基于自适应网格多目标鲸鱼算法的火力分配问题研究

传统多目标优化算法在解决多于两个目标函数的火力分配问题时收敛效果不佳,多样性差,耗时过大。基于此,提出了一种自适应网格多目标鲸鱼优化算法(AG-MOWOA)来解决以震塌比例、弹药成本和自身剩余价值为目标函数的火力分配问题。该算法引入混沌映射和外部Pareto存档进化策略提高了种群的多样性,通过自适应网格选取最优个体的方法极大地减少了算法运行时间。仿真实验结果表明,该算法较其他算法收敛速度更快、收敛质量更高、解集分布更多样,能够有效解决火力分配问题。

基于改进ViBe的自适应运动目标检测算法

针对ViBe算法无法去除动态背景,易出现鬼影及不能自适应光照变化的问题,提出一种复杂环境自适应的ViBe改进算法。通过计算区域的复杂度、闪烁波动度,对分类半径R和更新率T进行动态调整,对样本点进行有效性权重的计算,更高效地过滤背景噪声和适应光照渐变;在检测物体状态变化时,动态调整R和T,通过融合前景点计数和帧差法优化鬼影消除;通过识别最小外接矩阵区域差异加快去除鬼影;利用帧差法实时检测光照突变,及时进行重新初始化,避免大量误检。实验结果表明,改进ViBe算法在适应动态背景、光照变化及抑制鬼影等方面比原算法均有更好检测效果,检测精度平均提升了40.7%。

一种基于协同演化的自适应约束多目标进化算法

约束多目标优化(CMOP)问题的求解旨在将有限的搜索资源合理地配置到约束条件的满足与目标函数的优化2个方面,但问题约束的日趋复杂给求解算法带来了巨大挑战。提出一种基于协同演化的自适应约束多目标进化算法,该算法同时进化2个功能互补的种群(主种群和存档种群),使算法在求解复杂约束问题时能够实现约束处理与目标优化之间的良好平衡。首先,主种群进行双重繁殖,首次繁殖过程通过动态适应度分配函数自适应地利用不可行解所携带的有价值信息,使种群在进化前期强调对目标函数的优化,后期强调可行性,二次繁殖则与存档种群进行合作,以提高种群收敛性并维护多样性。然后,提出一种基于角度的选择方案更新存档种群,在保证种群良好多样性的同时保持种群向Pareto前沿的搜索压力。最后,与5种先进的约束多目标进化算法在33个基准问题上进行对比实验,结果表明,所提出的算法在解决各类CMOP问题时与对比算法相比更具优势,其效率平均提高了约67%。

一种自适应调整权重向量的多目标进化算法

基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)作为一种重要的多目标优化方法,已经成功地应用于解决各种多目标优化问题。然而,MOEA/D算法在解决具有高维目标和复杂帕累托前沿(Pareto frontier,PF)的问题时,容易陷入局部最优并难以获得可行解。本文提出一种改进的MOEA/D算法,包括3个优化策略:首先,使用拉丁超立方抽样方法代替随机方法初始化种群,得到分布均匀的初始种群,同时对权重向量关联解的策略进行优化;其次,提出一种稀疏度函数,用于计算种群中个体的稀疏度并维护外部种群;最后,提出了自适应调整权向量的方法,用于引导种群收敛到帕累托前沿,并且有效平衡种群的多样性和收敛性。将提出算法和4种对比算法在DTLZ和WFG系列问题以及多目标旅行商问题(multi-objective travel salesman problem,MOTSP)上进行对比实验,实验结果表明本文提出自适应调整权重向量的多目标进化(MOEA/D with cosine similarity adaptive weight adjustment,MOEA/D-CSAW)算法在处理具有复杂帕累托前沿和高维多目标的问题时,算法的综合性能要优于对比算法。

自适应建模策略辅助的昂贵多目标进化算法

代理模型辅助的多目标进化算法广泛用于解决计算费时的多目标优化问题,然而现有的大部分建模方法都是为了嵌入到特定算法而设计的,适应于其他算法的能力并不强,为了能够依据数据特征自适应的建立模型,提出了一种基于自适应模型选择的建模方法。该方法的主要思想为:依据每个目标函数的样本特征,自适应的选择样本建立全局模型或者局部模型。为了验证所提出建模的方法的有效性,将提出的建模方法应用于基于高斯过程辅助的双存档费时多目标优化算法(KAT2)和基于高斯过程辅助的参考向量引导的费时多目标优化算法(K-RVEA),并且在DTLZ测试函数进行测试。通过实验证明,提出的建模方法可以有效的解决费时多目标优化问题。

