基于自适应权重与透镜成像学习的麻雀算法

为了解决麻雀搜索算法(SSA)存在的跳出局部最优值能力弱、寻优精度不理想等缺陷,提出了一种基于自适应权重因子与透镜成像反向学习的麻雀搜索算法(LIW-SSA)。利用Circle映射和一般反向学习策略生成麻雀种群,提升了初始种群的质量以及丰富性。将自适应权重因子引入到麻雀种群警戒者更新公式中,能有效平衡算法前后期搜索能力。采用透镜成像学习机制对当前麻雀最优个体实施干扰,提高了算法的跳出局部最优以及寻优性能。通过对基准测试函数的寻优对比,验证了提出的LIW-SSA算法相较于基本麻雀搜索算法以及其他优化算法,在算法稳定性以及寻优精度上得到了很大的提高。

改进自适应惯性权重粒子群算法及其在核动力管道布置中的应用

[目的]旨在研究非线性自适应惯性权重粒子群优化算法,实现船用核动力一回路系统管道路径的布置优化设计。[方法]根据船用核动力一回路系统的管道布局设计特点,建立一回路系统的管道布局空间模型、约束条件和评价函数;基于管道节点数量,提出一种粒子群优化(PSO)算法的新型定长编码方法,然后结合该编码方法建立方向引导机制;在此基础上,针对粒子群优化算法易陷入局部最优解、收敛速度慢的缺点,结合辅助线性变化的学习因子,提出一种基于非线性自适应惯性权重的改进粒子群优化算法;将改进粒子群优化算法与协同进化算法相结合,提出一种用于求解分支管道布局问题的协同进化粒子群优化算法,以用于核动力一回路系统的管道布局优化。[结果]仿真结果显示,所提的改进算法与标准算法相比收敛速度提高了40%~50%,不仅能够得到更好的管道布局效果,还解决了标准粒子群优化算法容易陷入局部最优解的问题。[结论]研究成果可为船用核动力一回路系统管道布置的优化设计提供有益的参考。

基于遗传BP算法预测贮存寿命

目的针对引信自然贮存试验数据统计方法计算量大且试验时间开展较长的问题,提出BP和遗传算法相结合的方法(遗传BP算法),通过步加试验解决寿命预测问题。方法通过步加试验数据求其试验各级应力下的环境因子,由环境因子将各级应力试验时间折合成实际贮存时间,根据Arrhenius模型求出可靠度函数。其次,采用遗传算法优化BP神经网络,避免陷入BP局部最优问题,将步加试验数据代入遗传BP算法进行训练,提高预测的精度和准确度。将正常应力下的数据代入遗传BP算法进行测试,求出可靠度预测值。最终对比实际、Arrhenius模型、遗传BP算法的贮存可靠度预测值。结果实际、Arrhenius模型、遗传BP算法的贮存可靠度预测值相近,证明遗传BP算法可以满足引信贮存可靠度的预测。结论采用遗传BP算法对步加试验进行寿命预测,可以有效减少试验时长和降低试验成本。

自适应惯性权重的粒子群优化算法

针对粒子群优化算法容易陷入局部极值、进化后期的收敛速度慢和精度低等问题,提出自适应惯性权重的粒子群优化算法。算法采用自适应更新惯性权重,添加影响算子,并通过惯性权重自适应调整学习因子,然后加入随机局部搜索策略;最后使用测试函数,通过和3种优化算法进行30次重复实验。结果表明,提出的算法具有更好的全局收敛能力,且收敛精度、和稳定性都有明显的提升。

