基于原子搜索优化深度神经网络的网络安全态势预测

为提高网络安全态势预测准确度,将深度卷积神经网络(CNN)运用于安全态势预测,并借助原子搜索算法改进深度卷积神经网络,以提高其在网络安全态势预测方面的适应度。首先,提取网络样本流量特征并完成初始化,接着建立深度CNN网络攻击检测模型,并采用原子搜索优化(ASO)算法对CNN网络参数进行优化求解。通过原子适应度、质量及加速度的计算,不断更新原子的速度和位置,以获得最高适应度的CNN网络参数原子个体。然后采用最优参数进行CNN网络攻击类型检测训练,确定网络攻击类型。最后根据攻击类型权重和主机权重计算网络安全态势预测值。实验证明,在合理设置主机权重的情况下,通过ASO-CNN算法获得的网络安全态势预测值精度高,且稳定性强。

基于麻雀搜索优化的背景分割算法的板簧尺寸检测方法

针对复杂背景下汽车板簧轮廓特征点难以提取的问题,提出改进麻雀搜索优化的K-means背景分割算法并辅以投射线激光提取待测特征点。首先,通过遍历全局像素,根据梯度阈值确定最优方向,减小向最优方向移动的步长数值,以此改进麻雀搜索优化算法,克服算法全局搜索能力弱、容易陷入局部最优的问题;其次,将麻雀搜索的感兴趣像素点作为K-means算法的初始中心点,把具有相似特征的像素点聚为一类,使板簧从复杂的背景环境中分割出来,获取板簧的外形轮廓;最后,向板簧表面投射线激光辅助标记,相交于板簧轮廓,提取待测特征点。结果表明,提出的基于背景分割的汽车板簧尺寸检测方法可以提取待测特征点,且精度可达0.25 mm,形成在线测量数据,有利于改进生产工艺。

基于改进聚类分析与网格搜索优化的雷电定位算法研究

为了提高雷电定位精度与算法模型性能,在定位计算中引入了改进的聚类分析算法,评估了不同算法在国家雷电监测网中的性能。仿真结果表明,具有噪声的基于自适应密度的空间聚类(ADBSCAN)能根据实际定位结果间聚合程度自适应确定邻域参数,实际应用效果最好。最后提出了一套基于改进ADBSCAN聚类分析与网格搜索优化的雷电定位算法(ADGLLA)。在相同回击数量的条件下,ADG-LLA相较于国家雷电监测网得到了更多的定位结果,闪电回击数据利用率从42.78%提高至56.37%,且定位效果较好,精确度更高,平均定位误差也比国家雷电监测网降低了30.78%。文中设计的雷电定位算法能有效识别噪声数据,克服了传统迭代算法计算量大且易于陷入局部最优等缺点,可稳定并精确求解出雷击点。

高光谱技术结合网格搜索优化支持向量机的桃缺陷检测

为快速区分完好桃、疮痂桃、腐烂桃(虫咬桃、鸟啄桃),实现久保桃外部缺陷的无损检测,该研究利用高光谱技术对久保桃的外部缺陷进行了研究。共采集302个久保桃样本(120个完好桃样本、120个缺陷桃样本、62个验证桃样本),对比经光谱学、基线校正、中值滤波(median filter,MF)等5种预处理方法建立偏最小二乘法模型的准确率,选取经MF预处理后的光谱数据进行后续建模研究。采用回归系数法、竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)提取特征波长,建立网格搜索法优化支持向量机(grid search optimized support vector machines,GS-SVM)模型、遗传算法优化SVM模型、粒子群算法优化的SVM模型并进行对比分析。结果表明,CARS-GS-SVM模型预测效果最好,其训练集的判别率为93.33%,预测集的判别率为96.77%,验证集的判别准确率为91.94%,运行时间为11.5 s。该研究利用高光谱技术结合CARS-GS-SVM模型实现了久保桃外部缺陷的检测,为开发水果的分级分选设备提供了理论基础。

