基于入侵杂草优化和灰狼优化算法的混合优化算法研究

基于入侵杂草优化算法和灰狼优化算法两种优化算法,将两者优点相结合,提出一种可以克服两种算法缺点的新的混合优化算法IWOGWO。通过对基准函数的测试和分析,评估了IWOGWO混合优化算法的性能,并与入侵杂草优化和灰狼优化两种基本算法的测试结果进行了比较,表明IWOGWO混合优化算法在全局搜索能力、收敛速度和求解精度上均有明显改善,验证了新算法的性能的优越性。

入侵杂草优化算法用于阵列天线方向图综合

针对目前智能优化算法在处理具有多零点、凹口和低旁瓣等要求的复杂阵列天线方向图综合问题时易出现收敛速度慢或局部最优的问题,引入一种新型入侵杂草优化算法,并在此基础上设计了一种自适应入侵杂草优化算法.新算法既提高了收敛速度,又平衡了全局和局部搜索能力.与同类算法相比,新算法在处理复杂阵列天线方向图综合问题中性能更佳,具有更高的收敛速度和计算精度.

基于入侵杂草优化算法的无线传感网节点定位

在基于测距的无线传感器网络节点定位中,最小二乘法由于定位误差的累积,定位精度不高。针对该问题,提出了一种基于入侵杂草优化算法的定位方法。该算法以定位误差为适应度函数,将定位问题转换为求解非线性方程组最优化问题。在求解的过程中,利用未知节点到锚节点的距离和锚节点可信度对适应度函数进行修正,以实现更高精度的定位。仿真实验表明:改进的定位算法,在不同测距误差、不同通信半径、不同锚节点数和不同节点数下,都能得到更高的定位精度。

求解流水车间批量流集成调度的离散入侵杂草优化算法

提出一种离散入侵杂草优化算法,用来解决最大完工时间目标的流水车间批量流集成调度问题.该调度问题包含两个紧密耦合的子问题:批次分割问题和考虑启动时间的批次调度问题.设计了两段字符串编码,用来表示两个子问题.与基本入侵杂草优化算法不同,所提算法基于适应度和年龄确定杂草种子数量,基于正切函数和连续邻域操作产生种子.8种邻域算子的混合应用与局部搜索增强了算法的求解能力.仿真实验表明了所提算法的有效性.

多子群入侵杂草优化算法研究及应用

针对入侵杂草优化算法(IWO)进化后期种群多样性、优势个体易陷入局部极值的问题,提出一种基于K-均值聚类的多子群入侵杂草优化算法(K-MSIWO)。该算法利用K-均值聚类算法将杂草种群分为3个子群,通过种内和种间竞争策略建立个体之间、子群之间的协同进化关系,提高杂草种群的多样性。当算法的收敛速度下降时,对种群中早熟的个体采用随机扰动的变异策略,帮助其跳出局部极值。基准函数测试结果表明,将该算法用于二阶和高阶系统的PID控制器参数整定,与遗传算法的整定结果相比,系统超调量分别下降33.2%和50%,具有较好的寻优精度和一致性。

采用入侵杂草优化算法的WSN定位精度提高方法

提高节点定位精度是无线传感器网络无需测距定位算法的关键问题之一。DV-Hop算法作为一种典型的无需测距定位算法也存在精度不高的问题。对此,提出了一种基于改进入侵杂草优化算法的新的定位算法。将算法中的目标函数设为节点定位误差,从考虑传感器节点定位问题转换为全局最优化问题,并利用人工蜂群搜索机制对入侵杂草优化算法进行改进。利用仿真技术对不同算法进行比较,从结果可以表明,本文提出的改进算法能够有效提高算法的定位精度。

一种采用蜂群全局引导搜索策略的入侵杂草优化改进算法

针对入侵杂草优化算法收敛速度较慢、易陷入局部最优的缺点,提出了一种改进的入侵杂草优化算法。首先,采用反向学习初始化方法对种群进行初始化以提高其全局收敛速度;其次,利用改进蜂群算法中的全局引导搜索策略,对繁殖后的种子进行最优引导搜索以提高其跳出局部最优点的能力。最后,对不同维数的5个标准测试函数进行了仿真验证。试验结果表明:与GABC及标准IWO(Invasive Weed Optimization)算法相比较,该改进算法在函数优化方面具有较快的收敛速度和较强的跳出局部最优的能力。

