基于改进帝王蝶算法的最大似然DOA估计

针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。IMBO算法通过精英反向学习策略对初始帝王蝶种群进行优化,得到适应度值较优的初始帝王蝶个体,进而能够改善帝王蝶种群的多样性;引入差分进化算法启发的变异操作以及自适应策略对帝王蝶个体的寻优方式进行改进,扩大了算法的搜索空间;引入了高斯-柯西变异算子,自适应调整变异步长,避免算法陷入局部最优。将IMBO应用于ML-DOA,实验表明,与传统的DOA估计算法相比,在不同信源数目、信噪比以及种群数量下,本文提出的算法收敛性能更好,均方根误差更低,运算量更小。

基于改进帝王蝶算法的群优化算法加速框架

该文提出了一个通过改进的帝王蝶算法的群优化算法加速框架,该架构旨在改善群智能算法的优化特性和收敛效率。传统的帝王蝶算法具有收敛速度慢和容易进入局部最优的问题。为解决上述问题,该文在帝王蝶算法中引入了一系列改进措施,改进帝王蝶算法并使其作为加速框架与其它群智能算法组合使用。首先,通过应用混沌映射来更新群体起始状态以增强其成员的多元性,这能有效扩大搜寻范围并采用反向学习和随机干扰取代传统的移动操作,从而提升整体的稳定性,防止算法被困于局部最优。此外,采用非线性的自适应运算因子,初期强化了变异力以避开局部最优,后期减弱它以便深入寻找更好的结果,进而提高了精度。通过组合不同的群智能优化算法30维下寻优在10个测试函数的综合评估,验证了该算法框架可以有效提升其它群智能优化算法的收敛速度和精度。

一种混合算子改进帝王蝶优化算法

帝王蝶优化算法存在收敛速度慢、容易陷入局部最优、求解精度不高等问题,基于此提出一种基于柯西-高斯混合算子帝王蝶优化算法,该改进算法是在标准帝王蝶算法的迁移操作和调整操作中引入柯西-高斯混合算子,并发挥柯西算子全局搜索能力强和高斯算子的局部搜索能力强来改善算法性能,同时也对调整操作中调整率做改进。最后通过数值仿真实验对4个单峰、多峰、混合、复合测函数进行测试,同时与其他算法进行对比,结果表明改进帝王蝶优化算法收敛性、求解精度等性能有所提高,该改进算法适应性、鲁棒性好于其他算法。

基于改进帝王蝶优化算法的特征选择方法

针对帝王蝶优化算法(MBO)全局搜索能力较弱、在迁移过程中容易出现种群多样性减少等问题,文中提出基于柯西变异的差分自适应MBO及其特征选择算法.首先,使用差分进化算法中的变异操作替换MBO的迁移算子,提升全局搜索能力.然后,将自适应调整策略融入MBO的调整算子,改变单一的调整方式.最后,对每次更新的种群进行柯西变异,增加种群多样性.为了验证改进帝王蝶优化算法及其特征选择方法的性能,通过基准函数和UCI数据集两部分实验对其进行测试,结果表明文中算法性能较优.

准确度优先的多目标帝王蝶优化定量构效特征选择方法

针对帝王蝶优化算法用于特征选择时需满足多目标的要求,对该算法进行了3个方面的改进:(1)在个体排序步骤中引入非支配排序算法,并对调整算子做了修正,满足了多目标要求;(2)增加了准确度优先策略,减少了计算资源在低准确性区域的搜索,保证了模型的准确性,满足了特征选择中准确性优先于特征数的要求;(3)增加了基于子组的突变策略,对不同子组使用不同的突变策略,避免了算法过早陷入局部最优,解决了算法早熟问题.在3个定量构效特征选择基准数据集上进行了一系列实验,实验结果表明改进的算法与其它算法相比显著提高了模型的准确性并减少了特征数,证明了改进策略的有效性.

