An improved adaptive differential evolution algorithm for single unmanned aerial vehicle multitasking

Single unmanned aerial vehicle(UAV)multitasking plays an important role in multiple UAVs cooperative control,which is as well as the most complicated and hardest part.This paper establishes a threedimensional topographical map,and an improved adaptive differential evolution(IADE)algorithm is proposed for single UAV multitasking.As an optimized problem,the efficiency of using standard differential evolution to obtain the global optimal solution is very low to avoid this problem.Therefore,the algorithm adopts the mutation factor and crossover factor into dynamic adaptive functions,which makes the crossover factor and variation factor can be adjusted with the number of population iteration and individual fitness value,letting the algorithm exploration and development more reasonable.The experimental results implicate that the IADE algorithm has better performance,higher convergence and efficiency to solve the multitasking problem compared with other algorithms.

基于概率精英差分和自适应黄金正弦的鲸鱼优化算法

针对鲸鱼优化算法收敛速度慢和寻优精度低的缺点,提出一种基于概率精英差分和自适应黄金正弦的鲸鱼优化算法。基于最大最小思想优化拉丁超立方体抽样来初始化鲸鱼种群,使初始种群分布更加均匀,拥有更好的全局搜索能力;提出融合余弦自适应算子的黄金正弦算法改进鲸鱼的螺旋更新,加快收敛速度,提高收敛精度;设计概率精英差分变异方法并进行贪婪选择,优化算法流程,增强算法跳出陷入局部最优的能力。选取4个单峰测试函数、4个多峰测试函数和5个多最优解的多模态测试函数与主流优化算法进行对比实验,实验结果表明,该算法具有更高的寻优精度、更快的收敛速度以及更优的全局搜索能力,通过消融实验验证了该算法改进策略的有效性。

基于NSGA-III算法求解柔性作业车间调度问题

针对多目标柔性作业车间调度问题,提出一种改进NSGA-Ⅲ算法,以完工时间、机器总负荷、瓶颈机器负荷为目标建立调度模型。首先,为提高种群的多样性,提出一种基于惩罚的边界相交距离定义关联操作中种群个体与参考向量之间的距离;其次,为提高环境选择的计算效率,利用基于惩罚的边界相交距离消除机制来保护个体,降低了个体保护策略的计算成本;最后,为避免种群陷入局部最优,在遗传算子中采用一种改进的变异策略。运用两个评价指标与NSGA-Ⅲ算法进行比较,其收敛性与多样性均由于NSGA-Ⅲ算法。同时在4个Kacem算例上进行测试得出改进NSGA-Ⅲ算法解的质量较高,最后通过实际的生产实例证明改进的NSGA-Ⅲ算法优于或等同于现存在的方法,也证明了该方法在解决多目标柔性作业车间调度难题上的可操作性。

混合整数优化问题的差分进化算法研究

为求解混合整数优化问题,提出了混合整数差分进化算法(Mixed Integer Differential Evolution,MIDE)。该算法结合整数变量的特点,为整数类型变量设计了专用的变异算子,使整数变量可以在差分进化算法中直接进化;为了维持种群多样性,采用了灾变策略;采用双编码方式,使整数变量与连续变量并行进化,进而提出了混合整数差分进化算法。通过与其它混合整数优化算法的比较,证明该算法具有较好的收敛速度、全局收敛性及算法稳定性等优点。

基于差分进化算法的瞬变电磁一维反演

实际采集的瞬变电磁数据包含电磁感应和激发极化效应,如何准确提取电阻率和极化率信息是电性源瞬变电磁数据处理的关键。首先,基于Cole⁃Cole复电阻率模型实现有限长电性源瞬变电磁法一维正演,在此基础上提出一种基于差分进化算法的电性源瞬变电磁一维反演方法。然后,在传统差分进化算法的基础上引入反向学习策略及控制参数自适应调节,加快反演的收敛速度,同时在目标函数中引入约束条件,构成最小构造反演,降低反演的多解性。最后,基于典型的三层地电模型和复杂多层模型进行理论模型测试,反演结果可有效恢复模型的电阻率和极化率。利用实测资料进行反演,反演得到的电阻率与OCCAM反演电阻率基本一致。在此电阻率约束的基础上,进一步反演得到极化率信息。反演结果准确地提取了实测数据中的电阻率信息,得到了地下介质的极化率分布,证明了算法的准确性和适用性。

