基于EOBL-AO的牛奶脂肪含量预测模型

[目的]牛奶中的脂肪是人所必不可少的营养物质,试验对牛奶脂肪含量进行研究,利用高光谱成像系统获取试验数据。[方法]首先,分别对经过多元散射校正(Multiplicative Scatter Correction,MSC)、变量标准化(Standard Normal Variate transform,SNV)、移动平均法(Moving Average,MA)和平滑滤波法(Savitzky-Golay,SG)四4种预处理方法得到的数据建立偏最小二乘回归(Partial Least Squares Regression,PLSR)模型,通过比较模型的评价参数得出最佳的预处理方法SNV进行接下来的操作。其次,对SNV预处理后的数据分别采取连续投影算法(successive projections algorithm,SPA)、竞争性自适应重加权算法(competitive adapative reweighted sampling,CARS)和主成分分析方法(Principal Component Analysis,PCA)进行特征选择操作并建立支持向量回归机(Support Vector Regression,SVR)模型,通过比较模型的预测精度及运行所需要的时间,得出较好的特征选择方法PCA。最后,对特征选择后的数据建立SVR模型,以达到分析牛奶中脂肪含量的目的。由于SVR模型本身的预测精度较低,本文提出一种EOBL-AO算法对SVR模型进行优化,为了检验EOBL-AO的优化效果,将该算法优化后的模型与遗传算法(Genetic Algorithm,GA)、哈里斯鹰优化算法(Harris Hawks Optimization,HHO)、天鹰座优化器(Aquila Optimizer,AO)等算法优化后的SVR模型进行比较。[结果]经EOBL-AO优化后的SVR模型的预测精度更高,且运行所需要的时间更短。[结论]利用精英反向学习(Elite Opposition-Based Learning,EOBL)改进AO是可行性的,改进后的AO算法具有更好的优化效果。

混合多策略改进的樽海鞘群算法及其应用

针对标准的樽海鞘群算法(salp swarm algorithm, SSA)在寻优过程中易出现局部最优和收敛速度慢等问题,提出一种混合多策略改进的樽海鞘群算法(ISSA)。利用佳点集策略生成初始种群,使个体均匀分布于搜索空间;将反向学习的思想融入到领导者位置更新中,提高算法的搜索精度;加入自适应t分布,利用迭代次数iter作为其自由度参数,改善算法的全局探索能力;引入精英反向学习,筛选更好的种群,避免陷入局部最优。通过一组基准函数和Wilcoxin秩和检验来检测改进算法的性能,实验结果表明,改进算法的探索能力和优化精度都得到明显改善且算法之间存在显著差异,通过实际机械设计案例进一步验证ISSA算法的有效性。

多策略融合的改进狮群算法及其工程优化

狮群算法是近年提出的一种智能优化算法,已经应用于多个领域,然而该算法仍存在搜索效率不足、易落入局部最优等问题.因此,基于狮群算法,提出了多策略融合的改进狮群算法.首先,使用Tent混沌种群的初始化方法,增强种群分布的均匀性的历遍性,提高算法初始解的质量和搜索效率;其次,采用柯西变异机制,在狮群最优位置采用柯西扰动操作,提升算法逃离局部极值的能力;再次,改进母狮位置更新方式和步长公式,提高算法后期的收敛精度;最后,融合精英反向学习,提高解的质量.选取国际通用的13个基准函数和部分CEC2014函数进行实验仿真,结果表明所提算法寻优性能和搜索精度有明显提升;另外通过对两个工程实例进行优化,结果表明改进算法在工程应用中具有优势.

