基于混沌初始化和自适应惯性权重及柯西变异的多策略海洋捕食者算法

针对海洋捕食者算法在搜索寻优过程中存在收敛速度慢和寻优精度低等问题,提出混沌初始化和自适应惯性权重及步长因子的多策略海洋捕食者算法。首先采用混沌映射的种群初始化操作,有寻优速度快、精度高的特点,有助于平衡局部最优和全局最优。其次采用根据迭代次数自适应改变惯性权重的策略,以更好地平衡全局搜索能力和局部搜索的精细程度。然后采用柯西分布变异,增强算法跳出局部最优和全局搜索的能力。最后在5个测试函数上对该算法进行仿真实验,并与其他4种群智能算法在高维和低维上进行比较和分析,验证了改进算法有更强的收敛能力和寻优能力。

基于混沌初始化和高斯变异的飞蛾火焰优化算法

针对飞蛾火焰优化算法(moth-flame optimization algorithm,MFO)在求解最优化问题时存在寻优精度低、易陷入局部最优等问题,提出一种基于混沌初始化和高斯变异的改进飞蛾火焰优化算法。首先,采用立方混沌映射对飞蛾种群进行初始化操作,使飞蛾更均匀地分布于搜索空间;其次,应用高斯变异对种群中少数较差个体进行扰动以增强算法跳出局部最优的能力;最后,通过阿基米德曲线扩大搜索范围,提高算法对未知领域的探索能力。在CEC14测试函数及21个可扩展Benchmark函数上进行了一系列实验,与标准飞蛾火焰优化算法、遗传算法、人工蜂群算法、粒子群算法、差分进化算法、花授粉算法和蝴蝶优化算法进行比较,结果表明,该算法能明显提高解的精度和算法的收敛速度。

基于IPOA的太阳电池模型参数辨识

太阳电池模型参数的准确辨识对光伏组件功率预测和最大功率点追踪有较大影响,必须保证较高的辨识精度。传统的智能算法能做到一定程度上的参数辨识,但均存在精度不足、收敛速度慢、易陷入局部最优等问题。针对此类问题,提出基于改进鹈鹕优化算法(IPOA)的太阳电池模型参数辨识方法。该算法中种群个体联系紧密,通过随机性的互相学习进行位置更新,在工程应用领域有着较传统算法更好的效果。同时,针对该算法特点,引入基于Jaya算法的位置更新策略,使种群的候选解更趋向最优解;改进了递减因子,使模型在迭代中后期寻优效果更好。增加了莱维飞行策略,有效提高了算法精度。在不同的太阳辐照度条件下,IPOA都有较好效果,辨识结果与实际曲线拟合度高,表明IPOA能在不同环境中对太阳电池模型参数进行准确有效辨识。

基于云控制的混沌多种群自适应遗传算法

针对传统遗传算法存在的早熟收敛现象,提出一种基于云控制的混沌多种群自适应遗传算法。该算法兼顾全局性和个体差异性两方面平衡,通过云控制器实现交叉率和变异率的自适应调节。在种群正常进化时,对个体实行惩强扶弱措施,在发生早熟收敛或有早熟收敛趋势时,对劣质个体实行灾变,同时采用多种群优化机制实现种群之间的同步进化。实验结果表明,与标准遗传算法和自适应遗传算法相比,该算法能够有效地避免早熟收敛问题,具有较高的收敛效率。

混沌云克隆选择算法及其应用

结合云模型理论与免疫克隆选择思想,提出一种新的改进算法-混沌云克隆选择算法(CCCSA).该算法采用混沌初始化生成初始种群以提高初始抗体的质量;通过基本正态云发生器实现抗体的变异操作以改善抗体的多样性.经典函数测试实验和时滞系统的自抗扰控制器参数优化整定仿真实验结果表明,该算法比一般的CSA算法、遗传算法和粒子群算法能更快的找到最优解;其求解精度更高,性能更加稳定.

