基于Q学习算术优化算法的无人机三维航迹规划

针对传统方法求解无人机三维航迹规划易导致规划代价高、精度差和容易陷入局部最优的不足,提出基于Q学习算术优化算法的无人机三维航迹规划算法。为了提升算术优化算法的寻优精度,引入Circle混沌映射提高初始种群多样性和分布均匀性,引入Q学习根据个体状态自适应调整数学优化加速函数更新,均衡算法全局搜索与局部开发,设计最优解邻域扰动优化全局搜索能力。通过建立无人机三维航迹规划模型,将航迹规划转化为多目标函数优化问题,并利用改进算法求解无人机三维航迹规划,以综合考虑航迹代价、地形代价和边界代价的目标函数评估粒子适应度,对航迹规划迭代寻优。仿真实验结果表明,所提算法规划的航迹具有更低的总代价和适应不同复杂地形环境的稳定性。

一种基于算术运算和透镜成像学习策略的改进灰狼优化算法

针对基本灰狼优化算法收敛速度慢,易陷入局部搜索的情况,提出一种基于算术运算和透镜成像学习策略的改进灰狼优化算法。该算法在基本灰狼优化算法的基础上,引入算术优化算法的乘除算子,利用带透镜成像的反向学习策略增强最优个体的多样性,增强算法的全局探索能力,提高收敛速度。对比实验结果表明,改进的灰狼优化算法具有收敛速度快、易跳出局部寻优状态,在30个基准测试函数的求解中获得了28个测试函数的最优均值,并且求解质量及普适性均优于最新的几种对比算法。

一种求解数值和工程问题的改进算术优化算法

算术优化算法是一种新的元启发式算法,在数值优化中具有良好的收敛速度和精度,但在处理优化问题时存在易陷入局部最优等问题。通过提升初始种群的质量、引入自适应权重和Lévy飞行策略等,文章提出了一种改进的算术优化算法(MAOA),并在CEC2022基准函数和CEC2020工程约束问题上对MAOA与对比算法进行了对比实验。统计结果表明,MAOA在性能上优于其他对比算法。

一种多目标量子算术优化算法探究

为更好地解决算术算法中多目标优化问题,提出一种基于档案集的多目标量子算术优化算法并在七个基准函数上进行测试;通过分析测试结果以及与常用的多目标优化方法/多目标粒子群优化算法、快速非支配排序遗传算法和多目标灰狼优化算法相关指标进行比较,表明了该算法优于上述常用的多目标优化算法,并具有较高的收敛速率。

优化聚类分簇结合自适应中继策略的双簇首WSNs路由算法

针对无线传感器网络中分簇路由算法节点能量利用率低、能量消耗不均匀等问题,提出了一种优化聚类分簇结合自适应中继策略的双簇首无线传感器网络路由算法.该算法对分簇路由协议中的三个阶段分别进行优化设计.成簇阶段,首先对双簇首模型下最优成簇规模与网络能耗的关系进行理论分析,然后使用改进的算术优化算法计算模糊C均值算法的初始聚类中心,提高了模糊C均值算法聚类成簇的准确率和鲁棒性.簇首选举阶段,引入双簇首策略,以节点的位置、能量和中心度为影响因子,根据承担任务的不同分别为内外簇首设计独立的簇首评价函数,以评价值为依据由节点分布式动态选举簇首减少了广播数量,同时可以将整个簇的能量负载平均分配到每个簇成员节点中.数据传输阶段,设置了多跳中继策略的距离适用条件,并以能量消耗速率为依据选择中继节点,避免了节点提前过载.仿真结果表明:在多种规模的网络中,该算法相较于对比算法在均衡网络负载、提高能量利用效率方面效果更好,从而延长了网络的有效感测时间.