基于改进帝王蝶算法的最大似然DOA估计

针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。IMBO算法通过精英反向学习策略对初始帝王蝶种群进行优化,得到适应度值较优的初始帝王蝶个体,进而能够改善帝王蝶种群的多样性;引入差分进化算法启发的变异操作以及自适应策略对帝王蝶个体的寻优方式进行改进,扩大了算法的搜索空间;引入了高斯-柯西变异算子,自适应调整变异步长,避免算法陷入局部最优。将IMBO应用于ML-DOA,实验表明,与传统的DOA估计算法相比,在不同信源数目、信噪比以及种群数量下,本文提出的算法收敛性能更好,均方根误差更低,运算量更小。

基于改进差分进化算法的自由曲面测量路径优化

为解决传统差分进化算法存在收敛速度慢、易陷入局部最优解以及由于个体选择的随机性导致求优稳定性差的问题,文章通过引入多重启动策略,多次运行算法并使用不同的随机种子,增加算法对空间的探索性,在一定程度上解决算法易陷入局部最优解问题;通过使用新的突变策略,在求优稳定性提高了约10%;通过引入参数自适应调节机制,动态地调整算法参数的取值,使收敛速度提高了约10%,并提高了算法的鲁棒性。

一种基于改进差分进化的K-Means聚类算法研究

为改进传统K-Means聚类算法中因随机选取初始聚类中心而导致聚类结果不稳定且效率低的缺点,提出一种基于改进差分进化的K-Means聚类算法(AGDE-KM)。首先,设计自适应操作算子来提升算法前期的全局搜索能力和后期的收敛速度;其次,设计多变异策略并引入权重系数,在算法的不同进化阶段发挥不同变异策略的优势,平衡算法的全局和局部搜索能力,加快算法的收敛速度;最后,提出一种基于当前种群最佳个体的高斯扰动交叉操作,为个体提供更优进化方向的同时保持种群在“维”上的多样性,避免算法陷入局部最优。将算法停止执行时输出的最优解作为初始聚类中心替代传统K-Means随机选取的聚类中心。将提出算法在UCI公共数据库中的Vowel、Iris、Glass数据集和合成数据集Jcdx上进行对比实验,误差平方和(SSE)相对于传统K-Means分别减小5.65%、19.59%、13.31%、6.1%,聚类时间分别减少83.03%、81.33%、77.47%、92.63%。实验结果表明,提出的改进算法具有更快的收敛速度和更好的寻优能力,显著提升了聚类的效果、效率和稳定性。

基于群体划分的冠状病毒群体免疫优化算法

针对冠状病毒群体免疫优化(CHIO)算法收敛速度慢、求解精度低的问题,提出一种基于群体划分的冠状病毒群体免疫优化(SD-CHIO)算法.基于适应度均匀原则将初始群体划分为两部分,即全局寻优个体与局部寻优个体.对于全局寻优个体,在其位置更新中加入差分变异与漫反射变异策略,分别用来增强全局寻优个体之间的交流与群体多样性,从而提高算法的全局搜索能力.对于局部寻优个体,在其位置更新中引入一种自适应快速收敛策略:基于增量法进行精英预测,并加入一种自适应收敛系数使局部寻优个体能快速收敛至精英解,以提升算法的局部搜索能力.数值实验表明:SD-CHIO能够有效提高原算法的收敛速度与精度,并表现出明显优于其他元启发式算法的全局与局部搜索能力以及一定的工程价值.

融合差分教学优化的粗糙集属性约简算法

针对传统粗糙集理论在属性约简中存在计算复杂度高、易陷入局部最优解等问题,结合差分教学优化算法的全局搜索能力和粗糙集在处理不精确和不确定数据方面的优势,提出融合差分教学优化的粗糙集属性约简算法(rough set attribute reduction algorithm based on differential teaching-learning optimization, AR-DTLBO)。首先,引入自适应教学因子和差分变异策略对教学优化算法进行改进,提高算法的搜索能力和优化性能;其次,通过改进后的教学优化算法“教”和“学”两个阶段对属性约简过程进行优化,降低了数据集的维度和复杂性;最后,在UCI数据库中的8个数据集上将所提算法和其他六种算法进行对比实验。实验结果表明,该算法在约简长度、约简时间、约简率和分类精度上均取得了良好的效果,实现了对数据集的有效约简和优化,能够有效减少冗余信息并提高决策规则的准确性,为决策分析和数据挖掘等领域提供了有效支撑。

