多项式变异和自适应权重优化的阿奎拉鹰算法

针对基本阿奎拉鹰算法存在收敛精度低、易陷入局部最优的问题,通过在全局搜索阶段引入多项式变异扰动策略,在局部开发阶段引入自适应权重优化策略,改进了阿奎拉鹰算法的局部探索能力,并且引入了Tent混沌映射初始化种群,增加种群多样性,引入动态转换概率策略来平衡全局探索和局部开发的比重,故提出多项式变异和自适应权重优化的阿奎拉鹰算法。采用基本阿奎拉鹰算法、哈里斯鹰算法、灰狼算法、鲸鱼算法、海鸥算法做对比,9个基准测试函数和2个工程优化问题对改进后的算法进行寻优性能验证,结果表明:改进后的算法在多数测试函数上取得较好的寻优效果,在工程优化问题中,效果优于多数对比算法。证明了改进后的算法具有更快的收敛速度和精度,并在工程应用中取得较好效果。

混合多项自适应权重的混沌麻雀搜索算法

麻雀搜索算法具有原理简单、搜索能力强、快速寻优等优点,但是存在全局搜索不足、易陷入局部最优等缺点,针对其缺点提出了混合多项自适应权重的混沌麻雀搜索算法。增加改进Circle混沌映射提高种群多样性;在发现者引入自适应权重策略,提高发现者的全局搜索能力和搜索范围;在加入者引入改进鲸鱼优化算法的气泡网捕食策略,提高算法的局部搜索性能和跳出局部最优的能力;结合反向学习策略机制,对所有的个体进行最优选择,使每次迭代后的个体质量得到提升,以提高算法的寻优效率和寻优精度。将混合多项自适应权重的混沌麻雀搜索算法与4种经典基本算法和9种改进的麻雀搜索算法在12种测试函数和CEC2022测试函数上进行对比,改进算法有更好的寻优性能和收敛速度。

基于自适应权重与透镜成像学习的麻雀算法

为了解决麻雀搜索算法(SSA)存在的跳出局部最优值能力弱、寻优精度不理想等缺陷,提出了一种基于自适应权重因子与透镜成像反向学习的麻雀搜索算法(LIW-SSA)。利用Circle映射和一般反向学习策略生成麻雀种群,提升了初始种群的质量以及丰富性。将自适应权重因子引入到麻雀种群警戒者更新公式中,能有效平衡算法前后期搜索能力。采用透镜成像学习机制对当前麻雀最优个体实施干扰,提高了算法的跳出局部最优以及寻优性能。通过对基准测试函数的寻优对比,验证了提出的LIW-SSA算法相较于基本麻雀搜索算法以及其他优化算法,在算法稳定性以及寻优精度上得到了很大的提高。

基于自适应飞蛾扑火优化算法的三维路径规划

三维路径规划问题是在干扰环境下寻找出发点到目的地之间最优路径的组合优化问题。针对传统群智能算法在求解该问题时存在收敛精度低、易陷入局部最优等缺陷,提出了一种自适应飞蛾扑火优化算法对该问题进行优化求解。改进算法通过引入飞行方向动态调整策略和位置交叉策略,在动态调整飞蛾飞行方向的同时不断产生新个体,有效避免了算法陷入局部最优;通过自适应调整火焰的数量,在算法全局探索阶段增强了种群多样性,避免了早熟收敛。将自适应飞蛾扑火优化算法与其他群智能算法用于三维路径规划问题求解,实验结果表明,改进的自适应飞蛾扑火优化算法在所有算法中代价值最小,收敛速度最快,说明该算法在三维路径规划问题中具有更好的求解能力。

基于改进飞蛾扑火算法的集成调度仿真

针对制造型企业成本上升等问题,建立生产与运输集成调度的数学规划模型,提出一种双自适应权重飞蛾扑火算法(double adaptive weights for moth flame optimizer,DAWMFO)进行求解。提出了一种双自适应权重机制;使用螺旋函数更新种群,提高了算法的收敛速度和精度。采用改进算法对基准函数进行了测试,结果表明:DAWMFO不仅能够快速收敛且不易陷入局部最优,寻优能力较其他算法也有所提升。通过对生产与运输集成调度的数据集做仿真实验,验证了改进算法在求解此类问题时可行高效。

