疯狂自适应的正余弦乌燕鸥算法及应用

桥式起重机主梁优化是一个非线性的复杂约束优化问题,现有方法求解此问题时存在收敛缓慢、稳定性差、收敛精度低等问题。为克服此问题,提出一种疯狂自适应的正余弦乌燕鸥混合优化算法(CCASSTOA)。在乌燕鸥算法(STOA)中,引入Logistics混沌映射对STOA算法种群初始化,增加种群个体的多样性和迭代初期收敛速度;将惯性自适应权重和正余弦算法混合搜索策略引入到乌燕鸥位置更新公式中,增强了算法的全局搜索与局部搜索之间的平衡能力。将疯狂算子引入到乌燕鸥最优位置进行扰动,增强迭代后期种群的多样性,避免算法陷入局部最优。采用6个测试函数对CCASSTOA算法性能进行验证,结果表明:CCASSTOA算法优于其他五种元启发式优化算法,收敛精度高,稳定性好和鲁棒性强。将CCASSTOA算法应用在32t/22.5m的桥式起重机主梁轻量化设计中,可实现主梁截面面积减小约为31.45%。因此,CCASSTOA算法可有效地处理此类非线性的约束优化问题。

基于多策略麻雀搜索算法的机器人路径规划

通过多种策略对基本麻雀搜索算法(SSA)进行改进,以解决麻雀搜索算法后期由于种群多样性丢失而导致的全局优化精度和速度问题。首先,改进无限折叠迭代映射(ICMIC)初始化种群,将自适应分段步长因子引入麻雀探测器的位置更新公式中,使麻雀搜索算法观察者的固定比例系数随迭代次数动态变化。然后,将观察者的位置与新公式和正弦余弦算法(SCA)相结合,并干扰先前的观察者步长。最后,在基准测试函数上比较了改进的麻雀搜索算法(ISSA)、麻雀搜索算法(SSA)、鲸鱼算法(WOA)、灰狼算法(GWO)、改进的灰狼算法(CGWO)、正弦余弦算法(SCA)和粒子群优化算法(PSO)的收敛性和准确性,并将其应用于路径规划。实验表明改进的麻雀搜索算法具有良好的优化性能。

基于惯性权重调整的果蝇优化算法在WSN中的应用

目的:针对无线传感器网络随机部署节点的区域覆盖和传感器节点能量消耗问题,提出一种基于惯性权重余弦自适应调整策略的改进果蝇优化算法。方法:该算法在果蝇优化算法基础上,通过引入惯性权重的学习因子调整策略,在线调整算法的搜索步长。结果:增强了果蝇个体的自适应性及全局搜索能力,从而实现全局最优。结论:仿真实验表明,提出的改进果蝇优化算法不仅提高了收敛速度和全局搜索能力,还显著提升了WSN的覆盖率。

混合多策略改进的斑点鬣狗优化算法及应用

针对基本斑点鬣狗算法求解精度低、易陷入局部最优值等缺点,提出一种混合多策略改进的斑点鬣狗优化算法。通过Fuch混沌映射实现鬣狗种群的多样性,利用自适应惯性权重平衡斑点鬣狗算法的全局搜索和局部开发能力,引入拉普拉斯算子进行动态交叉操作,提高SHO算法跳出局部最优的能力,将小孔成像反向学习和逐维反向学习机制相结合,使种群更符合迭代规律,提高算法的收敛速度和寻优能力。通过若干基准函数的仿真实验进行比较,其结果表明,LPSHO具有更优越的寻优性能。将改进后LPSHO运用在机械优化设计和桁架结构优化工程问题上,与其它算法对比进一步表明LPSHO能够很好解决这类结构优化问题。

秃鹰搜索算法的优化及图像分类应用

针对秃鹰搜索算法(BES)存在求解的稳定性差且准确性低,鲁棒性差等缺点,提出了一种基于秃鹰搜索算法的新型算法(NBES).首先,在BES算法的选择搜索空间阶段融合正余弦优化机制算法,构建融合后的位置更新公式.其次,在BES算法的搜索空间猎物阶段加入惯性权重自适应位置更新策略.最后,在BES算法俯冲阶段融合萤火虫优化机制算法,重新定义位置更新公式.通过11个标准测试函数验证NBES算法性能,实验表明,NBES算法寻优准确性、收敛速度、鲁棒性都优于BES算法.为了验证新算法的实际应用价值,利用NBES算法优化卷积神经网络(CNN)中的超参数学习率,并将优化后的图像分类模型用于医学影像病理性分类预测,实验表明,经过优化的CNN模型分类精度提高9%.

