基于多策略麻雀搜索算法的机器人路径规划

通过多种策略对基本麻雀搜索算法(SSA)进行改进,以解决麻雀搜索算法后期由于种群多样性丢失而导致的全局优化精度和速度问题。首先,改进无限折叠迭代映射(ICMIC)初始化种群,将自适应分段步长因子引入麻雀探测器的位置更新公式中,使麻雀搜索算法观察者的固定比例系数随迭代次数动态变化。然后,将观察者的位置与新公式和正弦余弦算法(SCA)相结合,并干扰先前的观察者步长。最后,在基准测试函数上比较了改进的麻雀搜索算法(ISSA)、麻雀搜索算法(SSA)、鲸鱼算法(WOA)、灰狼算法(GWO)、改进的灰狼算法(CGWO)、正弦余弦算法(SCA)和粒子群优化算法(PSO)的收敛性和准确性,并将其应用于路径规划。实验表明改进的麻雀搜索算法具有良好的优化性能。

一种改进的变权科莫多优化算法及其应用

针对科莫多算法(KMA)在求解复杂函数和高维情况下容易出现早熟收敛的问题,提出了一种改进的变权科莫多优化算法(VWCKMA)。首先利用Tent混沌映射产生的序列对科莫多个体位置进行位置初始化,为全局搜索的多样性奠定基础。然后提出可变惯性权重,分别对不同社会等级的科莫多个体的运动进行不同控制,较好地提高了收敛速度。最后利用Tent混沌映射进行局部扰动,使其能够进行更加精确的局部搜索,避免局部最优值。仿真实验表明,在单峰函数和多峰函数求解的标准差和均值中,VWCKMA在收敛精度和收敛速度方面均有很大的提高。针对实际空气污染物PM_(2.5)预测非线性的问题,利用VWCKMA对BP神经网络的权值和阈值进行迭代寻优,基于最优参数的条件下使用BP神经网络对PM_(2.5)进行预测。实验结果表明预测准确率为85.085%,相比单一BP神经网络预测准确率提高19.85个百分点,体现VWCKMA具有一定的实践应用价值。

多策略融合改进的金豺优化算法及其在马斯京根模型参数估计中的应用

针对金豺优化算法在解决复杂或高维优化问题时易陷入局部最优、收敛速度慢和计算精度低等不足,提出一种基于多策略融合改进的金豺优化算法(Multi strategy fusion improved Golden Jackal Optimization Algorithm,MGJO)。首先,通过引入混沌映射策略初始化种群代替随机参数,使得算法能够在搜索空间中生成具有良好多样性的初始解,避免初始种群分布偏离最优值;其次,提出一种非线性变化的动态惯性权重使搜索过程更加符合实际情况,有效平衡了算法的全局搜索和局部搜索能力;最后,引入柯西变异的位置更新策略使其充分利用最优个体的引导作用提高种群多样性,以有效探索未知区域避免算法陷入局部最优。为了验证改进的金豺优化算法的寻优精度、收敛性能和稳定性,选择了8个不同特征的基准测试函数进行试验。结果表明,在8个基准测试函数中,改进的金豺优化算法的平均值、标准差、最优值都取得了最优的结果。此外,Wilcoxon符号秩检验的结果表明改进的金豺优化算法在统计学上是显著优越的。通过实例应用表明,基于多策略融合改进的金豺优化算法可以有效地估算出马斯京根模型的参数,优化效果明显优于粒子群优化算法、正弦余弦优化算法和金豺优化算法,进一步验证了多策略融合改进的有效性和改进算法在参数优化中的优越性,为更精确估计非线性马斯京根模型参数提供了一种有效的新方法。

混合策略改进的野马优化算法

针对野马优化算法存在种群多样性低、收敛速度慢和易陷入局部最优等问题,提出一种混合策略改进的野马优化算法(IWHO)。在马驹位置公式中引入基于饥饿游戏的Tent惯性权重,更好平衡算法的全局搜索与局部搜索能力;在放牧阶段引入折射镜像学习策略,利用折射镜像学习生成可行解的反向解,加快算法的求解速度;利用混合黄金正弦与飞蛾扑火算子,使算法跳出局部最优。将改进后的算法(IWHO)和其它算法在10个基准函数上对比测试,并通过Wilcoxon秩和检验和拉/压弹簧设计问题验证算法性能。仿真结果表明,IWHO在收敛速度和寻优精度上有明显改进。

