交通参数预测的自适应优化算法研究*

将最优梯度算法应用于指数平滑模型,通过构造优选并自动生成的最佳平滑参数使模型得以优化,增强了指数平滑模型对时间序列的适应能力,较好地解决了指数平滑预测中,平滑参数靠检验确定且为静态、平滑初值难以确定并导致预测偏差等问题.通过实例, 与其他指数平滑预测算法相比,验证了该算法的有效性.     

基于PSO的LS-SVM特征选择与参数优化算法

针对最小二乘支持向量机特征选择及参数优化问题,提出了一种基于PSO的LS-SVM特征选择与参数同步优化算法。首先产生若干种群（特征子集）,然后用PSO算法对特征及参数进行优化。在UCI标准数据集上进行的仿真实验表明,该算法可有效地找出合适的特征子集及LS-SVM参数,且与基于遗传算法的最小二乘支持向量机算法（GALS-SVM）和传统的LS-SVM算法相比具有较好的分类效果。     

混合蚁群算法和遗传算法在特征选择和参数优化问题中的运用

机器学习的性能受特征选择和参数优化的影响很大，针对这一问题，采用基于蚁群算法和遗传算法的混合算法对特征选择和参数优化问题进行了探究。实验结果表明，该混合算法相比单个的蚁群算法或遗传算法，在特征选择和参数优化方面，具有更高的准确率。     

动态频谱管理中频谱机会发现与授权用户保护的折中优化研究

在基于认知无线电的动态频谱管理中,频谱感知需要发现更多的频谱机会,同时尽量减少对授权用户的干扰。文中研究了能量感知中这两个性能指标的折中优化问题,建立了以两个指标的加权作为优化目标函数、感知时间和感知门限作为优化变量的联合优化模型,并证明了该问题属于双凹优化问题。提出了基于迭代凸优化搜索的优化算法,该算法在不依赖预置感知门限或感知时间的情况下,能够快速获得近似最优解。仿真表明, 相比于单参数优化方法,所提联合优化算法 的性能平均提高了32%和85.9%。     

电阻抗扫描成像完备参数提取算法

为了提升电阻抗扫描成像的性能,本文提出了一个完备参数提取算法。该算法由前向问题建模以及参数提取两部分构成。前向问题模型基于静电散射理论,通过该模型可以获得前向问题的解析解。与常用的采用迭代过程的前向问题求解方法相比,采用新模型的前向问题求解速度大大提高。基于提出的前向问题模型,参数提取可以视作一个约束优化问题并采用改进的单纯形算法求解。仿真实验表明,完备参数提取算法与已有的参数或信息提取算法相比,不仅能够获得乳腺癌病灶更多的信息,并且准确度和鲁棒性更好。     

基于组合字典的图像复原约束优化算法

提出一种基于组合字典和约束优化的图像复原算法。建立表示图像复原问题的约束优化模型,其目标函数由l2保真项和双l1正则项的线性组合构成。利用交替优化技术将模型分解为多个子问题求解,并通过邻近算子解决降噪子问题。实验结果表明,与Oliverira算法和Beck算法相比,该算法的复原速度较快,所得图像质量较好,且复原图像与原始图像的均方误差较小。     

电阻抗扫描成像病灶参数提取算法

为了提升电阻抗扫描成像的性能,本文提出了一个完备参数提取算法.该算法由前向问题建模以及参数提取两部分构成.前向问题模型基于静电散射理论,通过该模型可以获得前向问题的解析解.与常用的采用迭代过程的前向问题求解方法相比,采用新模型的前向问题求解速度大大提高.基于提出的前向问题模型,参数提取可以视作一个约束优化问题并采用改进的单纯形算法求解.仿真实验表明,完备参数提取算法与已有的参数或信息提取算法相比,不仅能够获得乳腺癌病灶更多的信息,并且准确度和鲁棒性更好.     

基于风驱动优化算法WDO的PID参数优化

鉴于PID控制器的优越性,其在工业控制领域中的引用越来越广泛。PID控制器的性能主要在于其参数优化设计,PID参数优化问题一直是研究热点。为了解决PID参数优化问题,提出了一种基于自然启发的风驱动优化算法（WDO）的PID优化控制方法,该算法以PID三个参量为控制对象,以误差绝对值和控制输入平方项的时间积分作为优化目标,经过迭代寻优计算得到系统最优控制量。通过计算机仿真,并与遗传算法和粒子群算法PID参数优化相比,结果表明：该算法提高了系统的控制精度、响应速度和鲁棒性,为控制系统PID参数整定提供了参考。     