改进算术优化算法用于稀布平面阵列综合

针对稀布平面阵列方向图旁瓣电平抑制和零陷综合问题,提出了一种基于改进算术优化算法的阵列天线综合算法。首先,为平衡开发和勘探过程比重,对算术优化算法中的算术优化加速器采用非线性函数重构;其次,采用前三优的个体代替当前最优个体进行勘探开发,并引入精英变异策略,以增强算法跳出局部最优的能力,提高算法的收敛精度;最后,提出了一种自适应矩阵映射法则,对当前阵元分布进行判断,若其不满足最小阵元间距约束,则通过调整策略对其进行调整,在避免不可行解的同时保证了阵元的自由度。与现有文献中的算法相比,改进的算术优化算法对单峰和多峰标准测试函数的优化精度和稳定性均有一定的提高;在稀布平面阵列旁瓣电平抑制实验和零陷综合实验中,所提算法可以综合出更优的峰值旁瓣电平和零陷深度,证明了所提算法的有效性。

融合正余弦策略的算术优化算法

针对算术优化算法存在的求解精度低、收敛速度慢和容易陷入局部最优等缺陷,提出一种融合正弦余弦策略的算术优化算法。根据个体适应度的变化信息自适应调整数学优化器加速函数MOA,平衡算法的全局探索和局部开发能力;将改进后的正弦余弦算法引入算法的局部开发阶段,增加迭代后期种群多样性,避免算法陷入局部最优,有效提升算法的求解精度和收敛速度。在14个基准测试函数上的仿真实验结果表明,改进算法在求解精度、收敛速度和鲁棒性方面均有明显提升。最后将改进算法用于支持向量机SVM参数优化,并建立学生知识水平预测模型,进一步验证了算法的实用性和优越性。

融合柯西变异的鸟群与算术混合优化算法

针对鸟群优化算法迭代初期种群多样性不足、迭代后期收敛速度慢、易陷入局部最优解等问题,提出一种融合柯西变异的鸟群与算术混合优化算法(hybrid algorithm of bird swarm algorithm and arithmetic optimization algorithm based on Cauchy mutation,HBSAAOA)。利用算术优化算法中乘除算子的高分布性对BSA中生产者的位置进行更新,以提高种群多样性,增强全局搜索能力。引入随机搜索策略和柯西变异策略来生成候选解,对后期局部开发阶段进行扰动,以增强算法跳出局部最优解的能力并提高收敛速度。利用贪婪策略对最优个体进行选择并替代较差的个体,从而提高解的质量。通过对23个经典测试函数以及部分CEC2014基准函数进行仿真实验,并将HBSAAOA应用到两个工程应用问题上,结果表明改进策略有效,改进算法的收敛速度更快、寻优精度更高,并且鲁棒性更好。

基于IAOA优化SVM的变压器故障识别方法

针对电力变压器故障类型只有小样本数据难以准确识别的问题,提出一种基于改进算术优化算法(improved arithmetic optimization algorithm,IAOA)优化支持向量机(support vector machine,SVM)的变压器故障识别方法。该方法通过Piecewise混沌映射对算术优化算法进行改进,可以避免算法陷入局部最优解,利用IAOA对SVM参数进行优化,解决了SVM参数选择困难的问题,进而构造IAOA-SVM分类器对变压器故障进行识别。仿真结果表明,相比较于SVM和AOA-SVM分类器,IAOA-SVM分类器的识别性能最优,对5种、7种变压器故障类型的识别准确率分别为94.32%、99.26%,验证了所提方法的准确性。

基于灰狼算术混合优化算法的类集成测试序列生成方法

集成测试是软件测试的重要环节,如何决定类的集成顺序是面向对象集成测试难解决的问题之一。已有研究成果证实了基于搜索的类集成测试序列生成方法的有效性,但存在收敛速度慢、寻优精度低的问题。灰狼优化算法(Grey Wolf Optimizer, GWO)中狼群易聚集在相近的区域,易早熟收敛。算术优化算法(Arithmetic Optimization Algorithm, AOA)是新近提出的元启发式优化算法,具有良好的随机性及分散性。为此,提出了一种灰狼优化算法和算术优化算法的混合优化算法(GWO-AOA)。GWO-AOA保留GWO的位置更新策略,选用群体领导层的中心个体替换AOA的引导个体,以平衡算法的全局探索和局部开发能力,进一步引入随机游动的精英变异机制,提高算法整体的寻优精度。实验结果表明,GWO-AOA相比同类方法能用较短的时间生成测试桩代价较低的类集成测试序列,收敛速度较快。

