精英反向学习与黄金正弦优化的HHO算法

针对基本哈里斯鹰优化算法(Harris hawks optimization,HHO)易陷入局部最优值、收敛精度低和收敛速度慢的问题,提出融合精英反向学习与黄金正弦算法的哈里斯鹰优化算法(elite opposition-based learning golden-sine Harris hawks optimizat...     

基于社交学习理论的鲸鱼优化算法

针对鲸鱼优化算法个体之间信息交互少,易陷入局部最优的缺点,引入社交学习理论,提出了社交学习鲸鱼优化算法.首先根据个体适应度值及维度设定个体的学习概率上限,然后分别在算法勘探和开发阶段完成参考鲸鱼的筛选及待学习个体向群体均值个体学习.对比其它四种算法在22个基准函数及7次偏移后的Sphere,RosenBrock,Gri...     

融合多策略的黄金正弦黑猩猩优化算法

针对黑猩猩优化算法(Chimp optimization algorithm, ChOA)存在收敛速度慢、精度低和易陷入局部最优值问题, 提出一种融合多策略的黄金正弦黑猩猩优化算法(Multi-strategy golden sine chimp optimization algorithm, IChOA). 引入Halton序列初始化种群, 提高初始化种群的多样性, 加快算法收敛, 提高收敛精度; 考虑到收敛因子和权重因子对于平衡算法勘探和开发能力的重要作用, 引入改进的非线性收敛因子和自适应权重因子, 平衡算法的搜索能力; 结合黄金正弦算法相关思想, 更新个体位置, 提高算法对局部极值的处理能力. 通过对23个基准测试函数的寻优对比分析和Wilcoxon秩和统计检验以及部分CEC2014测试函数寻优结果对比可知, 改进的算法具有更好的鲁棒性; 最后, 通过2个实际工程优化问题的实验对比分析, 进一步验证了IChOA在处理现实优化问题上的优越性.     

基于黄金正弦与自适应融合的蜉蝣优化算法

针对元启发算法中蜉蝣优化算法(MOA)的求解精度不高、收敛速度慢、稳定性不强等缺点进行研究,提出一种黄金正弦与自适应融合的蜉蝣优化算法.引入自适应惯性权重因子增强算法的搜索和开发能力达到更好的平衡;引入融合Lévy飞行策略和黄金正弦因子进一步改善易陷入局部最优的缺点,增强种群多样性,跳出局部最优.仿真结果表明,改进算法对于测试函数在求解精度、收敛速度和寻优能力上有显著提升.同时,为验证结果的可靠性和有效性,对该算法所得的数据进行统计检验、平均绝对误差分析、求解成功率分析.结果表明改进算法的稳定性、可靠性、鲁棒性都较MOA有所增强.另外,引入具体工程案例进行测试分析,进一步验证了该算法在工程上的适用性.     

融合莱维飞行与黄金正弦的蚁狮优化算法

针对蚁狮优化算法较易陷入局部最优停滞、收敛精度低以及收敛速度较慢等问题,将莱维飞行机制和黄金正弦算法融合到蚁狮优化算法中,提出了融合莱维飞行与黄金正弦的蚁狮优化算法（LGSALO）。该算法利用 Levy 飞行的变异机制对寻优过程中位置更新方式进行变异操作,可以改善种群多样性,使得算法跳出局部最优,提高全局寻优能力,并在一定程度上避免了算法的过早收敛;同时引入黄金正弦算法改进精英蚁狮的寻优方式,协调算法的全局探索与局部开发能力。实验仿真结果表明,该改进算法的寻优性能良好,开发能力强。     

精英反向黄金正弦海洋捕食者算法

由于基本的海洋捕食者算法在运行时存在求解准确度低和稳定性差等缺点,提出一种精英反向学习黄金正弦的海洋捕食者算法。加入精英反向学习机制,提升了海洋捕食者的种群质量,使得算法全面探索的范围得到了有效扩大;加入黄金正弦策略,改进了海洋捕食者捕食猎物的方法,缩小了海洋捕食者的搜索空间,使得算法的局部开发性能得到了有效提高。对12个基准测试函数和12个CEC2017函数进行求解测试,测试结果显示,2种改进策略有助于提高海洋捕食者算法的性能。     

