基于改进萤火虫优化算法的伤员救援车辆调度

本文以高效率调度伤员救援车辆为目标,提出基于萤火虫优化算法的车辆调度方法。首先,构建伤员救援车辆调度双目标数学模型,设置约束条件,将救援路径和救援时间最小的目标设成伤员救援车辆调度优化目标,设置伤员救援车辆调度双目标函数;引入生物学中多种群学习机制和高斯变异对标准萤火虫算法进行改进,并采用改进萤火虫算法求解伤员救援车辆调度最优方案;最后,进行了伤员救援车辆调度优化的仿真实验。实验结果表明,改进的萤火虫算法更有效,能得到更好的调度结果。

自适应步长萤火虫优化算法

针对基本萤火虫算法优化多峰函数时求解精度不高和后期收敛较慢的问题,引入萤光因子以自适应调整萤火虫的步长,提出一种自适应步长萤火虫优化算法。通过8个标准测试函数测试,测试结果表明,改进后的自适应步长萤火虫算法比基本萤火虫算法具有较快的寻优速度和较高的寻优精度。

基于萤火虫优化算法的分布式发电设备容量分配及配电网孤岛划分

随着分布式发电设备大量接入到配电网中,分布式发电设备在配电网故障情况下为接入位置负荷及周边重要负荷的供电研究日益引起关注。利用投入产出法确定负荷的失负荷价值,基于失负荷价值设定负荷权重。在接入位置和总容量确定的情况下,以总权值最大为目标,利用萤火虫优化算法讨论接入容量的最优分配以及故障条件下的孤岛运行范围。将该方法应用于含分布式电源的智能配电网中,通过对比验证了方法的有效性。

基于改进萤火虫优化算法的多阈值彩色图像分割

为了提高彩色图像的分割效果,提出一种基于改进的萤火虫优化(IGSO)算法的彩色图像多阈值分割方法,该方法以Kapur熵为目标函数。针对基本萤火虫优化(GSO)算法进化后期收敛速度慢和求解精度低的问题,采用自适应步长和添加全局信息两种策略,提出了一种改进的萤火虫优化(IGSO)算法。IGSO算法根据步长和萤火虫的移动方向对萤火虫算法收敛性的影响,在萤火虫移动过程中引入全局信息,采用随着迭代次数和搜索空间维数自适应变化步长的策略,来提高收敛性能。实验结果表明,该方法能够较好地对彩色图像进行分割,其性能优于基本的萤火虫优化(GSO)算法、改进的量子行为粒子群优化算法(CQPSO)和改进的细菌觅食算法(MBF)。

基于萤火虫优化的BP神经网络算法研究

为了改进神经网络结构和参数的设置方法,在萤火虫算法和BP神经网络的基础上,提出了一种萤火虫算法优化BP神经网络的算法.该算法利用萤火虫算法得到更优的网络初始权值和阈值,弥补BP神经网络连接权值和阈值选择上的缺陷.将该算法应用到Duffing系统产生的混沌时间序列进行算法的有效性验证,并与BP神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明该算法在该预测领域的可行性和有效性.

混沌萤火虫优化算法的研究及应用

针对基本萤火虫群优化算法的早熟收敛,易陷入局部最优值,求解精度不高等问题,提出了一种基于切比雪夫映射的混沌萤火虫优化算法。利用混沌系统的随机性和遍历性初始化萤火虫群,获得了质量较高且分布较均匀的初始解;同时对部分适应值低的个体进行了混沌优化,以提高种群的多样性。对4个标准测试函数进行了仿真实验,结果表明该算法的求解精度、全局搜索能力优于基本萤火虫优化算法。将改进算法应用于车辆路径问题的求解中,结果表明了改进算法的有效性。

萤火虫优化的异构集成学习网络入侵检测方法

在网络入侵检测中单独使用一种机器学习方法检测存在盲区,检测精度较低,提出一种基于GSO优化权值的异构集成学习入侵检测算法。在构造基分类器中,通过对样本集的采样和特征集的选择增大各个基分类器样本间的差异性;通过不同学习算法对样本集的学习增强基分类器的差异度,通过加权方式集成得到检测结果。在设计权值时,引入萤火虫优化算法,对各个基分类器的分类结果权值进行优化。在通用数据集和CSE-CIC-IDS2018数据集上的实验,表明提出的方法能够有效提高检测的精度,降低误报率和漏报率。

