融合折射学习和改进天牛须搜索的黑猩猩优化算法及其应用

针对黑猩猩优化算法(ChOA)寻优存在全局搜索能力弱、收敛精度低、易陷入局部最优等缺陷,提出一种融合折射学习和改进天牛须搜索的黑猩猩优化算法(BCRChOA)。首先,借鉴天牛须算法搜索能力强和Levy飞行机制搜索方向和步长的不确定性的特点,将Levy飞行改进的天牛须搜索算法对ChOA进行搜索优化,提高ChOA的全局搜索能力;其次,在“攻击者”个体位置更新阶段引入云自适应动态权值,以协调算法全局探索和局部开发能力;最后,采用基于折射定律的反向学习策略提高算法跳出局部最优的能力。实验选取10个基准测试函数、部分CEC2014测试函数以及工程优化案例,将BCRChOA与最新的元启发式算法及其改进算法进行跨文献对比,结果表明BCRChOA在寻优能力和鲁棒性上均显著优于原始算法和对比文献方法。

基于折射反向学习的改进正弦余弦探路者算法

针对探路者算法(Pathfinder Algorithm,PFA)在寻优时收敛速度慢、求解精度低与极易陷入局部最优等问题,提出一种基于折射反向学习的改进正弦余弦探路者算法运用于函数优化问题当中。首先,通过折射反向学习策略初始化种群,利用折射与反向原理相结合使初始解更加靠近最优解位置,优质的种群定位能为迭代期的策略执行提供良好基础;其次,在探路者位置更新阶段引入改进的正弦余弦个体位置更新方式,该方式将原更新式中的线性步长搜索因子进行替换,以非规律的模式产生新代探路者个体,从而降低个体忽略最优解的概率,同时提出一种自适应权重添加至原更新式当中,配合正、余弦函数对算法的全局搜索与局部开发能力进行平衡;最后,将本文算法运用于12个经典的基准测试函数与10个具有复杂特征的CEC2014基准测试函数上进行寻优求解,并将其运用于压力容器设计与三杆桁设计问题,同时选取了合适的评价指标对算法性能进行评估。实验结果表明:本文算法在收敛速度、寻优精度与局部最优规避性方面均有较大提升,出色的工程优化性能也证明了本文算法的鲁棒性。

融合多策略学习型麻雀搜索算法的UWSN覆盖优化

水下无线传感器网络(UWSN)是三维无线传感器网络的一种应用场景。为解决UWSN覆盖率低的问题,提出一种多策略学习型麻雀搜索算法(MSLSSA)。首先引入双重反冲运动策略,对麻雀个体中的发现者和加入者进行位置更新,其次引入互利学习策略进行麻雀个体中的警戒者互利信息共享,进一步提高搜索能力,增大寻优解搜索空间;然后采用改进的折射反向学习策略作为边界处理方法对越界个体进行处理。最后将该算法应用于UWSN覆盖优化,仿真实验分析表明,与五种相似算法进行比较,MSLSSA覆盖率达到96.61%,能够有效提升UWSN覆盖率,优化节点分布。

基于正交设计的折射反向学习樽海鞘群算法

为克服基本樽海鞘群算法(SSA)存在的收敛速度慢、高维求解精度低等不足,提出正交折射反向学习机制和自适应惯性权重策略,嵌入SSA中,得到一种基于正交设计的折射反向学习樽海鞘群算法(OOSSA)。正交折射反向学习策略中,采用基于透镜成像原理的折射反向学习策略以加强对反向解空间的勘探,极大地降低了算法陷入局部最优的概率;采用正交试验设计构建若干部分维上取折射反向值的部分反向解,深度挖掘并保存当前个体和折射反向个体的优势维度信息。此外,在跟随者位置更新阶段引入惯性权重因子,有效地改善跟随者的搜索模式并增强算法的局部开采能力。采用CEC2017基准函数进行仿真实验,同时使用Wilcoxon秩和检验、Friedman检验等方法来评价OOSSA算法的优化性能,测试结果表明所提算法的寻优精度和收敛速度明显优于基本SSA算法、8种新近的改进SSA算法和9种前沿的群体智能优化算法。此外,将所提算法应用于一个工程设计问题,结果表明该算法在工程优化方面的性能优于对比算法。最后,针对求解自主移动机器人路径规划问题,提出一种基于OOSSA的路径规划算法。在3种环境设置下对所提算法进行仿真实验,并与PSO、ABC、GWO、FA和SSA等算法进行对比。仿真结果表明,本文算法能够规划出最优的无碰撞路径。系统的实验表明OOSSA算法可作为问题优化的有效工具。