基于多自适应算子的改进差分进化算法

差分进化(DE)算法是一种原理简单且性能优良的智能算法。因其涉及参数较少、计算结果精确性较高、鲁棒性较强,在实际应用中被广泛使用。但DE算法容易陷入局部最优解,且种群变异速度与结果依赖于变异和交叉参数设置。因此,文中提出一种自适应改进差分进化算法,通过控制初始化种群和自适应参数,有效提升了算法的寻优能力。将该算法在十一个测试函数上进行测试,并与四种具有代表性的算法(CLPSO、DE、jDE、SDE)进行比对,结果表明,该算法在问题求解准确度上具有优势,并显示出了较好的鲁棒性。

基于改进鲸鱼优化算法的分数阶PID参数整定

该文提出了一种自适应混合策略鲸鱼优化算法(adaptive mixed strategy whale optimization algorithm,AMSWOA)用于分数阶PID控制器的参数整定。该算法基于鲸鱼优化算法进行改进,引入Tent混沌序列用以提高WOA的种群多样性、全局搜索能力和收敛速度;同时,采用了收敛因子非线性变化策略,并引入自适应权重以克服算法陷入局部最优解的问题;高斯变异的加入则有助于提高算法的搜索精度和寻优性能。通过在MATLAB/Simulink环境下验证整数阶和分数阶系统的被控对象,并与鲸鱼算法、灰狼优化算法及粒子群优化算法进行比较,证实了该文的AMSWOA算法对求解分数阶PID控制器参数整定问题的有效性和实用性。

一种用于DBMS模糊测试的自适应变异策略

数据库管理系统(DBMS)被广泛应用于各个领域,并在其中发挥着不可替代的作用.因此发现DBMS中的bug,防止其被攻击者利用至关重要.为了检测DBMS中潜藏的bug,研究者提出了DBMS模糊测试技术.使用这项技术,研究者成功在DBMS中发现了大量bug.然而现有的DBMS模糊测试技术依然存在一定的局限性.现有的技术在对SQL语句的抽象语法树(AST)进行变异时,没有根据不同节点和变异结果的重要性分配计算资源,而是采取了一种平均分配的策略,这降低了测试的效率.为了解决这个问题,本文提出了一种使用基于语法信息的变异方法的自适应变异策略.这种变异策略能够自动计算不同节点和变异结果的重要性,并根据重要性为更重要的操作分配更多的计算资源.基于语法信息的变异方法可以将变异操作与变异结果直接关联,消除了变异操作和变异结果之间的偏差.我们在一种新的DBMS模糊测试工具Pinecone中实现了这种变异策略,并使用Pinecone对两款广泛使用的DBMS进行测试.实验证明,与Squirrel相比,Pinecone在MariaDB和MySQL中发现的路径数分别提升了4.52%和19.4%,位图覆盖率分别提升了15%和13.8%,发现的Bug数量提升了26.7%和75%,这证明了本文提出的方法可以有效提升模糊测试的效率.

改进差分进化算法求解带容量约束车辆路径问题

针对带容量约束车辆路径问题(CVRP),提出了一种改进差分进化算法(IDE)。首先,在变异、交叉操作过程中提出一种新的扰动策略,同时设计两类不同的邻域搜索算子,加快算法收敛速度;其次,设计一种多样性保护策略,以防止算法后期种群单一化;最后,基于个体、整体收敛性设计两种惩罚因子,对不可行解作出有效的惩罚。通过对三组CVRP问题实例进行仿真实验分析,并将求解结果与其他算法相比较,验证了所提算法的有效性。

基于原子范数的非均匀阵列到达角估计

在雷达系统中,天线阵列至关重要。非均匀阵列能减少天线阵元使用,带来更高的自由度,但由于其阵元位置不规则排布在到达角(DOA)估计、空间频谱计算等方面存在难题,难以满足雷达目标跟踪、声源估计等场景中高精度和快速DOA估计的需求。针对该问题,文中在ℓ_(0)原子范数的基础上提出基于Circle混沌映射的并行无网格DOA估计算法。该算法通过并行处理目标函数的同时进行群体寻优,引入自适应策略进行模型精英学习和状态评估,随后增加变异算子实现全局最优解寻找,从而实现了非均匀阵列信号快速DOA估计。仿真验证表明,相对于常见DOA估计算法,该算法可以获得较小的均方根误差(RMSE),同时实现更精确的角度估计和更少的计算复杂度。

