基于随机蛙跳筛选的初烤烟叶中β-胡萝卜素和叶黄素含量近红外模型的建立

为提高近红外光谱法测定初烤烟叶中β-胡萝卜素和叶黄素含量的准确性和稳定性,采用随机蛙跳(Random Frog,RF)筛选特征波长建立上述指标的偏最小二乘(Partial Least Squares,PLS)近红外模型,结合模型内部交互验证结果确定最优建模波长数和主成分数,并对最优模型的准确性和稳定性进行内外部评价。结果表明:相较于全波长(1298个波长)建模,利用RF筛选出的181个和216个特征波长建模,模型的决定系数(R2)由0.7718和0.8677分别提高至0.9511和0.9587,校正均方根误差(RMSEC)由3.362μg/g和4.930μg/g分别降低至1.556μg/g和2.756μg/g,交互验证均方根误差(RMSECV)由3.304μg/g和4.836μg/g分别降低至1.529μg/g和2.703μg/g;模型外部预测集(样品数=50)的预测平均相对误差分别由11.80%和9.62%降低至5.48%和5.49%。采用RF筛选特征波长能有效提升初烤烟叶β-胡萝卜素和叶黄素含量近红外模型的准确性和稳定性,可为初烤烟叶质量评价提供理论参考。

改进随机蛙跳算法在大豆品种快速鉴别中的应用

大豆品种快速准确的鉴别,对于鉴定种子品质、净化种业市场以及保障粮食安全具有重要意义。为解决传统农作物品种鉴别方法中存在精度差和效率低等问题,采用拉曼光谱结合特征波长提取方法建立偏最小二乘(PLS)鉴别模型,对黑龙江省4个高蛋白大豆品种(黑农88、黑农98、绥农71以及绥农76)进行快速鉴别。随机蛙跳(RF)算法是一种通过迭代计算变量被选概率,以确定变量重要性的新型特征波长选择算法,可以有效剔除全光谱数据中的冗余信息。该方法存在初始变量集随机性、所需迭代次数大、阈值选取不确定的问题,因此提出一种基于最小绝对收敛与选择算子(LASSO)回归的改进随机蛙跳(MRF)算法。采用LASSO算法提取与属性变量最相关的特征波长点作为RF初始变量集F0,消除初始变量的随机性,在此基础上开始迭代计算,可以减少无用迭代次数,提高模型的预测精确度。RF算法通过设定阈值的方法选择变量,因此提取的特征波长往往具有不确定性。改进如下:首先去除被选概率为0的变量,对于排序后变量以10个波长点为间隔,每次增加1个间隔建立特征波长与大豆品种属性的偏最小二乘回归模型,当交叉验证均方根误差(RMSECV)取最小值时的建模波长为优选特征波长。以MRF优选特征波长作为输入变量建立PLS鉴别模型,并与全光谱以及常用的RF、LASSO和ElasticNet特征波长选择算法建模结果进行对比分析。结果表明,MRF算法提取300个特征波长点,仅占全谱波长的9.37%,有效筛选了关键特征变量,简化了模型复杂度。预测结果中均方根误差(RMSEP)和决定系数(Rp2)分别为0.246 9和0.951 2,识别准确率达到100%,为所有模型中最优。拉曼光谱结合MRF算法可以实现大豆品种的快速鉴别,同时也为其他农作物品种的快速鉴别提供了一种新思路。