基于改进海洋捕食者算法的机械臂逆解求解

针对冗余机械臂逆运动学求解较难、精度较低的问题,在已有海洋捕食者算法(marine predators algorithm,MPA)基础上,引入Tent映射初始化策略、精英反向学习策略、自适应t分布变异机制,提出了改进海洋捕食者算法(IMPA),并将其应用于冗余机械臂逆解求解中。4个典型测试函数的测试结果表明,IMPA的求解精度和计算稳定性比MPA和另一种改进MPA更优;冗余机械臂逆解求解实例结果表明,IMPA的求解速度更快,求解精度和稳定性更佳,机械臂位姿精度提高,位姿误差降低,具有一定优势。

多策略增强型蛇优化器的避障路径规划

针对蛇优化器(SO)在机器人路径规划问题求解中存在初始种群多样性不足、前期全局寻优能力弱、后期收敛精度低、容易陷入局部最优等问题,提出一种用于机器人路径规划的多策略增强型蛇优化器(MSESO)。采用佳点集方法对蛇种群进行初始化,增加初始种群多样性,使种群对搜索空间的覆盖更全面;引入两个振荡因子平衡全局搜索与局部开发的过程,并动态更新搜索范围;融入自适应精英反向学习策略充分利用种群有效信息来提高种群质量,增大种群进一步逼近最优解的可能性,加快算法收敛速度和改善收敛精度。将MSESO应用于机器人路径规划,首先开展消融实验来验证改进策略的有效性,接着在不同复杂程度的地图开展MSESO与其他算法的寻路性能对比实验,验证改进算法的优越性。消融实验结果显示,MSESO提出的改进策略均能有效地提升路径规划性能;对比实验结果显示,MSESO的平均路径长度、路径长度方差、平均迭代次数均优于对照组算法,验证了MSESO在路径规划中的鲁棒性和优越性。

基于均匀圆阵矢量传感器的DOA和极化参数联合估计

针对极化敏感阵列中非完备电磁矢量传感器多参数联合估计问题,提出一种基于三维电磁矢量传感器平面圆阵模型的波达方向(DOA)和极化参数联合估计方法。利用阵列流型矩阵的特性将四维谱函数进行解耦,严格证明DOA搜索与极化参数估计的不相关性,将四维谱搜索优化为仅与DOA相关的二维谱搜索,提出DOA谱峰搜索二级比较策略,可使雷达自动识别谱峰坐标,有效提高信号处理的实时性;提出一种基于精英反向学习和Lévy飞行的改进粒子群算法对极化参数进行估计,提高极化参数的收敛性能。通过与同类算法进行仿真对比,结果表明:所提算法在牺牲少量时间的条件下可提高估计精度。

基于窦性变异的改进人工蜂群白骨顶鸡算法及应用

针对白骨顶鸡算法(COOT)存在求解精度低、收敛速度较慢和易陷入局部最优的问题,该文提出一种基于窦性变异的改进人工蜂群白骨顶鸡算法(ICOOT)。首先,采用精英反向学习策略初始化个体位置,增加初始个体寻优多样性;其次,考虑到人工蜂群算法强大的搜索能力,提出一种以全局最优值引导的改进人工蜂群搜索策略,更新白骨顶鸡个体的位置,以提高COOT的搜索能力和收敛精度;最后,引入窦性变异策略对最优个体进行扰动,一方面使算法能够有效跳出局部最优,另一方面提高最优个体质量。利用12个基准测试函数对ICOOT进行寻优性能测试,将ICOOT应用于拉力/压力弹簧优化工程设计问题,并与其他元启发式算法进行了比较和分析,结果验证了改进的算法的可行性和优越性。

基于IGWO-SVM的带钢表面缺陷分类研究

为了提升带钢表面缺陷分类准确率,提出了一种基于IGWO-SVM的带钢图像分类方法。首先引入混沌序列、精英反向学习策略和动态非线性收敛因子来设计改进灰狼优化算法,利用改进灰狼算法优化支持向量机的参数,然后使用优化后的支持向量机对带钢表面缺陷图片进行分类。文章使用了6个基准函数和带钢表面缺陷图片进行仿真实验,实验结果表明,改进灰狼算法拥有更高的精度和收敛性,改进灰狼算法优化支持向量机分类能够有效提升分类准确率。

