Russian roulette优化小波算法在X射线荧光光谱去噪中的应用

小波去噪是效果较好的去噪算法,小波函数和分解等级的选择对去噪质量影响很大,但利用小波函数对X射线荧光光谱去噪存在优化困难。针对这一问题,提出了一种基于Russian roulette优化小波算法用于X射线光谱去噪。以土壤中Cr、Mn、Co、Ni、Cu、Zn、As、Pb等8个重金属元素定量模型的决定系数(R2)求和为优化目标,通过Russian roulette优化策略更新小波函数和分解等级,经过设定的迭代次数后,选出实际土壤样品光谱较优的小波函数和分解等级。该方法在55个国家标准物质土壤样品的30 s测量的X射线荧光光谱进行验证,优化后8个元素的R2均有所提高,8个元素的定量模型R2之和从7.8383增大到7.8704。这将为小波去噪在X射线光谱的元素快速测量提供一种可选择的方案。

基于改进实数遗传算法的桑叶采摘机结构参数优化

针对遗传算法在求解桑叶采摘机结构优化问题时容易陷入局部最优和求解精度低等问题,提出一种改进实数遗传算法。首先是给出一种基于序的组合适应度函数的轮盘赌选择算子,该算子在轮盘赌的基础上,通过一个自适应变化的参数在两种适应度函数中选择一个,再去计算适应度值;然后设计一种基于方向的改进启发式交叉算子,该算子既保留两个父代个体中较优个体对子代个体的影响,又增加种群中最优个体对子代个体的影响,提高交叉产生有潜力子代的可能性。接着将改进算法应用于摇杆式桑叶采摘机的优化参数设计中,通过与其他算法作仿真对比试验验证算法的优越性,获得采摘机最优参数组合:行走结构速度为24 mm/s、拨动结构角速度为1.2 rad/s、采摘结构速度为440 mm/s,并由运行结果可知整机性能与优化前相比提高13%。最后用优化得到的参数组合进行实地试验,结果显示桑叶采摘机性能提升10.9%,误差较小为2.1%。可见,所提改进实数遗传算法是优化采摘机参数的一种有效算法。

基于路径搜索DQN的特殊车辆路线优化策略

为保障特殊车辆在复杂且易拥堵的城市交通环境下执行紧急任务的时效性与畅通性,提出一种基于路径搜索式深度Q网络(P-DQN)的特殊车辆路线优化策略。采用回溯法协助深度Q网络(DQN)解决路径搜索过程中的死路、回路问题,利用人工势场机制引导DQN搜索路径,避免路径结果过长。结合轮盘赌选择法与贪婪值自适应调整机制进一步提升DQN选取路段和建议行驶速度时的准确性。实验在InTAS数据集上对真实城市交通进行模拟,与RERoute、CH等SOTA方法相比,P-DQN获得的总价值提高约16%。

改进的可移动变形组件拓扑优化方法

针对经典可移动变形组件法的优化结果易受组件初始化影响的不足,设计了基于双循环机制的改进的MMC算法,内循环基于可移动变形组件法,实现快速寻优;外循环基于组件贡献率设计俄罗斯轮盘赌算法,然后选择、删除和替换部分组件,最终将重新构造的结构引入内循环再次寻优。MBB梁和短悬臂梁的优化算例表明,相比于经典MMC算法,改进的MMC方法虽然运算成本明显增加,却较好地克服了组件初始化对寻优结果的影响,并获得了更佳的优化效果。

改进蚁群算法的群体机器人多目标搜索方法

在多目标搜索中,群体机器人的目标搜索过程中,很容易出现相互重复搜索,主要以为依靠的蚁群算法在信息素更新过程中,存在重复操作,为此提出基于改进蚁群算法的群体机器人多目标搜索方法。针对蚁群算法中的信息素浓度更新规则,以最大最小交叉为原则改进,得到基于路径选择概率和路径长度的信息素更新方式。结合栅格化处理、目标孳息计算、搜索步长动态调整、状态转移概率与轮盘赌的最终单元选择等操作,完成群体机器人对多个目标的搜索任务。在静态与动态两种环境中展开测试,通过各机器人的间距、机器人与障碍物的间距、机器人与目标间到达情况,可知所提方法下群体机器人以理想的间距精准躲避了障碍物,且成功搜索到全部目标,方法应用效果较好。

