基于自适应调整哈里斯鹰优化算法求解机器人路径规划问题

针对启发式算法在机器人路径规划过程中存在路径长度不稳定和易陷入局部极小点的问题,提出一种基于自适应调整哈里斯鹰优化(AAHHO)算法。首先,利用收敛因子调整策略,调节全局搜索阶段和局部搜索阶段的平衡,同时利用自然常数为底数,提高搜索效率和收敛精度;其次,在全局搜索阶段,采用精英合作引导搜索策略,通过3个精英哈里斯鹰合作引导其他个体更新位置以提高搜索性能,通过3个最优位置加强种群间的信息交流;最后,通过模拟种内竞争策略增强哈里斯鹰跳出局部最优的能力。函数测试和机器人路径规划对比实验结果表明,所提算法无论是函数测试还是机器人路径规划都优于IHHO(Improve Harris Hawk Optimization)和CHHO(Chaotic Harris Hawk Optimization)等对比算法,对于求解机器人的路径规划具有较好的有效性、可行性和稳定性。

改进灰狼算法优化支持向量机的入侵检测研究

针对支持向量机参数设置不当导致入侵检测分类性能不佳的问题,提出一种改进灰狼算法优化支持向量机(IGWO-SVM)的入侵检测模型。首先,针对入侵检测数据维度较高的问题,利用降噪自编码器(DAE)对高维数据进行特征提取,获得低维特征;然后,用随机动态调整收敛因子的灰狼算法寻找支持向量机的最优参数,构建IGWO-SVM的分类模型;最后,将提取到的低维特征输入到IGWO-SVM分类模型中进行入侵检测分类。实验结果表明:IGWO-SVM模型不仅能够避免灰狼算法陷入局部最优,而且能够提高入侵检测分类性能。