采用协同搜索策略的算术优化算法

针对标准算术优化算法(AOA)存在的不足,提出一种新的采用协同搜索策略的算术优化算法(CSSAOA).首先,采用乘法搜索与除法搜索协同并行搜索的策略来增强算法的全局探索能力;其次,采用减法搜索与加法搜索协同进行的策略来增强算法的局部搜索能力;再次,改进数学优化加速函数(MOA),使算法在搜索前期侧重进行全局探索,在搜索后期侧重开展局部开发,加快了算法的全局收敛速度;最后,采用外抛交叉变异策略对当前最优个体实施多样性变异,确保在算法搜索前期不至于吸引过多个体过早聚集到群体当前最优个体的周围,增强了算法搜索跳出局部最优的能力.通过8个基准测试函数和2个典型的工程应用以及CEC2019函数实例测试,实验结果表明了CSSAOA具有更快的全局收敛速度和更高的优化精度,在实际工程优化应用中效率更高.

融合哈密顿图的麻雀与算术混合优化算法

针对麻雀搜索算法(SSA)迭代后期种群多样性减少、易陷入局部最优等问题,提出一种基于哈密顿图的麻雀算术混合优化算法(HSSAAOAH)。首先,在SSA发现者-跟随者模型和侦察机制的基础上,引入算术优化算法(AOA)的乘除算子。利用乘除算子的高分布性,提高算法在迭代后期解的多样性;其次,将种群中所有个体转化成一个无向加权图,在每一轮迭代后,使用改良圈算法计算个体构成的哈密顿环长度,根据相邻两代长度的比值衡量种群收敛趋势;然后,对于没能有效收敛的子代,随机生成一定数量的个体并使用贪婪策略进行选择,替代表现较差的个体,提高解的质量,增强跳出局部极值的能力;最后,将HSSAAOAH与不同优化算法在基准函数和两个工程设计问题上进行仿真实验,结果表明HSSAAOAH算法收敛速度更快,寻优精度更高,具有良好的鲁棒性和寻优性能。

基于算术优化算法的低压配电网故障区段定位方法

为了提高低压配电网故障区段定位的准确性和快速性,保证居民用电安全,文中提出一种基于算术优化算法实现故障区段定位的方法。算术优化算法具有结构简单、收敛速度快以及精确度高等优点。选取IEEE33节点的配电网模型,使用MATLAB对此模型节点支路、节点开关状态和适应度函数进行编程仿真。对单点故障和多点故障以及存在信号畸变的单多点故障进行仿真计算,并对仿真结果进行分析。结果表明,利用算术优化算法的局部搜索和全局搜索分开进行的特点对故障区段定位问题进行局部充分搜索,可实现准确定位,准确度达到97%,优于二进制粒子群算法、遗传算法和改进鲸鱼优化算法。

一种求解最优潮流的改进灰狼优化算法

最优潮流是电力系统最关键的问题之一,本文采用一种求解最优潮流的改进灰狼优化算法(LMGWO)求解最优潮流(OPF)问题,该算法引入算术优化算法(Arithmetic Optimization Algorithm,AOA)中的乘除算子,利用带透镜成像的反向学习策略增强最优个体的多样性,提高算法跳出局部最优的能力。通过与几种常用的算法进行对比实验表明:本文提出的LWG-WO算法是有竞争力的,总体上优于对比算法;LMGWO算法在最小化燃料成本、有功输电损耗和改善电压偏差方面更有效地找到了最优潮流(OPF)问题的最优解。