改进的入侵杂草优化算法在泰斯模型中的应用

智能优化算法应用于泰斯模型时,需要预估待求参数的搜索范围。为降低预估难度,将具备广度搜索优势的入侵杂草优化算法引入到泰斯模型中,通过分析入侵杂草优化算法在广度搜索空间中运用泰斯公式的局限性,变算法标准差的静态设置为动态调整,提出并构建改进的入侵杂草优化算法运用泰斯公式模型。应用该模型处理三个不同尺度非稳定流抽水试验。研究结果表明:改进的入侵杂草优化算法能在广度搜索空间中高效运用泰斯公式反演出接近实际的导水系数和贮水系数。

一种带局部搜索功能的入侵杂草优化算法

为了改善入侵杂草优化算法解的质量,提出一种带局部搜索功能的入侵杂草优化算法。该算法按照一定概率对每代产生的最优个体执行球体局部搜索算子或Logistic映射搜索算子,在最优个体周围进行精细搜索,并用搜索到的较优个体代替最优个体,提高了算法的局部搜索能力和优化精度。并对7个测试函数进行了仿真实验,结果表明:该算法具有较高的优化性能。

基于入侵杂草优化的大学英语试题组卷方法

在大学英语教学中,如何从庞大的英语试题库中生成符合一定测试目标或教学要求的英语考试试卷是英语辅助教学的重要手段。针对大学英语考试试卷的总体评价目标及试题的整体测试参数进行了分析,给出了一个有效的组卷模型,同时提出了基于入侵杂草优化的大学英语试题库自动组卷方法。实验结果表明,该方法能有效生成一份满足大学英语教师或教学大纲要求的英语考试试卷,极大地节约了高等学校英语教学的人力资源。

基于入侵杂草优化算法的配电网电源规划

在考虑负荷模型的基础上,以设备投资成本、燃料成本、维护成本、购电成本和排放成本最小为目标函数对配电网进行分布式电源优化配置。应用入侵杂草优化算法求解模型,实现分布式电源类型、位置和容量的同时优化。IEEE 33节点系统电源规划结果验证模型的合理性和入侵杂草优化算法的有效性。

采用位置混沌重构的入侵杂草优化在盲源分离的应用

传统盲源分离(blind source separation,BSS)优化算法的应用场合非常有限,而且分离性能不高,为此提出了一种新的采用位置混沌重构的入侵杂草优化算法(invasive weed optimization,IWO),并对其在盲源分离的应用进行了研究。新算法在每轮更新的初期驱动选出的较优个体向此时种群的最优个体做适当距离的移动,这样不仅会增加种群的多样性,避免算法出现早熟,而且也能够加快收敛速度。盲信号分离仿真实验证实,与标准IWO、粒子群优化算法(particle swarm optimization,PSO)和自然梯度算法(natural gradient,NG)相比,新算法的性能优势明显,收敛速度较快,分离精度较高。

基于入侵杂草优化算法的支持向量机负荷预测

针对支持向量机(Support Vector Machine,SVM)预测方法中的参数选取主要依靠经验试算实验比对的方法导致难以快速选择合适参数从而影响负荷预测精度的问题,研究了将入侵杂草优化算法(Invasive Weed Optimization,IWO)与支持向量机算法相结合的改进算法。提出控制误差ε的取值,采用入侵杂草寻优算法对惩罚参数C和核函数参数σ进行优化选取,将自动寻优的结果赋给支持向量机,从而实现支持向量机自动寻优。用某市的历史负荷及相关天气等信息数据,通过仿真实验证明了IWO-SVM算法用于短期负荷预测的可行性,以及IWO算法对改善SVM的参数选择的有效性。平均预测误差在3%以内,满足行业要求。

基于柯西变异的改进入侵杂草优化算法

入侵杂草优化算法存在收敛速度较慢,收敛精度不高,易陷入局部最优等问题,针对这些问题,论文提出基于柯西变异的改进入侵杂草优化算法(CMIWO)。该算法采用改进点集的方法实现种群的初始化,丰富初始种群的多样性,引入改进后的tent混沌映射将杂草个体进行扩散,后期融入柯西变异和差分变异的混合变异算子,从而使算法的收敛速度和寻优精度进一步提高,且更易跳出局部最优值。利用6个标准测试函数测试算法的收敛速度以及寻优精度,仿真结果表明,CMIWO算法均优于标准IWO算法及其他常用算法,并且能有效避免陷入局部最优。

