影寻踪模型的多属性决策法

针对现有主观赋权法和客观赋权法的不足,提出了一种新的综合赋权方法——基于决策者偏好及投影寻踪聚类模型的综合赋权法。该方法运用投影寻踪聚类模型,把多属性决策问题中的高维数据转化到低维子空间,同时用自适应粒子群优化算法来优化投影指标函数和模型参数,获得了决策属性体系最佳投影方向和投影值,揭示了高维数据的结构特征。同时,也考虑了决策者对不同属性的偏好,使对属性的赋权达到主观与客观的统一。最后通过一个仿真实例说明了该方法的可行性与有效性。