结合精英初始化和K近邻的蛇优化算法

蛇优化算法(SO)是一种受自然界中蛇生存行为启发产生的元启发式优化算法。原始蛇优化算法存在收敛速度慢、易陷入局部最优的问题,因此提出了一种结合精英初始化和K近邻的改进蛇优化算法(elite initia-lization and K-nearest neighbors improved snake optimizer,EKISO)。首先,为了提高初始种群质量,在种群初始化阶段提出精英初始化的方法,根据种群精英个体产生优质初始种群个体;其次,通过振荡因子优化螺旋觅食策略扩大全局勘探阶段的搜索范围、提高算法的局部逃逸能力;最后,在局部开发阶段提出K近邻思想的位置更新方法,增强种群个体之间的信息交互能力,从而加快收敛速度、提高收敛精度。利用14个经典测试函数和4个CEC2017测试函数将该方法与其他7种优化算法进行对比,证明EKISO收敛速度更快、精度更高且不易陷入局部最优。为了进一步验证EKISO的实用性与可行性,将EKISO应用于压力容器设计问题中,通过实验对比分析可知,EKISO在处理实际优化问题上具有一定的优越性。

遗传算法能量分析中初始化与变异机制研究

人工智能与侧信道密码分析相结合,给密码分析学带来了新的研究方向。近十年来,遗传算法被引入侧信道分析,国际上出现了一系列相关研究成果。然而,现有基于遗传算法的相关能量分析存在局部最优问题,使整个分析过程的效率偏低。本文旨在建立局部最优与成功率之间的关系,选取科学的初始化与变异机制,以显著提升使用人工智能算法开展侧信道分析的效率。我们首先探究了遗传算法能量分析成功、以及陷入局部最优的本质原因,随后从初始化机制、变异机制两个角度尝试克服局部最优问题,引入随机初始化、相关能量分析初始化、随机字节变异、基于密钥适应度排名的启发式变异等四种机制进行组合对比。通过参数选取、成功率对比、计算代价对比等多次实验得到结论:相关能量分析初始化结合随机字节变异的方法具有最高的成功率,同时计算代价也最小。与此同时,本文总结了遗传算法相关能量分析方法不适用于软件实现、难以分析大位宽运算、攻击防护对策时复杂度高、信噪比低时复杂度高等局限性问题,建议密码硬件计算过程中尽量不要将以字节或比特为单位计算的值存入寄存器,以防护遗传算法类能量分析攻击,并对未来工作进行了展望。我们认为,新方法在分析无防护硬件实现的分组密码算法时具有较高的实用性,建议应用于实际的侧信道分析测评工作。

鹈鹕初始化的灰狼算法在工程优化上的应用

为了进一步提高灰狼算法(Grey Wolf Optimization, GWO)的开发能力和勘探能力,提出一种鹈鹕算法(Pelican Optimization Algorithm, POA)初始化灰狼位置的算法(POAGWO)。POAGWO算法利用POA算法来优化GWO算法的初始位置,这有助于增强POAGWO算法的开发能力和勘探能力。然后,通过不同类型的单峰,高维多模态和固定维多模态的6个典型的测试函数对算法的性能进行测试。测试结果表明POAGWO算法在开发能力和勘探能力上都超过了POA算法和GWO算法,并且从6个迭代曲线图中也可以看出改进后的算法可更快地趋向于全局最优解。最后将POAGWO算法应用于4个工程优化设计问题中,应用结果表明POAGWO算法具有很好的求解性能。

基于混沌初始化和自适应惯性权重及柯西变异的多策略海洋捕食者算法

针对海洋捕食者算法在搜索寻优过程中存在收敛速度慢和寻优精度低等问题,提出混沌初始化和自适应惯性权重及步长因子的多策略海洋捕食者算法。首先采用混沌映射的种群初始化操作,有寻优速度快、精度高的特点,有助于平衡局部最优和全局最优。其次采用根据迭代次数自适应改变惯性权重的策略,以更好地平衡全局搜索能力和局部搜索的精细程度。然后采用柯西分布变异,增强算法跳出局部最优和全局搜索的能力。最后在5个测试函数上对该算法进行仿真实验,并与其他4种群智能算法在高维和低维上进行比较和分析,验证了改进算法有更强的收敛能力和寻优能力。

蚁群算法中系统初始化及系统参数的研究

蚁群算法作为近年来一种新的模拟进化算法具有较强的发现解的能力,但同时也有收敛慢、耗费时间的缺点.本文针对各种不同规模的TSP问题,通过实验对各参数的设置做了研究,并对蚂蚁初始化提出了新的算法,并进行了实验验证.