基于改进模糊指数熵双阈值的3维人体图像分割优化算法

由于3维人体图像数据量大,导致分割耗时严重;人体组织间灰度差异相对较小,致使分割效果不佳。针对上述3维分割的两大难点问题,提出了改进的模糊指数熵函数来改善分割结果,并以加权免疫遗传算法(WIGA)对阈值进行优化搜索,从而提出了一种基于改进模糊指数熵双阈值的3维图像分割优化算法。真实人体胸部数据的分割结果表明,与传统熵函数及模糊隶属度函数相比,改进的最大模糊指数熵函数得到的阈值分割效果更好,且提出的WIGA算法的耗时仅为传统穷尽搜索法的14%。在与简单遗传算法(SGA)和免疫遗传算法(IGA)耗时基本相同的情况下,100次阈值计算结果表明,本文算法更加精确、稳定。     

基于改进模糊指数熵双阈值的3维人体图像分割优化算法

由于3维人体图像数据量大,导致分割耗时严重;人体组织间灰度差异相对较小,致使分割效果不佳。针对上述3维分割的两大难点问题,提出了改进的模糊指数熵函数来改善分割结果,并以加权免疫遗传算法（WIGA）对阈值进行优化搜索,从而提出了一种基于改进模糊指数熵双阈值的3维图像分割优化算法。真实人体胸部数据的分割结果表明,与传统熵函数及模糊隶属度函数相比,改进的最大模糊指数熵函数得到的阈值分割效果更好,且提出的WIGA算法的耗时仅为传统穷尽搜索法的14%。在与简单遗传算法（SGA）和免疫遗传算法（IGA）耗时基本相同的情况下,100次阈值计算结果表明,本文算法更加精确、稳定。     

转换参数非线性递减的正弦余弦算法

正弦余弦算法是一种新型智能优化算法,利用正弦函数和余弦函数值的变化来实现优化搜索。转换参数直接影响算法全局探索和局部开发的平衡,对算法的性能有着重要影响。为提高该算法的优化性能,首先对转换参数的设置进行分析,然后设计出转换参数抛物线函数递减和指数函数递减两种正弦余弦算法,并采用标准测试函数进行数值实验,和转换参数线性递减的基本正弦余弦算法进行比较。结果表明指数函数递减的正弦余弦算法具有更高的计算精度和更快的收敛速度。最后以协同过滤推荐算法中相似度函数的计算为应用对象,进一步验证新算法的可行性和有效性。     

一种动态调整惯性权重的粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖于参数的选取等缺点,提出了一种非线性指数惯性权重粒子群优化算法(Exponential Inertia Weight in Particle Swarm Optimization,EIW-PSO)。在每次迭代的过程中, 采用粒子最大适应值和最小适应值的指数函数来动态调整 算法中的惯性权重,更有利于算法在寻优过程中跳出局部最优;同时,引入随机因子以确保种群的多样性,使粒子更快地收敛到全局最优位置。为了验证该算法的寻优性能,通过8个基准测试函数将标准PSO、线性递减惯性权重LDIW-PSO、均值自适应惯性权重MAW-PSO在不同维度和种群规模下进行测试比较。实验结果表明,提出的EIW-PSO算法具有更快的收敛速度和更高的求解精度。     

花授粉算法的改进及在压力容器设计中的应用

虽然花授粉算法对于求解优化问题十分有效,但也存在收敛性慢的问题。为了解决此问题,提出一种带有时变因子的差分进化花授粉算法（Differential Evolution Flower Pollination Algorithm with Time Variant Factor,TVDFPA）。对步长因子进行改进,同时在迭代过程中加入差分进化的策略,通过种群杂交,提高算法的收敛速度和寻优能力。通过标准测试函数进行测试,仿真结果表明TVDFPA的收敛速度比原始花授粉算法、混沌和声的花授粉（HFPCHS）、模拟退火花授粉算法（SFPA）快,收敛精度也有较大提高。进而结合花授粉算法的特点,建立带有变参数的双适应值比较法来求解压力容器设计问题,实验结果表明改进之后的算法具有较好的求解性能。     

基于滚动时域粒子群优化的视频去雾算法

针对传统群智能优化算法面临计算复杂性高、参数依赖性强、全局优化能力弱的问题,在传统果蝇优化算法中引入细菌趋化理论,提出一种基于双重驱动的果蝇优化算法.综合考虑优势果蝇群体和劣势果蝇群体的分布特点,提出多驱逐剂与多引诱剂的概念,并在二者的双重驱动下更新果蝇位置,避免传统果蝇方法在位置更新过程中单纯依靠局部最优(差)位置带来的无效搜索.利用果蝇适应值信息,提出多驱逐剂和多引诱剂的带权质心向量计算方法,自适应地确定果蝇搜索半径,避免传统方法面临的参数依赖性强问题.在典型测试函数上的实验结果表明,所提出算法较现有典型算法参数依赖性小、收敛精度高、收敛速度快,且其优化后的PID控制器响应速度快,稳定性高,验证了其在PID参数优化领域的有效性.     

