求解多峰优化问题的改进布谷鸟算法

布谷鸟算法是一种简便而高效的元启发式算法.然而,布谷鸟算法在求解复杂的多峰优化问题时通常存在易陷入局部最优解的缺点.针对布谷鸟算法的这种缺点,结合神经网络算法和布谷鸟算法的特性,提出一种基于神经网络的布谷鸟算法.该算法的核心思想是借助改进神经网络算法的强大全局搜索能力和动态种群策略来平衡布谷鸟算法的全局搜索能力和局部搜索能力,从而减少布谷鸟算法陷入局部最优的可能性.该算法首先将种群中的个体依照适应度值的优劣进行排序,然后对种群中最好的一半个体通过布谷鸟算法进行优化,对种群中最差的一半个体通过改进的神经网络算法进行优化,最后将所有个体组成一个新的种群,并从中筛选出最优解.采用24个复杂基准测试函数检验所提出算法求解多峰优化问题的性能,并将优化结果与神经网络算法,布谷鸟算法以及一些改进的布谷鸟算法所获取的优化结果相比较.实验结果表明:所提出的算法充分地展现了神经网络算法和布谷鸟算法的优势,其在求解质量,求解效率以及求解稳定性上均显著优于其它算法.     

弹道中段目标进动周期的估计

为了克服循环平均幅度差函数法(CAMDF)估计弹道中段目标进动雷达散射截面(RCS)序列周期产生加倍误判的问题,引入了平均幅度差函数的凸包函数的概念,提出了凸包循环平均幅度差函数法(CHF-CAMDF)处理弹道进动目标的RCS序列,将处理后序列的最小谷值点所在位置与采样频率的商值作为所估计弹道目标的进动周期.相较于CAMDF,CHF-CAMDF在抑制加倍误判、抗噪性能以及序列长度敏感性三个方面都具有明显的优越性,能够有效地提取弹道中段目标的进动周期,提供了一种有助于真假弹头识别的可靠依据.     

一种高维多模态优化的量子粒子群优化算法

为求解实际工程中的高维多模态优化问题,提出了基于动态邻域的多策略进化的量子粒子群优化算法(QPSO).针对QPSO算法存在的粒子"早熟"问题,首先定义了一种动态邻域选择机制以保持种群的"活跃性";然后结合动态邻域机制,定义了三个不同策略的局部吸引子更新方程以保持种群进化的"多样性".为了防止算法的进化方向不发散,对收敛到全局最优解的局部吸引子更新策略赋予了较大权重;最后为了拓展最优解空间引入了狼群优化算法中的综合评价方法.通过对不同类型的高维多模态基准测试函数的仿真实验结果表明:相比于其余四种优化算法,本文提出的优化算法在收敛精度和稳定性方面具有明显优势,并且随着测试维度的增加,这种优势更加凸显,展现出了较好的解决高维多模态优化问题的性能.文中引入的综合评价方法在所有的测试函数中均具有较高的生效次数,综合评价生效意味着为下一次的进化找到一个更加有利的进化方向,这样能够减少算法找到最优解的次数,也能进一步提升算法的收敛精度.