基于蚂蚁算法和遗传算法的同步时序电路初始化

本文针对时序电路的初始化提出一种新的实现方法 .在电路没有设置一个总复位信号的情况下 ,必须使得电路状态由未知变为已知 ,电路才能正常工作 .本文用逻辑初始化方式 ,通过将蚂蚁算法和遗传算法交叉生成初始化序列 ,最大限度地初始化触发器 ,实现电路的初始化 .实验结果表明 。

一种基于广度优先搜索的K-means初始化算法

K-means算法是在现实应用中非常广泛的聚类算法,K-means算法对初始中心的选择非常敏感,对已存在的有代表性的初始算法进行了研究,提出了一种基于广度优先搜索的K-means初始化算法。该算法综合考虑了密度与距离因素,选择初始点。分析表明该算法选择的初始点非常接近期望的中心点。

启发式初始化独立的k-均值算法研究

针对传统k-均值算法对初始聚类中心敏感的问题,提出了启发式初始化独立的k-均值算法。该算法引入prim算法选择k个初始聚类中心,且通过设置阈值参数θ,避免同一类中的多个数据对象同时作为初始聚类中心,否则将导致聚类迭代次数增加,并得到错误的聚类结果。与传统的k-均值算法和基于遗传算法的k-均值聚类算法相比,实验结果表明改进的算法不仅降低了初始聚类中心选取的随机性对聚类性能产生的影响,有效减少了聚类迭代次数,而且降低了离群点对聚类性能的影响,从而验证了算法的可行性和有效性。

基于倒三谱初始化的Bussgang类盲均衡算法研究

水声通信信道带宽非常有限。与自适应均衡算法相比,盲均衡算法不需要训练序列而节省了带宽,特别适合于高速水声通信和多点通信。Bussgang 类盲均衡算法计算简单,但收敛速度慢,且对权向量的初始化很敏感。不恰当的初始化会造成算法收敛到局域极小值。多谱类盲均衡算法收敛速度快,且是全局最优的,但计算量大,不利于硬件实现。本文利用倒三谱,根据倒三谱累积量方程,由一般数据计算得到倒谱参数,从而直接估计出均衡器参数,对Bussgang类算法进行初始化,大大加快了算法的收敛速度,保证了算法收敛到最优。通过对浅海信道均衡的计算机仿真,证明了该方法的有效性。

旋转控制固定鸭舵的导航初始化与控制算法研究

针对制导迫击炮弹的固定翼鸭舵导航初始化,设计了基于GPS信息的衰减记忆法扩展卡尔曼滤波算法,用于实时求解固定翼鸭舵的气动力合成矢量,然后结合固定翼鸭舵的气动数学模型,设计了固定翼鸭舵的导航初始化算法。并在直流电子负载系统的基础上设计了鸭舵的旋转控制算法,通过仿真试验验证了依靠GPS提供的位置速度信息和鸭舵滚转角速度信息可以快速实现固定翼鸭舵的导航初始化,为旋转控制固定翼鸭舵的工程应用,提供了理论参考。

高斯混合模型聚类中EM算法及初始化的研究

EM算法是参数估计的重要方法,其算法核心是根据已有的数据来迭代计算似然函数,使之收敛于某个最优值。EM算法收敛的优劣很大程度上取决于其初始参数。运用EM算法来实现高斯混合模型聚类,如何初始化EM参数便成为一个关键的问题。在比较其他的初始化方法的基础上,引入“binning”法来初始化EM。实验结果表明,应用binning法来初始化EM的高斯混合模型聚类优于其它传统的初始化方法。

基于局部递归的动态多点初始化请求集生成算法

如何在保证请求集长度不显著增加的情况下使时间复杂度尽量减小,是对称分布式互斥请求集生成算法研究者必须解决的问题。通过动态增加初始化节点的方法,采用局部递归的方式设计了一种新的对称分布式互斥请求集生成算法。该算法能够保证请求集长度与其长度下限比较不会显著增加,而时间复杂度比WK算法及全局递归算法有显著下降。因此,通过对请求集本身特性的研究,能够部分解决请求集长度与请求集生成算法时间复杂度之间的矛盾。

基于蚂蚁算法的同步时序电路初始化研究

如何实现同步时序电路的初始化是时序电路测试中的关键问题。本文针对时序电路的初始化提出了一种新的方法。在电路初始状态未知的情况下 ,用逻辑初始化方式 ,通过采用蚂蚁算法生成最短的测试序列 ,最大限度地初始化电路的触发器。实验结果表明 ,在耗费极少时间及占用很小内存的情况下 ,针对ISCAS’89(包括Addendum’93 )