改进萤火虫算法的武器目标分配问题研究

武器目标分配(WTA)是指挥控制和任务规划领域的关键问题之一,萤火虫算法求解武器目标分配问题具有参数设置简单、执行效率高等优点。针对传统萤火虫算法易陷入局部极值,收敛速度和精度不高的弊端,从以下三个方面进行改进:初始化萤火虫序列编码时融入PWLCM混沌优化以提高全局搜索能力;设置受迭代次数控制的服从半高斯分布的非均匀步长因子以兼顾算法的搜索能力和收敛性;设计基于排序的萤火虫更新策略同时融入交叉变异操作以提高算法的效率和准确性。为验证改进算法的先进性,先利用其求解4种典型测试函数的最优解,再求解WTA问题,并与传统萤火虫算法进行对比,仿真实验结果表明,改进后算法的评价函数值提高了2.1%,迭代次数减少了52.9%,改善了传统算法易陷入局部极值的缺点,提高了收敛速度和精度,提升了武器目标分配的效果。

基于多自适应算子的改进差分进化算法

差分进化(DE)算法是一种原理简单且性能优良的智能算法。因其涉及参数较少、计算结果精确性较高、鲁棒性较强,在实际应用中被广泛使用。但DE算法容易陷入局部最优解,且种群变异速度与结果依赖于变异和交叉参数设置。因此,文中提出一种自适应改进差分进化算法,通过控制初始化种群和自适应参数,有效提升了算法的寻优能力。将该算法在十一个测试函数上进行测试,并与四种具有代表性的算法(CLPSO、DE、jDE、SDE)进行比对,结果表明,该算法在问题求解准确度上具有优势,并显示出了较好的鲁棒性。

旅行商问题的混沌混合离散蝙蝠算法

针对现有离散蝙蝠算法在求解旅行商问题时存在的收敛速度较慢、收敛率不高等问题,提出了混沌混合离散蝙蝠算法.该算法采用混沌初始化策略提高算法的寻优能力,引入2-Opt技术增强算法的局部搜索能力、加快算法的收敛速度.大量的仿真实验表明:所提出的算法在求解小规模TSP时能快速收敛到已知最优解;在求解大规模TSP时能在较短的时间内收敛到偏差0.4%以内的最优解.

基于混沌的动力学演化算法

文章在现有动力学演化算法的基础上提出基于混沌的演化算子。除有效地防止过早收敛并且保持解的均匀分布外,新算法充分利用混沌对于初始值敏感性和遍历性的特点,还具有更快的收敛速度和更小的计算量。数值结果显示在解决多峰值问题时新算法不仅有很好的性能和高可靠性,而且优于作者已知的其他已出版的结果。

基于混沌变异布谷鸟算法的水库供水优化调度

根据水库联合供水优化调度的特点,建立了混沌变异布谷鸟算法求解多阶段组合优化问题的数学模型。针对标准布谷鸟算法全局寻优及局部搜索能力不平衡、后期收敛速度慢等缺点,采用混沌初始化以丰富种群的多样性,为全局寻优建立基础;同时引入变异算子以避免算法后期陷入局部最优。并以“山西大水网”为背景,将改进的布谷鸟算法应用于长治盆地供水区的优化调度,通过与标准布谷鸟算法进行对比,验证了混沌变异布谷鸟算法在水库联合优化调度中的有效性和优越性。

非线性混沌网络系统的分散性能量子优化算法

针对量子优化算法应用时,优化控制方法的差异会造成优化算法收敛时间过长的问题,提出非线性混沌网络系统的分散性能量子优化算法。采用分段Logistic混沌映射方法,获取量子初始化位置。依托于适应度划分量子种群,分别针对顶层和底层种群建立相应进化模式。利用多个非线性连续时间子系统,设计非线性混沌优化控制方法,确定最佳控制方案。最后,引入早熟收敛判断机制得到最优解计算结果。实验结果表明,与传统方法相比,所提优化算法收敛时间明显减少。