物联网背景下基于改进多目标自适应遗传算法的智能汽车路径规划研究

在物联网迅速发展的时代背景下,智能汽车作为物联网的重要应用之一,其路径规划算法的优化显得尤为重要。然而,现有路径规划算法在应对复杂多变的实际道路情况时存在局限性,需要更灵活、高效的解决方案。本文首先列出了物联网背景下基于改进多目标自适应遗传算法的智能汽车路径规划的研究原因,随后重点论述了相关算法和研究方法,最后对研究结果进行了分析。

基于多目标优化的多源域自适应算法

多源域自适应是迁移学习中的一项重要技术,其目标是利用多个源域的知识来提升目标域的学习性能。然而,目前的多源域自适应方法大多关注于源域与目标域之间的差异,忽略了源域的选取问题。为了解决上述问题,提出了基于多目标优化的多源域自适应算法,使用多目标优化来增强各源域之间不相似域的效应和源域与目标域之间相似域的效应。此外,使用粒子群优化算法来优化以上两个目标。对五个基准的评估表明了所提出的模型的有效性。

一种基于模型概率单调性变化的自适应IMM-UKF改进算法

针对现有交互式多模型(IMM)算法模型间切换迟滞和转换速率慢的缺点,提出一种基于模型概率单调性变化的自适应交互式多模型无迹卡尔曼滤波改进算法(mIMM-UKF)。该算法利用后验信息模型概率的单调性,对马尔可夫转移概率矩阵及模型估计概率进行二次修正,加快了匹配模型的切换速度及转换速率。仿真结果表明,与现有算法相比,该算法通过快速切换匹配模型,有效提高了水下目标跟踪精度。

基于多目标狼群算法的机场行李导入系统仿真优化研究

针对民航机场行李导入系统运行过程中旅客行李注入等待时间长、系统能耗高等问题,综合考虑虚拟视窗控制方式、收集带式输送机运行速度、虚拟视窗长度及同时开放值机柜台数量等关键控制参数对机场行李导入系统运行效率的影响,提出一种求解该问题的仿真优化框架。通过分析机场行李导入系统实际运行工况,建立参数化仿真优化模型。以最小化旅客行李注入平均等待时间和系统能耗为优化目标,结合系统设计和运行过程中的实际约束条件,建立该问题的数学模型,并设计了一种多目标自适应并行狼群算法进行求解。该算法针对所提问题特性及经典狼群算法易陷入局部最优和收敛速度慢等不足,提出一种混合整实数单链编码方式,融合反向学习策略生成初始种群,引入自适应游走概率机制和智能行为并行机制,采用局部和全局自适应邻域搜索及启发式保优策略实现狼群算法智能行为搜索,使用Pareto非支配排序进行寻优迭代并获得最优解集。以国内某大型国际航空枢纽机场行李导入系统为例设计不同规模多种算法对比实验,验证了所提方法的有效性和优越性。

基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法

在复杂道路场景中检测车辆、行人、自行车等目标时,存在因多尺度目标及部分遮挡易造成漏检及误检等情况,提出一种基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法。首先,利用深度可分离卷积替换部分普通卷积,减少模型的参数量以提升检测速度。其次,在特征融合网络中引入基于感受野模块(receptive field block,RFB)改进的RFB-s,通过模仿人类视觉感知,增强特征图的有效感受野区域,提高网络特征表达能力及对目标特征的可辨识性。最后,使用自适应空间特征融合(adaptively spatial feature fusion,ASFF)方式以提升PANet对多尺度特征融合的效果。实验结果表明,在PASCAL VOC数据集上,所提算法检测平均精度均值相较于YOLOv5s提高1.71个百分点,达到84.01%,在满足自动驾驶汽车实时性要求的前提下,在一定程度上减少目标检测时的误检及漏检情况,有效提升模型在复杂驾驶场景下的检测性能。

