融合翻筋斗觅食和正余弦策略的白骨顶鸡优化算法

针对白骨顶鸡优化算法(COOT)全局搜索能力差、优化精度低和易陷入局部最优等缺陷,提出了一种融合翻筋斗觅食和正余弦策略的白骨顶鸡优化算法,引入一种翻筋斗觅食策略,增加了白骨顶鸡个体的多样性。此外,在领导者位置更新过程中采用正余弦策略和随机因子,以提高算法的搜索能力。通过10个标准检验函数,以及Wilcoxon秩和检验,对改进的COOT性能进行了全面评估,并将其与其他几种算法进行了比较。仿真结果表明,改进的COOT在迭代速度和收敛精度方面取得了显著的提升,并展现了出色的鲁棒性。

基于正余弦和差分搜索策略的改进樽海鞘算法及其应用

针对樽海鞘算法(SSA)在寻优过程中存在收敛速度慢、易陷入局部最优等不足,本文提出了一种改进的樽海鞘算法,改进的樽海鞘算法采用正余弦搜索策略对领导者位置更新,以增强算法的全局搜索能力;同时,追随者引入差分策略对位置更新,以改善算法的局部搜索能力;食物源采用高斯变异,避免算法陷入局部最优。最后,将其用于三杆桁架优化设计问题中,通过数值实验,与传统粒子群算法、樽海鞘算法相比,改进的樽海鞘算法在三杆桁架模型求解中不会陷入局部最优且收敛速度更快。Aiming at the shortcomings of the standard salp swarm algorithm (SSA) in the process of optimization, such as slow convergence speed, low precision and insufficient convergence stability, which lead to local optimal and energy loss, this paper proposes an improved salp swarm algorithm. The improved salp swarm algorithm combines sine-cosine search strategy in the leading position, and enhances the global search and local development ability of the algorithm. At the same time, the followers introduce differential strategy to update the location and improve the local search ability of the algorithm. Food source adopts Gaussian variation to reduce the probability of the algorithm falling into the local optimal solution. Finally, the algorithm is applied to the optimization design of triangular truss, and the effectiveness of the improved salp swarm algorithm in solving triangular truss model is verified by numerical experiments compared with the traditional particle swarm optimization algorithm and salp swarm algorithm.

基于领导者竞争策略的改进猎人猎物优化算法

针对猎人猎物优化算法寻优精度低和易陷入局部最优等问题,提出了一种基于领导者竞争策略的改进猎人猎物优化算法。首先将种群随机分为三个亚群,采用不同的搜索策略,扩大搜索范围;其次,采用精英组合突变策略,提升种群子代多样性,规避局部最优值;最后,提出领导者竞争策略,利用个体间的信息交流,统合各个策略,筛选出最优变量。通过数值实验以及在工程优化问题上的应用结果表明,所提算法相较于对比算法具有更为优异的寻优能力,验证了改进策略的有效性和可靠性。

融合多策略改进的克隆选择算法

针对克隆选择算法(CSA)解决复杂优化问题时存在的效率低下、收敛速度慢以及容易陷入局部最优等不足,提出了一种融合多策略改进的克隆选择算法(MSICSA)。首先,引入Sobol序列初始化种群,丰富种群多样性,并提高算法整体稳定性;其次,引入正余弦优化策略加强算法全局搜索能力,避免陷入局部最优而导致算法停滞;最后,引入动态浓度调节策略,调节算法在不同时期搜索空间内的抗体浓度,控制算法加强前期全局搜索以及后期局部寻优能力,并提高算法收敛速度。文中利用12种CEC测试函数及4种算法对MSICSA进行测试及对比,消融实验证明了改进策略的有效性,扰动实验验证了文中算法的稳定性与鲁棒性,对比仿真以及几项实验均表明MSICSA能够有效提升收敛速度和寻优精度,并提高跳出局部最优的能力。

基于改进麻雀搜索算法的机器人路径规划

针对麻雀搜索算法(Sparrow Search Algorithm,SSA)在机器人路径规划上存在的搜索精度不足和搜索速度较慢的问题,文章提出一种改进的麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)。在ISSA中,引入Levy飞行策略和正余弦策略来优化传统SSA出现的极易陷入局部最优值、收敛速度慢等问题。在MATLAB 2022b软件平台上,利用不同形式的栅格地图来从算法的适应度、路径规划的长度进行仿真验证。仿真结果表明,使用ISSA规划机器人最优路径时,路径规划的距离分别可以缩短1.3571 m、2.6924 m和9.8786 m,从效率上分别提升了4.5%、8.2%和13.7%。

基于SCA-CHHO-ELM的短期电力负荷预测

准确的电力负荷预测是保证电网稳定运行的基础,也是电力规划的重要依据,为了提高电力负荷预测的精度,提出了一种新的预测模型,首先采用混沌策略与正余弦扰动策略对哈里斯鹰算法进行优化,然后用改进的哈里斯鹰算法对极限学习机的权值和阈值进行优化,最后用该模型进行短期电力负荷预测。对比其他预测模型可得,该模型的预测效果大大提高,并且具有更好的泛化能力与稳定性。