基于混合策略改进SSA-SVM的工业用水量预测

为实现工业用水量预测和提高预测精度,引入混合策略对麻雀搜索算法(SSA)进行优化以提高全局搜索能力,采用改进后的麻雀搜索算法(ISSA)优化支持向量机(SVM)参数,建立基于混合策略改进麻雀搜索算法优化的支持向量机模型(ISSA-SVM),并将该模型应用于宁夏的工业用水量预测中。结果表明,ISSA-SVM模型寻优速度快、训练和预测精度高,将其应用于工业用水量预测中具有良好的适用性和可行性。

基于自适应反向学习秃鹰搜索算法的最优潮流计算

针对秃鹰搜索算法(BES)易陷入局部最优、全局搜索与局部开发难以平衡的缺点,引入反向学习策略,促使秃鹰个体进行竞争,结合柯西变异策略和自适应惯性权重因子,提出了一种自适应反向学习秃鹰搜索算法(AOBES),并将其引入最优潮流问题求解。IEEE30节点系统仿真结果表明,采用AOBES算法求解最优潮流问题具有寻优精度高、稳健性强等优势。

基于优化麻雀搜索算法的水下机器人路径规划研究

采用新颖的群智能仿生算法的优化麻雀搜索算法(ISSA)对水下机器人进行路径规划研究,并将麻雀算法适当优化:如选择Tent映射初始化麻雀种群提高发现者种群的质量,引入自适应惯性权重策略,可以根据需要动态调整惯性权重值的大小。同时考虑到算法后期的停滞问题,添加柯西变异来对适应度较好的个体进行突变,增加种群的多样性避免陷入局部最优。经过同等参数下的对比实验,论文所提出的改进麻雀搜索算法具有更高的搜索效率和更快的收敛速度,为路径规划问题带来新的思路。

改进拉格朗日松弛算法的机组组合研究

为提高计算效率,并针对传统拉格朗日松弛算法(LR)在优化过程中存在对偶间隙不能收敛的问题,提出了一种改进的拉格朗日松弛算法(LR CMSCA)以优化大规模机组组合问题。首先通过正弦余弦算法(SCA)优化拉格朗日乘子的更新路径,以缓解振荡现象;然后在SCA中引入柯西变异算子对当前粒子进行干扰,尽可能避免陷入局部最优,并引入自适应权重更新策略,使粒子更快逼近最优解;最后利用不同机组规模的电力系统进行仿真计算,并将计算结果与其他算法进行比较。结果表明,该方法在计算结果上具有优势,且有实际应用价值。

基于正弦余弦的自适应教与学优化算法

为了克服教与学优化算法求解精度低、早熟收敛问题,提出了一种新的基于正弦余弦的自适应改进教与学优化算法(ASCTLBO)。该算法在教学阶段,提出新的自适应教学因子,引入自适应惯性权重,使得当前个体向全局最优个体学习,增强了算法的局部搜索能力。在学习阶段利用正弦余弦函数的震荡变化性质对学习者个体位置进行自适应更新,维持种群的多样性,增强算法全局搜索能力。数值试验表明,提出的新算法是有效的,具有较好的收敛速度和求解精度。

一种自适应粒子群优化算法及其仿真研究

分析了粒子群优化(PSO)算法易于发生早熟收敛的原因。在此基础上提出的自适应粒子群优化(APSO)算法根据群体早熟收敛程度和个体适应值自适应地调整粒子的惯性权重,使群体在进化过程中始终保持惯性权重的多样性,在算法的全局收敛性和收敛速度之间做了一个很好的折衷。对两个经典函数仿真的结果表明APSO算法能够有效地避免PSO算法的早熟收敛问题,而且具有较快的收敛速度。

云自适应粒子群算法

文中提出了云自适应粒子群优化(CAPSO)算法,根据粒子适应度值把种群分为三个子群,分别采用不同的惯性权重生成策略,由X条件云发生器自适应调整普通子群粒子的惯性权重,由于云模型云滴具有随机性和稳定倾向性特点,使惯性权重既具有传统的趋势性,满足快速寻优能力,又具有随机性,在提高收敛速度和保持种群多样性之间做了一个很好的权衡。通过典型函数优化实验表明,与标准粒子群算法相比,CAPSO具有较高的计算精度和较快的收敛速度。

一种自适应模拟退火粒子群优化算法

为了提高粒子群算法的寻优速度和精度,避免陷入局部优解,提出一种自适应模拟退火粒子群优化算法。采用双曲正切函数来控制惯性权重系数,进行非线性自适应变化;利用线性变化策略控制社会学习因子和自我学习因子,达到改变不同阶段寻优重点的目的;引入模拟退火操作,根据种群的初始状态设置一个温度,根据米特罗波利斯准则和温度指导种群以一定的概率接受差解,保证了算法跳出局部最优解的能力。为验证这种算法的效果,选择7种典型测试函数与已有文献中提出的5种粒子优化算法进行对比实验,根据寻优结果的平均值、标准差以及迭代次数等数据,证明文中所提算法在迭代精度、收敛速度以及稳定性上都有很大的提升,有效地弥补了经典粒子群算法的缺陷。