基于随机蛙跳波段选择算法的土壤铅含量高光谱估测

高光谱数据中存在的大量冗余信息对高光谱估测精度产生较大影响。旨在寻求特征波段筛选的最佳算法,以实现土壤重金属铅含量的准确监测,为土壤污染防治提供参考。以新疆渭干河-库车河三角洲绿洲土壤重金属铅含量与光谱数据为数据源,利用蒙特卡洛交叉验证(MCCV)算法确定92个有效土壤样品,通过相关分析选取倒数对数一阶微分变换处理的光谱数据,采用随机蛙跳(RF)算法,并结合竞争性自适应重加权(CARS)算法、迭代保留有效信息变量(IRIV)算法及连续投影算法(SPA),构建RF-CARS、RF-IRIV及RF-SPA三种算法对波段进行筛选。以倒数对数一阶微分变换处理下的特征波段反射率为自变量,土壤重金属铅含量为因变量,采用极端梯度提升(XGBoost)和地理加权回归(GWR)方法构建土壤重金属铅含量估测模型。结果表明:(1)光谱变换处理可有效增强光谱与土壤铅含量的敏感性,其中倒数对数一阶微分变换后的土壤光谱特征更为明显,相关系数可达到0.620(p<0.001)。(2)RF-CARS、RF-IRIV及RF-SPA算法分别从高光谱数据中筛选出6、9和7个特征波段,全部位于近红外光谱区域,3种算法具有较强的特征提取能力,极大减少光谱数据中的冗余信息。(3)基于RF-IRIV算法构建的土壤铅含量估测模型的精度和稳定性高于RF-CARS和RF-SPA算法构建的模型,说明RF-IRIV算法能更为准确的保留与土壤铅含量相关的波段。此外,GWR模型的性能优于XGBoost模型,构建的RF-IRIV-GWR模型具有较好的预测能力,可作为研究区土壤铅含量的最优估测模型,其验证集的决定系数(R^(2))为0.892,均方根误差(RMSE)为0.825 mg·kg^(-1),相对分析误差(RPD)为3.09。基于随机蛙跳(RF)与迭代保留有效信息变量(IRIV)算法,结合地理加权回归(GWR)建模方法在快速准确估测土壤铅含量方面具有一定优势,可进行土壤重金属污染的动态监测。

随机蛙跳算法的研究进展

随机蛙跳算法(Shuffled Frog Leaping Lgorithm,SFLA)是进化计算领域中一种新兴、有效的亚启发式群体计算技术,近几年来逐渐受到学术界和工程优化领域的关注。SFLA结合了具有较强局部搜索(Local Search,LS)能力的元算法(Memetic Algorithm,MA)和具有良好全局搜索(Global Search,GS)性能的粒子群算法(Particle Swarm Optimization,PSO)的特点,因此其寻优能力强,易于编程实现。详细阐述了SFLA的基本原理和流程,总结了SFLA目前在优化和工程技术等领域中的研究,展望了SFLA的发展前景。

基于改进蛙跳算法的多无人机协同任务分配研究

针对多无人机协同任务分配问题,提出了一种基于Levy飞行的改进随机蛙跳算法用于解决多无人机的协同任务预分配问题,通过引入动态跳跃步长、Levy飞行因子和族群认知因子有效改进了算法的搜索性能,提高了搜索效率。针对多无人机协同执行任务时可能遭遇的突发任务,通过引入市场拍卖机制提高了算法的计算收敛效率。通过仿真算例分析,验证了改进的随机蛙跳算法解决多无人机协同任务分配问题的有效性。

基于高光谱技术和改进型区间随机蛙跳算法的番茄硬度检测

为了准确、快速的检测番茄硬度,该文提出了一种基于改进型区间随机蛙跳算法优选高光谱特征波长的番茄硬度检测模型。在获取番茄高光谱图像后,首先对光谱数据进行多元散射校正(multiplicative scatter correction,MSC)和归一化预处理。针对区间随机蛙跳算法(interval random frog,i RF)所需迭代次数大、算法收敛慢等缺点,该文提出了改进型区间随机蛙跳算法(modified interval random frog, miRF),并将其应用于特征波长选择。最后建立偏最小二乘回归模型(partial least squares regression, PLSR)预测番茄的硬度。iRF共选出特征波段100个,算法收敛时间为32.1 min,而miRF共选出特征波长47个,算法收敛仅需1.6 min。同时miRF-PLSR番茄硬度预测精度也更优,测试集相关系数达到了0.968 5,均方根误差为0.004 0 kg/mm^2。试验结果表明:结合高光谱技术和miRF算法可实现对番茄硬度的快速、无损检测。

基于折扣产品供应商选择问题的随机蛙跳算法

针对生产企业中多产品有采购量折扣的产品供应商选择问题,设计了基于问题特征的随机蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)对问题进行求解.介绍了蛙跳算法的基本原理、SFLA的编码方案、解的演变方案及算法执行步骤.通过算例对SFLA进行验证.结果表明,SFLA在计算时间和求解效果两方面均优于现有的遗传算法.