应用反向学习策略的群搜索优化算法

群搜索优化算法(Group Search Optimizer,GSO)是一类基于发现者-加入者(Producer-Scrounger,PS)模型的新型群体随机搜索算法。尽管该算法在解决众多问题中表现优越,但其依然面临着早熟和易陷入局部最优的问题,为此,提出了一种基于一般反向学习策略的群搜索优化算法(GOGSO)。该算法利用反向学习策略来产生反向种群,然后对当前种群和反向种群进行精英选择。通过对比实验表明,该方法效果良好。

基于回溯搜索优化算法求解带时间窗和同时送取货的车辆路径问题

为了求解带时间窗和同时送取货的车辆路径问题(VRPSDPTW),首次设计了回溯搜索优化算法(BSA)求解该问题。使用随机选择法、最近邻居法、最远者优先法、剩余承载力和径向附加费节约算法产生初始种群。然后在BSA算法框架下,在交叉和变异操作中使用6种路径间搜索算子和4种路径内搜索算子更新当前局部最优解。选取文献[1]测试数据集中的6个算例,将BSA算法的计算结果与文献中已知的遗传算法、并行模拟退火算法和离散布谷鸟算法的结果进行比较,对算法性能进行测试。BSA算法获得了2个已知国际最好解,并更新了1个已知国际最好解。Friedman检验显示,在α=0.1%的显著性水平下,这4种算法不存在显著性差异。因此,所提出的BSA算法是求解VRPSDPTW的有效算法。

快速群搜索优化算法及其在电力系统经济调度中的应用

经济调度(economic dispatch,ED)是电力系统优化的一项重要工作。为得到一个更加精确且实用的ED模型,在模型中考虑了机组阀点效应和多燃料。该ED模型具有非凸、高维、非线性和不可微的特性,求解较为困难。为更好地求解该ED模型,提出一种快速群搜索优化算法(fast groupsearch optimizer,FGSO),该算法能以更少的计算资源得到更高的收敛精度。对3个测试系统的ED模型进行求解,结果表明,FGSO比其他算法收敛速度更快,计算时间更短,能得到更小的发电费用值,且在高维的、具有多局部最优点的复杂优化问题中具有更加突出的优势。因此,FGSO用于求解该复杂ED模型是可行的、快速的和有效的。

云环境下基于神经网络和群搜索优化的资源分配机制

在云环境下,各种闲置资源可以通过池化形成资源池,进而利用虚拟化技术将资源池中的不同资源组合以服务的形式提供给用户使用,因此需要合理而有效的机制来分配资源.针对云环境下资源的特点,将经济学和智能方法相结合,提出了一种基于双向组合拍卖的智能资源分配机制.在该机制中,提出了基于体验质量(quality of experience,简称QoE)的威望系统,引入威望衰减系数和用户信誉度,降低拍卖中恶意行为造成的影响,为资源交易提供QoE支持.对拍卖中的竞价决策,综合考虑多种因素,提出了基于BP神经网络的竞标价格决策机制,不仅可以合理确定竞标价,而且使价格可以动态适应市场变化.最后,由于组合拍卖胜标确定问题是NP完全的,因此引入群搜索优化算法,以市场盈余和总体威望为优化目标,得到资源分配方案.仿真研究结果表明,该机制是可行和有效的.

遗传算法搜索优化及其在机组启停中的应用

提出了一种遗传算法应用于机组启停的新思路。针对机组启停问题的特点 ,设计了一些启发式技术 ,使得遗传算法初始种群中的所有个体都是可行解。针对遗传操作生成的不可行解 ,建立了一种从不可行域到可行域的映射关系 ,大大减少了搜索中的无效操作。对过度满足约束条件的解 ,给出了一种有效减冗余的手段。并提出了一种边界搜索方法 ,可以更容易得到更优的解。这些措施起到了优化搜索路径的作用 ,有效地提高了遗传算法求解的效率和质量。

群搜索优化算法中角色分配策略的研究

群搜索优化算法把群体中的个体分为三种角色:发现者,加入者和游荡者.算法选择最优个体作为唯一的发现者,采用随机决策策略分配加入者和游荡者.该策略过于盲目,算法性能也较差.针对这一缺点,本文考虑个体与发现者的分布关系,以发现者为球心,聚集在球心(或圆心)周围的个体均为加入者,散布于球外的个体为游荡者.而球的半径大小的确定,提出两种不同的方法:自适应半径策略和固定加入者个体数量策略.前者取个体到发现者的平均距离的K倍作为球的半径,后者规定离发现者最近的一定数量的个体被认为分布于球内的加入者.通过实验表明,这两种策略提高了种群多样性的同时,还保证了算法快速收敛到最优解.