自适应粒子群优化算法及其在测试数据生成中的应用研究

针对粒子群算法易陷入局部最优解及搜索精度低的问题,本文提出一种约简的自适应粒子群优化算法并应用于测试数据的自动生成.首先对粒子群进化方程约简,提出无速度项的粒子群进化方程;然后,对约简后的方程提出基于惯性权重的自适应调整方案,将惯性权重直接作用于粒子的位置,并根据粒子的适应度及聚集度将种群划分为三部分.实验表明,该方法可以有效地提高自动生成测试数据的效率.

基于logistic映射的自适应变尺度混沌粒子群算法

为克服粒子群优化算法(Particle Swarm Optimization,PSO)存在的缺陷,提出基于Logistic映射的自适应变尺度混沌粒子群优化算法(Adaptive Chaos PSO,ACPSO)。采用混沌方法对粒子进行初始化;根据不同状态下粒子适应值的大小对惯性权重采取不同的调整方法;异步变化的学习因子使粒子随着迭代步数的增加,避免粒子发生早熟收敛现象;当粒子陷入局部最优时,对部分较优粒子采用变尺度混沌局部优化策略。为了检验算法的有效性,将该算法与3种有代表性的算法进行比较,结果表明该算法收敛速度快,求解精度高。

融合隶属度函数的自适应惯性权重模式的粒子群优化算法

粒子群算法(Particle Swarm Optimization,PSO)的性能极大地依赖于其惯性权重参数的选择策略。当在一次迭代中更新粒子速度时,PSO忽略了粒子间的差异,在所有粒子上应用了相同的惯性权重。针对这一问题,提出一种自适应惯性权重的粒子群算法PSO-AIWA,有效合理地均衡PSO的全局搜索和局部搜索能力。根据当前粒子与全局最优粒子间的差异,算法可以通过基于粒子间距的隶属度函数动态调整粒子的惯性权重,使得每次迭代中,粒子可以根据当前状态在每个维度上的搜索空间内选择合适的惯性权重进行状态更新。在6种基准函数下进行了算法的性能测试,结果表明,与随机式惯性权重PSO算法与线性递减惯性权重PSO-LDIW算法相比,该算法可以获得更好的粒子分布和收敛性。

具有动态步长和发现概率的布谷鸟搜索算法

为了进一步改善算法搜索过程中存在的求解精度偏低、收敛速度缓慢等现象,提出具有动态步长和发现概率的布谷鸟搜索算法。该算法通过引入步长调整因子动态约束每一代种群的莱维移动步长,使算法的莱维飞行机制具有自适应性。在发现概率上,使用具有均匀分布和F分布特性的随机惯性权重,改变发现概率的固定取值,加强种群的多样性,保持算法全局搜索、局部探索之间的平衡状态。通过实验证明,所提算法具有良好的可行性,其寻优结果、收敛速度均有提高。

一种基于均值的云自适应粒子群算法

本文基于云理论把粒子群分为三个种群,用云方法修改粒子群算法中惯性权重,同时修改速度更新公式中"认知部分"和"社会部分",引入"均值"的概念,提出了一种基于均值的云自适应粒子群算法。该方法的最大优点是克服了粒子群算法在迭代后期,当一些粒子的个体极值对应的适应度值与全局极值对应的适应度值相差明显时,不能收敛到最优解的缺点。数值实验结果表明,该算法经过较少的迭代次数,就能找到最优解,且平均运算时间减少,降低了算法的平均时间代价。

一种自适应惯性权重的混合蛙跳算法

针对混合蛙跳算法(SFLA)易陷入局部最优、收敛速度慢的问题,提出一种改进的混合蛙跳算法。该算法用相对基学习法初始化青蛙群体,从而提高初始解的质量。通过引入自适应惯性权重修正青蛙的更新策略,可以平衡算法的全局搜索和局部搜索。对6个经典函数的仿真测试结果表明,该算法与SFLA和ISFLA1算法相比寻优能力强、迭代次数少、解的精度高,更适合高维复杂函数的优化。

基于改进粒子群算法的多目标最优潮流计算

针对电力系统多目标最优潮流计算问题,提出一种基于(非劣最优)Pareto解集的改进粒子群算法AL iPSO。用最优值评估选取法求取粒子和全局最优位置,解决目标函数间可能存在的冲突。并将关联度自适应学习应用于多目标优化,提出适合Pareto解特点的适应度设计和随机惯性权策略,克服PSO算法容易早熟而陷入局部最优解的缺点。通过对IEEE 6、IEEE 14节点系统多目标最优潮流计算,验证了该算法的有效性。