基于邻域粗糙集和帝王蝶优化的特征选择算法

针对经典的帝王蝶优化(MBO)算法不能很好地处理连续型数据,以及粗糙集模型对于大规模、高维复杂的数据处理能力不足等问题,提出了基于邻域粗糙集(NRS)和MBO的特征选择算法。首先,将局部扰动和群体划分策略与MBO算法结合,并构建传输机制以形成一种二进制MBO(BMBO)算法;其次,引入突变算子增强算法的探索能力,设计了基于突变算子的BMBO(BMBOM)算法;然后,基于NRS的邻域度构造适应度函数,并对初始化的特征子集的适应度值进行评估并排序;最后,使用BMBOM算法通过不断迭代搜索出最优特征子集,并设计了一种元启发式特征选择算法。在基准函数上评估BMBOM算法的优化性能,并在UCI数据集上评价所提出的特征选择算法的分类能力。实验结果表明,在5个基准函数上,BMBOM算法的最优值、最差值、平均值以及标准差明显优于MBO和粒子群优化(PSO)算法;在UCI数据集上,与基于粗糙集的优化特征选择算法、结合粗糙集与优化算法的特征选择算法、结合NRS与优化算法的特征选择算法、基于二进制灰狼优化的特征选择算法相比,所提特征选择算法在分类精度、所选特征数和适应度值这3个指标上表现良好,能够选择特征数少且分类精度高的最优特征子集。

变异反向学习的自适应帝王蝶优化算法

针对于原始帝王蝶优化算法易陷入局部最优解、收敛性不好等问题,提出变异反向学习的自适应帝王蝶优化算法。将遗传算法的变异思想与反向学习策略结合来替代原始的迁移算子,提高全局的收敛性。在原始帝王蝶优化算法的调整算子中融入自适应的策略,使种群更具多样性。在更新的种群中将排序在最后的5只帝王蝶进行柯西变异,让变异个体附近生成更大的扰动,使整个群体在更大的范围内进行寻优。为了验证改进帝王蝶优化算法,通过基准函数和Wilcoxon秩和检验对其进行测试,实验结果表明改进算法的收敛速度及寻优精度得到了很大改进。

基于离散帝王蝶算法的喷涂路径组合优化

针对复杂曲面分片后喷涂机器人喷枪路径排序和组合过程中存在的效率低和路径碰撞的问题,提出了一种适用于求解组合优化问题的离散帝王蝶算法,并应用于求解喷枪路径的排序组合问题中。为了构建问题模型,将喷枪路径的排序和组合问题抽象为路径点的开环广义旅行商问题,并建立了该问题的最短路径模型和碰撞模型。同时,为了对传统帝王蝶算法进行改进,采用了一种具有三层结构的矩阵编码方法来解决种群个体编码问题,提出了一种基于贪婪算法的种群初始化方法和一种基于模拟退火算法的种群更新策略来提高算法的收敛速度和精度。在仿真实验中,相较于遗传算法和粒子群算法,所提出的算法的平均迭代次数分别减小了32.3%和21.0%,所规划出的路径碰撞次数降低为0。实验结果表明,所提出的算法能够有效地提高喷涂机器人的喷涂效率和喷涂路径的安全性。

帝王蝶算法优化粒子滤波在SLAM中的应用研究

为解决传统粒子滤波重采样时易出现权值退化及粒子多样性丧失导致滤波精度下降,使机器人定位不准确及地图构建不精确的问题,提出一种基于改进帝王蝶算法优化的粒子滤波算法。以帝王蝶个体代替粒子个体,将帝王蝶算法中的迁移算子和调整算子融入粒子滤波算法中。在帝王蝶的迭代更新过程中引入自适应遗传参数,在粒子滤波重采样时采用线性组合优化重采样方法提高粒子多样性。结果表明:基于改进帝王蝶算法的粒子滤波算法与原算法相比预测精度和运行速度分别提高了29.7%及5.6%以上,应用于机器人定位与地图构建方面也能提高了40%以上的地图构建精度及10.5%的运行速度。

基于帝王蝶优化算法的BP神经网络能源预测模型研究

基于帝王蝶优化算法,提出了一种新的帝王蝶-BP(Back Propagation)神经网络预测模型,以预测结果的平均绝对误差为目标函数,对BP神经网络模型的初始权重和阈值进行寻优,实现了对江西省能源供需的准确预测,并依据预测结果制定江西省低碳转型路径。通过与已有文献方法和权威公开数据的对比,验证了帝王蝶-BP神经网络优化预测模型的有效性和优越性。

