用遗传算法求SVM的最优超平面

支持向量机(SVM)是解决小样本学习问题的有力工具,其关键是如何得到判别样本类别的最优超平面。受约束条件的限制,最优超平面的求解比较繁琐。遗传算法具有全局搜索最优解的特点,是求最优值问题的非常有效的方法。由此,利用遗传算法得到了一个直接求最优超平面近似解的方法,该方法不同于传统的二次规划方法。     

未知环境机器人路径规划环境建模

针对未知环境下机器人路径规划算法存在的运算耗时较高、响应慢等问题，提出一种适用于未知环境信息情况下的动态路径规划方法及规避策略。通常情况，一般机器人主要是设计出最短路径，但本文的机器人的路径要求解决避开障碍物快速到达幸存者位置并给予治疗的优化路径。本文首先提出对栅格法中如何确定栅格大小的方式优化方案；换取滚动窗口算法中的启发式算法，应用改进后的粒子群算法实现局部环境的路径规划；在适应度函数中加入安全因子和平滑因子。机器人在搜索环境中，通过正确的适应度函数，规划一条从起点到目标点的最优路径，采用改进后粒子群算法进行路径规划，机器人可以安全避开所有障碍物。     

基于改进遗传算法的用户报装容量优化方法

国办函文件提出供水供电供气供热企业的投资界面应延伸至用户建筑区划红线,不得由用户承担建筑区划红线外发生的任何费用,这导致用户可能虚报装接容量、占用电网资源,因此提出一种基于改进遗传算法的用户报装容量优化方法,将遗传算法的染色体组分为自然属性组、社会属性组、行业属性组与自身属性组,实现对有价值参数的全覆盖。为了避免早熟收敛现象,提出了缩小相应适应度函数的改进遗传算法,降低异常个体的竞争力。所提出的用户报装容量优化算法经过苏州地区1年的运行实际检验,与用户实际需求容量匹配度较好,证明了其科学性和有效性。     

基于光纤供能的双网融合通信恶意数据识别系统

针对双网融合通信恶意数据识别准确率不高、效率缓慢的问题，设计一种基于光纤供能的双网融合通信恶意数据识别系统。由上位机、下位机组成系统硬件，使用光纤供能技术中的基站、光纤链路与远程模块，将光伏能量激光束转换为电能，为系统运行提供充分电能；系统软件包含可视化、数据接收、特征提取、恶意数据识别四个模块，在恶意数据识别模块引入深度学习方法划分数据属性，降序排列个体适应度，采取染色体交叉与变异操作，对比最佳个体和最差个体的适应度差值与预设临界值，小于临界值的数据为恶意识别结果。仿真实验结果表明，所建系统吞吐量高、延时短，可精准识别恶意数据特征，为双网融合通信的可靠应用提供一定现实参考。     

面向异构处理平台任务调度的麻雀优化算法

针对当前异构信号处理平台中各处理器任务数量分配不均衡、处理器性能发挥不完全以及系统运行效率低的问题，文中提出一种面向异构处理平台的麻雀优化算法。该算法利用了麻雀算法较强的全局寻优能力和麻雀种群内部的高效工作机制。在经典麻雀算法基础上，文中提出了符合任务调度的二进制异或编解码规则，将离散的任务分配方案映射为连续的麻雀位置信息。将处理器负载均衡指数作为适应度函数，选取每次迭代中的最优解；在麻雀遍历任务时，采用任务优先级分流排序策略。对通信密集型任务和计算密集型任务采取不同的计算式得到更符合任务特点的遍历顺序，生成随机任务图，并将所提算法同ICPA(Improved Critical Path Algortthm)算法进行对比。仿真结果表明，相比于ICPA算法，所提算法的负载均衡指数平均优化率为60%,各处理器负载情况更加均衡，能更好地发挥异构处理平台的整体效能。     

二进制哈里斯鹰优化及其特征选择算法

针对哈里斯鹰优化(Harris Hawk Optimization, HHO)算法在探索阶段仅使用随机策略初始种群，致使种群多样性下降，控制开发和探索过程中的线性变化的逃逸能量，在迭代后期易陷入局部最优等问题，提出了二进制HHO及其元启发式特征选择算法。首先，在探索阶段引入Sine映射函数，初始化哈里斯鹰种群位置，运用自适应调整算子来改变HHO搜索范围，并更新HHO的种群位置。其次，利用对数惯性权重改进逃逸能量的更新公式，将迭代次数引入跳跃距离中，使用步长调整参数调整HHO的搜索距离，进而平衡探索与开发能力；在此基础上设计了改进的HHO算法，避免HHO算法陷入局部最优。然后，引入S型和V型传递函数，更新改进的HHO算法的二进制位置和种群位置，设计了两种二进制的改进HHO算法。最后，使用适应度函数评估特征子集，并将二进制改进HHO算法与适应度函数相结合，提出了两种基于二进制的改进HHO元启发式特征选择算法。在10个基准函数和17个公共数据集上的实验结果表明，4种优化策略在10个基准函数上有效提升了HHO算法的优化性能，改进的HHO算法明显优于对比的其他优化算法；在12个UCI数据集和5个...     

基于优化组合模型的PM2.5浓度预测

为精确预测出具有非线性、非平稳的PM2.5时序数据，提出基于PSO-VMD-LSTM的组合模型。融合机器学习优化算法和深度学习技术，其中利用以包络熵为适应度函数的PSO机器学习算法对VMD分解过程中的惩罚因子和模态个数进行迭代寻优，基于分解处理后的数据进行LSTM深度学习模型预测。构建两种经典分解组合模型作为对照，结果表明，在相同迭代次数情况下，时序分解处理后的LSTM预测比未分解时的预测精度和效果都有明显改善；与经典分解组合模型相比，该模型在准确度和评估指标上均取得最佳预测效果，在PM2.5浓度预测上具有一定普适性。     

基于遗传算法的桥梁竖向共振信号检测仿真

仅通过光纤传感器检测桥梁共振信号时，会受到大量检测信号差异性的影响，导致无法输出最佳检测信号，因此引入遗传算法，提出一种新的桥梁竖向共振信号检测方法。构建共振信号采集系统，采用干涉型光纤传感器采集桥梁竖向共振信号，并通过合理设置光纤传感器的传感距离与空间分辨率来提高信号采集效果；以优化信噪比与误比特率作为目标函数，建立遗传算法模型，将目标函数作为遗传算法的适应度函数，经过编码、初始化处理、解码等过程获取最佳适应度值，输出最优检测信号，实现桥梁竖向共振信号检测。实验结果表明，所提方法可有效抵抗噪声干扰，降低误比特率值，提高竖向共振信号的检测精度。