基于郊狼优化算法的扇区管制复杂性聚类与仿真验证

为提高科学评估扇区管制复杂性的能力,本文提出基于郊狼优化算法(COA,coyote optimization algorithm)的扇区管制复杂性聚类算法。首先,引入逐维变异改进策略来改进郊狼优化聚类算法,解决其易陷入局部最优解的问题。其次,以中国西北地区区域管制扇区为研究对象,采用改进郊狼优化聚类算法(ICOCA,improved coyote optimization clustering algorithm)对扇区管制复杂性指标进行聚类分析。最后,对扇区聚类结果进行仿真验证,结果证明了所提算法在扇区管制复杂性分类方面的有效性和可靠性,可为后续的空域管理提供有效的数据决策。

多阶段的郊狼优化算法

为了解决更复杂的优化问题,本文对原始郊狼算法进行研究,提出一种多阶段的郊狼优化算法(MCOA),将算法分为前、中、后期。在前期阶段让郊狼进行正常成长,再引入旋转策略加强其勘探过程的搜索范围,避免过早陷入局部最优解。在中期阶段,提出“以优带差”的策略,再采用新型头狼更新方式对头狼进行更新,更好地平衡勘探和开采过程。在后期阶段,提出一种新型后期成长方式进行郊狼成长,并提出避免趋同因子,解决后期趋同的问题。采用CEC2014测试函数集进行仿真,与其他先进算法以及最新提出的郊狼算法比较,结果表明MCOA具有更好的搜索效率、收敛精度、优化性能以及稳定性。

一种改进的郊狼优化算法

郊狼优化算法是近年来提出的一种新型群智能优化算法,该算法在处理复杂优化问题时存在易陷入局部最优、收敛速度慢等不足。文章通过引入混沌优化策略和全局头狼引导策略,提出了一种混沌全局郊狼优化算法,该算法强化了郊狼种群的全局探索能力和鲁棒性,进一步提高了算法的收敛精度和收敛速度。通过与其他算法在测试函数中的优化结果对比分析,验证了该算法具有更强的全局探索能力和更好的收敛精度。

强化最优和最差狼的郊狼优化算法及其二次指派问题应用

针对郊狼优化算法(COA)优化性能不足的问题,提出一种强化最优和最差狼的COA(BWCOA)方法。首先,对于组内最差郊狼的成长,在最优郊狼引导的基础上引入全局最优郊狼引导操作,以提高最差郊狼的社会适应能力(局部搜索能力);然后,在组内最优郊狼的成长过程中嵌入一种随机扰动操作,即以郊狼之间的随机扰动促进成长,发挥组内每个郊狼的能动性,提高种群的多样性进而强化全局搜索能力;最后,组内其他郊狼的成长方式保持不变。将BWCOA运用到复杂函数优化和以医院科室布局为例的二次指派问题(QAP)中。在CEC-2014复杂函数上的实验结果表明,与COA以及其他最先进的算法相比,BWCOA获得1.63的平均均值排名和Friedman检验中1.68的秩均值,均排名第一。另外,在6组QAP上的实验结果表明,BWCOA获得了5次均值最优的结果。实验结果均表明BWCOA具有更强的竞争性。

全局引导和相互作用的郊狼优化算法及其应用

针对新型的郊狼优化算法(COA)在解决复杂优化问题时收敛速度慢、全局搜索能力不足的问题,提出了一种嵌入全局引导和相互作用的郊狼优化算法(GCCOA)。首先在组内所有郊狼的成长过程中,构建一种全局引导的alpha狼,增强开采能力,提高收敛速度;然后提出一种相互作用的文化趋势,使得组内的文化趋势受到组内郊狼相互作用的影响,以此提高算法全局搜索能力;最后,将GCCOA运用到CEC2017复杂函数优化和医学图像增强上。大量实验结果表明,与COA、HFPSO、CSPSO和β-GWO等算法相比,在29个函数上,GCCOA获得22个第一,有更好的全局搜索能力和收敛质量。应用于医学图像增强的实验结果表明,与COA等算法相比,GCCOA能更好地解决医学图像增强中参数优化问题。所以,GCCOA是一种很有潜力的优化算法。