基于动态自适应旗鱼优化BP神经网络的工作面周期来压预测

针对现有工作面周期来压预测方法精度不足、泛化性较差和算力要求高等问题,提出了一种基于动态自适应旗鱼优化BP神经网络(DASFO−BP)的工作面周期来压预测模型。通过分析工作面周期来压机理,得到与来压相关的影响因素,通过皮尔逊相关系数确定对来压具有显著影响的因素(推进速度、直接顶厚度、基本顶厚度、采高、煤层倾角和倾向长度)作为预测模型输入,并以下次来压强度和来压步距作为预测模型输出。针对旗鱼优化(SFO)算法鲁棒性不足的问题,提出了动态自适应优化策略对SFO算法进行改进,即在优化前期利用SFO达到快速收敛的目的,中期则借助秃鹰搜索(BES)跳出局部最优,后期发挥粒子群优化(PSO)深度搜索的优势来提高解的精度。通过改进后的动态自适应旗鱼优化(DASFO)算法对BP神经网络的超参数进行训练,构建了基于DASFO−BP的来压预测模型。实验结果表明:DASFO算法在单峰和多峰测试函数上均能实现快速收敛;与BP,SFO−BP和NCPSO−BP相比,DASFO−BP对周期来压强度和步距的预测值与真实值更为接近,具有更高的精度,拟合能力和泛化能力强,能够准确预测下一周期来压分布情况。

基于惯性权重调整的果蝇优化算法在WSN中的应用

目的:针对无线传感器网络随机部署节点的区域覆盖和传感器节点能量消耗问题,提出一种基于惯性权重余弦自适应调整策略的改进果蝇优化算法。方法:该算法在果蝇优化算法基础上,通过引入惯性权重的学习因子调整策略,在线调整算法的搜索步长。结果:增强了果蝇个体的自适应性及全局搜索能力,从而实现全局最优。结论:仿真实验表明,提出的改进果蝇优化算法不仅提高了收敛速度和全局搜索能力,还显著提升了WSN的覆盖率。

基于自适应动态鲸鱼优化算法的路径规划研究

针对鲸鱼优化算法(WOA)求解路径规划问题时存在收敛慢、精度低以及局部最优等缺陷,提出一种自适应动态鲸鱼优化算法(ADWOA)来实现对路径的合理规划。首先,引入改进后的Circle混沌映射提高初始种群质量;然后,使用非线性收敛因子和自适应惯性权重平衡算法的全局寻优和局部寻优,加快算法收敛速度;最后,使用动态的螺旋更新系数,提高算法跳出局部最优的能力。通过仿真实验验证了自适应动态鲸鱼优化算法在机器人路径规划时的有效性。

融合自适应权重和变螺旋收敛曲线的鲸鱼优化算法

为解决基本鲸鱼算法(WOA)收敛速度慢、求解精度低、容易陷在局部最优等问题,文章提出了一种融合自适应权重和变螺旋曲线的鲸鱼优化算法(WSWOA)。首先引入非线性收敛因子,用于平衡勘探和开发阶段,防止算法过早陷入局部最优;其次引入自适应惯性权重,通过提升算法随机搜索粒子的影响力,以达到更好的全局寻优效果,并在后期通过加强精英粒子的引导能力使算法快速收敛于全局最优处;最后利用余弦函数特性对螺旋曲线进行改进,在迭代前期扩大螺旋搜索范围,并在后期快速收缩包围,向全局最优收敛。通过与多种优化算法在8种基准函数进行对比的仿真实验表明,该算法在稳定性、收敛速度以及求解精度方面有了显著提升。

一种基于自适应动态惯性权重加压缩因子的人工藻算法

针对标准的人工藻算法(AAA)会由于参数选取不当等原因导致过早收敛和易陷入局部最优解等问题,本文提出一种自适应动态惯性权重(SW)加压缩因子(CF)的人工藻算法(CFSWAAA).为了平衡算法的全局探索和局部改良能力,自适应动态惯性权重被引入到人工藻算法中:为了控制和约束人工藻位置的移动距离,压缩因子被引入到人工藻算法的位置更新中,从而提高算法的收敛速度.最后文章利用4个标准测试函数对改进的算法进行了仿真测试.仿真结果表明,基于自适应动态惯性权重加压缩因子的人工藻算法相比现有的其他四种算法具有较高的优化性能.