一种基于折射反向学习机制与自适应控制因子的改进樽海鞘群算法

为克服基本樽海鞘群算法(SSA)存在的收敛速度慢、易陷入局部最优等不足,提出了一种基于折射反向学习和自适应控制因子的新型改进樽海鞘群算法(RCSSA).首先,采用折射反向学习机制在每一次个体的求解中计算折射反向解,极大地提高了算法收敛精度和速度.然后,将原SSA算法中引导者的自适应控制因子引入跟随者的位置更新中,有效地控制整个搜索过程并增加了算法的局部开发能力.为验证所提RCSSA算法的优化性能,采用了7个单峰、16个多峰基准测试函数以及1个工程设计问题对其进行测试.试验中,先引入两种单策略改进的SSA算法来验证所提算法的有效性,再加入鲸鱼优化算法等5个先进的智能优化算法与之进行对比,进一步验证所提算法的优越性.研究结果表明:无论对于低维度还是高维度基准优化问题,所提算法都能有效地增强原SSA算法的开发和探索能力;并且RCSSA算法在整体优化性能方面要优于其他大多数群智能算法.

种群分段变异学习和S型权重变色龙群算法

探索寻优能力强、良好的可靠性和稳定性是智能算法应用到具体领域中的最佳选择。针对变色龙群算法存在求解不稳定、收敛精度低下和搜索开发之间不平衡等缺陷,提出一种种群多样性分段变异学习和S型权重的变色龙群算法(RMSCSA)。引入折射镜像学习(refraction mirror learning,RML)策略使变色龙更符合自然界中的观察,增强它的多样性;引入种群多样性分段变异使适应度较差的个体得到保留,并引导它向最优位置靠近;S型递减权重的引入让它进一步平衡算法的全局搜索和开发能力,通过收敛性分析得出S型递减权重因子的优势。利用经典函数集和CEC 2017函数集进行性能验证,结果表明3种策略比CSA具有更好寻优精度和效率。通过对独立运行30次的结果进行Wilcoxon秩和检验、Friedman’s以及Holm后续检验统计分析,结果表明引入的3种策略与CSA相比都有更好的寻优能力。

基于折射反向学习的人工蜂群算法

人工蜂群算法(ABC)作为一种简单而有效的计算技术,被广泛应用于解决工程问题,为克服算法的局部搜索能力弱,收敛速度慢的缺点,提出了基于折射反向学习的人工蜂群算法(CRABC)。在引领蜂阶段,根据当前最优解指导产生下一次迭代的候选解;在引领蜂阶段后,计算当前种群的折射反向解,根据适应度值对种群择优选择组成下次迭代的候选解,极大提高了算法的收敛速度。为验证所提CRABC算法的性能,采用了12个基准测试函数进行测试,将CRABC算法与ABC算法,仅加入差分变异的ABC算法(CABC),仅加入折射反向学习的ABC算法(RABC)进行比较,来验证综合两种策略后的CRABC算法改进效果;同时将CRABC算法,RABC算法与GABC算法,ABC/best/2算法在5个基准测试函数上进行比较。实验结果表明:所提的CRABC算法可以提高ABC算法的开发和探索能力。

多策略改进蜉蝣算法在变压器故障诊断中的应用

为提高支持向量机在变压器故障诊断的准确率,提出了一种多策略改进蜉蝣算法优化支持向量机的故障诊断方法,并通过利用螺旋函数、正余弦自适应权重优化改进后的蜉蝣算法,得到支持向量的最佳参数c和g。通过3个测试函数对改进后的算法进行仿真对比,实验表明改进后的算法具有较高的寻优精度和较快的收敛速度。将提出的故障诊断方法运用到实际DGA故障数据中,结果表明该方法能有效提高变压器故障诊断的准确率和缩短运行时间。