改进自适应惯性权重粒子群算法及其在核动力管道布置中的应用

[目的]旨在研究非线性自适应惯性权重粒子群优化算法,实现船用核动力一回路系统管道路径的布置优化设计。[方法]根据船用核动力一回路系统的管道布局设计特点,建立一回路系统的管道布局空间模型、约束条件和评价函数;基于管道节点数量,提出一种粒子群优化(PSO)算法的新型定长编码方法,然后结合该编码方法建立方向引导机制;在此基础上,针对粒子群优化算法易陷入局部最优解、收敛速度慢的缺点,结合辅助线性变化的学习因子,提出一种基于非线性自适应惯性权重的改进粒子群优化算法;将改进粒子群优化算法与协同进化算法相结合,提出一种用于求解分支管道布局问题的协同进化粒子群优化算法,以用于核动力一回路系统的管道布局优化。[结果]仿真结果显示,所提的改进算法与标准算法相比收敛速度提高了40%~50%,不仅能够得到更好的管道布局效果,还解决了标准粒子群优化算法容易陷入局部最优解的问题。[结论]研究成果可为船用核动力一回路系统管道布置的优化设计提供有益的参考。

基于考虑误差修正的非线性自适应权重组合模型的光伏发电功率预测

为了提高光伏电站光伏发电功率预测精度,解决极限梯度提升模型、长短期记忆模型2种传统单一模型及传统组合模型极限梯度提升-长短期记忆模型的光伏发电功率预测结果滞后、预测效果易突变、预测误差较大、线性拟合性较差等不足,基于极限梯度提升算法、长短期记忆算法和线性自适应权重,提出一种考虑误差修正的非线性自适应权重极限梯度提升-长短期记忆模型进行光伏发电功率预测;分别使用极限梯度提升算法和长短期记忆算法训练得到2种单一模型,将2种单一模型的初步预测值和真实值组成新的训练数据集,利用神经网络算法训练所提出的模型,对2种单一模型的初步预测值分配自适应权重系数,并根据训练时所提出模型的预测值大小分段统计预测误差的分布,预测时根据所提出模型的预测值在预测结果的基础上累加误差均值从而进行误差修正,进一步提高所提出模型的预测精度;利用Python语言分别对所提出的模型、传统组合模型和2种传统单一模型在晴天、阴天和雨天的光伏发电功率预测性能进行仿真。结果表明:与极限梯度提升-长短期记忆模型、极限梯度提升模型、长短期记忆模型相比,所提出模型的均方根误差分别减小28.57%、 39.39%、 49.79%,平均绝对误差分别减小44.25%、 53.33%、 64.8%,决定系数分别增大1.43%、 2.38%、 3.34%,所提出的模型更有效地减小了传统单一模型的光伏发电功率预测误差,优化了传统组合模型的权重系数;3种天气条件下所提出模型的光伏发电功率预测误差相对最小且稳健性最强,验证了所提出模型的有效性。

基于汉明权重分组的自适应查询树算法

为克服无线射频识别系统在识别标签时存在空闲时隙多、系统效率低的问题,提出一种基于汉明权重分组的自适应查询树算法。引入基于汉明权重分组的方法优化空闲时隙,根据标签的碰撞位特征自适应选择不同的查询机制,实现对标签前缀的准确预测。仿真结果表明,与查询树的改进算法PACT、BAT和CF-AMTS相比,该算法能够减少查询过程中产生的空闲时隙,降低消耗的总时隙数,提高系统的吞吐量,适合在大规模标签的RFID系统中应用。

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。

基于并行权重自适应k-邻域算法的图像分类方法

针对现有KNN算法识别率低的问题,提出了一种并行权重自适应k-邻域算法。该方法首先结合多线程技术,并采用分类组合的多个KNN单元进行识别以提高执行效率;其次在分类组合KNN算法中采用深度学习模型对各个类别进行了系数权重自适应设定,进而降低传统KNN和分类组合KNN,由于单纯类别个数的多少进行决策或者通过人为设定类别比例进行决策而引起的分类误差。通过在Fashion MNIST手写数据集进行实验,结果表明:该算法将传统的KNN算法分类正确率提高到97%左右,对实际应用具有一定的价值。

基于自适应权重GPSR算法的ISAR成像

为了提高ISAR成像运算效率,本文提出一种自适应权重GPSR(AW GPSR)算法,并用于ISAR成像。该算法为加快参数重构的收敛速度,给ISAR图像中每个散射点都赋予正则化权重系数。对于幅度较小的散射系数,赋予较大的权重,使其快速减小为0;对于幅度较大的散射系数,给予较小的权重,使其在迭代中保持不变。在梯度下降迭代过程中,不断更新散射系数和正则化权重。本文采用仿真信号和实测信号进行ISAR成像实验,实验结果表明,相比常规GPSR算法,AW GPSR算法达到收敛的速度更快,成像时间降低了约23%。在成像效果方面,AW GPSR算法与常规GPSR算法相当,但明显好于传统的R-D算法和ESPRIT算法。

