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。

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。

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。

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。

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。

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.

基于改进入侵杂草算法的空调送风温度控制

为减少冷冻水系统能耗,提高变风量空调送风温度控制效果,提出一种基于入侵杂草的萤火虫群算法优化PID控制策略。首先对变风量空调的送风温度-冷冻水阀系统进行建模;然后将基本萤火虫群算法与杂草优化算法结合,构建入侵杂草-萤火虫群算法,利用改进后算法对空调送风温度系统进行控制。进行系统仿真对比以及实验测试,结果表明:改进后的送风温度控制更加精确,稳定性更强,同时具有一定的节能效果。

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。

融合多重算子的自适应入侵杂草优化算法

针对入侵杂草优化算法易早熟、收敛精度低等不足,在分析原算法优化机理、局限性和收敛性的基础上,提出了融合多重算子的自适应入侵杂草优化算法.首先,通过标准差时变正态分布算子和Levy分布算子来模拟杂草的蔓延扩张行为进行优化,利用Lévy分布可产生较大跳跃的特性来避免局部极值的吸引;其次,利用混沌算子的遍历性和随机性来加强算法的局部搜索能力;进一步根据精英个体的进化状况自适应采用再生策略提高算法的鲁棒性.通过仿真测试和对比,表明所设计算法有效克服了原算法的缺陷,在寻优精度、全局收敛性和稳定性方面优于原杂草优化算法,是解决复杂函数优化问题的一种有效工具.

基于混沌序列的多种群入侵杂草算法

针对入侵杂草优化算法存在的早熟现象,提出一种基于混沌序列的多种群入侵杂草优化算法。首先,算法初始化时,利用混沌序列初始化种群提高初始解的质量;其次,在算法迭代过程中,若个体的聚集程度小于阈值时,再次用混沌序列重新初始化种群,使得算法迭代过程中能够有效地跳出局部极小;最后,将杂草种群分为5个种群协同合作,可有效地避免算法早熟现象,提高算法的寻优精度和收敛速度。通过对8个测试函数的测试,结果表明,所提算法获得最优值比基本入侵杂草优化算法精度提高了25%～300%;标准差提高了50%～100%。

求解多目标作业车间调度问题的混合变异杂草优化算法

针对多目标作业车间调度问题,提出一种混合变异杂草优化算法。该算法采用基于各子目标熵值权重的欧氏贴近度作为适应度值计算方法,引导种群向Pareto前端进化。在进化过程中,运用快速非支配排序策略构建Pareto档案,并利用进化种群中最优个体实时更新Pareto最优解集,提升算法的优化性能;同时通过引入变异算子增加种群多样性,避免算法陷入局部最优。最后,基于Benchmark算例的仿真实验,验证了该算法求解多目标作业车间调度问题的有效性。

基于入侵性杂草优化算法的有噪独立分量分析方法

针对传统独立分量分析(ICA)算法在含噪情况下分离效果不好,容易陷入局部收敛的问题,提出基于入侵性杂草优化(IWO)算法的有噪独立分量分析方法.以分离信号负熵和为目标函数,选用高斯密度函数估计负熵,消除目标函数中的不稳定项,提高算法的稳定性和准确性;采用入侵性杂草优化算法估计混合矩阵,提高算法的全局寻优性能.仿真结果表明:与传统Fast ICA和Fast NoisyICA算法相比,文中算法的分离信号和源信号的相似因数更大,随着信噪比增加,相似因数趋向1,可以更好地估计源信号;PI指标明显小于其他两种算法的,可以更为精确地估计混合矩阵.研究结果对有噪ICA信号处理有一定参考意义.

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。

基于杂草优化算法的电力线通信系统资源分配

为提高电力线通信系统资源利用率,提出一种基于改进入侵性杂草优化算法的资源分配方法。以速率自适应为准则,同时考虑系统功率谱的限制及用户之间的公平性等约束条件,采用在个体随机位置进行有方向性变异的二进制离散入侵性杂草优化算法,实现子载波的最优分配。在典型电力线通信系统环境下的仿真结果表明,与现有的资源分配算法相比,改进的杂草算法在系统容量、用户公平性等方面均有明显优势,可有效提高系统的性能。

基于差分进化入侵杂草算法的股价预测模型

针对入侵杂草算法易陷入局部最优、后期寻优精度较低等不足,提出一种差分进化入侵杂草(DEIWO)算法用于训练前向神经网络,结合入侵杂草算法的种群多样性和差分进化算法的启发式搜索等特质以增强算法的全局搜索能力和局部挖掘能力,建立基于DEIWO算法的神经网络预测模型。通过实例验证了本文改进的算法具有较好的寻优精度和收敛速度,预测模型可行和有效。

基于改进入侵杂草算法的稀疏线性阵列综合方法

针对大孔径情况下稀疏阵列方向图综合问题,提出了一种基于混沌序列的入侵杂草优化算法,通过减少阵列单元总数以降低系统成本。首先,在算法执行的初始阶段,利用混沌序列初始化可行解以增强搜索多样性;其次,在寻优的循环迭代过程中,当杂草间的曼哈顿距离小于设定阈值时,再次用混沌序列重新初始化杂草,使得全局搜索结果能够避免局部极小值;最后,通过将种群分为多个部分并行进化,可有效提高算法的收敛速度和寻优精度,克服早熟现象。仿真结果表明了该算法的有效性。