基于混合策略改进的鹈鹕优化算法

针对鹈鹕优化算法求解精度低、稳定性不足、易陷入局部最优等问题,文章提出一种混合策略改进的鹈鹕优化算法(IPOA)。首先,为了增强种群的随机性和多样性,扩大种群的搜索范围,引入反向折射学习机制;其次,利用正余弦算法和鹈鹕算法融合,改进鹈鹕搜索猎物的方式,增强算法的局部搜索与全局搜索能力;然后,采用Levy飞行机制对鹈鹕位置进行更新,从而提高算法的搜索能力以寻找最优值;最后,引入自适应t分布变异算子,使用算法的迭代次数作为t分布的自由度参数来增强鹈鹕种群的多样性,避免算法陷入局部最优。通过12个标准测试函数对改进算法与海鸥优化算法、黑猩猩优化算法、鲸鱼优化算法、蛇群优化算法和基本鹈鹕优化算法进行测试比较,结果表明,IPOA具有更好的收敛速度和稳定性。最后将改进鹈鹕算法应用于压力容器设计优化问题,进一步证实改进后的算法具有较好的求解性能。

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。

基于折射麻雀搜索算法的无人机路径规划

针对目前进化算法在无人机路径规划上具有不稳定性且收敛精度不高等问题,提出了一种折射麻雀搜索算法(RSSA)。起初采用折射反向学习扩大搜索范围,开拓更加隐蔽的空间,增强算法的全局搜索能力,再通过疯狂算子使得算法搜索更加细致,提高收敛精度,最后融合模拟退火算法对每次得到的解进行提炼,找到质量更高的解。在6个标准测试函数中与其他5种算法进行比较,测试结果验证了所提算法的合理性及有效性,并在Wilcoxon秩检验中证明了RSSA算法具有较强的寻优能力。将其应用于复杂地形的无人机路径规划,仿真结果表明,RSSA算法较其他算法方差更小、代价更低。

海洋捕食者算法的改进及其应用

针对传统的计算方法在求解多约束工程优化问题时存在的不足,提出一种融合多种策略的海洋捕食者算法并应用其中。算法首先采用折射反向学习策略,以增加初始种群的多样性。其次,引入正弦-余弦算法和高斯-柯西变异算子,用于提高求解精度和全局寻优能力。最后,通过6个标准测试函数和2个工程实际案例的应用,表明了新算法的优越性。

基于改进蝠鲼优化算法的光伏组件参数辨识模型

为了解决当前光伏组件模型中存在的参数辨识精度低和稳定性差的问题,提出了一种基于折射学习机制的蝠鲼觅食优化算法的三二极管光伏组件参数辨识模型(RLMRFO-TDM)。该模型将差分进化机制融入到MRFO算法的种群更新环节,提高了MRFO算法的局部探索能力,并加快了MRFO算法收敛速度;引入折射学习机制改善了MRFO算法的随机性,提高了种群在搜索区域中的离散性和MRFO算法的全局搜索能力。利用基准测试函数,验证了RLMRFO算法的有效性;采用STP6-120/36和STM6-40/36两种光伏组件的数据集对RLMRFO-TDM模型的参数辨识进行性能测试,与其他模型相比,RLMRFO-TDM模型的辨识精度、稳定性以及收敛速度表现最优。

融合自适应t分布和随机游走策略的松鼠优化算法的研究

针对松鼠优化算法在后期寻优能力不足、容易陷入局部最优以及种群多样性损失较大的问题,提出了一种融合自适应t分布和随机游走策略的松鼠优化算法(TRWSSA)。该算法利用折射反向学习策略进行种群初始化,增强了种群的整体多样性;引入非线性搜索因子并且在每一次松鼠位置更新中加入自适应t分布扰动位置,减少算法陷入局部最优的概率,增强全局寻优能力;在最后的位置更新中加入随机游走策略对最优松鼠位置进行扰动更新,提高算法后期的收敛精度和速度。通过在8个基准函数上的仿真实验,对比其他智能算法以及改进算法,实验结果和分析表明TRWSSA在收敛速度、收敛精度上有明显提升,且能较好地解决寻优不足问题。

多策略离散人工蜂群算法设计FIR低通数字滤波器

针对人工蜂群(Artificial Bee Colony,ABC)算法在解决复杂问题表现出来精度不高以及收敛速度较慢的不足,提出了一种融合折射学习和Lévy飞行的多策略离散人工蜂群算法(Discrete Artificial Bee Colony Fusing Refraction Learning and Lévy flight,DABC-RL),用于设计有限长脉冲响应(Finite Impulse Response,FIR)低通数字滤波器,以期进一步提高其滤波性能。在DABC-RL算法中,一方面,Lévy飞行策略用于增强ABC算法的局部搜索能力,折射学习用于增强ABC算法的全局搜索能力;另一方面,通过设计合适的离散编码方案对DABC-RL算法中的候选解进行离散化,使其适合于设计FIR低通数字滤波器。为了测试所提的DABC-RL算法设计的FIR低通数字滤波器的性能,选取由ABC算法、基于折射学习的refrPSO算法所设计的FIR低通数字滤波器作为对比算法。实验结果表明,相比其他算法,DABC-RL算法所设计的FIR低通数字滤波器的性能最好,且获得了最快的收敛精度和收敛速度。