自适应权重更新的两步定位算法

在室内环境中,影响定位精度的测量误差包括接收设备自身引起的误差以及信号非视距传播和多径效应所引起的测量正偏差。针对室内环境中测量数据包含测量误差服从正均值高斯分布的特性,提出了一种自适应权重更新的两步定位算法。该算法使用卡尔曼滤波和自适应权重更新的加权最小二乘算法进行两步定位,通过对每个测量距离分配不同的权重,克服了固定权重分配需在特定环境下方能获得良好定位精度的缺点。仿真结果表明,该算法定位精度优于两步定位算法和EKF算法,且对环境适应性更强。

一种动态调整惯性权重的自适应蝙蝠算法

为了加快蝙蝠算法的收敛速度并提高寻优精度,提出一种动态调整惯性权重的自适应蝙蝠算法。该算法在速度公式中加入惯性权重,并采用一种服从均匀分布和贝塔分布的随机调整策略,动态地调整惯性权重的大小,以加快算法的收敛速度。另外,引入了速度纠正因子,在每次迭代时,算法可根据当前种群的迭代次数动态地约束每一代蝙蝠的移动步长,从而使算法具有一定的自适应性。仿真实验结果表明,改进后的算法的寻优性能显著提高,具有较快的收敛速度和较高的寻优精度。

基于双树复小波和自适应权重和时间因子的粒子群优化支持向量机的轴承故障诊断

提出了一种基于双树复小波和具有自适应权重和时间因子的粒子群算法优化支持向量机的轴承故障诊断方法。首先对机械振动信号进行DTCWT变换,提取能量熵作为特征向量。然后采用AWTFPSO算法优化SVM,实现轴承故障诊断。不同方法的对比实验及分析结果表明,该方法速度快、准确率高。

基于多策略优化的三维无线传感器网络定位算法

在经典三维无线传感器网络定位算法中,极大似然估计法定位存在矩阵无法求逆的问题。针对此情况,提出了一种基于多策略优化的三维无线传感器网络定位算法。首先,引入Sine映射对金枪鱼群初始种群进行混沌映射,增强了初始种群的多样性及均匀性。其次,结合非线性收敛因子和自适应权重策略对金枪鱼每次位置迭代更新进行优化,避免算法陷入局部最优,进一步提升算法的搜索速度和寻优的准确性。最后,采用多策略增强金枪鱼群优化算法在三维空间中对每个未知节点位置进行计算,解决了矩阵无法求逆的情况,有效降低了待定位节点位置的计算误差。实验结果表明:新提出的定位算法、经典三维定位算法、三维加权DV-Hop定位算法与灰狼优化的三维定位算法平均定位误差分别为13%、73%、30%和17%。

基于改进鲸鱼算法优化神经网络的GPS高程拟合方法

采取混沌映射和自适应惯性权重结合的策略对标准鲸鱼算法进行改进,从而提高算法的全局寻优能力和收敛速度,并针对BP神经网络的劣势,利用改进鲸鱼算法对BP神经网络进行优化处理。在此基础上建立改进鲸鱼算法优化BP神经网络的GPS高程异常拟合预测模型,并通过两组不同地形特征工程中的GPS数据对模型进行验证。结果表明,利用改进鲸鱼算法优化的BP模型进行GPS高程拟合时可取得更高的精度和稳定性。

双收敛因子策略下的改进灰狼优化算法

针对标准灰狼优化算法(GWO)的收敛速度慢、易陷入局部最优等缺点,提出一种在非线性双收敛因子策略下基于双头狼引领的改进灰狼优化(GWO-THW)算法。首先,利用混沌Cubic映射初始化种群,提升种群分布的均匀性和多样性,并通过平均适应度值将狼群分为捕猎狼和侦察狼,两类狼群采用不同的收敛因子,在各自的头狼带领下寻找和围捕猎物;其次,为提升搜索速度和精度,设计了一种位置更新的自适应权重因子;同时,为跳出局部最优,当一定时间内未发现猎物时,狼群采用莱维(Levy)飞行策略随机更新位置。在10个常用的基准测试函数上验证GWO-THW的有效性。实验结果表明,与标准GWO及相关变体相比,GWO-THW在8个基准测试函数上都取得了较高的寻优精度和收敛速度,尤其在多峰函数上,200次迭代内就能收敛到理想最优值,从而验证了GWO-THW具有更好的寻优性能。