信息共享模型和组外贪心策略的郊狼优化算法

郊狼优化算法(Coyote Optimization Algorithm,COA)是最近提出的一种新颖群智能优化算法,具有较大的应用潜力,但存在运行时间长和搜索能力不足等问题。因此,文中提出了一种改进的COA,即基于信息共享和组外(静态)贪心的COA(COA based on Information sharing and Static greed selection,ISCOA)。首先,构建一种新型的信息共享模型,用于子群所有郊狼的成长,在郊狼成长前期,共享信息差异性大,以增加种群的多样性,在效狼成长后期,共享信息差异性小,以强化开采能力;其次,构建一种新的组内成长方式,即前期主要采用信息共享模型的成长方式,以郊狼的信息共享为主强化探索能力,后期主要采用原算法的成长方式,以alpha狼和文化趋势的引导为主强化开采能力;最后,将原算法的组内贪心算法改成组外贪心算法,即静态贪心算法,以便提高算法的稳定性和实现目标函数计算等的并行处理,提高运行速度。大量复杂的CEC2017函数优化实验结果表明,与COA相比,ISCOA在29个10维和30维函数上分别获得了23和24个函数的优势,其平均运行时间分别是COA的86.3%和85.7%,降低了运行时间;与7个最先进的算法相比,ISCOA在10维和30维函数上的平均排名分别是1.48和1.69,分别获得了17和18个第一,具有更好的优化效果。运用于实际工程问题的实验结果表明,ISCOA得到了最好的结果,证明了ISCOA有更强的搜索能力和竞争性以及更好的应用前景。

多策略的郊狼优化算法

郊狼优化算法(coyote optimization algorithm,COA)是最近提出的一种群智能优化算法,具有独特的搜索结构和较好的优化性能。为了进一步提高COA的优化性能,提出了一种多策略的郊狼优化算法(multi-strategy COA,MSCOA)。首先,对于组内最优郊狼,采用一种全局最优郊狼引导的成长策略提高其社会适应能力,对于组内最差郊狼,采用一种最优郊狼引导强化策略强化最差郊狼的能力;其次,对于组内其他郊狼采用一种动态调整信息交流的组内成长策略提升组内郊狼之间的信息共享程度,并将这种组内成长策略与一种改进的迁移策略融合,更进一步提升搜索能力;最后采用动态分组策略减少参数手动设置,提高算法的可操作性。以上多种策略的使用更好地平衡了探索与开采,使算法的性能最大化。大量来自CEC2014测试集的复杂函数实验结果表明,与COA相比,MSCOA具有更强的搜索能力、更快的运行速度和更高的搜索效率,与其他优秀优化算法相比,具有更明显的优势。

基于改进郊狼优化算法的浅层神经进化方法研究

神经进化作为一种不同于随机梯度下降的神经网络训练方法,现已成为机器学习研究领域的一个重要分支.如何设计更好的进化策略,探索新型神经网络权值的神经进化方法是当前研究的热点问题之一.本文提出了一种基于改进郊狼优化算法的浅层神经网络进化方法.该方法首先通过引入自适应影响权重因子与选择性的混沌扰动执行机制分别从收敛速度和寻优能力两个方面对传统郊狼优化算法进行了改进.其次,以改进郊狼优化算法为神经进化策略,融入到浅层神经网络的神经进化过程,并以BP神经网络为例,构建了一种全新的BP神经网络权值、阈值优化更新方法.最后,文中采用UCI标准数据库中几组代表性数据验证了算法的有效性.实验结果表明:改进郊狼优化算法的进化策略充分发挥了启发式优化算法在BP神经网络参数空间中的全局寻优能力,能够快速逼近最优解,经过神经进化后的BP神经网络在分类任务中表现出了优异性能,充分验证了改进郊狼优化算法作为一种新型神经进化策略的可行性和有效性.本文研究成果丰富并拓展了神经进化领域的研究内容,为构建以神经进化为主体的新型机器学习工具箱提供了重要的参考依据.

基于改进郊狼优化算法的光伏智能边缘终端优化配置方法

光伏智能边缘终端(PVIET)是实现分布式光伏规模化接入配电网高效率智慧运维的重要设备之一。该文构建光伏智能边缘终端优化配置的数学模型,为实现模型的准确求解,进一步提出一种改进的郊狼优化算法(ICOA)。为解决郊狼优化算法精度不足、收敛速度缓慢等问题,提出全新的社会互助郊狼成长策略和单维组内最优郊狼扰动策略,引入模拟退火、自适应精英保留策略,以让该算法更加适合所提出的工程问题,实现对PVIET的数量、位置及与光伏电站连接方式三个方面的求解。最后,改进的IEEE 69案例验证了模型的有效性,通过算法对比,验证了改进郊狼优化算法在精度、稳定性和收敛性等方面的优越性。