具有广泛学习策略的回溯搜索优化算法

回溯搜索优化算法(backtracking search optimization algorithm,BSA)是一种新型的进化算法。同其他进化算法类似,该算法仍存在收敛速度较慢的缺点。针对这一问题,在详细分析该算法原理的基础上,提出了具有广泛学习策略的改进算法。为了充分利用种群搜索到的较优位置,该策略首先利用提出的最优学习进化方程,通过与引入的随机进化方程之间随机选择来提高算法的收敛速度和搜索精度;另一方面,该策略利用提出的最优学习搜索方程,通过控制种群的搜索方向,促使种群尽快收敛至全局最优解。最后对20个复杂测试函数进行了仿真实验,并与其他3种目前流行的算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。

快速被动群搜索优化算法及其在空间结构中的应用

在快速群搜索优化算法QGSO(quick group search opti mizer)基本原理的基础上,提出了改进的快速群搜索优化算法——快速被动群搜索优化算法QGSOPC(quick group search opti mizer with passive congregation),并应用于结构优化设计.采用QGSOPC优化算法分别对空间结构进行离散变量的截面优化设计,并与QGSO优化算法、群搜索优化算法GSO(group search opti mize)和启发式粒子群优化算法(HPSO)的计算结果进行比较,结果表明改进的快速被动群搜索优化算法QGSOPC与QGSO算法、GSO算法和HPSO算法相比不但具有较好的收敛精度和更快的收敛速度,而且具有很好的稳定性.该算法可有效率地应用于实际结构的优化设计.

一种基于差分策略的群搜索优化算法

针对群搜索优化(Group Search Optimizer,GSO)算法易陷入局部最优、收敛速度较慢、收敛精度较低等问题,提出一种基于差分策略的群搜索优化(Differential Ranking-based Group Search Optimizer,DRGSO)算法。主要进行两方面改进:1)按照适应度值的大小对种群进行排序,适当增加发现者的数目,使种群能够获得更好的启发式信息,加快了算法的收敛速度,有效地避免了算法陷入局部最优;2)在发现者搜索过程中,引入4种不同的差分变异策略,提高了算法的收敛精度,增强了算法的群体多样性在。11组国际标准测试函数上的实验测试结果显示,与GA,GSO,PSO算法相比,DRGSO算法具有较强的全局搜索能力以及局部资源勘探能力,算法整体收敛性能明显提高。

基于群搜索优化算法的配电网重构

提出了基于群搜索优化算法的配电网重构方法,以系统有功网损最小为目标建立了配电网重构模型,选择种群中网损最小的个体为发现者,剩余个体分别作为加入者和游荡者。在寻优过程中,应用快速支路交换法对发现者进行局部物理寻优,加入者向发现者逐步靠近执行追随搜索,游荡者在解空间中随机搜索。该方法实现了全局搜索与局部寻优的良好配合,提高了搜索效率,具有较好的全局收敛性。算例结果验证了该方法的有效性。

应用反向学习和差分进化的群搜索优化算法

针对标准群搜索优化算法在解决一些复杂优化问题时容易陷入局部最优且收敛速度较慢的问题,提出一种应用反向学习和差分进化的群搜索优化算法(Group Search Optimization with Opposition-based Learning and Differential Evolution,OBDGSO)。该算法利用一般动态反向学习机制产生反向种群,扩大算法的全局勘探范围;对种群中较优解个体实施差分进化的变异操作,实现在较优解附近的局部开采,以改善算法的求解精度和收敛速度。这两种策略在GSO算法中相互协同,以更好地平衡算法的全局搜索能力和局部开采能力。将OBDGSO算法和另外4种群智能算法在12个基准测试函数上进行实验,结果表明OBDGSO算法在求解精度和收敛速度上具有较显著的性能优势。