求解动态旅行商问题的蚁群优化算法新策略

动态旅行商问题是标准旅行商问题的一个扩展,由于其现实应用广泛,吸引了大量研究者的兴趣。蚁群优化算法可以转化历史环境信息,天然具有适应动态改变的能力,可以解决动态旅行商问题。使用蚁群优化算法解决优化问题时,算法探索能力和利用能力的权衡是一个关键问题。传统的思路是在搜索前期侧重探索能力,使蚁群充分获取搜索空间的信息,随着搜索过程的进行逐渐增强利用能力,使蚁群逐渐收敛。然而,以上思路不利于在动态场景中快速获得质量较高的解。针对动态旅行商问题,提出了一种新的探索-利用权衡策略,在环境变化后,首先使用模拟退火算法增强利用能力以快速获得质量较高的解,在解质量难以提高时再使用自适应性轮盘赌选择方法帮助算法跳出局部极值。在权重变化的动态旅行商问题上的实验证明,所提新策略优于其它蚁群优化算法及变体。

基于改进遗传算法的CLIA运行调度优化

针对化学发光免疫分析仪的运行调度优化问题,以最小化最长完工时间为优化目标,提出了一种改进的遗传算法。在传统遗传算法的基础上,引进了一种基于工件排列的编码方法;采用轮盘赌选择策略保留了种群多样性;利用POX交叉算子优化了交叉结果;对于解码算法的改进,通过加入自适应模块等待算法,解决了设备运行时出现的工件阻塞问题。结果表明,改进的遗传算法可以更合理安排多种工件的检测顺序,有效提高CLIA的运行效率,缩短检测的总时长,具有自动化程度高的优点。

基于学习机制的分布式混合流水车间调度算法研究

在现代制造业中,DHFSP对提高生产效率和降低成本具有重要意义。提出了一种基于迭代贪婪的自适应学习算法,旨在有效地最小化最大完工时间。首先,通过一种初始化策略构建初始解;其次,引入一个基于历史反馈的动态学习机制,该机制能够根据累积的优化经验,智能选择扰动策略,以逐步提升解的优化质量;最后,通过轮盘赌选择策略,进一步增强了算法对全局最优解的探索能力。实验结果显示,所提出的算法在求解分布式混合流水车间调度问题时,相较于现有的对比算法,展现出了显著的性能优势。

遗传算法在城市定向赛问题中的应用

以2022年海口城市定向赛路线作为研究对象,选取16个得分地点为路径,利用遗传算法求解建立比赛最优路径TSP分析模型,用轮盘赌注法选取种群适应度值,通过调整种群变异系数对比相同迭代次数的收敛速度,并给出全局最优路线.

一种改进选择算子的遗传算法

遗传算法(Genetic Algorithm,GA)是一种模拟生物进化的智能算法,被广泛应用于求解各类问题。简单遗传算法(Simple GA)仅靠变异产生新的数值,常常存在搜索精确度不高的问题。针对这个问题,对SGA的选择算子进行改进,即把相似个体分在同一组中,以组为单位进行选择,并通过该组个体的特点进行高斯搜索生成新的群体。这样使得GA在搜索过程中不仅可以很好地保持个体的多样性,并且可以提高解的精确度。通过对11个函数(单峰和多峰)的仿真实验,证明了采用新的选择算子后,GA在求解问题的精确度上有了很大地改善。

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。

基于改进SMOTE的非平衡数据集分类研究

针对SMOTE(Synthetic Minority Over-sampling Technique)在合成少数类新样本时存在的不足,提出了一种改进的SMOTE算法(SSMOTE)。该算法的关键是将支持度概念和轮盘赌选择技术引入到SMOTE中,并充分利用了异类近邻的分布信息,实现了对少数类样本合成质量和数量的精细控制。将SSMOTE与KNN(K-Nearest Neighbor)算法结合来处理不平衡数据集的分类问题。通过在UCI数据集上与其他重要文献中的相关算法进行的大量对比实验表明,SSMOTE在新样本的整体合成效果上表现出色,有效提高了KNN在非平衡数据集上的分类性能。

无线传感器网络基于改进遗传算法的节点调度

节点调度问题是经典的NP-hard组合优化问题之一。为解决该问题提出了诸如蚁群算法、粒子群算法和遗传算法等智能算法,以遗传算法(genetic algorithm,GA)更为有效,但经典的遗传算法在解决节点调度问题时,其算法自身存在寻优速度慢,容易陷入局部最优。提出一种改进的轮盘赌优化方法,该方法基于适应度比例的选择,即用全部个体的选择概率来计算累计概率,产生完整的子代个体并保留其基因,避免陷入局部最优,进而快速精确地求出节点调度问题的最优解,实验结果表明,经过改进的遗传算法求解的路径长度、收敛性和运行时间等指标均有明显改善。

基于赌轮选择遗传算法的数据隐藏发布方法

面向聚类挖掘的隐私保护微数据发布是数据挖掘研究的新兴热点之一,其目标是通过对微数据数值的修改实现对微数据隐私的保护,同时保证隐藏后数据具有与原数据集相同(或相似)的聚类效果.从保持数据邻域关系稳定的角度,提出一种基于赌轮遗传的干扰方法RWSGA,采用在数据点的k邻域内运用赌轮算子随机选择2个数据点进行交叉或变异的思想实现数据隐藏.进一步,提出从高密度点区域筛选k邻域中心以改进变异操作选择域的优化策略,解决变异操作可能导致数据扰动幅度过大的问题.理论分析和实验结果表明,该方法能较好地对原始数据进行扰动修改以保护数据隐私不泄露,同时保证发布前后的数据聚类结果差异较小.