基于改进蛇优化算法的轮式机器人路径规划

为解决轮式机器人路径规划中效率低、寻优速度慢等问题,提出一种改进的蛇优化算法(improved snake optimizer,ISO)。在初始阶段引入正弦混沌映射扩大算法寻优空间,提升解的质量。同时设计了一种双向搜索策略,在最佳和最差个体引导的两个方向上逼近全局最优值,使收敛速度更快。并在算法中增加改进的进化种群动力机制,替换质量较差的个体从而提高种群质量。另外利用精英对立学习策略来提高算法的局部开发性能。仿真结果表明,ISO算法在轮式机器人路径规划过程中,相比其它对比算法各项指标更优,寻优效率更高,可以有效帮助轮式机器人完成规划任务。

一种精英反向学习的粒子群优化算法

为解决传统粒子群优化算法易出现早熟的不足,提出了精英反向学习策略,引入精英粒子,采用反向学习生成其反向解,扩大搜索区域的范围,可增强算法的全局勘探能力.同时,为避免最优粒子陷入局部最优而导致整个群体出现搜索停滞,提出了差分演化变异策略,采用差分演化算法搜索最优粒子的邻域空间,可增强算法的局部开采能力.在14个测试函数上将本文算法与多种知名的PSO算法进行对比,实验结果表明本文算法在解的精度与收敛速度上更优.

基于改进万有引力搜索算法的微网优化运行

微网为分布式电源并网提供了有效的技术途径,微网的优化运行是微网领域的重要研究课题。综合考虑经济成本、环境效益和网损等多个运行指标对微网的优化运行进行数学建模;通过引入反向学习机制、精英策略和全局记忆性,提出基于改进万有引力搜索算法的微网优化运行方法,并将其应用于解决多目标多约束的微网优化运行问题;最后,通过算例验证了所提出的算法的正确性和可行性。

应用精英反向学习的混合烟花爆炸优化算法

针对烟花爆炸优化(FEO)算法容易早熟、解精度低的弱点,提出了一种精英反向学习(OBL)的解空间搜索策略。在每次迭代过程中均对当前最佳个体执行反向学习,生成其动态搜索边界内的反向搜索种群,引导算法向包含全局最优的解空间逼近,以提高算法的平衡和探索能力。为了保持种群的多样性,计算种群内个体对当前最佳个体的突跳概率,并依据此概率值采用轮盘赌机制选择进入子种群的个体。通过在5组标准测试函数的实验仿真并与相关的算法对比,结果表明所提出的改进算法对数值优化具有更高的收敛速度和收敛精度,适合求解高维的数值优化问题。

带自适应精英扰动及惯性权重的反向粒子群优化算法

针对反向粒子群优化算法存在的易陷入局部最优、计算开销大等问题,提出了一种带自适应精英粒子变异及非线性惯性权重的反向粒子群优化算法(OPSO-AEM&NIW),来克服该算法的不足。OPSO-AEM&NIW算法在一般性反向学习方法的基础上,利用粒子适应度比重等信息,引入了非线性的自适应惯性权重(NIW)调整各个粒子的活跃程度,继而加速算法的收敛过程。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,提出了自适应精英变异策略(AEM)来增大搜索范围,结合精英粒子的反向搜索能力,达到跳出局部最优解的目的。上述2种机制的结合,可以有效克服反向粒子群算法的探索与开发的矛盾。实验结果表明,与主流反向粒子群优化算法相比,OPSO-AEM&NIW算法无论是在计算精度还是计算开销上均具有较强的竞争能力。

基于扰动的精英反向学习粒子群优化算法

针对粒子群算法容易陷入局部极值、进化后期收敛精度低的缺点,提出了一种基于扰动的精英反向学习粒子群算法。算法采用在粒子迭代的过程中,以一定的概率对当前的最优个体进行动态一般反向学习生成其反向解,引导粒子向最优解空间靠近;用一种非线性递减的方式改变惯性权重,以提高算法的收敛速度和收敛精度;采用扰动的方式增强算法的局部探索能力,帮助粒子跳出局部最优解。在14个标准函数上进行仿真测试,结果表明改进算法具有更高的收敛速度和收敛精度,能有效地避免陷入局部最优,适合求解函数优化的问题。