基于差分进化的回溯搜索优化算法研究与改进

针对回溯搜索优化算法收敛速度慢和易早熟的缺点,提出了一种改进算法。首先,利用麦克斯韦分布产生变异尺度系数,并在此基础上提出了一种新的变异算子。新变异算子有效地加快了收敛速度。同时,在变异策略中添加了一种选择机制以增加全局搜索能力,避免出现早熟收敛。通过与差分进化的变异策略对比和经典测试函数的测试,实验结果表明改进算法不仅具有较快的收敛速度,而且具有良好的全局搜索能力。

基于回溯搜索优化的卷积混合语音盲分离

针对独立矢量分析(IVA)算法初始分离矩阵取值对分离性能影响较大的局限性,提出了基于回溯搜索优化的卷积混合语音盲分离算法。采用频域各频率点IVA分离信号的复数峭度和作为目标函数,利用回溯搜索优化算法(BSA)对初始分离矩阵进行优化调整,更好地实现了语音信号的盲分离。在分离过程中,采用复Givens旋转变换原理将对分离矩阵的求解转化为对旋转角度的求解,有效减少了BSA的参数编码维数,降低了优化求解难度。针对语音信号的卷积混合分离实验表明,该算法具有良好的分离效果,其分离性能较之基本IVA算法显著提升。

带高效变异尺度系数和贪婪交叉策略的回溯搜索优化算法

针对回溯搜索优化算法(BSA)收敛速度慢的缺点,提出基于麦克斯韦-玻尔兹曼分布的变异尺度系数和带贪婪性的交叉策略,来提高算法收敛速度。利用麦克斯韦-玻尔兹曼分布产生变异尺度系数,能有效提高搜索效率,提高收敛速度;在交换维数较少的交叉策略中使用向优秀个体群学习过的变异种群进行交叉,在充分保证种群多样性的前提下为交叉策略添加了一定贪婪性,成功克服了以往算法添加贪婪性时易陷入局部最优的缺点。对15个标准测试函数进行仿真实验,结果显示,改进算法收敛速度较快,收敛精度较高,即使在高维多峰函数中,相同迭代次数后改进算法的搜索结果比原BSA平均高出近14个数量级,收敛精度均达到10-10以上。

回溯搜索优化改进矩阵填充的高效位置指纹库构建

针对基于信号强度指示(RSSI)的位置指纹定位过程中用于其离线位置指纹库构建的全采法采集工作量较大、位置指纹库构建效率较低、而插值法通常精度有限等问题,提出一种基于回溯搜索优化算法改进奇异值阈值(SVT)矩阵填充(MC)算法的离线位置指纹库高效构建方法。首先,利用定位区域内采集到的部分参考点的位置指纹数据建立低秩矩阵填充模型;然后通过基于奇异值阈值的低秩矩阵填充算法来求解该模型,进而快速准确重构出完整的位置指纹数据库;同时,针对传统矩阵填充算法最优解模糊及平滑性欠佳的问题,引入回溯搜索优化算法,以核范数最小建立适应度函数,对矩阵填充算法的寻优过程进行改进,进一步提高了求解精度。实验结果表明,利用所提方法构建的位置指纹库与实际采集的位置指纹库之间的平均误差仅为2.705 4 d B,平均定位误差仅相差0.086 3 m,但却节约了近50%的离线采集工作量。上述结果表明所提算法用于离线位置指纹库构建可以在保证精度的基础上,有效降低离线采集阶段的工作量,显著提高位置指纹库构建效率,在一定程度上提高位置指纹定位方法的实用性。

一种改进的群搜索优化方法

标准的群搜索优化(GSO)方法是一种适用于解决高维函数优化问题的群智能算法,且简单、高效,易于实现。为了进一步提高其收敛速度和精度,对该方法进行了改进。在保留其"发现者—追随者—游荡者"框架的同时,改进的GSO方法将最大下降方向策略引入发现者行为。在每轮迭代中,发现者不但按照自身方向进行搜索,同时也根据最大下降方向进行搜索。分别通过23个基准测试函数对2种优化方法进行测试,结果表明:改进的GSO方法优于标准群搜索方法。