基于双种群粒子群优化新算法的最优潮流求解

提出一种带赌轮选择的双种群粒子群优化算法(TSPSO)求解最优潮流问题。在该算法中,对2个种群采取不同的参数设置,使得粒子在进化过程中具有不同的飞行轨迹,从而尽可能地探索解空间,增强算法的全局搜索能力;基于赌轮算法的概率选择机制使粒子可以在较好的可行解邻近范围内高强度搜索,增强了算法的局部搜索能力;采用自适应惩罚因子能有效区分最优潮流的目标函数和约束条件对种群进化的影响,使种群可以跨越不可行域到可行域进行搜索。通过IEEE30节点系统对该算法进行测试,结果表明,采用该算法可以有效求解最优潮流问题。

遗传算法选择策略比较

以遗传算法中的轮盘赌选择策略和锦标赛选择策略作为研究对象,通过在13个基准测试函数上的测试,对不同选择策略的性能进行了比较和分析。实验结果表明,锦标赛选择策略比轮盘赌选择策略具有更好的通用性,而且性能更优。在锦标赛选择策略中,组规模为种群规模的60%至80%的锦标赛选择策略效果较好。该实验结果为设计更加合理高效的选择策略提供了有用的参考。

轮盘赌选择自适应和声搜索算法

针对现有和声搜索算法收敛速度慢、参数选取困难的不足,提出了一种求解数值优化问题的轮盘赌自适应和声搜索算法。该算法在和声库学习环节用轮盘赌选择取代HS算法的完全随机选择和GHS算法的贪婪选择,在提高收敛速度的同时克服了GHS算法由于贪婪选择造成的早熟;在参数选取中利用群体适应度方差生成概率PAR以自适应微调,然后根据和声库的信息、变量的取值范围和迭代次数进行自适应调整微调步长。仿真时设计了一个特殊函数用于例证轮盘赌选择机制的有效性和GHS算法的早熟问题,通过四个经典函数证明了该算法在收敛速度和收敛精度方面优于HS和IHS算法。

新型车削平面机床运动机理

探讨了一种新型车削平面运动机床的运动机理,即定轴轮系的旋轮线原理。首先建立了定轴轮系旋轮线的公式,在此过程中先应用坐标变换方法推导出了简单定轴轮系旋轮线的方程,并利用计算机画出了一些典型图形, 研究了旋轮线的性质、形状与传动比、尺度参数和初始角的关系。再根据定轴轮系的传动性质,建立了一般定轴轮系的旋轮线方程。然后利用点的速度合成定理推导出车削平面传动比方程,利用切削过程的对称性得出了一个旋转周期内工件和刀具的转速比。最后,对车削平面传动比方程进行了仿真,绘出切削过程中刀尖在工件上的轨迹和整个周期中刀尖在工件所固结的坐标系中的轨迹,所得结果验证了传动比公式。

新型蚁群算法在TSP问题中的应用

针对传统的蚂蚁算法容易出现早熟和停滞现象,提出一种新型蚂蚁算法(new ant colony algorithm,NACA),即将转移规则、全局信息素灾变规则和局部混合调整信息素规则。选择几个典型TSP问题进行实验。研究结果表明:新型蚂蚁算法一方面提高了算法种群的多样性,同时将轮盘赌算子利用到城市转移规则中,有利于提高算法的收敛速度;另一方面,将种群个体的差分信息应用于局部信息素更新规则中,有利于搜索全局解;最后灾变算子避免算法陷入局部最优,而达到全局最优。新型的蚁群算法具有更强的搜索全局最优解的能力以及更好的稳定性和收敛性,同时为解决其他优化问题提供新的思路。

一种减小蒙特卡洛模拟方差的新方法

提出一种减小蒙特卡洛模拟方差的新方法———分裂与俄国轮盘赌方法。与以往减少方差的方法相比，分裂和轮盘赌方法可以根据系统的薄弱环节来调整抽样方案，而且该方法加入对系统性质的判断，从而在模拟中结合系统的具体特点，显示了对系统良好适应性。通过对ＩＥＥＥ—ＲＴＳ试验系统的计算，表明所提出的方法是正确、有效的。