精英反向学习及柯西扰动引导的瞪羚优化算法

针对瞪羚优化算法收敛精度低和易陷入局部最优的问题,提出一种精英反向学习及柯西扰动引导的瞪羚优化算法(improved gazelle optimization algorithm,IGOA)。首先,对瞪羚个体利用精英反向学习策略进行初始化,提升初始解的质量并增加种群多样性;其次,在算法迭代初期,利用二阶段非线性惯性权重引导种群的位置更新方式,提高算法的精度并均衡算法的全局搜索和局部搜索;最后,将存活率引导的柯西扰动策略引入勘探阶段种群的位置更新公式中,提升算法跳出局部最优的能力。利用12个基准测试函数和Wilcoxon秩和检验在8个对比算法上进行实验检测,结果表明改进算法寻优精度更高、收敛速度更快且具有跳出局部最优的能力。在齿轮系和三杆桁架设计两个实际工程问题上验证了IGOA的实用性和有效性。

基于改进瞪羚优化算法的机器人路径规划

为了改善机器人路径规划中效率低、寻优速度慢等问题,设计一种改进的瞪羚优化算法。首先,在原始瞪羚优化算法初始化后引入正交学习机制,防止瞪羚优化算法在搜索过程中失衡,扩大直接寻优区域,从而保持解的多样性;其次,在瞪羚优化算法中引入Rosenbrock直接旋转策略,对搜索更新机制进行改进,从而提升算法寻优效率;最后,基于不同环境进行机器人路径规划仿真。仿真结果表明,改进的瞪羚优化算法相比其他对比算法各项指标得到不同程度提升,寻优效率更高,可以有效帮助机器人完成规划任务。

基于数据处理与若干群体算法优化的GRU/LSTM水质时间序列预测

为提高水质时间序列预测精度,提出一种基于小波包变换(WPT)和变色龙优化算法(CSA)、猎豹优化(CO)算法和山瞪羚优化(MGO)算法的优化门限循环控制单元(GRU)、长短期记忆神经网络(LSTM)的预测模型。首先利用WPT对pH值、DO、COD_(Mn)、NH_(3)-N时间序列进行平稳化处理,得到若干个规律性较强的子序列分量;其次简要介绍了CSA、CO、MGO算法原理,利用CSA、CO、MGO分别寻优GRU、LSTM超参数,建立WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU、WPT-CSA-LSTM、WPT-CO-LSTM、WPT-MGO-LSTM模型;最后利用所建立的模型对pH值及DO、COD_(Mn)、NH_(3)-N浓度各分量进行预测和重构,并建立WPT-GRU、WPT-LSTM和WPT-CSA-SVM、WPT-CO-SVM、WPT-MGO-SVM模型作对比分析模型,以云南省昆明市观音山断面为例,通过pH值及DO、COD_(Mn)、NH_(3)-N浓度预测对模型进行了验证。结果表明:WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU、WPT-CSA-LSTM、WPT-CO-LSTM、WPT-MGO-LSTM模型对实例pH值及DO、COD_(Mn)、NH_(3)-N浓度的预测精度优于其他对比模型,具有较好的预测效果,其中尤以WPT-CSA-GRU、WPT-CO-GRU、WPT-MGO-GRU模型的预测精度最高;CSA、CO、MGO能有效调优GRU、LSTM超参数,显著提高GRU、LSTM预测性能;所构建的6种模型预测精度高且计算规模小,是有效的水质时间序列预测模型,可为相关水质预测研究提供参考。