差分进化帝王蝶优化算法求解折扣{0-1}背包问题

帝王蝶优化算法(Monarch Butterfly Optimization,MBO)是一种新颖的群体智能算法,自从提出就在实际优化问题上表现出很好的性能.但是,帝王蝶优化算法的迁移算子采用随机选择两个个体来生成新个体,并没有记忆整个种群的最优解,容易造成全局最优帝王蝶搜索经验的丢失.根据MBO寻优过程的内在机制以及差分进化算法的变异算子能够利用个体间的差异信息,将MBO分别与目前性能最优、应用范围最广的7种差分进化(Differential Evolution,DE)变异策略相结合,实验验证了7种不同算法的性能.基于性能最优的DE/best/2/bin变异模式,提出了一种差分进化帝王蝶优化算法(Monarch Butterfly Optimization Algorithm with Differential Evolution,DEMBO),使得算法能够记忆种群最优解并实现种群内部信息的充分共享,达到既加快收敛速度又提高解的精度的目的.在30个典型折扣{0-1}背包问题(D{0-1}KP)实例上进行了一系列实验,实验结果表明:(1)DEMBO能够在时间复杂度不变的条件下,显著提高算法的求解精度和收敛速度;(2)DEMBO在求解所有D{0-1}KP实例时,均能够获得一个近似比非常接近1的近似解.

改进多目标帝王蝶算法

帝王蝶优化算法结构简单,能够较好的完成寻优搜索要求,但在多目标问题上,算法的精度和非支配解的分布性较差。针对以上不足之处,本文提出一种改进型多目标帝王蝶算法(Improvedmulti-objectivemonarchbutterfly algorithm,IMOMBO),对非支配解进行拥挤度排序,所有非支配解个体都以当前最优个体为中心点映射镜像点,并朝向镜像点奔袭,以此增加个体在Pareto前沿上的收敛性和算法精度。在算法迭代后期,对部分较优个体进行Logistic混沌映射,以改善个体在Pareto前沿上的分布性。随机选用ZDT和DTLZ测试函数集中的函数进行算法性能验证,实验结果证明,本算法可以很好地保证非支配解个体的收敛特性和分布特性。

2004-2005科普英语翻译竞赛(1)优秀译文选登气候变化会使帝王蝶灭绝吗?

如果你有机会见到一群正在迁徙的帝王蝶,那你真是个幸运儿。今后的五十年内,在你脑海中留下的记忆也许全都是那片闪动的美丽。一项电脑分析表明,如果墨西哥的天气有改变,那么北美洲相当数量的蝴蝶就会灭亡。帝王蝶会飞越很远的距离到一个温暖的地方过冬。它们在美国西部和加拿大过夏,到加利福尼亚沿海过冬。它们整个冬天住在洛基山脉的东部,沐浴在墨西哥的阳光中。

改进帝王蝶算法在工业入侵检测技术中的应用

针对神经网络训练时容易陷入局部最优的问题,提出一种基于工业入侵检测模型的帝王蝶优化算法。利用帝王蝶算法(monarch butterfl y optimization,MBO)和狮群进化算法(lion pride optimization,LPO)的全局寻优和局部寻优提高网络参数的求解质量,从而提高入侵检测结果的准确率。实验在工业控制系统标准数据集进行评估,结果表明模型符合工业入侵检测标准,与其它流行算法相比较,优化后的工业入侵检测技术具有较高的检测精度和较快的收敛速度。

