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。

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%。