收敛因子和黄金正弦指引机制的蝴蝶优化算法

针对蝴蝶优化算法(butterfly optimization algorithm,BOA)中存在的局部开采和全局探索能力不均衡,易陷入局部最优值,收敛精度低等缺陷,提出收敛因子和黄金正弦指引机制的蝴蝶优化算法(convergence factor and gold sinusoidal guidance mechanism of butterfly optimization algorithm,AGSABOA)。受到鲸鱼优化算法的启发将收敛因子融入算法的全局位置更新处,提高算法全局搜索的多样性;结合黄金正弦指引机制,弥补BOA算法迭代后期种群多样性下降,易陷入局部最优的不足。选取9个常用的基准测试函数进行的仿真结果表明,AGSABOA算法在寻优精度、收敛速度、鲁棒性方面更优。     

鲸鱼算法的优化

文中首先分析了鲸鱼算法的基本原理和流程。虽然该算法操作简单,参数少,但该算法在搜索过程中对参数随机性的依赖较大,这在很大程度上影响了算法的收敛速度与收敛精度。在原有鲸鱼算法的基础上引入一个惯性权重因子,使算法能够快速收敛于最优解,并用8组常用测试函数对改进算法的性能进行测试。仿真实验表明,改进算法在收敛速度和收敛精度上都优于原始鲸鱼算法,从而证明了算法的有效性。     

融合黄金正弦与sigmoid连续化的海鸥优化算法

针对海鸥算法(SOA)在迭代寻优过程中容易陷入局部最优、收敛速度慢以及寻优精度低等缺陷,提出一种黄金正弦引导与sigmoid连续化的海鸥优化算法(GSCSOA)。在海鸥迁徙阶段,使用sigmoid函数作为非线性收敛因子引导海鸥搜寻过程,使得算法前期保持更强的全局寻优能力,后期更快收敛。在海鸥扑食阶段,引入禁忌搜索的思想,使得海鸥始终向着置信度更高的区域移动,并且在一次迭代中最优位置持续变化,从而提高寻优精度。之后使用黄金正弦机制指引种群位置更新,缩小搜索范围,提高局部寻优能力。最后,用12个测试函数和CEC2014函数集对改进算法进行测试,并与原算法以及其他算法的实验结果进行对比,结果证明改进的海鸥算法在收敛速度和精度上的表现更优。     

基于改进鲸鱼优化算法的物流配送中心选址策略

针对传统启发算法在解决物流配送中心选址问题上易陷入局部最优,导致降低物流系统效率降低的问题,提出一种改进的鲸鱼优化算法IWOA(Improved Whale Optimization Algorithm)。通过综合变异策略和随机正弦惯性权重对传统算法进行改进,提高收敛精度和全局搜索能力。实验仿真结果表明,改进的鲸鱼算法较其他启发算法具有更高的计算性能,可以合理计算出配送中心地址,很大程度提高了物流配送的运送效率。     

基于分层多目标优化算法的无线网络规划

为满足时分-同步码分多址(TD-SCDMA)网络规划性价比最优化的需求,设计网络规划分层优化模型,该模型能很好地解决覆盖和容量的关系。为求解该模型,提出分层多目标优化算法,该算法能根据实际规划区域决定目标函数的优先层次,满足TD-SCDMA网络规划的目标和要求,并可在给定条件下实现基站布局最优。     

基于最优预见控制的高速列车速度控制器研究

针对高速列车自动驾驶(ATO)速度控制器的设计及性能问题,以列车运行过程中的安全性、舒适性、控制输入为约束条件,提出用最优预见算法设计控制器。该算法以列车动力学为基础,确定列车模型传递函数,进行极点配置之后使控制系统稳定;以列车模型为该算法的控制对象,将列车运行过程中的线路附加阻力和基本阻力作为干扰,实现列车ATO模式下目标速度的自动跟踪控制。选取京津城际北京南站至武清站间线路数据进行仿真验证,仿真结果表明该算法在降低列车运行能耗、提高旅客舒适性与列车运行准点率方面的有效性。     