双模型驱动的多偏好策略自适应差分演化算法

为增强代理模型辅助进化算法对高维昂贵优化问题的求解性能,提出了一种双模型驱动的多偏好策略自适应差分演化算法。该算法基于全局和局部两种代理建模方法,有机融合了3种具有不同寻优偏好的进化策略。每次迭代,通过利用优化过程中最优解在线更迭反馈信息,以序贯方式自适应调整不同进化策略调用频次,以高效平衡算法的全局勘探和局部开采。为促进种群内个体间优秀信息共享,设计了一种精英个体驱动的差分扰动策略,以增量潜在优解区域的最优样本先验。通过处理26个不同规模的高维基准测试问题,结果表明,所提算法的收敛性能和优化效率较4种先进的同类型算法在至少17个测试问题上绝对占优。

基于精英引导的改进哈里斯鹰优化算法

针对哈里斯鹰优化算法(HHO)易陷入局部最优和收敛速度慢的问题,提出一种基于精英引导的改进哈里斯鹰优化算法(EHHO)。首先,引入精英反向学习,以精英中心为对称中心进行反向学习来优化种群结构,增强算法跳出局部最优的能力;其次,引入精英演化策略,以精英个体为主体进行基于高斯随机突变的演化来提升种群质量,加快算法收敛速度;最后,引入自适应机制,动态调整精英演化策略中2种演化方式的选择概率,以提升算法稳定性。为验证改进算法的有效性,选取15个基准函数进行仿真实验。实验结果表明,改进算法在寻优性能和鲁棒性上均有明显提升,在优化算法中具有一定竞争力。

基于改进蛇优化算法的WSN覆盖优化研究

为解决无线传感器网络中节点随机部署易出现分散不均、低覆盖率等问题,提出一种改进蛇优化算法的WSN覆盖优化算法。首先,使用Circle映射种群初始化增强种群的多样性,并在蛇的探索阶段使用自适应螺旋搜索算法增大搜索范围。其次,通过引入黑寡妇算法中的信息素解决蛇的开发阶段易陷入局部最优解,并使用差分进化策略提高寻优的能力。最后,将改进蛇优化算法应用到传感器节点的部署中,利用传感器的覆盖模型确定最大的覆盖率。实验表明,改进后的算法能有效提升节点覆盖率,扩大WSN覆盖范围,从而减少节点能耗并延长网络寿命。

嵌入翻筋斗策略的自适应秃鹰搜索算法及其应用

针对秃鹰搜索算法(BES)容易陷入局部最优与求解精度低等问题,本文提出一种改进的秃鹰搜索算法。首先,通过Circle混沌序列取代原始算法中随机产生的初始种群,提升了初始种群的多样性;其次,在算法搜索选择空间阶段中,结合自适应权重对秃鹰个体位置进行更新,平衡算法的搜索与开发能力;最后,利用翻筋斗觅食策略更新后续阶段秃鹰领导者个体位置,并融入精英差分变异增强算法跳出局部最优的能力。在多个标准测试函数进行对比仿真实验,并应用改进算法对随机森林分类参数进行优化,实验结果表明,改进后的算法在求解效率方面有较大提升,且求解精度与分类准确率也优于传统算法。

自适应差分变异的人工鱼群算法

针对人工鱼群算法存在的全局搜索能力欠缺,鲁棒性差及易陷入局部极值等不足,提出一种自适应差分变异的人工鱼群算法(ADMAFSA).首先,该算法采用自适应视野和步长策略,改善种群个体在较优区域的精细搜索能力,提升算法的寻优精度.其次,在人工鱼群的随机行为中引入反向学习机制,通过发掘潜在的寻优空间,提高算法的全局搜索性能,避免算法早熟收敛.最后,借鉴差分进化算法对质量较差的人工鱼进行变异操作,从而增加鱼群的多样性,降低算法陷入局部极值的可能性.为验证改进算法的性能,本文对6个基准测试函数和8个CEC2019函数进行仿真,与其他AFSA变体、新型智能算法进行对比,实验结果表明,ADMAFSA在寻优精度和鲁棒性方面均有所提高.最后,在齿轮系设计问题上,进一步证明了改进算法具有较好的优化效果.