基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法

针对蝴蝶优化算法(BOA)收敛速度较慢和过早收敛到局部解的问题,提出一种基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法(HSSBOA)。首先,将樽海鞘群算法(SSA)引入BOA中,使算法快速处理局部搜索阶段,并更新种群位置,从而更有效地完成寻优过程,避免算法陷入局部最优;然后,引入邻域重心反向学习以便更好地帮助算法在邻域内进行小范围精确搜索,从而提高算法的精度;最后,引入动态切换概率以改善搜索中全局与局部的比重,从而加快算法的搜索速度。选取10个标准检测函数进行测试,将HSSBOA与几个先进的优化算法从收敛精度、高维度数据、收敛速度、Wilcoxon秩和检验和平均绝对误差(MAE)五个方面进行对比分析。研究结果表明,相较于其他算法,HSSBOA取得了更优的结果。消融实验进一步验证了各项改进均为正向作用。实例问题上的表现表明相较于其他方法,在求解有约束的复杂问题时,HSSBOA能够更有效地搜索出最优解。可见HSSBOA在寻优精度、稳定性和收敛效率等方面取得了一定的优势,并且能够求解复杂的现实问题。

一种邻域重心反向学习的粒子群优化算法

粒子群优化算法使用反向学习技术可以提高性能.然而,现有的反向学习粒子群优化算法仅采用粒子最大最小边界计算反向解,没有充分利用群体搜索经验.针对此问题,提出了一种邻域重心反向学习策略,使用邻域重心作为参考点计算反向解,充分吸收群体搜索经验的同时保持种群多样性;采用收缩因子拓展反向解搜索范围,增加找到更高质量解的机率.在典型的基准测试函数、CEC’13测试函数和一个实际工程优化问题上进行验证,实验结果说明了邻域重心反向学习策略的有效性和本文算法的竞争力.

基于多邻域策略重心反向学习的差分进化算法

针对标准差分进化(DE)算法探索能力差、难以逃出局部最优的问题,提出一种基于多邻域策略和邻域重心反向学习的差分进化算法(MCOBDE)。该算法根据当前进化状态动态地选择不同的邻域策略:在算法前期大概率选择局部邻域策略,其采用的环形邻域结构有利于探索种群空间;在算法后期大概率选择全局邻域策略,其采用的星形邻域结构能加快算法收敛。同时在不同的邻域结构下辅以重心反向学习,能进一步扩大搜索范围,避免陷入局部最优。通过与其他DE算法针对15个CEC2015测试函数在低维和高维情况下的实验对比,证明本文算法具有较快的收敛速度和较高的收敛精度,能有效克服探索能力差、早熟收敛的缺点。

基于重心邻域算法的无铁心永磁同步直线电机优化设计研究

引入重心邻域算法(gravity neighborhood center algorithm,GNCA),以解决无铁心永磁同步直线电机(permanent magnet permanent magnet synchronous linearmotor,PMSLM)多目标优化设计问题。针对应用于微秒激光雕刻机中的PMSLM,采用等效磁化强度法,分析气隙磁密、感应电动势谐波畸变率、推力、推力波动的解析表达式,将永磁体、极距、气隙等结构参数作为变量,以平均推力保持不变,谐波畸变率及推力波动率最小作为优化目标。采用重心邻域算法,根据全局最优值与目标函数重心的邻域关系,通过对"重心"的快速精准定位,获得最优的电机结构参数,实现电机的最佳运行性能。GNCA得到的电机优化结果与设计目标具有良好的一致性,有限元仿真分析与样机测试验证了所提方法的正确性和有效性。

基于改进哈里斯鹰算法的MIMO雷达稀疏阵列优化策略

针对MIMO雷达稀疏阵列优化问题,提出一种改进哈里斯鹰算法的MIMO雷达阵列图优化策略。首先通过融合重心邻域搜索与状态转移算子提高哈里斯鹰算法的局部搜索能力,并在迭代过程中加入天牛须搜索策略,使得算法在迭代过程中始终保持较高种群多样性,提高算法的收敛精度和收敛速度。其次以等效虚拟收发波束的旁瓣峰值最小为目标函数,将改进后的鹰群算法进行优化求解。最后将所得实验结果与其他优化策略所得实验结果进行对比分析,所提算法所得旁瓣峰值更小,提高了MIMO雷达的识别能力和工作性能。

多策略改进的麻雀搜索算法

针对麻雀搜索算法在迭代收敛时易陷入局部最优的问题,提出多策略改进的麻雀搜索算法(NLSSA)。利用邻域重心反向学习策略优化麻雀算法的初始种群,提高初始个体质量。通过Levy飞行策略的长短距离跳跃更新麻雀生产者位置,从而提升麻雀算法的局部极值逃逸能力。在跟随者位置更新机制中引入自适应权重,从而平衡麻雀算法的局部挖掘和全局寻优能力。为了验证所提NLSSA算法的性能,利用8个基准测试函数进行测验,测试结果与Wilcoxon符号秩检验结果表明,与麻雀搜索算法、粒子群优化算法、灰狼优化算法和其他改进的麻雀搜索算法相比,NLSSA算法在寻优精度、稳定性能和收敛速度方面的效果更佳。

基于重心Delaunay三角剖分的蓝噪声点采样算法

为了生成带有高质量蓝噪声性质的采样分布,提出一种基于重心Delaunay三角剖分的点采样算法.该算法将Delaunay三角剖分与1-邻域三角片重心相结合,迭代地将每个采样点移至其1-邻域三角片的重心处并更新采样点之间的拓扑连接关系;重心通过给定的密度函数计算得出.实验结果表明,本文算法在运行效率与鲁棒性方面均有一定优势.

融合改进鬣狗优化和Tsallis熵的图像分割

针对传统图像多阈值分割法计算代价随阈值数呈指数增长、分割效率低等问题,提出基于改进鬣狗优化算法结合Tsallis熵的多阈值分割算法。为提高鬣狗觅食的精度和效率,利用混沌映射优化初始种群,提升种群丰富性;设计非线性收敛因子调节机制,均衡全局搜索和局部开采;引入邻域重心对立学习提高全局寻优能力,改善局部最优缺陷。将改进鬣狗优化算法应用于图像分割最优阈值求解问题上,以Tsallis熵评估搜索个体质量优劣。实验结果表明,该算法在图像分割效率和分割精度上都具有明显优势。