惯性权重自适应计算的粒子群优化算法

针对标准粒子群优化算法易出现早熟收敛及寻优精度低等缺陷,提出一种自适应惯性权重计算方法 MACIW,该方法的基本思想是:构建保持大小关系恒成立的惯性权重计算式的集合,确立该集合与粒子聚集度因子之间的映射关系,依据该映射关系通过监测粒子聚集度因子来自适应地计算惯性权重。进一步地,设计了基于MACIW的自适应PSO算法APSOM。使用6个基本测试函数对APSOM算法及其他2个算法进行仿真实验比较,结果验证了算法APSOM能增强寻优能力,且具有较强的稳定性。

基于自适应权重粒子群优化BP神经网络的光伏阵列故障诊断与定位

BP神经网络算法易陷入局部极小点,而自适应权重粒子群算法全局搜索能力强,将两者结合起来,提出了一种基于自适应权重粒子群优化BP神经网络的光伏阵列故障诊断方法,仿真验证该算法可避免网络陷入局部极小点,提高网络预测精度。提取光照强度S、组件温度T、光伏阵列开路电压U_(oc)、最大功率P_m和电压表U_2、U_1与电流表I_2、I_1作为光伏阵列的特征量,经仿真测试比较,表明了所选特征量合理,降低了诊断复杂度,提高了预测精度。

改进?鱼优化算法和熵测度的图像多阈值分割

针对传统图像多阈值分割方法存在效率低、分割质量差等问题,提出一种改进?鱼优化算法并结合熵测度(weight lens remora optimization algorithm,WLROA)的图像多阈值分割方法。针对?鱼优化算法易陷入局部极值等缺陷,引入透镜成像反向学习策略,生成透镜反向解来增加种群多样性,进而提高算法跳出局部极值能力;提出一种自适应权重因子,对个体位置进行自适应扰动,提高算法探索能力。以最小化交叉熵作为优化目标,利用WLROA确定最小交叉熵并获得相应分割阈值。选取部分伯克利大学分割数据集图像和遥感图像测试提出算法的分割性能,测试结果表明,WLROA与其他知名算法相比具有更好的分割效果,能够有效实现复杂图像的精确处理。

基于自适应权重粒子群优化算法的地下水污染溯源辨识

地下水污染溯源辨识是指利用监测井的观测数据对污染源信息进行识别。然而,在应用模拟-优化方法进行溯源工作时,多次运行数值模拟模型会带来较大的计算负荷;在利用传统粒子群算法求解优化模型时,易陷入局部极值点,严重影响辨识结果的精度。研究基于假想算例,应用模拟-优化方法,将模拟模型作为等式约束条件,以模拟输出值与实际观测值之间的偏差极小化作为目标函数,连同其他非负约束条件建立优化模型,对三个潜在污染源的释放历史及渗透系数进行了联合识别。通过训练BP神经网络,建立数值模拟模型的替代模型,以缓解沉重的计算负荷;为了避免求解优化模型时陷入局部极值,研究提出了一种自适应权重算法,增强了传统粒子群优化算法跳出局部极值点的能力,识别结果表明:①运用BP神经网络所建立的替代模型能够很好地近似模拟模型的输入-输出关系,拟合精度达到0.99,且运行速度明显快于数值模拟模型,证明了其可以代替数值模拟模型嵌入优化模型中进行污染源溯源辨识工作;②同运用传统粒子群优化算法相比较,运用自适应权重粒子群优化算法,对优化算法的参数和迭代终止条件进行调节,可以有效地提高算法的收敛速度和计算效率,收敛得到的最优解的相对误差基本小于5%。

改进GSA算法在机器人路径规划中的应用研究

针对万有引力搜索算法(GSA)收敛精度低和易陷入局部最优等问题,提出一种改进万有引力搜索算法(IGSA)。引入当前迭代次数t动态调整引力常数,以增强算法逃离局部最优能力;基于边界值改进粒子越界处理策略,以保留粒子多样性,提高算法收敛精度;同时,将中垂线算法用于游离粒子的位置更新,以加速游离粒子的收敛;为适应前述策略,提出自适应权重因子更新粒子位置策略,以提高算法的收敛速度。算法在10个基准测试函数上的结果表明,改进算法在稳定性、收敛速度和精度方面具有较大优势。最后将改进算法应用于机器人路径规划,并与其他智能仿生算法进行路径规划仿真对比实验,结果表明本文改进算法规划路径更短、拐点更少、搜索效率更高。