基于动态反向学习和黄金正弦策略的麻雀算法研究

针对麻雀算法存在的收敛速度慢,寻优精度不高,易陷入局部最优的问题,提出一种基于动态反向学习和黄金正弦策略改进的麻雀算法。引入动态反向学习策略生成初始种群,从而扩大搜索空间,增加多样性。此外,引入黄金正弦因子来提高种群个体质量,以改善算法性能,并采用多项式变异扰动与双面镜反射理论边界优化策略,以增强跳出局部最优解的能力。为了验证新算法优化性能和普适性,选用10个标准测试函数与其他优化算法进行比较。实验结果表明,相对于传统的麻雀算法、粒子群算法以及灰狼算法,本文提出的改进算法具有更好的收敛精度和更快的收敛速度,在性能上表现出一定的优越性。

基于改进乌燕鸥算法的移动音乐机器人路径规划

移动音乐机器人最短路径规划是一个带有复杂约束和高维的非线性规划问题,标准的乌燕鸥算法求解此问题时,存在局部停滞不足导致其获得的最短路径精度较低。为此,设计一种改进的乌燕鸥算法。引入一种新颖的改进Logistic混沌映射种群初始化策略,增强算法迭代初期的寻优能力;采用非线性自适应Lévy飞行攻击位置更新方式,协调算法的全局搜索和局部开发能力之间的动态平衡;采用Lévy飞行和黄金正弦混合扰动策略,提高算法的全局寻优能力。仿真结果表明:与其他著名算法相比,该算法路径规划结果更优,寻优能力和搜索效率更强,可高效地处理复杂的移动音乐机器人路径规划问题,具有较强的适用性。