基于改进鸟群算法的多目标微电网优化调度研究

为克服传统智能算法在微电网多目标优化调度中存在局部最优、过早收敛等问题,提高微电网调度的准确性、稳定性和收敛速度,提出了1种基于改进鸟群算法的多目标微电网优化调度策略。首先,分析了微电网多目标调度的影响因素,建立了基于最低经济成本及最小环境影响的微电网调度模型。其次,通过随机均匀分布自适应选择惯性权重系数,运用线性调整策略及学习系数平衡全局和局部搜索能力,提高鸟群算法的收敛速度和搜索精度,并基于Lévy飞行策略更新鸟类群体的空间位置,扩大搜索范围、丰富种群多样性,从而使所提方法跳出局部最优实现精准收敛。最后,通过搭建并网运行条件下的典型微电网场景进行仿真实验,并使用典型的测试函数将所提方法与其他成熟算法进行对比分析。实验结果表明,所提方法的全局优化性能、收敛精度、稳定性和收敛速度均优于其他对比方法,且具有良好的经济性和环境友好性,能够实现良好的多目标优化平衡。

自适应变化响应的动态多目标进化算法

动态多目标优化问题(Dynamic multi-objective optimization problems, DMOPs)的目标函数发生变化时,需要采取变化响应策略对种群进行重新初始化,以快速追踪新环境中的最优解集.现有动态多目标优化算法对不同个体、不同维度的决策变量缺乏针对性的变化响应,导致重新初始化效果尚存在较大改进空间.为此,提出一种对不同个体、不同维度的决策变量分别进行自适应变化响应的动态多目标进化算法(Dynamic multi-objective evolutionary algorithm with adaptive change response, DMOEA-ACR).该算法包括两个核心部分:1)对时间步最优种群和时间步最优种群中对应个体各维度决策变量之间的差异进行计算,自适应选择变异策略或预测策略重新初始化不同个体、不同维度的决策变量;2)在每轮迭代或重新初始化后,对非支配个体进行存档,基于存档中心构建预测策略.为验证DMOEA-ACR的有效性,在最新测试问题集SDP和DF上,将其与动态多目标优化领域的6种先进算法进行对比.实验结果表明, DMOEA-ACR在求解动态多目标优化问题时,具有明显优势.

基于偏好和虚拟适应度的两阶段依赖任务卸载算法

针对云边端协同环境中依赖任务卸载时效率低以及任务卸载失败的问题,提出一种基于偏好和虚拟适应度的两阶段依赖任务卸载算法.第一阶段,根据提出的二维卸载偏好因子对依赖任务的部分子任务进行直接卸载决策,从而有效缩小遗传算法初始种群的规模.第二阶段,提出基于虚拟适应度的启发式交叉方法,并对基于参考点的快速非支配排序遗传算法(non-dominated sorting genetic algorithmⅢ, NSGA-Ⅲ)的交叉算子进行改进,保留了种群多样性并提升了算法收敛速度,最后使用改进的算法对所有依赖任务的子任务进行最优卸载决策集的搜索.实验结果表明,与其他算法相比,该算法在任务完成时间、任务能耗和边缘云集群成本方面平均优化了10.2%~18.3%,并且将任务失败率平均降低了10.7%~25.6%.

自适应多种群Jaya算法求解绿色并行机调度问题

考虑到同一机器加工不同工件时存在序列相关准备时间的情况,研究了具有设置时间的绿色并行机调度问题。针对问题采用二维实数编码方案来有效映射解空间,并设计一种可以求解多目标的自适应多种群Jaya算法。该算法以Pareto最优解及拥挤度计算的机制进行寻优,在Jaya算法的基础上,设计了位置向量排序机制实现连续型解与绿色并行机调度问题离散型解的有效结合;将随机规则与工作均衡规则相结合提升初始种群质量并设计了自适应变化的多种群提升算法的搜索多样性与收敛速度。通过与其他4种算法的算例测试分析,结果表明自适应多种群Jaya算法在求解具有设置时间的绿色并行机调度问题上具有优越性。

基于自适应金豺算法动压滑动轴承的多目标优化

为提高动压滑动轴承的承载能力,同时降低发热量和摩擦因数,建立了动压滑动轴承的多目标优化模型。针对传统优化算法收敛速度慢、易陷入局部最优解的不足,提出一种自适应策略改进的金豺优化算法,进而提高金豺算法的勘探和探索能力。利用含有约束条件的算例对自适应策略改进的金豺优化算法进行性能验证,结果表明自适应策略改进的金豺优化算法具有良好的收敛性能。将该算法用于求解动压滑动轴承的多目标优化问题,优化结果表明,优化后的结构相对初始结构性能有了较大提升,承载能力提高了12.257%,发热量和摩擦因数分别降低了15.610%和33.333%。