基于改进蝙蝠算法的最小区域法圆度误差评定

圆度是轴类机械产品几何精度评价的核心指标之一,其直接影响到产品的性能和寿命,准确、快速、规范的进行零件圆度误差评定一直是计量领域研究的热点。因此,提出了一种基于改进蝙蝠算法的最小区域法圆度误差评定方法,该方法利用蝙蝠算法的种群寻优能力,结合最小区域法对圆度误差模型中的目标圆心进行快速寻优,进而计算求解出圆度误差值。改进的蝙蝠算法通过增加混沌惯性权重、自适应参数等方法来有效避免算法在圆度误差评定中陷入局部最优,并改善评定准确性和稳定性。通过对实测数据进行实验验证和分析对比,结果表明提出的方法在圆度误差评定中寻优速度明显优于遗传算法,评定精度和稳定性较最小二乘法有较大提升,验证了该方法在最小区域法圆度误差评定应用中的可行性。

基于模拟退火和樽海鞘群优化的DV-Hop定位算法

针对无线传感器网络(WSNs)中传统DV-Hop算法定位误差较大等问题,提出基于模拟退火和樽海鞘群优化的DV-Hop定位算法。该算法分别引入RSSI和修正因子来量化最小跳数以及校正平均跳距,在未知节点估计过程中,采用改进的樽海鞘群优化算法代替最小二乘法,并且与模拟退火算法相结合,缓解了樽海鞘群优化算法在寻优过程中容易陷入局部最优的缺点。仿真结果表明:改进后的DV-Hop算法相比于传统DV-Hop定位算法以及其他智能优化算法,定位精度得到明显改善。

混合策略改进的蜣螂优化算法及其工程应用

针对原始蜣螂优化算法(dung beetle optimizer,DBO)容易陷入局部最优,收敛精度不够等问题,提出一种混合策略改进的蜣螂优化算法(TDBO)。运用Tent混沌映射策略初始化种群,使得初始蜣螂的位置分布更加均匀,提高种群的多样性;在蜣螂繁衍阶段使用自适应惯性权重,提升寻优能力;在蜣螂偷窃行为公式中引入莱维飞行,提高算法的搜索能力,使算法跳出局部最优,平横搜索多样性与收敛准确性之间的关系。在9个测试函数上分别与基础DBO算法、4种对比算法以及单一策略改进的DBO算法进行比较,并通过Wilcoxon秩和检验验证TDBO算法的性能。结果证明,TDBO算法在多个函数上速度和精度优于对比算法,并具有显著性差异。通过基准函数的测试、Wilcoxon秩和检验,以及3个工程优化问题的验证,TDBO算法具有较优的收敛精度和速度。

一种基于疯狂自适应的哈里斯鹰优化算法

针对哈里斯鹰优化算法在求解精度和收敛速度的缺陷,本文提出了一种利用疯狂自适应的哈里斯鹰优化算法。引入Tent混沌序列生成初始种群,丰富初始个体的种类特性;将疯狂算子添加到猎物源上,以获得多元丰富的种群;在猎物处获得新的公式代进自适应惯性权重中,增强并平衡研究过程中关于搜索的问题,包括了全局搜索以及局部搜索。使用统计分析、收敛速度分析、经典基准函数评估改进哈里斯鹰优化算法的效率。结果表明:改进算法具有更好的全局搜索能力和求解鲁棒性,同时寻优精度和收敛速度也比原始算法有所增强。在求解高维和多峰测试函数上,改进算法拥有更好的性能,适合推广至实际的优化问题中。

混合策略改进的减法平均优化算法

减法平均的优化算法(Subtraction-Average-Based Optimizer,SABO)是一种新的元启发式算法,具有参数少、易实现、结构简单等优点,为了进一步提高SABO算法性能,提出了一种混合策略改进的减法平均的优化算法(HSABO)。首先,在种群初始化时,通过引入Tent混沌映射,使初始化种群成员能够均匀分布;其次,在计算种群新个体位置时,加入了自适应惯性权重,提高了算法的局部搜索能力;最后,引入透镜成像反向学习策略,对新个体位置以一定的概率进行扰动变异,避免陷入局部最优,增强算法全局探索的能力。通过14个标准测试函数,对改进算法与其他优化算法进行测试比较。仿真结果表明,HSABO算法是可行有效的,相比于其他基本算法,其寻优精度和收敛速度都有了很大的提高。