基于IPOA-BP的输电塔复合基础极限抗拔承载力预测模型

为了实现输电塔复合基础极限抗拔承载力的准确预测,克服传统理论、经验公式误差大,计算慢的问题,提出一种改进鹈鹕智能算法(IPOA)来优化BP神经网络的承载力预测模型。首先,利用SPM混沌映射、Levy飞行以及融合非线性惯性权重因子ω的正余弦优化策略,对鹈鹕优化算法(POA)改进;然后,利用IPOA对BP神经网络的权值和阈值参数寻优,得到IPOA-BP预测模型;最后,基于验证后的数值试验构建数据集,对IPOA-BP预测模型进行训练和测试。结果表明,IPOA-BP与POA-BP预测模型相比,方根误差下降65.75%,绝对平均误差下降65.79%,平均相对误差下降65.60%,可见IPOA-BP神经网络能够实现复合基础抗拔承载力较准确的预测,为该类型基础的承载力预测提供了新方法。

基于改进麻雀算法的无线传感器网络覆盖优化研究

针对基本麻雀搜索算法在无线传感器网络覆盖问题中收敛速度较慢、容易陷入局部最优等问题,提出了一个基于改进麻雀算法的优化方案。首先,利用Sobol序列和无限次折叠的ICMIC混沌映射对种群进行初始化,增加了种群遍历性和多样性,为算法的全局寻优奠定了基础。其次,引入混沌映射因子的正余弦算法策略,增强了探索者探索未知区域的能力,提高了算法的全局搜索性能。再次,利用混合变异策略加快算法收敛速度,并改善算法跳出局部最优的能力。最后,将提出的改进麻雀算法应用到无线传感器网络覆盖优化问题中进行仿真实验。仿真结果表明,提出的改进算法相比基本麻雀算法将网络节点的覆盖率提高了7%,同时增强了网络的整体性能,并具有实用性、稳定性和鲁棒性。

多策略融合的改进麻雀搜索算法研究

针对基本麻雀搜索算法(sparrow search algorithm, SSA)存在路径规划时间长、非最优路径且收敛速度慢、容易陷入局部最优解等问题,提出了一种基于Cubic映射和正余弦搜索策略的SSA。首先,在麻雀搜索算法的基础上,引入Cubic混沌映射,对麻雀种群进行初始化策略,加速种群间的信息交流,提高了物种的多样性;再运用正余弦搜索策略对发现者位置进行更新,有效地降低了产生局部最优的概率,加快收敛的速度;最后通过6个基准测试函数对多策略融合的算法和单一策略的算法进行对比仿真实验。结果表明,该多策略的改进算法在寻优搜索能力上得到了显著的提高,迭代次数少,收敛精度提高且具有较高的实时性和稳定性。

基于改进哈里斯鹰算法同步优化特征选择的恶意软件检测方法

针对恶意软件检测领域存在特征选择与模型参数调优难度大的问题,文章提出一种基于改进哈里斯鹰(Improved Harris Hawks Optimization,IHHO)算法同步优化特征选择的恶意软件检测方法。首先,将自适应精英反向学习策略、正余弦位置更新方式、circle混沌能量因子以及随机维度量子旋转门变异策略引入HHO算法,增强其全局探索和局部开发能力,提升算法收敛精度和稳定性。然后,采用IHHO同步优化极端梯度提升树分类算法参数及特征选择,构建基于网络流量特征的恶意软件检测模型。最后,使用改进算法对CICInves And Mal2019数据集进行特征子集提取与模型参数寻优仿真实验。实验结果表明,IHHO算法能选取更高质量特征子集并提升恶意软件检测模型分类能力。

基于SCBSO算法的低照度纹理图像增强方法

针对纹理图像处理过程中,采集图像包含大量噪声而影响处理结果的问题,以及天牛须群优化(BSO)算法易陷入局部优解的问题,提出一种基于正余弦策略的改进天牛须群优化(SCBSO)算法,并将该算法应用在低照度纹理图像增强中。首先引入logistic模型增加初始解群的多样性;其次结合正余弦策略对BSO算法的搜索策略进行改进,加入时变加速因子实现参数自动更新,提升BSO算法的收敛速度和搜索精度;最后利用SCBSO算法结合染色体结构实现对图像最优灰度分布的精确搜索。在标准函数的测试中,SCBSO算法在两种类别函数下的运行时间较原算法缩短了16.56%和14.78%,增强后图像的对比度更强,自然特性保存得更好。SCBSO算法与对比算法相比,明度顺序误差(LOE)降低了37.8%,视觉信息保真度增长了15.3%,PSNR提高了12.9%,在去噪的同时很好地保留图像的纹理特征。