基于随机蛙跳和支持向量机的冬小麦叶面积指数估算

[目的]作物叶面积指数(LAI)与其长势密切相关,通过研究小麦冠层光谱的不同预处理方法、波段选择方法和模型构建方法的不同组合,找出适用于小麦LAI估算的最佳预测模型,为快速准确监测冬小麦LAI提供参考。[方法]本研究以冬小麦为研究对象,测定其在不同生育时期的LAI与冠层光谱反射率,研究了原始光谱、一阶和二阶导数光谱与LAI之间的相关系数并采用随机蛙跳算法对其进行特征波段的提取,最后基于选取的特征波段,使用偏最小二乘回归(PLSR)和最小二乘支持向量回归(LS-SVR)分别构建LAI预测模型。[结果]结果表明,二阶导数光谱不仅可以改善红边区域波段与LAI之间的相关系数,在725 nm处其相关系数达到0.662,而且提高了特征波段的选择概率,在732 nm处,其选择概率达到0.688。相比采用相关系数和竞争自适应重加权采样(CARS)所建的模型,用随机蛙跳选择的特征波段构建的模型预测精度更高,校正集决定系数达到0.956,验证集决定系数达到0.902,校正集均方根误差降低到0.367,验证集均方根误差降低到0.601。此外,在LAI的预测模型中,LS-SVR的性能优于PLSR。[结论]采用二阶导数预处理结合随机蛙跳特征波长选择算法并使用LS-SVR构建的LAI预测模型性能最佳,可为快速检测LAI提供一种可行的解决方案。

改进的随机蛙跳算法对农机润滑油污染浓度的近红外光谱检测研究

润滑油是农业机械正常作业的必要物资,农业机械发动机工作的动力性、安全性、经济性以及寿命与润滑油状况有着紧密联系。污染浓度作为油液的综合评价指标,常规的实验室检测耗时长、成本高,所以开发高效的润滑油污染浓度检测技术具有重要意义。提出了一种基于近红外光谱技术的农机润滑油污染浓度的检测方法,同时针对随机蛙跳(RF)特征波长选择算法中迭代次数大,结果再现性低等缺点,提出了一种迭代保留信息变量的随机蛙跳(IRIV-RF)特征波长选择算法。该算法一方面利用迭代保留信息变量(IRIV)算法提取出强信息变量和弱信息变量,将其作为RF算法中的初始变量集,消除初始变量集的随机性对结果再现性的影响。另一方面通过对变量按被选概率值由大到小正向排序后,从首个波长开始依次增加一个波长建立偏最小二乘回归(PLSR)模型,选择交叉验证均方根误差(RMSECV)值最小时的变量子集为特征波长,消除RF算法所提取的特征波长数量的不确定性。利用近红外光谱仪采集自行配制的101份不同污染浓度的农机润滑油原始光谱数据,选用三种不同的预处理方法分别对原始光谱进行处理,确定最佳的预处理方法为变量标准化(SNV)。在此基础上通过RF,IRIV和IRIV-RF三种算法分别对全谱进行特征波长选择,并建立PLSR模型。通过对全谱-PLSR,RF-PLSR,IRIV-PLSR以及IRIV-RF-PLSR模型的预测精度进行比较,结果表明,经过IRIV-RF算法提取特征波长后所建立的PLSR模型预测精度最高,预测相关系数(R_(p))为0.9657,预测均方根误差(RMSEP)为9.0584,显著提升了预测精度与运行效率,降低模型复杂程度。IRIV-RF是一种有效的特征波长选择算法,研究证明了近红外光谱联合改进的IRIV-RF算法检测农机润滑油污染浓度的可行性,为鉴定润滑油品质提供了一种新的思路。

基于改进混合蛙跳算法的测试数据自动生成

测试数据的生成是实现软件测试自动化的重要环节。为了提高单元测试中测试数据的生成质量和效率,提出一种基于混合蛙跳算法的测试数据生成算法。该算法通过引入动态阈值来控制个体的移动步长,以平衡算法的全局开发和局部搜索能力,同时改进个体的随机跳动策略,转化为向随机个体学习,增强种群之间的信息交流以提高算法的全局搜索能力。将改进的算法应用到测试数据生成中。实验结果表明,在种群规模不断变化的情况下,改进的混合蛙跳算法相较于标准混合蛙跳算法、布谷鸟搜索算法、粒子群优化算法,其稳定性最强;在测试数据生成的平均迭代次数评价指标上改进的混合蛙跳算法优于对比算法。