融合多策略改进的灰狼优化算法及其在汽轮机转子应力监测上的应用

针对灰狼优化算法求解精度低和易陷入局部最优的缺陷,提出一种融合多策略改进的灰狼优化算法(improved grey wolf optimization algorithm,IGWO)。首先采用混沌映射规则生成初始解,以增强初始种群的均匀性和遍历性;其次加入狼群交叉变异过程,以增加种群的多样性,避免陷入局部最优;最后引入动态惯性权重对灰狼位置进行更新,加快迭代过程的收敛。将IGWO与其它相似算法进行实验对比分析,结果表明:IGWO在6个标准函数的测试中优化性能表现最优,验证了其求解精度更高,泛化能力更强;将IGWO应用到某300MW级火电机组的汽轮机转子应力监测问题上,采用IGWO优化支持向量回归(support vector regression,SVR)建立的预测模型相对误差处于[-1.33%,1.88%],平均相对误差为0.64%;相较于其它预测方法,IGWO-SVR具有较高的求解精度和稳定性,验证了改进措施可有效提高IGWO的寻优性能,相关研究结论可为GWO的改进和汽轮机转子应力监测提供参考。

基于改进麻雀搜索算法的多维复杂函数优化问题的求解

传统麻雀搜索算法在寻找最优解过程中,存在种群多样性不够高、易产生局部最优、收敛精度不稳定等问题.本文给出了一种改进的麻雀搜索算法,首先,用改进的Cubic和Bernoulli混合混沌映射初始化种群分布提高种群多样性;其次,在算法迭代过程中引入非线性自适应惯性权重和Levy飞行策略,调节算法的搜索范围和精度,改善算法的收敛速度和局部寻优能力;然后,引入鲸鱼优化算法的捕食策略进行扰动,避免陷入局部最优;最后,在12个基准测试函数上与传统麻雀搜索算法和其他算法进行评估,实验结果验证了改进的算法具有较好的收敛速度和求解精度,并提升了局部搜索能力.

基于多机制优化螺旋飞行特征的乌燕鸥算法

乌燕鸥优化算法(sooty tern optimization algorithm,STOA)是近年来出现的一种新兴的群智能优化算法,因其独特的螺旋式寻优方式和在实际工程问题中显著的优化效果而备受研究与关注。然而,STOA算法本身也存在着收敛速度较慢,搜索精度较低,并且容易陷入局部最优等缺点。因此,提出了一种融合混沌映射、自适应惯性权重与高斯变异的多机制乌燕鸥优化算法(multi-mechanism sooty tern optimization algorithm incorporating chaotic mapping,adaptive inertia weight and gaussian mutation,GT-STOA),以促进群体多样性并增强算法全局搜索和局部寻优的能力。同时,为验证算法寻优效果的显著性,基于12个具有不同特征的测试函数,选取9种典型的优秀元启发式算法进行对比验证。实验结果表明GT-STOA相较于其他9种算法具有更高的寻优精度和更快的收敛速度,并且易跳出局部最优找到全局最优解。此外,为了研究GT-STOA解决实际问题的能力,对压力容器设计问题进行优化求解,所得实验数据显示GT-STOA较传统STOA算法在求解精度上提升了42.54%。

基于改进飞蛾扑火算法的电动汽车充电站选址

为解决电动汽车充电站的选址问题,将Tent混沌映射反向学习策略和动态惯性权值策略与飞蛾扑火优化算法相结合,得到混沌反向学习的飞蛾扑火算法。在所提算法中,引入Tent混沌映射和反向学习初始化策略来提高初始解的多样性;采用动态惯性权值策略在前期提高探索能力,并在后期加快迭代速度。用算例进行分析,采用改进算法对电动汽车充电站进行选址比标准飞蛾扑火算法和标准粒子群算法更有效。

混合多策略改进的斑点鬣狗优化算法及应用

针对基本斑点鬣狗算法求解精度低、易陷入局部最优值等缺点,提出一种混合多策略改进的斑点鬣狗优化算法。通过Fuch混沌映射实现鬣狗种群的多样性,利用自适应惯性权重平衡斑点鬣狗算法的全局搜索和局部开发能力,引入拉普拉斯算子进行动态交叉操作,提高SHO算法跳出局部最优的能力,将小孔成像反向学习和逐维反向学习机制相结合,使种群更符合迭代规律,提高算法的收敛速度和寻优能力。通过若干基准函数的仿真实验进行比较,其结果表明,LPSHO具有更优越的寻优性能。将改进后LPSHO运用在机械优化设计和桁架结构优化工程问题上,与其它算法对比进一步表明LPSHO能够很好解决这类结构优化问题。