应用档案精英学习和反向学习的多目标进化算法

现实中的多目标优化问题日益复杂,对多目标优化算法提出了新的挑战.受混合多目标优化算法的启发,该文提出了一种应用档案精英学习和反向学习的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Archive-Elite Learning and Opposition-based Learning,AOL-MOEA)以解决困难的多目标优化问题.AOLMOEA算法利用档案精英学习算子增强算法全局搜索能力,促进算法较快收敛;运用动态一般反向学习机制代替变异算子以增加种群逃逸局部极值的机会;使用3-点最短路径方法维持解群的多样性.AOL-MOEA算法与另外5种代表性多目标优化算法在12个基准多目标测试函数上进行性能比较,实验结果表明:AOL-MOEA算法在收敛性、多样性和稳定性等方面均优于或部分优于其他的对比算法.

无惯性自适应精英变异反向粒子群优化算法

为解决反向粒子群优化算法计算开销大、易陷入局部最优的不足,提出一种无惯性的自适应精英变异反向粒子群优化算法(NOPSO)。NOPSO算法在反向学习方法的基础上,广泛获取环境信息,提出一种无惯性的速度(NIV)更新式来引导粒子飞行轨迹,从而有效加快算法的收敛过程。同时,为避免早熟现象的发生,引入了自适应精英变异策略(AEM),该策略在扩大种群搜索范围的同时,帮助粒子跳出局部最优。NIV与AEM这2种机制的结合,有效增加了种群多样性,平衡了反向粒子群算法中探索与开发的矛盾。实验结果表明,与主流反向粒子群优化算法相比,NOPSO算法无论是在计算精度还是计算开销上均具有较强的竞争能力。

一种精英反向学习的差分演化算法

为提高差分演化算法的性能,提出一种精英反向学习策略的差分演化算法.该算法以一定的概率通过反向学习生成种群中精英个体的反向解,引入一般化系数k,构造动态搜索边界下的反向群体形成反向搜索空间,之后同时评估当前种群与反向种群的解来指导算法的搜索空间向包含全局最优解的空间逼近,有利于均衡算法的勘探与开采能力.对13个典型的测试函数进行实验,将本文算法与5种代表性的差分演化算法进行对比,结果表明本文算法不仅在求解精度上更优,在收敛速度上也有非常大的优势.

自适应精英反向学习共生生物搜索算法

针对共生生物搜索算法在求解高维复杂问题时存在过早收敛,求解精度不高及后期搜索迟滞等问题,结合自适应思想,利用不同差分扰动项和精英反向学习策略对算法进行改进,得到一种改进的共生生物搜索算法。对14个标准测试函数的仿真实验结果进行分析,相比于原算法和其他三种目前流行的算法,改进算法在收敛速度和求解精度方面均具有明显的优势,寻优能力更强。

自适应精英反向学习的粒子群优化算法

针对标准粒子群优化算法易陷入局部最优、进化后期收敛速度慢和收敛精度低等缺点,提出一种自适应精英反向学习的粒子群优化算法.在迭代过程中,算法判断种群是否陷入局部最优,若陷入局部最优,则随机选择精英粒子的部分维度进行反向学习,且学习的维度空间大小随着进化呈线性递减,以此增强算法在进化前期的探索能力和后期的开发能力.在固定评估次数的情况下,实验对10个常用经典基准测试函数在30维上进行仿真测试,实验结果表明:改进算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于一些知名的改进粒子群优化算法.

应用精英反向学习的引力搜索算法

引力搜索算法是近年提出的一种颇具潜力的全局优化算法,已经成功应用到了各种工程实践中,然而它在求解复杂工程优化问题时容易出现早熟收敛问题。为了在一定程度上避免早熟收敛现象,提出一种应用精英反向学习策略的引力搜索算法(EOGSA)。在演化进程中,对当前种群中的每个个体分别执行精英反向学习策略,生成一个精英反向种群,并将生成的精英反向种群与当前种群同时进行竞争,选择出下一代种群。在一系列经典函数优化测试问题上的对比实验结果表明,EOGSA算法能够提高传统引力搜索算法的性能,在一定程度上避免早熟收敛的缺点。