双精英协同进化遗传算法

针对传统遗传算法早熟收敛和收敛速度慢的问题,提出一种双精英协同进化遗传算法(double elite coevolutionary genetic algorithm,简称DECGA).该算法借鉴了精英策略和协同进化的思想,选择两个相异的、高适应度的个体(精英个体)作为进化操作的核心,两个精英个体分别按照不同的评价函数来选择个体,组成各自的进化子种群.两个子种群分别采用不同的进化策略,以平衡算法的勘探和搜索能力.理论分析证明,该算法具有全局收敛性.通过对测试函数的实验,其结果表明,该算法能搜索到几乎所有测试函数的最优解,同时能够有效地保持种群的多样性.与已有算法相比,该算法在收敛速度和搜索全局最优解上都有了较大的改进和提高.     

基于参数方差调节萤火虫算法的三维路径规划

为了提高萤火虫算法大范围搜索时的速度和精度,提出了一种参数方差调节萤火虫算法。首先分析基本萤火虫算法,在此基础上提出了参数方差调节萤火虫算法的核心思想：计算种群亮度的方差评估种群的敛散性,根据进程调节参数,进而达到改进萤火虫算法的目的,并给出了算法的实现步骤和流程;然后在四个优化测试函数中将参数方差调节萤火虫算法与基本萤火虫算法、遗传算法、粒子群算法进行比较和分析,发现参数方差调节萤火虫算法在测试中能迅速的找到符合精度要求的解,且成功率是100%,具有较好的稳定性,较之其他算法优势明显;最后通过构建计算能量消耗的目标函数在有实际背景和地理参数的自主式水下潜器三维路径规划的仿真实验中应用参数方差调节萤火虫算法,在三维海底环境中规划出符合要求的路,从而证明了参数方差调节萤火虫算法在三维路径规划中的实用性。     

动态调整概率的双重布谷鸟搜索算法

布谷鸟搜索算法是一种新兴的仿生智能算法,存在着求解精度低、易陷入局部最优及收敛速度慢等缺陷,提出了动态调整概率的双重布谷鸟搜索算法(DECS)。首先,在自适应发现概率P中引入了种群分布熵,通过算法的所处迭代阶数和种群分布情况,动态改变发现概率P的大小,有利于平衡布谷鸟算法局部寻优和全局寻优的能力,加快收敛速度;其次,在布谷鸟寻窝的路径位置更新公式中,采用了一种新型步长因子更新寻优方式,形成Levy飞行双重搜索模式,充分搜索空间;最后,在随机偏好游走的更新公式引入非线性对数递减的惯性权重策略,使得算法有效克服易陷入局部最优的缺陷,提高寻优搜索能力。与4种算法相比和19个测试函数的仿真结果表明:改进布谷鸟算法的寻优性能明显提高,收敛速度更快,求解精度更高,具有更强的全局搜索能力和跳出局部最优能力。     

融合振幅随机补偿与步长演变机制的改进原子搜索优化算法

针对原子优化算法寻优精度弱且易陷入局部极值的问题,本文从种群多样性、参数适应性和位置动态性角度提出一种融合混沌优化、振幅随机补偿和步长演变机制改进的原子搜索优化算法(improved atom search optimization, IASO),并将其成功应用于分类任务。首先,引入帐篷映射(Tent混沌)增强原子种群在搜索空间中的分布均匀性;其次,通过构建振幅函数对算法参数进行随机扰动并加入步长演变因子更新原子位置,以增强算法全局性和收敛性;最后,再将改进算法应用于误差反馈神经网络(BP神经网络)参数优化。通过与6种元启发式算法在20个基准测试函数下的数值实验对比表明:IASO不仅在求解多维基准函数上具有好的寻优性能,且在对BP神经网络参数进行优化时相较于2种对比算法具有更高的分类精度。     

基于多种群风驱动优化算法的PID参数整定

针对标准风驱动优化算法容易收敛到局部最优和未成熟收敛的问题,提出了一种多种群风驱动优化算法,并将其用于PID控制器的参数整定。该算法将PID控制器的比例、积分和微分参数作为空气微团的位置矢量,以ITAE指标作为算法的适应度函数,通过多个种群协同搜索,寻求解空间中适应度值最小的位置。通过实验仿真,并与基于标准风驱动优化算法、基于遗传算法和基于粒子群算法的PID参数整定相比,该算法在收敛速度、收敛精度等方面均表现出更好的性能。     

双中心粒子群优化算法

粒子群优化(PSO)算法是一种新兴的群体智能优化技术,由于其原理简单、参数少、效果好等优点已经广泛应用于求解各类复杂优化问题.而影响该算法收敛速度和精度的2个主要因素是粒子个体极值与全局极值的更新方式.通过分析粒子的飞行轨迹和引入广义中心粒子和狭义中心粒子,提出双中心粒子群优化(double center particle swarm optimization,DCPSO)算法,在不增加算法复杂度条件下对粒子的个体极值和全局极值更新方式进行更新,从而改善了算法的收敛速度和精度.采用Rosenbrock和Rastrigrin等6个经典测试函数,按照固定迭达次数和固定时间长度运行2种方式进行测试,验证了新算法的可行性和有效性.