基于随机蛙跳和支持向量机的牛乳收购分级模型构建

蛋白质、脂肪含量和体细胞数量作为牛乳收购中的重要参考指标,决定了牛乳的品质和价格。为批量准确地对牛乳品质进行分级,提高乳企的生产效率,本研究以3216份荷斯坦牛牛乳样本为研究对象,应用中红外光谱技术实现对收购过程中4种不同品质牛乳的检测分级。利用一阶导数和一阶差分对光谱进行预处理,并结合竞争性自适应重加权算法(Competitive Adaptive Reweighted Sampling,CARS)和随机蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)筛选出能代表不同牛乳的有效特征变量,建立支持向量机(Support Vector Machine,SVM)模型。其中,利用网格搜索法(Grid Search,GS)、遗传算法(Genetic Algorithm,GA)和粒子群算法(Particle Swarm Optimization,PSO)对SVM模型的关键参数——惩罚参数c和核函数参数g进行优化。结果表明,SFLA算法总体上优于CARS算法,PSO优化SVM模型的效果最佳。一阶差分预处理后,利用SFLA算法筛选特征变量建立的PSO-SVM模型,训练集准确率、测试集准确率和曲线下面积(Area Under Curve,AUC)分别为97.8%、95.6%和0.96489。该模型具有较高的准确率,在牛乳产业中具有实际应用价值。

基于改进随机蛙跳算法的主梁轻量化研究

起重机箱型主梁的轻量化问题属于带约束的函数寻优问题,为此使用随机蛙跳算法来研究,但用随机蛙跳算法解决此问题时存在局部探索能力变差、优化结果不理想、收敛变慢甚至停滞等缺点,因此改进了算法中的评价值函数和蛙跳方式。将改进前后的算法以及GA算法都应用到主梁轻量化问题中,验证了改进后的算法在主梁轻量化问题中的优越性能。

改进的联合区间随机蛙跳算法的近红外光谱波长选择

在近红外光谱的建模预测分析中,数据的冗余及共线性会严重影响模型的预测精度和稳健性。特征波长选择是提高定量分析预测精度的一种有效方法。随机蛙跳(RF)是一种依据不同的变量具有不同的被选择可能性的特征波长选择算法,近年来在特征波长提取方面展现良好的性能。该方法通过多次迭代,计算每个变量被选择的概率,以优选概率高的变量为特征波长。但由于其初始变量集V0的产生是随机的,具有较大的不确定性,可能会包含无用或干扰信息,难以保证初始信息的有效性,使得迭代次数过大,运行时间过长。故而提出一种改进的联合区间随机蛙跳(Si-RF)特征波长选择算法,通过联合区间偏最小二乘法(SiPLS)对全谱进行变量初选,此时得到的波长对目标变量变化最为敏感,将其作为RF的初始变量子集,以解决RF运行时间较长、效率较低的问题。另一方面, RF在选择特征波长时,选择被选概率值大于阈值的变量为特征波长,但对概率值阈值的设定无理论依据,易受人为因素影响。通过对变量按被选概率值降序排列后逐次增加一个波长建立多元线性回归(MLR)模型,以验证均方根误差(RMSEV)值最低时的变量子集为特征波长,以找到预测精度最高点所包含的波长,提高预测精度。针对上述两点进行改进,将其应用于一组土壤样本近红外光谱数据集,进行特征波长选择后,建立MLR模型,与RF-MLR及全谱-PLSR模型的预测精度进行比较。结果表明:RF经过10 000次迭代,优选出10个波长点,建立的MLR模型的预测均方根误差(RMSEP)为1.6276;而改进后Si-RF只需进行1 000次迭代,优选出17个波长点,其MLR模型的RMSEP减小到0.818 4,大大提升了预测精度,提高运行效率。相较于全谱,也极大的提高了预测精度,简化模型的复杂度,证明改进的Si-RF是一种有效的特征波长选择算法。

一种利用动态搜索策略的混合蛙跳算法

从混合蛙跳算法的寻优原理出发,研究了其寻优机制.针对标准算法中存在的初始种群不均匀、迭代后期收敛速度慢,易陷入局部最优的缺陷,提出了一种改进的混合蛙跳算法.采用随机化均匀设计方法产生初始种群;引入影响因子,动态地改变子群当前最差值对其进化行为的影响;根据群体适应度方差判断种群是否陷入局部最优,并通过对当前全局最优值微扰,使算法跳出局部最优.实验结果表明,改进算法有更高的收敛精度和更好的收敛结果.