基于分层高斯混合模型的半监督学习算法

提出了一种基于分层高斯混合模型的半监督学习算法,半监督学习算法的学习样本包括已标记类别样本和未标记类别学习样本。如用高斯混合模型拟合每个类别已标记学习样本的概率分布,进而用高斯数为类别数的分层高斯混合模型拟合全部(已标记和未标记)学习样本的分布,则形成为一个基于分层的高斯混合模型的半监督学习问题。基于EM算法,首先利用每个类别已标记样本学习高斯混合模型,然后以该模型参数和已标记样本的频率分布作为分层高斯混合模型参数的初值,给出了基于分层高斯混合模型的半监督学习算法,以银行票据印刷体数字识别做实验,实验结果表明,本算法能够获得较好的效果。     

基于分层并行筛选样本的SVM增量学习算法

在增量学习过程中,随着训练集规模的增大,支持向量机的学习过程需要占用大量内存,寻优速度非常缓慢。在现有的一种支持向量机增量学习算法的基础上,结合并行学习思想,提出了一种分层并行筛选训练样本的支持向量机增量学习算法。理论分析和实验结果表明:与原有的算法相比,新算法能在保证支持向量机的分类能力的前提下显著提高训练速度。     

基于分层并行筛选样本的SVM增量学习算法

在增量学习过程中，随着训练集规模的增大，支持向量机的学习过程需要占用大量内存，寻优速度非常缓慢。在现有的一种支持向量机增量学习算法的基础上，结合并行学习思想，提出了一种分层并行筛选训练样本的支持向量机增量学习算法。理论分析和实验结果表明：与原有的算法相比，新算法能在保证支持向量机的分类能力的前提下显著提高训练速度。     

基于模糊聚类的分层强化学习算法

本文提出了一种新的分层强化学习Option自动生成算法,以Agent在学习初始阶段探测到的状态空间为输入,采用模糊逻辑神经元的网络进行聚类,在聚类后的各状态子集上通过经验回放学习产生内部策略集,生成Option,仿真实验结果表明了该算法的有效性。     

层次泛函网络整体学习算法

文中设计了一类单输人单输出泛函网络与双输人单输出泛函网络作为构造层次泛函网络基本模型,提出了一种层次泛函网络模型,给出了层次泛函网络构造方法和整体学习算法,而层次泛函网络的参数利用解方程组来进行逐层学习．以非线性代数方程组为例,指出人们熟知的一些数学解题方法可以用层次泛函网络来表达,探讨了基于层次泛函网络求解非线性代数方程组学习算法实现的一些技术问题．相对传统方法,层次泛函网络更适合于具有层次结构的应用领域．计算机仿真结果表明,这种层次学习方法具有较快的收敛速度和良好的逼近性能．     

融合黄金正弦混合变异的自适应樽海鞘群算法

针对基本樽海鞘群算法收敛速度慢、收敛精度低、易陷入局部最优的缺点,提出了一种融合黄金正弦混合变异的自适应樽海鞘群算法AGHSSA（Adaptive Salp Swarm Algorithm with Golden Sine Algorithm and Hybrid Mutation）。该算法引入了自适应变化的权重因子以加强精英个体的引导作用,提升收敛速度与精度。通过黄金正弦算法优化领导者位置更新方式,增强算法的全局搜索和局部开发能力。融合邻域重心反向学习与柯西变异对最优个体位置进行扰动,提升算法跳出局部最优的能力。通过对12个基准测试函数进行仿真实验来评估改进算法的寻优能力,实验结果表明,改进算法能显著提升寻优速度和精度,并且具备较强的跳出局部最优的能力。     

基于Pareto的多目标优化免疫算法

免疫算法具有搜索效率高、避免过早收敛、群体优化、保持个体多样性等优点。将其应用于多目标优化问题,建立了一种新型的基于Pareto的多目标优化免疫算法(MOIA)。算法中,将优化问题的可行解对应抗体,优化问题的目标函数对应抗原,Pareto最优解被保存在记忆细胞集中,并利用有别于聚类的邻近排挤算法对其进行不断更新,进而获得分布均匀的Pareto最优解。文章最后,对MOIA算法与文献[3]中SPEA算法进行仿真,通过比较两者的收敛性和分布性,得到了MOIA优于SPEA的结论。