IYYPO:一种改进的阴阳对优化算法

阴阳对优化算法是一种新颖的轻量级随机优化算法,利用两点(全局探索点P 2和局部开发点P 1)的迭代交换来实现优化搜索。用户定义参数直接影响该算法的全局探索和局部开发之间的平衡,并且对算法的性能有着重要的影响。为提高该算法的优化性能,首先分析了原算法的用户定义参数(缩放因子α)对于性能的影响,随后提出用户定义参数线性与非线性递减三种改进的阴阳对优化算法。采用2013年进化计算大会中单目标实参算法竞赛中使用的28个测试函数进行性能评估,结果表明相比于原算法,改进后的算法具有更高的计算精度和更快的收敛速度。最后通过一个工程优化任务来展示改进后算法的性能。

基于动态D向分割和混沌扰动的阴阳对优化算法

为提高YYPO-SA1的性能,提出了一种基于动态D向分割和混沌扰动的阴阳对优化算法(NYYPO)。首先,基于牛顿衰减机制来动态调整YYPO-SA1中的D向分割概率;然后,在分割阶段加入混沌扰动策略,NYYPO利用动态调整机制在搜索前期使用较大的D向分割概率,在搜索后期则使用较小的D向分割概率,从而提高了算法的全局搜索能力,同时使用混沌扰动策略丰富了解的多样性,并提高了算法跳出局部最优的能力;最后,将NYYPO应用于风力发电机的参数优化设计问题。选用了15个单峰、多峰和组合测试函数进行性能评估,将NYYPO、YYPO-SA1以及6个代表性的单目标优化算法:粒子群优化(PSO)算法、乌鸦搜索算法(CSA)、灰狼优化算法(GWO)、鲸鱼优化算法(WOA)、花授粉算法(FPA)、麻雀搜索算法(SSA)进行性能评测比较。结果表明NYYPO相较于YYPO-SA1在Sphere函数上有着12个数量级的提升。而在Friedman检验中NYYPO在10维、30维、50维的时候的平均排名分别为2.87、2.0、1.93,均为总排名第一,可见NYYPO在统计学意义上具有显著的性能优势。同时,在风力发电机参数优化设计问题中NYYPO也取得了更好的优化结果。

基于阴阳对算法优化的随机森林与支持向量机组合模型及径流预测实例

提出一种基于阴阳对(YYPO)算法优化的随机森林(RF)与支持向量机(SVM)组合预测方法,利用YYPO算法对RF、SVM关键参数和组合权重系数进行优化,构建YYPO-RF-SVM预测模型,并与YYPO-RF、YYPO-SVM模型及RF、SVM模型作对比分析,以某水文站年径流预测为例进行实例研究。利用实例前30 a、中间14 a和后10 a资料对YYPO-RF-SVM等5种模型进行训练、检验和预测。结果表明,YYPO-RF-SVM模型对实例训练、检验和预测的平均相对误差绝对值分别为2.76%、4.64%、3.02%,精度均高于YYPO-RF等4种模型。YYPO-RF-SVM模型具有更高的预测精度和泛化能力,可为水文预测预报和相关预测研究提供参考和借鉴。

融合Tent混沌和维度学习的阴阳对算法

针对阴阳对算法(YYPO)易早熟收敛,提出一种融合Tent混沌映射和维度学习策略的阴阳对优化算法(YYPO-TP)。使用Tent混沌序列初始化阴阳两点生成以增加初始位置分布的均匀性,使用维度学习策略和反向搜索策略设计一种正反向搜索的分割方式,避免算法的早熟,增强算法全局寻优能力。实验结果表明,YYPO-TP相比YYPO在统计学意义上有显著性能优势,在风力发电机参数优化问题YYPO-TP也取得了更优的结果。

