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。

基于Tent混沌和透镜成像学习策略的平衡优化器算法

针对平衡优化器算法存在收敛速度慢且容易陷入局部最优的问题,提出一种改进的平衡优化器算法.引入Tent混沌映射初始化种群提高迭代前期的收敛速度,通过透镜成像学习策略避免迭代后期陷入局部最优.选取12个通用的标准测试函数进行仿真实验,并与多个智群优化算法进行对比,通过实验验证改进后算法寻优性能的优越性.最后,将改进后的算法应用于移动机器人路径规划任务,结果表明:相比较原算法,改进后的算法不但具有较高的搜索效率,而且能够搜索到更短的安全路径.

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。

动态透镜成像学习人工兔优化算法及应用

针对基本人工兔优化(Artificial Rabbits Optimization, ARO)算法在解决复杂优化问题时存在收敛慢、精度不高和容易陷入局部最优等缺陷,本文提出一种改进的ARO算法(记为IARO算法)。IARO算法中的基于正弦函数的非线性递减能量因子能够帮助算法实现从探索阶段到开发阶段的良好过渡,从而提高算法的收敛速度和解的质量。此外,为了提高算法跳出局部最优的概率,IARO算法引入了一种动态透镜成像学习策略。为了证明IARO算法的优越性,首先选取了6个基准测试函数进行数值实验,然后用其求解2个工程设计优化问题和1个包括15个数据集的特征选择问题,并与灰狼优化(GWO)算法、鲸鱼优化算法(WOA)、正弦余弦算法(SCA)和基本ARO算法进行对比。结果表明,IARO算法有着比其他对比算法更优越的性能。

透镜成像反向学习的精英池侏儒猫鼬优化算法

侏儒猫鼬优化算法(dwarf mongoose optimization,DMO)是新提出的一种元启发式算法,该算法具有较强的全局探索能力和稳定性,但由于原始算法中仅依靠雌性首领带领整个猫鼬种群进行搜索,会产生收敛速度较慢、易陷入局部最优以及探索阶段与开发阶段之间的平衡较差等问题。针对上述问题,提出一种融合透镜成像反向学习的精英池侏儒猫鼬优化算法(improved dwarf mongoose optimization,IDMO),采用透镜成像反向学习策略,避免算法在迭代过程中陷入局部最优,增强算法的探索能力;在阿尔法组觅食时引入精英池策略,提高了算法的收敛精度,进一步增强算法探索能力。通过基准测试函数进行实验,表明IDMO算法具有良好的寻优性能和鲁棒性,且算法收敛速度得到显著提升。通过对汽车碰撞优化问题的求解,进一步验证了IDMO算法具有良好的适用性和有效性。

基于混沌透镜成像学习的哈里斯鹰算法及其应用

针对哈里斯鹰算法(HHO)很难在探索和开发之间取得平衡,且易陷于局部最优和种群低多样性等问题,本文提出一种基于混沌透镜成像学习的哈里斯鹰算法(FLHHO)。首先,利用Fuch无限折叠混沌策略初始化种群,丰富种群多样性;其次,在探索阶段引入黄金正弦策略,提高算法的求解精度;最后,利用混合透镜成像学习和柯西变异策略,对哈里斯鹰最佳位置进行扰动,提高算法跳出局部最优的能力。将改进后的哈里斯鹰算法(FLHHO)在10个经典测试函数和29个CEC2017测试函数上进行求解精度,仿真结果表明,FLHHO算法优于HHO算法、其他改进HHO算法和其他最新算法。同时,将FLHHO应用到工业物联网中来优化频谱分配,将能量效率作为评价指标,实验结果表明基于FLHHO算法的能量效率优于其他算法,验证了FLHHO应用到实际中的可行性。

改进的北方苍鹰算法优化粒子滤波算法

针对标准粒子滤波过程的权值退化和样本贫化问题,提出一种改进的北方苍鹰算法优化粒子滤波算法INGOPF(Improved Northern Goshawk Optimization for Particle Filter)。首先,利用透镜成像学习策略增加种群多样性,在优化初始解的同时增加种群搜索范围,使算法尽可能搜索到潜在的最优解,增加算法的搜索能力。其次,将改进的北方苍鹰位置更新公式用于优化迭代更新,然后将最优最差学习策略与透镜成像学习策略结合,克服算法陷入局部最优和易早熟的情况,提高算法的收敛精度。最后,将INGOPF应用于锂电池的寿命预测。仿真结果表明:与标准粒子滤波以及粒子群算法优化的粒子滤波方法相比,INGOPF有效提升了粒子多样性、系统状态估计精度、滤波稳定性和实际运用能力。

基于改进北方苍鹰优化算法的多阈值图像分割

多阈值图像分割是一种简单、准确、高效且普遍的图像分割方法,相比单阈值图像分割更适用于包含大量信息的彩色图像。在多阈值图像分割中,随着阈值数量的增加,传统的枚举法计算量增大,分割一幅彩色图像不仅需要更多的时间,而且分割精度也随之降低。提出一种基于改进北方苍鹰优化(INGO)算法的多阈值图像分割方法。利用立方混沌优化与透镜成像反向学习策略增加种群多样性,在优化初始解的同时扩大种群搜索范围,使INGO算法尽可能搜索到潜在的最优解,增强算法的搜索能力。将最优最差反向与透镜成像反向学习策略相结合,避免INGO算法易陷入局部最优的情况,提高收敛精度。在对经典的伯克利测试图像进行多阈值彩色图像分割的实验结果表明,在GWO、PSO、ChOA等算法中,INGO算法取得峰值信噪比和特征相似度最优平均值的占比分别为100.000%和78.125%,在保证算法收敛效率的同时获得较优的图像分割结果,在多阈值图像分割领域具有较强的理论应用价值。

基于改进蜜獾算法的无人机三维路径规划

为更有效解决无人机三维路径规划的优化问题,提出一种改进的蜜獾算法,在挖掘阶段和采蜜阶段之后加入透镜成像反向学习策略,增强了算法的探索能力,使得算法能够更快地收敛。通过指数函数生成不同数量的障碍物并模拟不同的飞行场景,增强了地形仿真的多样性;同时通过行程代价、环境的地形代价和边界代价作为目的函数,提高了无人机航行的稳定性。最后通过实验仿真很好地验证了改进的蜜獾算法在该问题中的有效性和实用性。