基于萤火虫优化算法的主动配电网广义电源规划模型

为进一步降低配电网系统网损、提高系统运行电压水平,将广义电源的有功和无功功率作为控制变量,考虑分布式电源出力随机波动特性对配电网广义电源优化配置的影响,从而合理规划广义电源接入,构建同时考虑配电网运行安全性和经济性的多目标无功优化规划模型,利用萤火虫优化算法解决广义电源优化规划问题,并通过改进的IEEE-33节点系统验证了所提模型和算法的可行性和优越性。

具有全局收敛性的改进萤火虫优化算法

对萤火虫优化(Glowworm swarm optimization,GSO)算法全局收敛性及其改进算法性能进行了研究。分析了GSO全局收敛性,针对其收敛效率低的缺陷,提出了一种基于族群划分的改进GSO算法,借鉴混合蛙跳算法思想,将萤火虫群体进行族群划分,局部搜索及全局信息交换的方式改善了算法性能,通过引入萤火虫移动组元概念,改进了萤火虫更新策略,在此基础上,利用混沌优化技术,对萤火虫群体进行初始化,使得算法获得较高质量的初始解群体,并证明了改进算法以概率1收敛于全局最优,最后,采用经典测试函数进行测试,仿真结果表明,改进的萤火虫优化算法在收敛速度及求解精度上有明显改善。

混沌变步长萤火虫优化的随机共振微弱信号检测

针对传统随机共振只能完成单参数寻优及寻优能力差的问题,提出了混沌变步长萤火虫优化的随机共振微弱信号检测方法。该方法选用二阶Duffing振子随机共振系统作为研究对象,将随机共振问题转化为系统的多参数同步寻优问题,利用追尾行为的混沌变步长萤火虫优化算法寻找系统的最优参数,实现随机共振,检测出强噪声背景下的微弱周期信号。仿真结果表明,随着输入信号的信噪比越低,混沌变步长萤火虫优化算法寻优结果越好;在寻优结果上,混沌变步长萤火虫优化算法的随机共振明显优于量子粒子群优化算法,主要表现为输出信噪比提高了5.70 dB,相对于原始信号,信噪比提高了28.76 dB。

基于新型DNA遗传萤火虫优化的二维图像盲恢复算法研究

针对现有图像恢复算法的不足,提出了基于新型DNA遗传萤火虫优化的二维图像盲恢复算法。该算法首先对传统DNA遗传算法中交叉和变异操作进行改进,得到新型DNA遗传算法后与萤火虫算法相结合,提出了新型DNA遗传萤火虫优化算法;其次将新型DNA遗传萤火虫优化算法应用于二维图像盲恢复,得到的基于新型DNA遗传萤火虫优化的二维图像盲恢复算法具有良好全局搜索能力,优化了盲均衡器的初始权矩阵,模糊图像经过二维盲均衡器处理后,有效增强了图像质量,图像恢复良好。仿真结果验证了算法的有效性。

基于改进萤火虫优化算法的BP神经网络目标群威胁判断

以舰艇防空作战目标选择决策和规划需求为背景,针对萤火虫算法求解精度不高且收敛速度较慢的问题,提出可动态调整步长的改进萤火虫优化算法。在改进萤火虫优化算法的基础上,建立基于改进萤火虫优化算法的BP神经网络目标群威胁判断结构模型。通过改进萤火虫算法优化BP神经网络的初始权值和阈值,能够更好地预测测试集。实验结果表明,该方法可快速、准确地实现目标群威胁判断。

基于动态自适应萤火虫优化算法

为了有效解决标准萤火虫算法在寻优过程中存在易陷入后期收敛速度较慢、寻优精度不高等问题,在位置更新公式中引入动态调整惯性权重和自适应步长机制,提出一种动态自适应萤火虫优化算法。利用四个标准测试函数进行仿真实验结果表明,动态自适应萤火虫算法具有更快收敛速度、较高求解精度和稳定性。

