混沌麻雀搜索优化算法

针对麻雀搜索算法(SSA)在接近全局最优时,种群多样性减少,易陷入局部最优解等问题,提出了一种混沌麻雀搜索优化算法(CSSOA)。首先,通过改进Tent混沌序列初始化种群,提高初始解的质量,增强算法的全局搜索能力。其次,引入高斯变异的方法,加强局部搜索能力,提高搜索精度;同时以搜索停滞的解为基础产生Tent混沌序列,用此混沌序列对部分陷入局部最优的个体进行混沌扰动,促使算法跳出限制继续搜索。最后,对12个基准函数进行仿真实验。结果表明:所提算法能够克服SSA易陷入局部最优的缺点,提高算法的搜索精度、收敛速度和稳定性。同时,将CSSOA应用到简单图像分割问题,验证了CSSOA应用于实际工程问题的可行性。      

膜内麻雀优化ELM的软件缺陷预测算法

原始麻雀搜索算法存在寻优精度低、迭代后期容易陷入局部极值的问题,结合高效寻优性能的改进麻雀搜索算法和具有并行计算能力的膜计算,提出一种膜内麻雀优化算法(IMSSA)。在10个CEC2017测试函数上的实验结果表明,IMSSA具有更高的寻优精度。为进一步验证IMSSA的性能,使用IMSSA优化极限学习机(ELM)参数,提出一种膜内麻雀优化ELM(IMSSA-ELM)算法,并将其应用于软件缺陷预测领域。实验结果表明：在15个公开的软件缺陷数据集中,IMSSA-ELM算法预测性能在G-mean、MCC这2个评价指标下明显优于其他4种先进的对比算法,表明IMSSA-ELM算法具有更好的预测精度和稳定性,其实验结果在Friedman ranking和Holm’s post-hoc test非参数检验中具有明显的统计显著性。     

基于混合策略的麻雀搜索算法改进及应用

针对麻雀搜索算法(SSA)搜索精度不高、全局搜索能力不强、收敛速度慢和易于陷入局部最优等问题,提出了一种基于混合策略的麻雀搜索算法(HSSA)。采用改进的Circle混沌映射初始化种群,提高种群多样性;结合樽海鞘群算法改进发现者的搜索公式,提高算法迭代前期的全局搜索能力和范围;在加入者的搜索公式中引入自适应步长因子,提高算法的局部搜索能力和收敛速度;通过镜像选择机制,提升每次迭代后的个体质量,提高算法的寻优精度和寻优速度;在位置更新处加入模拟退火机制,帮助算法跳出局部最优。利用8种测试函数进行测试,结果表明,改进算法比SSA有更好的寻优性能。将改进前后算法与极限学习机结合进行实验,人体表面肌电信号数据集的分类预测精度从80.17%提高到90.87%,证实了改进算法的可行性和良好性能。     

基于Logistic回归麻雀算法的图像分割

针对麻雀搜索算法后期种群多样性减少、易陷入局部最优解等问题,提出一种新的改进麻雀搜索算法。所提算法先引入小孔成像反向学习策略对发现者的位置进行更新,提升寻优位置的多样性;其次受Logistic模型的启发,提出一种新的自适应因子对安全阈值进行动态控制,平衡所提算法的全局搜索与局部开发的能力。通过与其他算法在6个基准函数上进行仿真对比,结果表明：所提算法的收敛精度与速度均优于其他算法。在工程应用上,用所提算法优化K-means聚类算法进行图像分割,峰值信噪比（PSNR）、结构相似性（SSIM）及特征相似性（FSIM）3种度量指标验证了其良好的分割性能。     

基于Tent映射的自适应混沌混合多目标遗传算法

提出一种Tent映射在计算机上实现的改进算法,有效解决了受计算机字长影响,Tent映射存在不动点和小周期的情况.将改进的Tent映射应用于混沌优化算法中,对基本NSGA-Ⅱ算法进行改进.使用混沌序列对初始种群赋值,提高算法收敛能力;使用改进的混沌搜索增强种群多样性;分别使用基本算法和改进算法对标准测试函数进行数值仿真.统计结果显示:改进的算法可以在保持高效率求解的同时,得到的非劣解在收敛性和多样性指标上均优于基本NSGA-Ⅱ算法.     

多输入傅里叶神经网络及其麻雀搜索优化

鉴于反向传播（BP）神经网络存在灵敏度高但收敛速度慢,以及已有傅里叶神经网络不具备多输入数据特征提取能力,借助多个傅里叶神经网络构建能接收多维数据的堆叠神经网络,进而将其与多层感知器融合,获得基于梯度下降的多输入傅里叶神经网络。结合此神经网络获取全局最优参数值难的因素,通过在麻雀搜索算法中引入Cat混沌映射、动态种群规模调节机制及参数自适应调节方案,提出改进型麻雀搜索算法,并将其应用于多输入傅里叶神经网络的参数优化及高维函数优化问题的求解。理论分析可得,所提算法的计算复杂度主要由种群规模和优化问题的维度决定。比较性的数值实验表明,所获神经网络提取多源数据特征的能力和泛化能力强,同时所提算法处理高维优化问题具有明显优势且收敛速度快。     

基于自适应搜索的快速运动估计算法

在MPEG和H.263的运动估计中,全搜索(FS)效果虽好但时间开销巨大,以三步搜索法为代表的一些快速算法不仅在搜索精度方面与FS相比有较大的差距,而且搜索时间仍不能满足实际的需要.提出的基于自适应搜索的快速运动估计算法(ASA)充分利用了视频序列运动矢量在空间分布上的中心偏置特性和相邻块运动的相关性,在大幅度提高搜索效率的情况下,得到了与全搜索非常接近的搜索效果.与现有算法相比,该算法具有高效、鲁棒性强的特点.      