动态调整成长方式的郊狼优化算法及其应用

郊狼优化算法在迭代运行时种群多样性降低,收敛速度变慢,易陷入局部最优,并且在求解约束优化问题时难以获得可行解。提出一种动态调整成长方式的郊狼优化算法(DGCOA)。在狼群进化中引入变异交叉策略,增强种群多样性,基于郊狼成长策略加入全局最优个体指导搜索,使得每个子种群中的个体从不同的方向快速逼近最优解位置,并根据种群中个体相似度对郊狼位置更新方式进行调整,平衡算法的全局探索与局部开发能力。在求解约束优化问题时,利用自适应约束处理方法构建新的适应度函数,协调优化目标和约束违反度。基于CEC2006对22个测试函数和3个工程设计问题进行仿真,结果表明,与COA、ICTLBO、ODPSO等算法相比,DGCOA算法具有较高的收敛精度和稳定性,适用于求解复杂优化问题。

基于改进郊狼优化算法的充电站选址定容规划

针对郊狼优化算法全局搜索能力不足、易陷入局部最优的缺陷进行了研究,在郊狼优化算法寻优进程中引入变形的精英保留策略,并在郊狼成长过程中加入环境影响因子,再将成长后的郊狼代入Kent映射遍历搜索空间,强化算法的开采能力和搜索性能,提出了一种改进郊狼优化算法,数值实验表明该算法具有较优的性能。以全社会经济成本和碳排放量为决策目标,构建了一个电动汽车充电站选址定容双层规划模型,并将改进后的郊狼优化算法求解该规划模型,验证了该算法的可行性和有效性。

基于郊狼优化算法的柔性作业车间调度问题

针对传统元启发式算法求解柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)时,存在易陷入局部最优、寻优结果不稳定等缺点,首次将郊狼优化算法(Coyote Optimization Algorithm,COA)应用到柔性作业车间调度问题中,提出一种基于郊狼优化算法的柔性作业车间调度问题优化方法。首先,以最大完工时间最小为目标对FJSP进行描述和建模;然后,提出一种基于工序的实数单链编码方式,同时满足FJSP的表达和基于COA的求解,对COA算法流程进行设计,建立一种求解FJSP的COA流程;最后,根据标准算例进行仿真,证明了基于COA求解FJSP的可行性,通过与遗传算法和粒子群优化算法进行仿真对比,验证了COA求解FJSP的优越性。

基于确定性拥挤的多模态郊狼优化算法

为了解决多模态优化问题,对郊狼优化算法进行研究,提出了一种基于确定性拥挤的多模态郊狼优化算法—DCCOA。将小生境技术的确定性拥挤方法引入郊狼优化算法中,定义了新的郊狼进化机制,改进了郊狼群组文化趋势的计算方法。同时,为了更真实地模拟郊狼的种群生活,算法还定义了2只阿尔法郊狼并且采用了权重法更新郊狼的社会状况。最后将DCCOA与其它智能优化算法在多个典型基准函数上进行不同决策变量维数的多次对比实验。实验结果表明,小生境技术的引入进一步促进了算法在探索和勘探之间的平衡,提升了郊狼优化算法在多模态情况下的全局寻优能力,从而比原算法具有更好的收敛精度、更快的收敛速度和更强的稳定性。

双策略学习和自适应混沌变异的郊狼优化算法

针对郊狼优化算法(coyote optimization algorithm,COA)存在收敛速度慢、求解精度低、易陷入局部最优的不足,提出一种基于双策略学习机制和自适应混沌变异策略的改进郊狼算法(coyote optimization algorithm based on dual strategy learning and adaptive chaotic mutation,DCSCOA)。首先,引入振荡递减因子,以产生具有多样性的个体来增强全局搜索能力;其次,利用双策略学习机制,适度地增强组群头狼的影响,以平衡算法的局部挖掘能力和全局搜索能力,同时提高算法的求解精度和收敛速度;最后,使用自适应混沌变异机制,在算法停滞时产生新个体,以使算法跳出局部最优。通过对20个基本测试函数和11个CEC2017测试函数进行仿真实验,结果验证了改进算法具有更高的求解精度、更快的收敛速度和更强的稳定性。

灰狼与郊狼混合优化算法及其聚类优化

郊狼优化算法(Coyote optimization algorithm,COA)是最近提出的一种新颖且具有较大应用潜力的群智能优化算法,具有独特的搜索机制和能较好解决全局优化问题等优势,但在处理复杂优化问题时存在搜索效率低、可操作性差和收敛速度慢等不足.为弥补其不足,并借鉴灰狼优化算法(Grey wolf optimizer,GWO)的优势,提出了一种COA与GWO的混合算法(Hybrid COA with GWO,HCOAG).首先提出了一种改进的COA(Improved COA,ICOA),即将一种高斯全局趋优成长算子替换原算法的成长算子以提高搜索效率和收敛速度,并提出一种动态调整组内郊狼数方案,使得算法的搜索能力和可操作性都得到增强;然后提出了一种简化操作的GWO(Simplified GWO,SGWO),以提高算法的可操作性和降低其计算复杂度;最后采用正弦交叉策略将ICOA与SGWO二者融合,进一步获得更好的优化性能.大量的经典函数和CEC2017复杂函数优化以及K-Means聚类优化的实验结果表明,与COA相比,HCOAG具有更高的搜索效率、更强的可操作性和更快的收敛速度,与其他先进的对比算法相比,HCOAG具有更好的优化性能,能更好地解决聚类优化问题.