多策略融合的改进天鹰优化算法

为了解决天鹰优化算法(Aquila Optimization algorithm,AO)易陷入局部最优及收敛速度慢的问题,本文提出一种多策略融合的改进天鹰优化算法(Multi-Strategy Integration Aquila Optimization algorithm,MSIAO).该算法采用结合Tent混沌映射的折射反向学习初始化种群以提高算法前期的搜索效率,根据种内互助及优化策略解决算法寻优停滞的缺陷,并通过基于Bernoulli混沌序列的自适应权重策略提高算法的收敛速度,引入了柯西-高斯变异算子增强算法迭代后期逃逸局部极值的能力.本文对10个基准函数、部分CEC2014测试函数集进行实验,并将MSIAO用于2个工程设计优化问题.结果表明,对于高维单峰、高维多峰以及固定维复杂多模态函数,MSIAO比AO具有更高的收敛精度和更快的收敛速度;MSIAO对压力容器与焊接梁优化设计的经济成本较AO分别节约4.62%、0.77%,验证了MSIAO对于处理机械工程问题的实用性和优越性.

基于Halton序列改进蝠鲼算法的K-means图像分割

图像分割在日常生活中扮演着重要角色,传统的K-means图像分割具有随机性且容易陷入局部最优等缺陷,使得分割质量大大降低。为改善这些现象,提出一种基于Halton序列改进蝠鲼觅食优化(HMRFO)算法的K-means图像分割,HMRFO采用Halton序列初始化种群,使得个体位置充分均匀,再引入折射反向学习提升算法的全局搜索能力,最后引入新型的高斯变异策略,减小算法陷入局部最优的概率。在6个基准测试函数中对比了5种算法,验证了HMRFO的有效性及可行性。同时,将其应用于K-means图像分割中,与其他4种算法进行对比,结果显示HMRFO优化K-means具有较好的分割质量及泛化能力。

基于改进被囊群算法的图像多阈值分割方法

为提升图像分割的准确度和性能,提出改进被囊群算法(improved tunicate swarm algorithm,IMTSA)的多阈值分割方法。基于折射反向学习初始化种群,采用精英反向学习重新选择优势个体,结合学生分布协调全局和局部搜索能力。在图像分割中,基于Otsu和最大熵方法,在不同阈值场景下,IMTSA与其它算法进行性能对比。实验结果表明,IMTSA在3类基准函数中均表现更好,图像分割效果与阈值数量成正比,其整体分割性能具有一定优势。

改进麻雀搜索算法优化SVM的异常点检测

支持向量机是检测异常点的常用方法,但其仍然存在难以高效获取最优参数,导致检测效率低、稳定性差的问题。鉴于此,提出一种改进的麻雀搜索算法ISSA,并将其用于优化支持向量机参数。首先,采用改进折射反向学习和可变对数螺线改进传统麻雀搜索算法;然后,利用改进麻雀搜索算法ISSA对支持向量机参数进行优化;最后,将优化后的支持向量机用于异常点检测。仿真实验结果表明,在G-mean和F-measure 2个评价指标上,利用ISSA优化后的支持向量机检测效果明显优于其它3种分类算法,具有更优秀的检测效率、稳定性和泛化能力。

改进平衡优化器的超声电机无模型自适应控制

为了提高超声电机的控制性能,将基于数据驱动的无模型自适应控制(Model Free Adaptive Control,MFAC)方法应用到超声电机的速度控制中,并针对MFAC存在参数调整困难的问题,提出一种改进的平衡优化器(Improved Equilibrium Optimizer, IEO)算法用于MFAC参数寻优。首先,利用自适应生成概率策略来平衡算法的探索与开发能力;其次,引入折射反向学习策略来扩大解的搜索范围,提高算法的收敛速度,同时采用柯西变异策略来提高算法跳出局部最优的能力;最后,提出一种改进的时间乘以绝对误差积分(Improved Integral Time Absolute Error, IITAE)指标函数用于MFAC的参数寻优。仿真和实验结果表明,与基于原始平衡优化器算法的MFAC相比,基于改进平衡优化器算法的MFAC的稳态误差和调整时间明显减小,系统的控制性能得到显著提高。