用于目标跟踪的智能群体优化滤波算法

针对目标跟踪中的状态估计,提出一种智能群体优化滤波算法。算法在贝叶斯滤波的基础上,运用智能群体优化的3种运动模型估计目标的后验状态,其中内聚运动在保持了粒子多样性的情况下增加了样本的权值,分离运动和排列运动相协调能够更加准确地预测下一时刻目标的先验状态。实验结果表明:与标准粒子滤波相比,该算法能够更加准确地估计非线性系统中的后验状态,在复杂多变的场景环境中,表现出更高的跟踪准确性。

群体智能优化算法在医疗领域的应用

为应对传统算法所存在的一些限制,智能优化算法应运而生,其中群体智能算法成为研究焦点。本研究以灰狼优化算法、蚁狮优化算法、麻雀优化算法、蜻蜓优化算法、鲸鱼优化算法、蚱蜢优化算法为研究对象,从数学模型、改进策略和医疗领域应用方面进行综述。通过横向及纵向的文献对比发现改进后的优化算法在医疗领域中的应用最为广泛,这些优化算法在医疗领域中的优势有利于其后续应用。

基于群体智能算法的巡飞弹向心攻击优化方法及实验分析

近几年,无人机巡飞弹打击成为一种重要的作战方式。针对巡飞弹向心攻击问题,选用蝙蝠优化算法、人工蜂群算法、粒子群算法、鲸鱼优化算法,设计一种基于群体智能算法的巡飞弹向心攻击优化方法,通过实验设计和结果分析对比四种群体智能优化算法,以提高巡飞弹向心攻击的作战效率。实验验证了该方法的有效性,且结果表明人工蜂群算法和粒子群算法总体表现较优。

新型群体智能优化算法综述

智能优化算法主要分为4类:仿自然优化算法、进化算法、仿植物生长算法和群体智能优化算法,其中群体智能优化算法是最为重要的一类算法。智能优化算法与图像处理、故障检测、路径规划、粒子滤波、特征选择、生产调度、入侵检测、支持向量机、无线传感器、神经网络等技术领域交叉融合,应用更加广泛。以蝙蝠算法、果蝇优化算法、鲸鱼优化算法、樽海鞘群体算法和哈里斯鹰优化算法为基础,对群体智能优化算法的模型、特征、改进策略及应用领域等进行了综述,从理论研究、改进策略和应用研究3个方面分析了其面临的发展机遇和未来趋势,给出了算法应用的指导意见。研究表明:群体智能优化算法在众多经典问题上的表现较好,而在多目标优化、多约束优化、动态优化和混合变量优化等领域仍有待扩展;不同群体智能优化算法在面对各类具体问题时有效的参数控制仍是未来的研究重点;种群协同进化、探索更高效的混合算法和搜索策略是可行的解决途径。

群体智能优化算法的并行化浅析

针对目前并行化的群体智能优化算法在实际应用中的现状进行分析研究,从并行模型,并行结构,以及算法设计等方面介绍了群体智能算法并行化研究的相关内容。对更进一步的研究提出了关于通信等方面需要考虑的问题。

基于群体智能优化算法的照度均匀度问题研究

综合试验射击靶道照明既要满足射手的视觉要求，又要满足CCD靶、天幕靶等测试设备的要求。而靶道的照度均匀度是影响枪械性能考核和弹道试验的关键因素。本文针对照度均匀度这一非线性优化问题，提出了一种基于准三角型粒子群优化算法的照度均匀度改善方法。在详细阐述算法的基本原理和实现步骤的前提下，给出了其优化目标函数及算法的适应度函数。对目标函数优化结果表明，该算法不但能做到全局收敛，而且有效地提高了靶道照度均匀度。

群体智能优化算法

0引言群体智能(swarm intelligence)的核心思想就是若干个简单个体构成一个群体,通过合作、竞争、交互与学习等机制表现出高级和复杂的功能,在缺少局部信息和模型的情况下,仍能够完成复杂问题的求[1]。.其求解过程为对求解变量进行随机初始化,经过迭代求解,计算目标函数的输出值.群体智能优化算法不依赖于梯度信息,对待求解问题无连续、可导等要求,使得该类算法既适应连续型数值优化,也适应离散型组合优化.