基于改进郊狼算法与极限学习机的工业金刚石检测

为了提高工业金刚石的检测效率、保障产品质量,提出一种基于改进郊狼算法与极限学习机的工业金刚石检测方法。将工业金刚石视频图像按照一定时间序列分解为一组较为平稳的、形态单一的二维图像数据;利用深度卷积网络Inception-V3对多视角二维图像数据建立预测模型;在此基础上,以预测结果为输入构建极限学习机模型,并利用反向学习和莱维飞行改进的郊狼算法优化极限学习机输入权值和阈值,提高工业金刚石模型的检测精度。最后将该模型的检测结果与基本极限学习机、差分进化算法、粒子群优化算法和基本郊狼算法优化的极限学习机模型检测结果比较表明,该模型具有良好的检测精度和泛化能力,对于工业金刚石的质量检测具有指导意义。

基于变异反向学习郊狼优化算法的光伏智能边缘终端优化配置方法

光伏智能边缘终端(photovoltaic intelligent edge terminal,PVIET)是光伏电站安全稳定运行和智慧运营的重要设备之一,其功能强大但价格十分昂贵,容量较小的分布式光伏电站难以承受其高价格。为解决上述问题,文章提出了一种光伏智能边缘终端优化配置方法,从数量与位置2个方面建立了光伏智能边缘终端的优化布局模型。同时,针对郊狼优化算法(coyote optimization algorithm,COA)优化性能弱、可操作性低的问题提出了一种变异反向学习郊狼优化算法(mutation opposition-based learning COA,MOBL-COA)。根据典型案例的测试结果表明,所提的优化布局方法能够有效实现成本的降低,并且所提的MOBL-COA在解决优化布局问题时,在收敛速度、求解精度与算法稳定性上均表现出优异性能,验证了所提方法的有效性与可行性。

基于郊狼算法优化的LSSVM多工序质量预测方法

零件制造是一个多工序加工过程,各个工序的质量特征共同影响产品的最终质量。为有效提高产品质量和生产效率,提出一种基于郊狼优化算法(COA)和最小二乘支持向量机(LSSVM)的多工序质量预测方法。首先,以复杂零件关键质量特性为研究对象,通过对加工工艺进行分析确定其影响要素;其次,针对LSSVM预测模型参数难以确定的问题,采用改进后的COA算法对LSSVM中惩罚因子及核函数参数进行优化,构建COA-LSSVM多工序质量预测模型;最后,以某关键零部件为例,分别采用COA-LSSVM和LSSVM、PSO-LSSVM模型预测结果进行对比试验。试验结果表明:与LSSVM、PSO-LSSVM模型相比,COALSSVM模型不但预测精度高、速度快,而且具有更好的泛化能力和鲁棒性,能够较好地实现机加零件的质量预测。

市域(郊)铁路快慢车运行停站策略优化

市域(郊)铁路具有高速、公交化运行的特点,相比在地铁线路上研究快慢车运行的停站策略,市域(郊)铁路具有多次越行的特征。首先分析市域(郊)铁路多次越行的原因,然后以多次越行对乘客待避时间的影响为基础,将乘客总出行时间最小作为优化目标,构建1︰N开行比例下快慢车停站策略的优化模型,并采用郊狼优化算法进行建模,最后基于实际线路运营数据进行仿真计算。结果表明:在满足发车间隔一定的条件下,相比于站站停运行方式,采用快慢车多次越行的停站策略,乘客在车总时间可减少22.25%,乘客总出行时间可减少8.82%,从而验证了市域(郊)铁路快慢车运行停站策略的有效性。

基于自适应郊狼算法的无人机离线航迹规划

针对无人机(unmanned aerial vehicle,UAV)离线航迹规划对算法全局搜索能力和鲁棒性的要求,设计一种自适应郊狼算法,从最优化问题角度研究UAV离线航迹规划。建立UAV离线航迹规划的数学模型;在标准郊狼优化算法的基础上设计4种操作算子和一种自适应学习机制,使算法在搜索的过程中,智能选择合适的操作算子,并设计莱维飞行策略提高算法的全局寻优能力;最后对自适应郊狼算法进行函数测试和离线航迹规划仿真。函数测试表明自适应郊狼算法具有较强的全局搜索能力,离线航迹规划仿真表明自适应郊狼优化算法能适应不同维数的离线航迹规划问题。