一种基于多样性权重的算术优化算法

算术优化算法(AOA)是一种新型的元启发式算法,优化原理源自数学中的四则混合运算法则。在AOA探索阶段中,因搜索策略不足以出现早熟停滞或收敛速度缓慢等现象,使得优化结果陷入局部解。为此,提出了一种改进的算术优化算法(DAOA),在算法位置更新机制中引入多样性权重策略,为算术运算符寻优提供了更好的自适应搜索方向,提高了算法在局部区域的搜索能力。为了验证改进算术优化算法的先进性,采用12个基准测试函数进行实验,并与其他主流算法进行了对比,本算法具有更好的收敛精度和稳定性。

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。

基于优化VMD-GRU的滚动轴承剩余使用寿命预测

为了提高滚动轴承剩余使用寿命(RUL)的预测精度,提出了一种变分模态分解(VMD)和门控循环神经网络(GRU)融合算法的滚动轴承RUL预测模型VMD-GRU。首先,该模型通过阿基米德优化算法(AOA)优化的VMD算法对原始振动信号进行分解;然后,利用最小包络熵准则选择最佳模态分量进行退化特征提取;再通过核主成分分析进行特征降维;最后,为保证模型准确率,通过鹈鹕优化算法(POA)优化GRU中的超参数,并根据不同故障类型建立GRU剩余寿命预测模型。使用XJTU-SY标准数据集进行剩余寿命预测验证,实验结果表明:与传统未结合故障类型提取退化特征和建立预测模型方法相比,VMD-GRU模型均方根误差和平均绝对误差分别降低了26.28%和27.17%。

基于响应面法和改进算术优化算法的抱杆优化设计

抱杆优化设计需要耗费大量有限元分析计算时间,难以确定可行域.该文采用响应面法(response surface method,RSM)来模拟抱杆结构的真实响应,提出了改进的算术优化算法(improved arithmetic optimization algorithm,IAOA)对抱杆结构进行优化设计.将分数阶积分引入算术优化算法(arithmetic optimization algorithm,AOA),改善了算法的开发能力.采用拉丁超立方抽样,选取抱杆结构杆件截面试验样本,利用最小二乘法对样本点进行分析,构建了抱杆结构应力和位移关于杆件截面尺寸的二阶响应面代理模型.建立以抱杆质量最小化为优化目标,许用应力和位移为约束条件的优化模型,采用IAOA对其进行求解.结果表明:二阶响应面模型能够准确预测抱杆结构的响应值,IAOA的求解精度得到显著提升,代理模型可大幅降低有限元分析所需的计算代价,优化后抱杆结构质量减轻了8.2%.联合使用RSM和IAOA可有效求解大型空间杆系结构的优化设计问题.

多策略融合算术优化算法及其工程优化

针对算术优化算法(AOA)在搜索过程中容易陷入局部极值点、收敛速度慢以及求解精度低等缺陷,提出一种多策略集成的算术优化算法(MFAOA)。首先,采用Sobol序列初始化AOA种群,增加初始个体的多样性,为算法全局寻优奠定基础;然后,重构数学优化器加速函数(MOA),权衡全局搜索与局部开发过程的比重;最后,利用混沌精英突变策略,改善算法过于依赖当前最优解的问题,增强算法跳出局部极值的能力。选用12个基准函数和部分CEC2014测试函数进行实验仿真,结果表明MFAOA在求解精度和收敛速度上均有明显的提升;另外,通过对两个工程实例进行优化,验证了MFAOA在工程优化问题上的可行性。

自适应t分布与动态边界策略改进的算术优化算法

针对算术优化算法(arithmetic optimization algorithm,AOA)存在的收敛速度慢、易陷入局部最优等问题,提出了自适应t分布变异和动态边界策略改进的算术优化算法(t-CAOA)。利用引入自适应t分布变异策略提高种群的多样性和质量可以有效提升算法的收敛速度,同时通过引入余弦控制因子的动态边界策略优化AOA的寻优过程,从而协调AOA的全局勘探和局部开发能力。对10个单模态和多模态函数进行寻优实验,并与鲸鱼优化算法、灰狼优化算法等算法进行对比,实验结果表明,经过改进的算术优化算法具有更高的寻优精度和稳定性。进一步对t-CAOA进行求解大规模优化问题的实验,实验结果表明,改进过的t-CAOA可以有效地解决大规模优化问题。