萤火虫优化算法Matlab程序设计

萤火虫优化算法(GSO)是一种计算多模函数多峰值问题的群智能算法,由模拟自然界中萤火虫发光的生物学特征发展而来。在GSO算法中,萤火虫根据自适应的感应决策范围寻找比自身荧光素高的萤火虫,并通过概率选择机制朝其运动,以实现寻优目的。简要阐述GSO算法基本原理,对算法各个参数进行分析说明,利用Matlab软件构建GSO算法在整个寻优过程中的可视化环境,并给出算法源代码。仿真实验首先实现了自适应感应决策范围更新过程,然后通过多模函数仿真示例测试了该方法的有效性,从而实现了利用萤火虫算法解决多模函数多峰值优化问题。

一种基于混沌云模型的人工萤火虫优化算法

针对基本萤火虫优化(GSO)算法存在的求解精度不高、收敛速度慢、易陷入局部极小等缺陷,引入混沌算法和云模型算法对GSO的进化机制进行优化,提出一种基于混沌云模型的萤火虫优化(CCMGSO)算法.该算法在进化过程中应用云模型算法对优秀萤火虫进行局部发掘求精,增加求解精度;应用混沌算法对普通萤火虫进行全局探索寻优,避免陷入局部最优.通过基准函数的仿真实验表明,与基本萤火虫算法、最大最小荧光素值萤火虫算法相比,CCMGSO算法表现更优,且具有求解精度高、收敛速度快和寻找全局最优能力强等优点.

基于改进的萤火虫优化算法的混合语音盲分离

针对传统盲源分离优化算法对分离性能影响较大的局限性,提出了一种基于改进的萤火虫优化的混合语音盲分离算法。将萤火虫的飞行跨度由固定取值变为由新构造的函数自适应调整,在加快收敛速度的同时避免算法早熟现象的发生。实验结果表明,与基于自然梯度、标准萤火虫和粒子群优化的盲分离算法相比,新算法对混合语音信号的分离效果较好,在收敛速度和分离能力方面都有所提升。

求解置换流水线调度问题的改进萤火虫优化算法

针对最小化最大完成时间的置换流水线调度问题,提出了一种改进的离散萤火虫优化算法。在传统萤火虫优化算法的基础上,采用基于升序排序的随机键编码方式对萤火虫种群进行离散化处理,使用NEH算法对萤火虫种群进行初始化处理,结合遗传算法的交叉变异思想改进位置更新策略,采用个体变异方式解决孤立个体问题,提高算法的寻优能力。最后通过典型算例对改进算法进行仿真测试,实验结果表明该算法求解置换流水线调度问题时具备很强的寻优能力和鲁棒性,明显优于传统萤火虫优化算法和遗传算法,是解决置换流水线调度问题的一种有效算法。

萤火虫优化BP-NN的电网故障诊断研究

针对逆传播神经网络(BP-NN)运算过程中易陷入局部极小值的不足。根据典型的经验公式对比,缩小了隐含层节点数范围,从而寻找最优的隐含层节点数。根据萤火虫优化(GSO)算法的特点,用GSO-BP-NN训练的初始权值阈值,能够很好地预测测试集,从而避免BP神经网络陷入局部极小值。采用以上方法的结合对电网进行故障诊断,实验证明:该方法可以准确有效地诊断出电网故障位置。

萤火虫优化神经网络的体育成绩预测模型

针对当前体育成绩预测模型的精度低、速度慢等缺陷,提出基于萤火虫优化神经网络的体育成绩预测模型。首先收集大量体育成绩数据,并对数据进行预处理,然后采用神经网络对体育成绩训练样本进行学习,并通过萤火虫优化算法对神经网络的阈值和权值等参数进行选择,建立最优的体育成绩预测模型,最后采用体育成绩数据对该模型的有效性和优越性进行对比测试。结果表明,该模型可以提高体育成绩预测精度,预测结果更加可靠,可以为体育训练提供有价值的信息。

基于萤火虫优化的副本放置方法

针对现有副本放置策略中存在的副本访问开销大的问题,提出一种基于离散型萤火虫优化的副本放置算法。考虑副本放置对用户访问性能的影响,对其建立数学模型,计算萤火虫位置的适应度函数,并朝着荧光素值最大即最优值移动,进而得到合适的副本放置节点。通过仿真实验评估提出的方法,并与基于蚁群算法的副本放置策略进行比较。实验结果证明该算法能够选择合适的副本放置节点,具有较好的收敛性,并有效降低了存储系统的副本访问开销。