路灯人影和离家出走改进的黑猩猩优化算法

为提高黑猩猩优化算法(ChOA)的求解精度和局部极值逃逸能力,提出一种路灯人影和离家出走改进的黑猩猩优化算法(SSR-ChOA)。首先,采用SPM混沌序列初始化种群,增加初始种群分布均匀性。其次,由夜间路灯下人影变化的物理现象设计一种新的光学类改进方式——路灯人影,用于优化原有ChOA算法开发精度不高问题。同时设计一种名为离家出走的全局优化策略,使普通黑猩猩个体拥有更强的主动探索能力,避免因领导者判断错误陷入局部极值而导致整个种群搜索停滞、过早收敛。测试了25个基准测试函数和CEC2014测试函数,对比了ChOA算法、4种不同类型改进ChOA算法以及粒子群等算法,分析了改进策略有效性。最后,对航拍无人机飞行路径中存在高耸电塔、信号塔的应用情景进行了研究,验证了SSR-ChOA有效性。实验结果表明,SSR-ChOA与ChOA和4种改进ChOA对比不仅具有显著性差异,而且在寻优精度和稳定性上表现更佳。无人机3D路径规划上,SSR-ChOA平均总开销相比ChOA减少3.06%。

融合无迹sigma点变异和交叉反向的鹈鹕优化算法

针对鹈鹕优化算法(POA)在寻优过程中存在寻优速度慢、精度低以及易陷入局部最优等问题,提出了一种融合无迹sigma点变异和交叉学习的鹈鹕优化算法(MPOA)。使用随机反向学习策略对种群中劣势群体产生随机反向解,引入无迹sigma点对其反向解进行变异,增强算法在搜索域可见范围内精细开发,避免算法陷入局部最优;利用Levy飞行的随机性对交叉反向策略进行改进,动态探索丰富个体寻优过程,保持算法多样性,增强算法全局搜索能力;引入非线性收敛因子来平衡算法的开发和勘探能力,利用基于SPM的混沌序列扰动非线性收敛因子以增加解的多样性,避免算法在后期陷入局部最优,增强算法稳定性。利用12个基准测试函数、秩和检验和CEC2021函数进行实验仿真,对比分析寻优效果可知,改进算法具有更强的全局搜索能力和更快的寻优速度。将MPOA算法用于优化长短期记忆网络(LSTM)模型的参数,并应用于气候变化预测任务,与其他六种群智能算法优化的LSTM模型进行对比,结果表明,MPOA-LSTM模型具有更好的预测精度。