自适应惯性权重优化的粒子群算法

惯性权重作为粒子群最重要的参数之一,对全局搜索能力和局部搜索能力有重要的影响。针对传统粒子群算法的局限性,本文对其惯性权重进行改进,提出自适应惯性权重优化的粒子群算法,与原始粒子群算法相比,现在惯性权重和迭代次数与每个粒子适应度有关。仿真结果表明:本文所提出的自适应粒子群算法在迭代次数上优于基本粒子群算法,平均适应度低于基本粒子群算法。

融合自适应惯性权重和柯西变异的秃鹰搜索算法

针对基本秃鹰搜索算法存在收敛速度慢、易陷入局部最优的缺点,提出了一种融合自适应惯性权重和柯西变异的秃鹰搜索算法(CBES).首先使用Tent混沌映射初始化种群,保留了种群的多样性;其次,引入自适应惯性权重,加快算法的收敛速度,增强算法的局部开发能力;最后将柯西变异算子整合到当前全局最优位置进行变异更新,提高算法陷入局部最优的能力.通过12个单模态、多模态基准测试函数对CBES、BES、FPA、MFO、PSO 5种算法进行实验对比,实验结果表明了改进后的算法在收敛速度和精度方面均得到了提升.同时将该算法应用到实际工程中,验证了算法的扩展性和适用性.

自适应惯性权重的粒子群优化算法

针对粒子群优化算法容易陷入局部极值、进化后期的收敛速度慢和精度低等问题,提出自适应惯性权重的粒子群优化算法。算法采用自适应更新惯性权重,添加影响算子,并通过惯性权重自适应调整学习因子,然后加入随机局部搜索策略;最后使用测试函数,通过和3种优化算法进行30次重复实验。结果表明,提出的算法具有更好的全局收敛能力,且收敛精度、和稳定性都有明显的提升。

基于自适应调整惯性权重的改进粒子群优化算法

针对粒子群算法收敛速度慢,搜索精度不高,最终收敛解波动大的问题,本文提出基于自适应调整惯性权重的改进粒子群优化算法。在惯性权重随机取值的基础上,产生随机惯性权重进行速度更新,对优良的惯性权重数值进行储存,当储存数量达到一定额度以后,在下一次迭代中以一定的概率使用已经储存的优良惯性权重数值,通过benchmark函数进行仿真验证,结果表明此方法可以有效地改善粒子群优化算法寻优末期精度差、收敛解不稳定的问题。

融合自适应权重和变螺旋收敛曲线的鲸鱼优化算法

为解决基本鲸鱼算法(WOA)收敛速度慢、求解精度低、容易陷在局部最优等问题,文章提出了一种融合自适应权重和变螺旋曲线的鲸鱼优化算法(WSWOA)。首先引入非线性收敛因子,用于平衡勘探和开发阶段,防止算法过早陷入局部最优;其次引入自适应惯性权重,通过提升算法随机搜索粒子的影响力,以达到更好的全局寻优效果,并在后期通过加强精英粒子的引导能力使算法快速收敛于全局最优处;最后利用余弦函数特性对螺旋曲线进行改进,在迭代前期扩大螺旋搜索范围,并在后期快速收缩包围,向全局最优收敛。通过与多种优化算法在8种基准函数进行对比的仿真实验表明,该算法在稳定性、收敛速度以及求解精度方面有了显著提升。

基于混沌初始化和自适应惯性权重及柯西变异的多策略海洋捕食者算法

针对海洋捕食者算法在搜索寻优过程中存在收敛速度慢和寻优精度低等问题,提出混沌初始化和自适应惯性权重及步长因子的多策略海洋捕食者算法。首先采用混沌映射的种群初始化操作,有寻优速度快、精度高的特点,有助于平衡局部最优和全局最优。其次采用根据迭代次数自适应改变惯性权重的策略,以更好地平衡全局搜索能力和局部搜索的精细程度。然后采用柯西分布变异,增强算法跳出局部最优和全局搜索的能力。最后在5个测试函数上对该算法进行仿真实验,并与其他4种群智能算法在高维和低维上进行比较和分析,验证了改进算法有更强的收敛能力和寻优能力。

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。

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。

基于自适应权重和柯西变异的鲸鱼优化算法

为了改进鲸鱼算法(WOA)容易陷入局部最优和收敛精度低的问题,提出了基于自适应权重和柯西变异的鲸鱼算法(WOAWC).首先通过柯西逆累积分布函数方法对鲸鱼位置进行变异,提高了鲸鱼算法的全局搜索能力,避免了陷入局部最优.另外通过自适应权重的方法改进了鲸鱼算法的局部搜索能力,提高了收敛精度;实验结果表明,改进的算法和原鲸鱼算法、遗传算法、粒子群算法相比,收敛精度和算法稳定性上都要优于其它算法.