适应度步长的全局局部协同优化算法

针对现有优化算法求解精度低的问题,提出一种适应度步长的全局局部协同优化算法.该算法通过均衡化个体适应度,动态分配每次迭代中个体的全局搜索步长和局部搜索步长,实现了算法在解空间内全局搜索和局部搜索的有效协同,进而提升了求解精度.实验结果表明,该算法在基准函数测试中展现了较高的精度和良好的稳定性,并通过仿真实验验证了其在解决复杂工程优化问题中的有效性.

AS-FOA优化GRNN网络的财务预警研究

针对果蝇算法在复杂情况下寻优时易陷入局部最优等缺陷,提出一种自适应变步长果蝇算法(AS-FOA)。采用改进果蝇算法寻找GRNN网络最优参数,并利用财务数据进行危机预警以验证算法的可行性。AS-FOA算法通过赋予果蝇两次随机方向,同时引入稳定阈和适应度步长因子的概念,界定了果蝇的活跃与稳定状态,有效解决了寻优过程中因陷入局部最优而导致的收敛缓慢和低精度问题。实验表明:AS-FOA能够快速找到GRNN网络中的最佳参数,且应用于财务数据后达到的预警准确率较高。

面向人脑功能划分的人工水母搜索优化算法

人脑功能划分是揭示人脑功能分离性的重要方式。然而,现有的大多数划分方法因不能较好地处理功能磁共振影像(fMRI)数据的高维性和低信噪比性,表现出搜索能力较弱和划分结果较差的问题。为了减轻此问题,提出一种基于人工水母搜索优化(AJSO)的人脑功能划分方法。该方法首先基于预处理的fMRI数据计算功能相关矩阵,并将其映射到低维空间。然后将食物编码为由多个功能簇中心构成的聚类解,利用改进型人工水母搜索优化算法搜索更优的食物,采用融入迭代停滞的时间控制机制调控人工水母执行主动运动或被动运动,以提高全局搜索能力;针对主动运动设计适应度引导的步长确定策略,增强人工水母搜索的科学性和针对性。最后根据最小距离原则得到相关矩阵中每行数据的簇标,并将其映射到相应的体素上。在真实fMRI数据上的实验表明:与其他一些划分方法相比,新方法不仅拥有较高的搜索能力,而且可得到具有更好空间结构和更强功能一致性的划分结果。这项研究将人工水母搜索优化算法应用于人脑功能划分,提供了一种更有效的人脑功能划分方法。