改进蜉蝣算法及其在脑电信号识别中的应用

针对蜉蝣算法搜索能力欠佳、容易陷入局部最优等不足,提出了一种混沌模拟蜉蝣算法。首先,对比选择了Logistic混沌序列生成初始化种群,使用模拟退火算法对蜉蝣算法的速度更新方式进行了优化。然后,基于7个测试函数对改进后的算法进行仿真对比实验,结果证明改进后算法的寻优性能和收敛速率明显提升。最后,对5位受试者的脑电信号进行了时频域和F-score特征提取,并使用改进后的算法优化支持向量机分类器。应用优化后的分类器对提取的信号数据进行了识别,与不同分类器的识别结果相比,改进蜉蝣算法优化后的分类器的平均识别率达88%以上。

考虑工作均衡性的家庭医疗人员调度研究

考虑到家庭医疗护理调度中存在患者服务的强时效性以及医护人员工作时间的差异性等问题,构建了以患者满意度最大化、医护中心总成本最小化以及工作均衡性最大化为目标的调度模型;并设计了一种带有混沌初始化策略和3-opt局部搜索方法的改进天牛须搜索算法(BAS,beetle antennae search algorithm)求解模型。通过算例验证了改进算法能有效求解家庭医护人员调度问题。最后,对算法参数以及模型中医护人员服务时间窗进行了灵敏度分析,发现参数以及工作时间的改变对调度优化指标有显著的影响。仿真结果表明,改进后的算法可以为医护中心提供合理的调度方案。

基于改进MVO算法的多无人机任务分配研究

针对异构多无人机任务分配不合理、速度慢的问题,提出一种基于改进多元宇宙优化(multi-verse optimization,MVO)算法的多异构无人机任务分配方法。考虑无人机特性和目标属性的关系,建立任务分配目标函数,并采用Logistics混沌初始化和差分变异算子改进MVO算法,对该目标函数进行求解,避免MVO算法陷入局部最优并加快其收敛速度,使多无人机任务分配以较小的代价得到较大的收益。仿真结果表明,与MVO算法、遗传算法和粒子群优化算法相比,改进MVO算法能更有效地解决多无人机任务分配问题。

基于改进PSO算法的时间最优机械臂轨迹规划

针对传统机械臂轨迹规划存在效率低、智能算法易早熟和运行不稳定等问题,提出了一种以时间最优为目标,采用改进粒子群算法(PSO)对6自由度机械臂轨迹进行优化的方法。首先,在关节空间下利用机械臂正逆运动学原理获取其轨迹插值点;其次,为了使机械臂能够快速平稳地到达目标位置,采用3-5-3多项式对其轨迹进行插值;最后,使用改进PSO算法对分段多项式插值构造的轨迹进行优化,实现6自由度机械臂时间最优的轨迹规划。通过MATLAB仿真实验可以得到机械臂各个关节的加速度、速度和位置的轨迹信息,在满足机械臂运动学约束的前提下,机械臂完成整段轨迹所用的时间从3 s减少到2.1 s,整体运行时间相对于PSO算法优化前缩短了近30%,由此表明改进PSO算法可以有效地实现6自由度机械臂时间最优的轨迹规划。

基于改进粒子群算法的无人机三维路径规划

针对无人机在复杂多障碍环境下的路径规划问题,提出基于改进粒子群的优化算法。首先,通过统一障碍物环境建模、优化适应度函数,并采用混沌粒子初始化使粒子群多样化,增强了算法的稳定性;然后,用自适应加速度系数替代传统粒子群算法的加速度常数,避免陷入局部极小值,同时提高了算法收敛到全局最优解的效率;最后,用无人机运动编码代替传统粒子群算法中粒子搜索轨迹的编码方式,提高解的最优性,搜索最优解路径。仿真结果表明:当进行无人机路径规划时,改进粒子群算法可以有效解决复杂的多障碍环境中传统粒子群算法的问题,与灰狼优化算法、差分进化算法、量子粒子群算法和传统粒子群算法相比,改进后的算法在不同场景静态环境中路径寻优精度和稳定性明显提高,且与动态粒子群算法相比,新算法也能更好地适应动态环境。