多策略帝王蝶优化算法及其工程应用

针对帝王蝶优化算法存在的收敛速度慢、寻优精度低和易陷入局部极值等缺陷,提出了一种多策略改进的帝王蝶优化算法。首先,采用正向正态云发生器对父代帝王蝶个体执行非线性云化操作,增加候选解数量,提高算法的局部开发能力;之后,引入基于凸透镜成像的反向学习策略,应用到当前最优个体上产生新的个体,提高算法收敛速度和寻优精度;最后,在调整算子中融入自适应策略,增加种群的多样性,避免算法陷入局部最优。通过对8个基准测试函数的寻优对比,以及Wilcoxon秩和检验结果的对比,发现改进算法具有更好的收敛性能、寻优性能和鲁棒性。与此同时,通过工程应用中压力容器设计和焊接梁设计的优化对比,进一步验证了改进算法处理实际工程问题时的优越性。

基于非线性云化的自适应帝王蝶优化算法

针对帝王蝶算法多样性退化、易陷入局部最优导致寻优精度不高的问题,提出一种基于非线性云化的自适应帝王蝶算法(NCSMBO).深入探究帝王蝶算法的进化机制,指出其本质为网格式搜索算法;在迁移和调整算子中,采用正向正态云发生器对父代帝王蝶个体执行非线性云化操作,增加候选解的数量,提高局部开发能力;对云化后的后代个体引入贪婪策略,增强算法的可行性;为从发生概率上对突变进行控制,进一步给出双圆正切形式的自适应调整率.在12个不同特征基准测试函数上对包含NCSMBO在内的7种优化算法进行综合评估,以及对两类数学规划问题求解验证,实验验证结果均表明所提算法具有更高的收敛精度和稳定性.

帝王蝶归来

春暖花开之时，美洲帝王蝶也踏上了回家的路。它们喜欢一起活动，当它们伏在树叶上振翅欲飞，布满橘色和黑色花纹的大翅膀更能扇动出高贵的气质。

计及禁区影响的风电场布局优化研究

本研究基于查表法判别风电机组与禁区的相对位置,而后将该方法嵌入基于改进帝王蝶算法的风电场布局优化模型中,求解同时满足禁区约束和输出功率最大化的布局结果。应用本模型优化含禁区的2 km×2 km风电场布局,得到布局方案及其适应度数值。结果表明,优化的布局方案能够有效避开禁区,且相比无禁区情况下的布局,有禁区时布局方案的适应度削弱0.5%。与传统帝王蝶、粒子群算法和差分自适应帝王蝶算法对比,进行30次单独运行,本算法在多次结果中均得到满足约束的布局方案,表现出较好的全局搜索能力以及寻优精度。

基于改进智能优化算法的数据特征选择方法

特征选择在人工智能领域是一个困难又重要的问题,为了快速准确地筛选特征,提出一种改进的帝王蝶优化(IMBO)算法进行封装特征选择。首先,为了使新产生的个体具有一定种群记忆功能,在迁徙算子中添加5种差分变异策略,提高种群个体的信息共享。然后,封装式特征选择算法使用模糊C均值(FCM)分类器作为评估器,利用IMBO作为搜索策略。实验结果表明:与原帝王蝶优化(MBO)、人工蜂群(ABC)算法和蚱蜢优化算法(GOA)相比,所提算法在多个公开数据集上实现了较高的准确度,显著降低了特征选择规模,且具有较快的收敛速度。

基于灰色预测模型的参数寻优方法及能源预测应用

能源电力是中国实现双碳目标的关键领域,精确预测未来能源供需及碳排放量,有利于制定低碳转型的可行路径。灰色预测模型GM(1,1)是在能源预测领域应用最为广泛的一种动态预测模型,但其对原始数据要求较高,且GM(1,1)发展系数α较大时,模型可能失效,另一方面,GM(1,1)的另一关键参数灰作用量u直接决定模型预测精度,如果能够找到更优的u值代入模型进行预测,则模型的精度将会显著提高,考虑到这些问题,本文将一种在实际优化问题中表现优良的新颖群体智能算法帝王蝶优化算法(Monarch Butterfly Optimization,MBO)引入到灰色预测模型关键参数α和u的寻优过程,提出了一种全新的灰色-帝王蝶优化预测模型,实现对天津能源供需及碳排放的准确预测,并依据预测结果制定天津2030年碳达峰的低碳转型路径,通过与已有经典文献方法与预测数据的对比,证实了本文所提出的灰色-帝王蝶优化预测模型的有效性和优越性。