基于离散混合入侵杂草优化算法的车辆路径问题研究

容量化车辆路径问题(CVRP)已被证明是NP完全问题,CVRP不仅在学术界受到关注,而且在许多工程领域得到了应用。提出了一种离散混合入侵杂草优化算法(DMIWO)来解决容量化车辆路径问题,引入遗传操作过程中的自适应变异和交叉算子,保证算法的多样性,防止算法陷入局部收敛早熟的局部最优解。使用实矩阵编码,并为父代区域中的子代构建离散化过程。针对容量化车辆路径问题的性质,提出了一种改进的2-Opt和交换操作结构,构建了两阶段混合变量域搜索方法,增强了算法的局部搜索能力和全局搜索能力。将仿真实验和文献中的遗传算法、粒子群算法及量子进化算法进行比较,证明了用DMIWO算法解决离散组合优化问题,简单、高效、适应性强。

采用差分进化策略的入侵杂草改进算法及函数优化应用

针对入侵杂草优化算法易出现早熟且收敛速度较慢的问题,提出一种具有差分进化策略的入侵杂草算法。利用差分进化策略较强的开发能力,对种子进行交叉变异选择操作以帮助算法跳出局部最优;同时,为了提高算法的收敛速度和种群多样性,提出对杂草进行初始化并采用基于混沌反向学习的初始化方法。对8个标准测试函数进行的仿真实验表明:与标准杂草优化、差分进化及混合杂草优化算法相比,提出的改进算法具有较快的收敛速度、较高的收敛精度及较强的搜索全局最优解的能力。

求解柔性分批调度问题的双层搜索框架入侵杂草算法

针对柔性作业车间分批调度问题,提出一种双层搜索框架下的改进入侵杂草算法,以获得理想的分批调度方案。首先提出融合批次批量、工序排列和加工机器信息的3层基因编码;其次设计一种双层搜索优化框架,先通过分批搜索层进行柔性批量划分,再采用排序搜索层迭代优化获取分批调度方案。在分批搜索层中,基于工序平均工时缩小分批的解空间,提出随机数字分割法用以生成分批方案;在排序搜索层中,采用入侵杂草算法实现迭代优化,同时设计了分层初始化方法、混合机器选择策略和3种局部搜索算子,以提升算法搜索能力,并避免陷入局部最优。最后以最大完工时间为评价指标,从性能实验分析、框架实验验证和实例实验验证3个维度验证了所提算法的优越性和可行性。

离散多种群入侵杂草优化算法求解柔性作业车间调度问题

针对柔性作业车间调度问题(FJSP)的特点,在基本入侵杂草优化算法原理的基础上,提出一种离散多种群入侵杂草优化算法.该算法引入多种群思想且在算法初期不进行种群交流,在各种群内采用交叉算子进行交流.当空间扩展时,采用自适应变异位数策略和领域搜索策略,提高了算法初期的全局搜索和后期的局部挖掘能力.在算法后期进行种群交流,提高了算法的收敛速度和寻优精度.将该算法用于柔性作业车间调度问题,且在解码时提出一种矩阵解码法.计算实例验证了所提出算法的有效性和优越性.

一种约束工程设计问题的入侵性杂草优化算法(英文)

提出了一种新颖的求解约束问题的群智能优化算法.该算法模拟杂草克隆、占地生长与繁殖的自然行为,具有入侵性杂草的鲁棒性、适应性和随机性等特点,算法简单而有效,具有准确的全局搜索能力.结合罚函数方法将提出的算法应用于求解工程设计优化问题,实验结果及比较表明提出的算法获得了更优的结果,同时也显示了它在求解复杂工程设计优化问题时的全局寻优能力.进一步实验与统计分析了关于参数选择对算法性能的影响,得到了有利参数选择的结论.

基于入侵性杂草优化算法的图像识别的研究

针对小波不变矩提取的特征向量维数过大的问题,提出一种以类间、类内散布矩阵作为可分离判据的离散入侵性杂草优化算法实现特征向量的选择,利用BP神经网络作为分类器进行图像识别。实验仿真结果表明,与现有特征选择算法相比,改进的离散入侵性杂草优化算法对于图像特征向量的选择时间更短,识别正确率更高,能有效提高分类器的性能。