锚杆钻车钻臂定位控制方法

目前常用代数法和几何法实现锚杆钻车钻臂定位控制,存在效率低、有无解或多解情况、通用性差等问题。采用粒子群优化(PSO)算法进行机械臂定位控制具有编程简单、搜索性能强、容错性好等优势,但易陷入局部最优解。目前基于改进PSO算法的机械臂定位控制整体寻优效率较低,寻优时间过长。针对上述问题,在精英反向粒子群优化(EOPSO)算法基础上,引入混沌初始化、交叉操作、变异操作和极值扰动,设计了混沌交叉精英变异反向粒子群优化(CEMOPSO)算法。采用标准测试函数对PSO算法、EOPSO算法、交叉精英反向粒子群优化(CEOPSO)算法、CEMOPSO算法进行测试,结果表明CEMOPSO算法的稳定性、精度、收敛速度最优。建立了锚杆钻车钻臂运动模型,采用CEMOPSO算法进行钻臂定位控制,并在Matlab软件中对控制性能进行仿真研究,结果表明:在相同的迭代次数和误差精度约束条件下,采用CEMOPSO算法时钻臂位置误差和姿态误差从迭代初期即具有极快的收敛速度,且位置误差和姿态误差均小于其他3种算法,误差曲线较平稳,最大位置误差为0.005 m,最大姿态误差为0.005 rad;设定位置误差为1 mm、姿态误差为0.01 rad时,CEMOPSO算法的平均迭代次数为343,位置误差为0.1 mm、姿态误差为0.001 rad时平均迭代次数为473,在相同的定位精度条件下,CEMOPSO算法的收敛速度和稳定性优于其他3种算法,满足工程应用要求,且求解精度越高,其优越性越突出。

基于竞争粒子群算法的大气激光通信数据跨层调度研究

不同层之间的大气激光通信数据资源分配不均衡,影响到数据跨层调度效率,提出基于竞争粒子群算法的大气激光通信数据跨层调度方法。采用自适应调制编码技术分析大气激光通信信道状态,对通信数据包实施纠错以及调制编码组合,以此搭建大气激光通信系统模型。以通信系统模型为基础建立跨层资源分配目标函数,将混沌初始化策略和自适应高斯变异算法加入到竞争粒子群算法中,利用竞争粒子群算法获取目标最优解,实现数据跨层调度。实验结果表明,所提方法的误报率最大值仅为2.5%,调度准确度始终在92%以上,调度时间最大值是11.35 ms。

改进离散粒子群算法的多无人艇任务分配研究

离散粒子群算法求解多无人艇任务分配问题具有较大优势,针对传统离散粒子群算法易陷入局部最优、收敛速度较慢等缺点,从以下四个方面进行改进:初始化粒子编码时融入混沌优化以提高全局搜索能力,设置非线性变化的指数型惯性因子兼顾局部搜索能力,调整固定不变的学习因子为受迭代次数控制的服从半高斯分布的自适应学习因子以提高算法的收敛性,引入交叉和变异的粒子更新机制以避免早熟收敛。仿真实验表明改进后算法的适应度函数提高了6.6%,最少迭代次数减少了49.1%,运行时间减小了18.3%。改进算法可兼顾全局搜索能力和较快的收敛速度,提高了无人艇的任务分配效果。

改进正弦算法引导的蜣螂优化算法

蜣螂优化器(dung beetle optimizer,DBO)是一种有效的元启发式算法。蜣螂优化算法虽然具有寻优能力强,收敛速度快的特点,但同时也存在全局探索和局部开发能力不平衡,容易陷入局部最优,且全局探索能力较弱的缺点。提出了一种改进的DBO算法来解决全局优化问题,命名为MSADBO。受改进正弦算法(improved sine algorithm,MSA)的启发,赋予蜣螂MSA的全局探索和局部开发能力,扩大其搜索范围,提高全局探索能力,减少陷入局部最优的可能性。同时加入了混沌映射初始化和变异算子进行扰动。为了验证MSADBO的有效性,对该算法采用23个基准测试函数进行了测试,并与其他知名的元启发式算法进行了比较。结果表明,该算法具有良好的性能。为了进一步阐述MSADBO算法的实际应用潜力,将该算法成功地应用于3个工程设计问题。实验结果表明,所提出的MSADBO算法可以有效地处理实际应用问题。