【目的】为解决灰狼优化算法(grey wolf optimization,GWO)收敛精度不高,收敛速度较慢和易陷入局部最优等不足,提出一种融合多策略的黄金正弦灰狼优化算法(golden sine grey wolf optimization,G-GWO)。【方法】首先,利用非线性调整收...【目的】为解决灰狼优化算法(grey wolf optimization,GWO)收敛精度不高,收敛速度较慢和易陷入局部最优等不足,提出一种融合多策略的黄金正弦灰狼优化算法(golden sine grey wolf optimization,G-GWO)。【方法】首先,利用非线性调整收敛因子、动态调整比例权重和引入黄金正弦策略对GWO算法进行改进;然后,选取三类基准测试函数进行寻优实验,并与GWO算法、其他智能优化算法和其他改进GWO算法进行对比,从寻优的收敛精度、鲁棒性和收敛速度方面验证G-GWO算法的优越性;最后,建立板料冲压成形工艺参数与质量参数的BP神经网络(BP neural network,BPNN)代理模型,选用8种算法分别优化BP神经网络的权值和阈值,对比优化后的代理模型精度,验证G-GWO算法在实际工程应用中的有效性。【结果】G-GWO算法在三类基准测试函数的收敛精度、鲁棒性和收敛速度较其他算法均有较大优势,优化后的代理模型最大减薄率相对误差为3.47%,最大增厚率相对误差为4.99%。【结论】改进策略能提高GWO算法的性能,这可作为建立高精度代理模型和后续的板料冲压工艺参数优化的参考。展开更多
基于RSSI (received signal strength indicator)的三角加权质心算法在测距与定位中存在一定误差,针对此问题提出改进加权质心算法。该算法首先将距离比例模型引入锚节点圆中,此模型通过距离比例计算能够适用于锚节点圆不相交情况下的...基于RSSI (received signal strength indicator)的三角加权质心算法在测距与定位中存在一定误差,针对此问题提出改进加权质心算法。该算法首先将距离比例模型引入锚节点圆中,此模型通过距离比例计算能够适用于锚节点圆不相交情况下的节点定位问题,解决了补位带来的误差累积。此外就加权质心算法中权值因子的选取提出了一种更具有普适性的距离倒数和权重比例公式。最终仿真结果验证,改进加权质心算法与三角形加权质心算法相比在定位精度方面取得了较大的提升,能够满足低成本高精度的要求。展开更多
文摘【目的】为解决灰狼优化算法(grey wolf optimization,GWO)收敛精度不高,收敛速度较慢和易陷入局部最优等不足,提出一种融合多策略的黄金正弦灰狼优化算法(golden sine grey wolf optimization,G-GWO)。【方法】首先,利用非线性调整收敛因子、动态调整比例权重和引入黄金正弦策略对GWO算法进行改进;然后,选取三类基准测试函数进行寻优实验,并与GWO算法、其他智能优化算法和其他改进GWO算法进行对比,从寻优的收敛精度、鲁棒性和收敛速度方面验证G-GWO算法的优越性;最后,建立板料冲压成形工艺参数与质量参数的BP神经网络(BP neural network,BPNN)代理模型,选用8种算法分别优化BP神经网络的权值和阈值,对比优化后的代理模型精度,验证G-GWO算法在实际工程应用中的有效性。【结果】G-GWO算法在三类基准测试函数的收敛精度、鲁棒性和收敛速度较其他算法均有较大优势,优化后的代理模型最大减薄率相对误差为3.47%,最大增厚率相对误差为4.99%。【结论】改进策略能提高GWO算法的性能,这可作为建立高精度代理模型和后续的板料冲压工艺参数优化的参考。
文摘基于RSSI (received signal strength indicator)的三角加权质心算法在测距与定位中存在一定误差,针对此问题提出改进加权质心算法。该算法首先将距离比例模型引入锚节点圆中,此模型通过距离比例计算能够适用于锚节点圆不相交情况下的节点定位问题,解决了补位带来的误差累积。此外就加权质心算法中权值因子的选取提出了一种更具有普适性的距离倒数和权重比例公式。最终仿真结果验证,改进加权质心算法与三角形加权质心算法相比在定位精度方面取得了较大的提升,能够满足低成本高精度的要求。