三阶段自适应采样和增量克里金辅助的昂贵高维优化算法

代理辅助进化算法已广泛应用于求解代价高昂的多目标优化问题,但大多数由于代理模型的局限性而仅限于解决决策变量低维的问题。为了解决高维的昂贵多目标优化问题,提出了一种基于三阶段自适应采样策略的改进增量克里金辅助的进化算法。该算法使用改进的增量克里金模型来近似每个目标函数,此模型的超参数根据预测的不确定性进行自适应更新,降低计算复杂度的同时保证模型在高维上的准确性;此外,在模型管理方面提出一种三阶段自适应采样的策略,将采样过程分为不同的优化阶段以更有针对性的选择个体,能够首先保证收敛性,提高算法的收敛速度。为了验证算法的有效性,在包含各种特征的两组测试问题DTLZ(deb-thiele-laumanns-zitzler)、MaF(many-objective function)和路径规划实际工程问题上与最新的同类型算法进行实验对比,结果表明该算法在解决决策变量高维的昂贵多目标优化问题上具有较强的竞争力。

一种基于自适应搜索的多模态多目标优化算法

为了解决目前基于分解的多模态多目标优化算法存在种群搜索能力不足,子种群中存在无用解和距离度量不具有普适性等问题,提出了一种基于自适应搜索的多模态多目标优化算法MOEA/D-AS.首先,该方法通过减少平均子种群的个体数量,进而增加参考向量的数量.其次,根据子种群当前状态自适应分配子种群的个体数量.最后,使用引入了局部种群信息的清除距离作为维护子种群的依据.将提出的算法与4种算法在2019年CEC多模态多目标测试问题和大规模多模态多目标测试问题上进行对比实验,实验结果表明,提出的算法可以有效解决多模态多目标优化问题.

用于无人机探测系统的红外小目标检测算法

为了解决无人机探测系统中目标检测算法在不同场景下适用性差、虚警率高的问题,采用可应用于不同复杂背景的红外小目标检测算法,设计了一种基于现场可编程门阵列与数字信号处理器架构的无人机探测系统。首先利用双边滤波算法平滑背景,保留目标区域边缘;再使用改进的多尺度顶帽算法进行目标增强和背景抑制,来提高目标区域与周围区域的差异对比;最后使用基于最大值和平均值的自适应阈值分割方法提取目标。结果表明,实验测得系统的检测率为98.15%,整体时延为33.33 ms,与现有典型红外小目标检测算法相比,该算法的信噪比增益和背景抑制因子分别平均提高6.8倍和7.44倍,有效地抑制了背景,增强了目标。该算法能有效解决复杂背景下的红外小目标检测问题,对提高无人机探测系统在不同场景下的适用能力与检测能力是有帮助的。

基于改进差分进化算法的跨平台武器目标分配方法

现代战争中,跨平台武器单元的协同利用,是合同编队体系的重要内容,作战方式也正由平台级协同向着能力要素级协同转变,这对武器目标分配问题的解决提出了更大挑战。本文将武器单元的最小划分单位细化到能力要素级,以毁伤概率与成本消耗为优化目标,面向多种来袭目标的编队防空场景,提出了跨平台武器目标分配算法。同时,基于混沌映射提出了混沌种群重构(chaotic population reconstruction,CPR)机制,并结合带存档的自适应差分进化(adaptive differential evolution with optional external archive,JADE)算法提出了CPR-JADE算法,利用CPR机制可以帮助算法在解决高维复杂约束问题时跳出局部最优。再将其运用到武器目标分配模型上,实现了对模型的高效求解。最后,通过在多种数据规模下与其他进化优化算法的仿真对比试验分析,验证了所提方法的正确性与有效性。

基于多目标进化算法的防空导弹武器目标分配

有效的武器目标分配(weapon-target assignment,WTA)方法对减少作战损失,提高防御效果具有重要意义。针对防空资源分配问题建立合理的数学模型,以最大化目标毁伤效能和最小化雷达资源消耗为优化目标,同时考虑雷达通道数上限等多个约束,在基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)基础上进行改进,种群进化过程中自适应调整交叉与变异的概率以提高个体的质量,最终得到一组可供决策者使用的最优解集。实验结果表明:与其他多目标进化算法相比,该算法能得到适应度更高且分布性良好的结果,能够为防空导弹武器目标分配问题提供可行方案。