基于全组合策略的多目标阴阳对算法

基于前沿的阴阳对优化算法(Front-basedYin-Yang-PairOptimization,F-YYPO)是一种新颖的轻量级多目标优化算法,其利用两点——局部开发点P_(i)1和全局探索点P_(i)2在搜索过程中的迭代交换实现搜索。基于F-YYPO提出了一种改进的多目标优化算法F-ACYYPO。新算法对F-YYPO做了以下三方面的改进:(1)对多个目标函数进行全组合,以增强优化个体分布的均匀性;(2)引入已在YYPO算法中被证明有明显性能提高效果的缩放因子α自适应措施;(3)改进F-YYPO存档操作的更新方式。采用在2009年进化计算大会多目标优化算法竞赛中使用的UF测试套件以及PlatEMO平台下的DTLZ测试套件进行算法的性能评估,将F-ACYYPO与F-YYPO以及其他多种已知性能优良的多目标优化算法NSGA2、SPEA2、MOPSO、MOGWO、gamultiobj、MOEA\D、GDE3进行性能测试及比较,并通过两个综合性指标(反转世代距离IGD、超体积HV)和一个收敛性指标(世代距离GD)进行性能评价。实验结果表明,F-ACYYPO比F-YYPO具有更高的计算精度以及更快的收敛速度,并且与其他高性能多目标算法相比,F-ACYYPO表现出了很强的竞争性,在综合性能指标下有将近超1/2的测试用例占优。

YYPO-SA:一种新的基于YYPO和SA的混合单目标随机优化算法

针对原阴阳对优化算法(YYPO)早熟易收敛的问题,在YYPO算法中的阴阳两点交换阶段加入模拟退火算法(SA)策略,提出了两种使用不同交换策略的新算法,即YYPO-SA1和YYPO-SA2,统称为YYPO-SA。YYPO-SA算法既保持了YYPO轻量级的特点,又综合了YYPO优秀的全局搜索能力和SA良好的局部搜索性能。算法采用2013年进化计算大会的单目标实参算法竞赛中使用的28个测试函数进行性能评估,将YYPO-SA和YYPO、自适应阴阳对算法(AYYPO)、改进的阴阳对算法(IYYPO),以及另三个性能优越的单目标优化算法,即灰狼优化算法、鲸鱼优化算法,正弦余弦算法进行性能比较。实验结果表明YYPO-SA能取得更为稳定的求优能力和更高的计算精度。最后通过一个工程优化任务来展示新算法的性能。

针对城市道路拥堵的优化随机森林预测模型

为了及时对城市道路拥堵情况进行预测,缓解通行压力、降低能源损耗,通过一种结合Spark与阴阳对优化随机森林的模型预测城市道路交通拥堵情况,利用阴阳对优化算法对随机森林进行参数调优,选取决策树个数和分裂属性个数最优解,以此建立阴阳对优化随机森林(Yin-Yang-pair optimization random forest,YYPORF)城市道路拥堵情况预测模型,并通过Spark实现了YYPORF模型的并行化设计方案。结果表明,基于Spark的YYPORF准确率达到95.58%,较传统随机森林提高了3.17%;加速比达到2.83。可见,所提出的模型预测性能更优,可为大数据背景下城市智能交通管理提供可靠依据。

基于反向阴阳对的BP神经网络及其在通信信号调制识别中的应用

为了提高BP神经网络在低信噪比时对通信信号调制样式识别的准确率,提出了一种优化BP神经网络权值的新算法——反向阴阳对优化算法。反向阴阳对算法将阴阳对优化算法的原理与反向学习策略相融合,增强了阴阳对优化算法的探索开发能力。测试函数仿真结果表明,反向学习阴阳对算法的探索开发能力更强,收敛速度更快,求解精度更高。反向学习阴阳对优化BP神经网络的仿真结果表明,反向阴阳对优化算法整体提高了BP神经网络的求解精度,与BP神经网络调制识别算法相比,对通信信号调制样式识别的正确率平均提高了7.5%。