基于IWOA-BP神经网络的滑坡区塔线体系应力预测模型

边坡变形会导致滑坡区输电铁塔基础发生变形,从而引起塔线体系内力增大,若此时再遇强风天气,就极易发生断线、倒塔事故,建立边坡变形和风荷载作用下塔线体系的应力预测模型,可有效预防线路事故的发生。首先利用改进的Circle混沌映射、自适应惯性权重以及Levy飞行策略对鲸鱼算法(WOA)进行优化,进而利用改进的鲸鱼优化算法(IWOA)对BP神经网络的权值和阈值进行参数寻优,得到滑坡区塔线体系应力预测模型,将风向角、风速和塔腿支座位移作为模型输入,塔线体系杆件最大应力作为输出。预测结果表明,提出的IWOA-BP模型具有较高的收敛速度与预测精度,与WOA-BP模型相比,平均绝对误差下降了77.4%,均方根误差下降了82.6%,平均相对误差下降了79.1%。

基于多目标优化的ISMA-CNN-BiLSTM短期负荷预测

为提高短期负荷的稳定预测能力,提出一种基于多目标的改进黏菌算法(improved slime mould algorithm,ISMA)的卷积神经网络-双向长短期记忆(CNN-BiLSTM)短期负荷预测模型。针对现有黏菌算法(slime mould algorithm,SMA)易陷入局部最优且全局搜索能力存在一定局限的问题,首先,采用Sin混沌映射生成初始黏菌种群;其次,引入Tent混沌映射和高斯变异来提高种群的多样性,增强寻找局部最优解的概率;同时,还引入了新的自适应惯性权重和融合随机扰动、贪心策略等改进方法,以优化算法的全局搜索能力。此外,为了验证ISMA的优势,基于不同类型的测试函数进行实验,相较于其他算法,ISMA具有更高的寻优精度和更快的收敛速度。最后,对某区域的真实负荷数据进行分析,结果表明,在预测一周负荷时,所提出的模型相较于CNN-BiLSTM和SMA-CNN-BiLSTM模型,其平均绝对百分比误差分别降低了1.79%和1.04%,进一步验证了ISMA-CNN-BiLSTM模型在短期负荷预测方面具有较高的准确性。

一种混沌映射动态惯性权重的樽海鞘群算法

为提升群海鞘群算法求解精度和收敛速度,提出了基于混沌映射动态惯性权重的群海鞘群算法.首先利用Tent混沌映射生成初始种群,计算种群适应度并保留最优个体作为初始食物源位置;将种群大小均分为领导者和追随者两部分以提高算法全局搜索能力,通过引入疯狂算子完成对领导者的位置更新;在追随者位置更新公式中,提出了基于精英保留及动态惯性权重的追随者位置更新策略,通过计算个体适应度值完成食物源的位置更新.实验结果表明,改进算法拥有更好的性能.

基于一种改进海鸥算法的结构优化设计

结构优化设计是用目标函数和约束函数来描述结构设计参数之间的非线性关系,通过优化技术求最优解。海鸥优化算法是一种新颖的全局优化算法。文章采用非线性随机惯性权重和局部混沌扰动策略改进,提高全局搜索精度和跳出局部陷阱的能力。仿真结果表明,改进的海鸥算法ISOA(Improved Seagull Optimization Algorithm)可用于求解多维连续优化问题,其收敛速度快,且计算精度更高,可为工程结构的优化设计提供参考。

基于遗传交叉和多混沌策略改进的粒子群优化算法

为有效改进基本PSO算法的搜索能力,提出了一种基于遗传交叉和多混沌方式改进的粒子群算法。该算法为获得比当前群体更优的最优解,采用了以下四种措施:其一,对当前群体中的最优解和每个粒子最优解进行遗传交叉操作;其二,用混沌系统动态地调整PSO算法的惯性权重;其三,对整个解空间进行混沌全局搜索;最后,对当前群体中最优解进行多维和单维的混沌局部搜索。仿真实验结果表明:与其他三种算法相比,提出的算法在解决八个整数和混合整数非线性规划问题时不仅收敛速度最快,而且具有100%的成功率。

带扰动因子的自适应粒子群优化算法

针对标准粒子群优化算法搜索精度不高、易陷入局部最优的问题,提出了一种带扰动因子的自适应粒子群优化算法。该算法进行混沌初始化,采用自适应的惯性权重,并将扰动因子加入粒子个体极值、全局极值和位置更新公式中。通过与其它算法的数值实验对比,新算法能够有效避免局部最优,全局收敛性能显著提高,收敛速度更快。