带记忆功能的混合蛙跳算法

针对基本混合蛙跳算法收敛速度慢、优化精度低的问题、提出了带记忆功能的混合蛙跳算法。引入自适应学习因子,使算法在迭代初期加速收敛并不断拓展新的搜索区域,在迭代后期能够在全局最优邻域进行精细搜索,从而保持了开发与探索的平衡,并提高了收敛精度;采用随机分组策略平衡各子群的寻优能力,维持了种群的多样性。对6个测试函数进行了优化实验,并与基本混合蛙跳算法和相关文献中的改进算法进行比较,结果表明了该算法具有更好的优化性能。

基于微粒群与混合蛙跳融合的群体智能算法

针对微粒群算法和混合蛙跳算法存在的早熟收敛问题,提出一种基于微粒群与混合蛙跳算法融合的群体智能算法。新算法将整个群体分成数目相等的蛙群和微粒群群体。在两群体独立进化过程中,设计了一种两群之间的信息替换策略:比较蛙群与微粒群的最佳适应值,如果蛙群进化较好,利用蛙群各子群中最差个体替换微粒群一部分较好个体;否则,用微粒群中较好的一部分个体替换蛙群各子群的最好个体。同时,设计了一种两群之间的相互协作方式。为避免微粒群因早熟收敛而影响信息替换策略效果,适时对其所有个体最好位置进行随机扰动。仿真实验表明,新算法可以有效提高全局搜索能力及收敛速度,对于高维复杂函数问题,算法具有很好的稳定性。

一种改进的混合蛙跳算法

针对混合蛙跳算法在迭代后期收敛速度变慢的现象,提出一种改进的混合蛙跳算法。该算法引入混沌优化机制,取代随机搜索,对当前群体中的最差个体实施混沌搜索,并替换群体中的部分个体,改善算法摆脱局部极值点的能力。仿真结果表明:改进的蛙跳算法的全局寻优能力明显优于基本的混合蛙跳算法。

改进混洗蛙跳算法的软硬件划分方法研究

本文将混洗蛙跳算法应用于软硬件划分,提出一种新型的软硬件划分方法。针对混洗蛙跳算法应用于离散型问题时普遍存在的种群更新过慢、算法寻优方向盲目等问题,本文采用随机步长来改进青蛙种群的迁移行为,采用子种群内进化与全局混洗进化相结合的策略改进盲目全局寻优的情况,并根据无效迭代次数来提前终止迭代以提高算法效率。在划分实验中,改进后的算法的平均最优解比原始算法减小了17.4~73.3,平均硬件面积比原始算法大对不同结点数的随机DAG图4.32~5.81,平均仿真执行时间只有原算法的42.7~64.0。改进后算法在寻优能力和收敛速度上均优于原始算法,可更高效地完成软硬件划分任务。

内嵌扰动变异的混合蛙跳算法

针对蛙跳算法局部搜索能力较弱,容易陷入早熟收敛的现象,提出了一种改进的混合蛙跳算法。新算法对子群中每只新青蛙个体引入了随机扰动,并让子群内每只青蛙个体都参与产生新个体,充分利用每只青蛙个体的信息,增加了种群的多样性,提升算法的全局寻优能力,从而避免算法陷入局部收敛。实验表明,改进的混合蛙跳算法有效避免算法陷入局部收敛,提升了算法的收敛精度。

基于RF-SFLA-SVM的装配式建筑高空作业工人不安全行为预警

为有效预警装配式建筑高空作业工人不安全行为的发生趋势或状态,增强对装配式建筑工人不安全行为(PBWUBs)的管控,采用随机森林(RF)-混合蛙跳算法(SFLA)-支持向量机(SVM)模型,开展工人不安全行为预警研究。首先,采用SHEL模型分析处于高空作业危险中的PBWUBs的影响因素,并通过RF确定关键预警指标;然后,采用SFLA对SVM的参数进行寻优改进;最后,利用RF-SFLA-SVM预警高空作业PBWUBs,提出应对措施,并与其他预警模型对比。研究结果表明:基于RF-SFLA-SVM预警高空作业PBWUBs,准确率最高,为91.67%,与其他模型的预警性能相比,最高提升14%。研究结果可为高空作业PBWUBs的防控提供参考。