基于改进粒子群优化算法的PID控制器参数整定

针对标准粒子群优化算法优化PID控制器参数存在的早熟以及陷入局部最优等问题,引入粒子二阶振荡环节、反向学习、自适应惯性权重,并结合设计的惯性权重动态调整策略、粒子越界随机反射墙,提出一种新型分阶段迭代的改进粒子群优化算法。在6个标准测试函数上进行测试,其性能相比于一些已有的改进粒子群优化算法更加优秀。将这些算法用于自动电压调节器系统的PID控制器参数整定,仿真结果表明,所提出的改进粒子群优化算法整定的PID控制器的控制效果更好。

群体智能优化算法在入侵检测中的应用综述

随着科技的进步和时代的发展,互联网已成为人们生活的一部分,互联网用户的数量日益增长。安全系统对网络通信至关重要。笔者在研究大量文献资料的基础上,简单介绍了入侵检测。针对现有入侵检测技术检测率低、误报率高的现状,提出了结合群体智能优化算法改善检测性能,并回顾了近年来的研究成果,对未来的研究方向进行了展望。

基于多策略改进人工蜂群算法的投资组合优化应用

投资组合问题主要侧重风险与收益的平衡,是多维优化问题,需要寻优能力强且具稳定性的算法。人工蜂群算法以其强大的寻优能力和对参数不敏感的优点而著称,因此适用于解决投资组合问题。本文结合反向学习策略、精英策略和Metropolis算法策略三种策略,对参数较少的人工蜂群算法进行改进,以解决投资组合的风险与收益平衡问题。在初始化阶段,利用Logistic映射和反向解来提高收敛速度和精度;在雇佣蜂和跟随蜂工作过程中,利用上一代精英个体的位置信息,让蜂群更好地靠近最优蜜源;最后借鉴模拟退火中Metropolis算法,重新设计侦察蜂机制,提高算法的寻优能力。实验表明,本文提出的人工蜂群EABC算法(Elite Artificial Bee Colony),具有较强的寻优能力和较高的稳定性。不管是在30维还是100维中,EABC算法对6个测试函数的测试都可以取得较高的收敛精度。最后,EABC算法在投资组合夏普比率模型的优化中,可以得到可靠的方案,较高的夏普比率。

《群体智能优化算法》专题导语

王凌教授贺《群体智能优化算法》专题:攻坚克难登高峰,学习进化绣智能,群体协作拓新路,智能优化展宏图.王凌,清华大学自动化系教授、博士生导师,国家杰出青年科学基金获得者,主要从事智能优化、生产调度理论方法与应用研究,已主持和参与国家自然科学基金、国家重点研发计划课题、973课题、863课题等项目20余项,已出版专著5部、译著1部,在IEEE Trans、Automatic等刊物上发表论文260余篇,SCI收录150余篇、EI收录250余篇,Google学术引用15000余次,SCI严格他引3700余次,获得2014年国家自然科学二等奖、2003年教育部自然科学一等奖等奖项.

多移动机器人路径无障碍智能规划算法仿真

传统的机器人路径规划方法易出现多个机器人的碰撞问题。为进一步优化规划效果,设计复杂环境多移动机器人进行路径无障碍规划放油阀。设计群体智能路径规划优化算法,计算多移动机器人碰撞风险,包括机器人与障碍物之间的碰撞风险,以及机器人与其它机器人之间的碰撞风险,规划智能规划多移动机器人最短无障碍路径。在仿真中,测试多种机器人路径规划算法在同一环境内的路径长度以及机器人碰撞次数。实验结果证明,可行路径为三条,所设计算法的路径长度均为最小值,且机器人的碰撞次数为0次,其它传统算法的碰撞次数分别为2次、1次、4次,由此可见所设计算法实现了多移动机器人路径无障碍规划的显著优化。

一种改进的鲸鱼优化算法

鲸鱼优化算法(WOA)是一种模拟鲸鱼捕食猎物而提出的元启发式算法,具有操作简单、调节参数少等优点。但由于WOA在迭代中后期探索和开发能力不足,导致算法求解精度低,易于陷入局部最优。针对WOA收敛速度慢、精度低、全局探索能力不足且易于陷入局部最优等缺点,提出了一种改进的鲸鱼优化算法(GFWOA)。通过引入反向学习策略,对初始种群生成反向解,提高了初始种群质量,进一步加快了算法的收敛速度。通过引入高斯随机游走策略到鲸鱼优化算法局部寻优阶段,提高了算法的开发能力,增强了算法全局探索的能力和跳出局部最优的能力。并分别在单峰测试函数、多峰测试函数、低维多峰测试函数上进行仿真实验,通过平均值、标准差与最优值作为衡量算法性能的标准。结果表明,GFWOA在收敛精度、收敛速度和稳定性方面均较对比算法有明显提升。最后通过假设检验方法将GFWOA与其他算法进行比较,得出GFWOA在性能方面更具优势。