κ-均值算法的初始化方法综述

k-均值问题自提出以来一直吸引组合优化和计算机科学领域的广泛关注,是经典的NP-难问题之一.给定N个d维实向量构成的观测集,目标是把这N个观测点划分到k(≤N)个集合中,使得所有集合中的点到对应的聚类中心距离的平方和最小,一个集合的聚类中心指的是该集合中所有观测点的均值.k-均值算法作为解决k-均值问题的启发式算法,在实际应用中因其出色的收敛速度而倍受欢迎.k-均值算法可描述为:给定问题的初始化分组,交替进行指派(将观测点分配到离其最近的均值点)和更新(计算新的聚类的均值点)直到收敛到某一解.该算法通常被认为几乎是线性收敛的.但缺点也很明显,无法保证得到的是全局最优解,并且算法结果好坏过于依赖初始解的选取.于是学者们纷纷提出不同的初始化方法来提高k-均值算法的质量.现筛选和罗列了关于选取初始解的k-均值算法的初始化方法供读者参考.

解WTA问题群智能优化算法的种群初始化问题研究

为提高解武器—目标分配问题(WTA)的群智能优化算法初始种群性能,从提高初始种群多样性的角度提出了基于密码筒的种群初始化方法,从提高初始种群解质量的角度分别提出了基于目标威胁—打击效果混合排序的种群初始化方法和装甲分队战术种群初始化方法。最后,通过一系列不同规模WTA算例的仿真实验对初始化方法进行评估,结果表明三种种群初始化方法均达到了设计要求,且各具优势。

初始化对交通元胞自动机模型稳定性的影响

针对现有交通元胞自动机模型运行初始不稳定,数据输出存在较长时间的初始波动问题,基于Fisher-Yates算法原理,设计出一种新的交通流初始化方法。该方法可以确保车辆从进入元胞空间到随后的演化更新,其位置及更新时机的随机性。通过对采用新交通流初始化方法的模型进行演化实验,结果表明:任意空间占有率条件下交通流的初始波动区间都在50步以内;当演化更新总步数达到3600步时,模型剔除初始波动区间的输出数据已充分收敛,这时模型运行已足够稳定。

动态的模糊K-Modes初始化算法

模糊K-Modes聚类算法针对分类属性的数据进行聚类,使用爬山法来寻找最优解,因此该算法对初始值较为敏感。为了克服该缺点,提出一种动态的模糊K-Modes初始化算法,该方法能够自动确定聚类数目,以及对应的聚类中心;而且能够应用于数值属性和分类属性相混合的数据集。该初始化算法可以有效地克服模糊K-Modes算法对初值的敏感性。实验的结果表明了该初始化算法的可行性和有效性。

一种前馈过程神经元网络初始化方法及改进学习算法

分析了前馈过程神经元网络初始化对其训练速度的影响。提出了一种前馈过程神经元网络初始化方法,该方法将阈值初始化为时间积分运算的均值,可消除网络初始化不当的影响。提出了改进的网络学习算法,采用与初始化相似的方法修正阈值,可加快前馈过程神经元网络的训练速度。以时变信号分类为例,仿真验证了初始化方法及改进学习算法的正确性和有效性。

遗传算法模拟生物多序列比对之初始化的改进

针对应用遗传算法求解生物多序列比对问题的初始化进行了改进.初始种群是遗传算法构造的一个关键部分,本文根据多序列比对的生物特性,在初始种群中的个体中插入连续空位,优化初始种群的个体质量;并在初始种群中加入一定比例的在线比对工具MAFFT优质种子,优化初始种群的整体质量.通过数值模拟实例结果显示,经过这两个优化处理可以生成更高质量的初始种群,得到更好的比对结果,提高多序列比对的计算效率.

差异进化算法初始化的小波神经网络盲均衡

利用小波神经网络实现盲均衡最大的难题之一就是网络参数的初始化问题,文中提出了一种采用差异进化算法进行网络参数初始化方法。结合常数模盲均衡算法设置适应度函数,并将尺度因子和平移因子以及网络连接权值进行实数编码,以接收数据对网络进行优化设计,获得一组渐近最优的网络初始化参数,在此基础上以传统梯度下降算法对信号进行均衡接收。计算机仿真证明基于差异进化算法初始化的小波神经网络盲均衡有效提高了均衡性能。