通过优化候选解更新策略改进的算术优化算法

为解决算术优化算法收敛速度较慢、不易寻找局部最优值的问题,提出一种优化候选解更新策略改进的算术优化算法IAOA。首先,将算术优化算法中每个候选解每一维度值的更新策略改为乘除或加减操作。其次,优化算法候选解的位置更新策略以增加全局勘探能力和候选解多样性,使算法寻找更优值。经过21个基准函数的仿真实验表明,相较于樽海鞘群算法、灰狼优化算法、阿基米德优化算法和算术优化算法,IAOA算法在11个基准函数中取得最优值,并在多数基准函数上具有更快的收敛速度,可为解决算术优化算法提供新的思路。

基于改进灰狼算法的多任务优化算法

针对已有多任务优化算法寻优精度受限、计算时间成本过高等问题,提出一种基于改进灰狼算法的多任务优化算法(improved grey wolf algorithm based multitask optimization algorithm,IGWMTO)。该算法采用灰狼算法代替典型多任务算法中的遗传算法,计算个体的因素等级和技能因子实现狼群分类,并以此更新个体隶属任务,引入扰动因子和动态权重改善狼群个体的更新方式。仿真测试结果表明:相比于传统多任务优化算法,所提算法在4个优化问题上的寻优精度的提升均超过了4.8%,计算耗时降低了70%以上。

基于讨论机制的头脑风暴优化算法

为了克服头脑风暴优化(BSO)算法易陷入局部最优导致早熟收敛的问题,提出新型的基于讨论机制的头脑风暴优化(DMBSO)算法.该算法运用组内讨论和组间讨论这一新机制取代BSO算法中的个体更新过程,分别控制算法的全局搜索和局部搜索能力.通过线性递减和线性递增方式调整组间讨论和组内讨论次数,使算法搜索初期加强全局搜索能力,搜索后期加强局部细致搜索能力,有效地防止早熟问题.对6个经典测试函数(BFs)的10维、20维、30维问题分别进行测试来评估DMBSO的效果.结果表明,DMBSO算法与BSO算法和经典的粒子群(PSO)算法相比,可以有效地避免陷入局部最优,稳定地找到更好的最优值,而且随着问题维度的增加,DMBSO表现出更强的鲁棒性.

果蝇优化算法优化性能对比研究

针对群体智能优化算法自身的特点和优势,分析对比了果蝇优化算法、混合蛙跳算法、和声搜索算法和人工蜂群算法四种智能优化算法的优化性能。以最新提出的果蝇优化算法为基准,与其他三种智能优化算法进行优化性能的横向对比实验。实验结果表明,与其他三种算法相比,果蝇优化算法具有参数少、全局寻优能力强、收敛速度快等特点,在进化次数较低时,其收敛精度和速度最高,但是随着进化次数的增大,存在容易收敛到局部最优值,收敛速度慢,在求解部分单峰值和多峰值函数优化问题时优化效果不理想等缺陷。果蝇优化算法尚需加强其理论改进,以提高其搜索的质量和效率,为群体智能优化算法的融合和改进技术提供重要支持。

基于鸽群优化算法的图像分割方法研究

图像分割是一类需要在非线性参数空间中寻求最优解的有约束非线性优化问题.为提高此类优化问题的寻优精度,提出了一种基于鸽群优化算法的图像分割方法.首先以分割阈值为优化变量,将图像分割建模为以最大间类方差为优化目标,以像素概率分布有限为约束条件的非线性优化问题;随后,以随机的分割阈值作为迭代初值,采用鸽群优化算法(PIO)求解最优参数;最后,利用所得最优解作为最佳阈值实现图像分割.为验证方法的有效性,分别对具有两类不同特征的图片进行分割实验,并采用重叠度及时间效率对算法进行评估,进一步与PSO、KSW智能优化算法对比.结果表明,该算法重叠度最高,运算时间最短.并且对算法中的参数进行修改,将图像分割结果进一步优化.

菌群优化算法研究综述

菌群优化算法是一种基于群体智能的仿生随机优化算法。文中从理论研究,算法改进,算法混合研究和工程应用几方面对菌群优化算法进行了综述。

灰狼优化的k均值聚类算法

针对k均值聚类算法对初始聚类中心位置敏感的问题,提出了一种基于灰狼优化的k均值聚类算法,通过灰狼优化算法对解空间的全局寻优能力得到α狼,实现对k均值聚类中心的初始化操作,并通过迭代更新α狼优化k均值聚类中心,直到达到最大迭代次数,以此改进k均值聚类算法。实验结果表明,在UCI(University of California Irvine)的4类数据集上,所提算法相比于传统的k均值聚类算法,获得了更好的聚类效果,其分类准确度平均提高10%左右,且算法较为稳定。