基于方向自适应菱形搜索的运动估计算法

基于对运动矢量分布特性的研究,提出了一种基于方向自适应菱形搜索的运动估计算法.该算法对搜索起始点进行预测;设置"双阈值",针对匹配块提前中止搜索;并根据运动特征,自适应地选择小菱形模板和4种新型的方向自适应菱形模板,具有强烈的搜索方向性.实验结果证明,该算法不仅大幅度地减少了平均搜索点数,而且在一定程度上提高了重建图像的信噪比,其搜索速度和精度均优于传统的快速运动估计算法.      

基于贪婪随机自适应搜索法的TTE通信调度算法

时间触发以太网（TTE）采用全局时间触发机制,使通信任务传输具有严格的时间确定性和无冲突性,适用于航空电子等混合关键应用领域。TTE网络提供3种不同的流量类型:具有低抖动和有界端到端延迟的时间触发（TT）流量,有限制端到端延迟的速率约束（RC）流量和无实时性保证尽力传（BE）流量。针对可满足性模理论（SMT）等调度算法在生成TT流量离线时刻调度表的过程中,未综合考虑TT流量路由和时刻调度表对RC流量延迟产生影响的问题,为了优化TTE网络实时性能,提出了一种基于贪婪随机自适应搜索算法的TTE通信任务调度算法。在TT流量离线调度表的生成过程中考虑了RC流量的最坏端到端延迟（WCD）,在保证TT流量满足可调度性的前提下,通过路由规划和调度时刻表规划降低了RC流量的WCD。对比实验结果表明:所提算法可以有效的提升整网的实时性能,通过A380拓扑组网案例的对比分析,RC流量的平均延迟减少了14.34%。网络中流量规模越大,所提算法的收益越大。      

改进自适应人工免疫算法求解函数优化问题

为克服经典人工免疫算法（AIA）在函数优化过程中存在的计算量大、收敛精度不高和收敛速度较慢等不足,引入多个自适应免疫算子,提出了一种改进自适应人工免疫算法（IAAIA）。在经典人工免疫算法中,引入迭代次数对抗体激励度计算算子进行自适应设计,引入种群抗体平均激励度与抗体激励度对免疫选择算子、克隆算子、变异算子与克隆抑制算子进行自适应设计,提升人工免疫算法的收敛速度、收敛精度和稳定性。选择9个典型测试函数作为实验对象,同时选择4种典型人工免疫算法作为对比算法优化实验函数,对比实验结果表明了改进的自适应人工免疫算法在求解函数优化问题的有效性和优越性。      

基于搜索意图交互的无人机集群协同搜索算法

针对无先验信息条件下无人机集群的协同搜索问题,提出一种以覆盖率为引导,以机间安全距离、通信距离、偏航角调整及搜索边界等为约束的无人机集群协同搜索算法。通过建立环境地图矩阵对任务区域进行描述,进一步定义环境地图更新算子实现搜索过程中环境地图的快速更新。设计了集群协同搜索任务的回报函数,采用粒子群算法进行求解,得到每架无人机在已知环境地图下的最优决策,即决策意图。每架无人机在获取其他成员决策意图的基础上重新进行决策,实现协同决策。针对不同规模集群提出了集中式和分布式2种协同决策方案。仿真结果表明,所提算法能够对存在未知威胁的不规则任务区域进行有效覆盖搜索,覆盖率远高于不进行协同决策的个体决策方法。      

求解概率优化问题的微种群免疫优化算法

针对未知随机变量分布环境下的非线性概率优化模型,探讨微种群免疫优化算法。算法设计中,基于危险理论的应答模式,设计隐并行优化结构;经由自适应采样方法辨析优质和劣质个体;通过动态调整个体的危险半径确定危险区域和不同类型子群;利用多种变异策略指导个体展开多方位局部和全局搜索。该算法的计算复杂度依赖于迭代数、变量维数和群体规模,其具有进化种群规模小、可调参数少和结构简单等优点。借助理论测试例子和公交车调度问题,比较性的数值实验显示,此算法在寻优效率、搜索效果等方面均有一定的优势,对复杂概率优化模型有较好潜力。      

一种基于关键特征的搜索引擎结果聚类算法

为了解决用户在搜索引擎结果列表中寻找所需信息困难的问题,帮助用户快速有效地定位有价值的Web文档,与向量空间模型方法不同,采用基于关键特征的聚类算法(KFC).首先从搜索引擎返回结果的关键词里选择重要的词作为关键特征,然后通过分析特征间的关系对特征聚类,最后基于特征聚类结果实现文档的聚类.通过对实验结果的测试表明了算法的有效性.      

混沌多精英鲸鱼优化算法

针对无人机（UAV）的航迹规划问题,提出了一种基于混沌多精英鲸鱼优化算法（CML-WOA）的航迹规划方法。首先,在已知飞行环境下,建立3D飞行空间模型和航迹代价模型。通过引入罚函数,将有约束3D航迹规划问题转化为无约束多维函数优化问题,利用CML-WOA求解模型来获得最优航迹。其次,为克服WOA易陷入局部最优的缺陷,引入立方映射混沌算子改善初始种群,增强种群多样性,并通过自适应框架融入正余弦算法（SCA）,利用多精英搜索策略有效地提高了算法开发能力和探索能力。最后,使用贪婪策略保证了收敛效率。通过20个基准函数测试和航迹规划仿真实验对提出的改进WOA进行验证。结果表明:所提算法相对其他算法,寻优性能明显提升,具有较强局部最优规避能力和更高的收敛精度与收敛速度;能够稳定快速地规划出代价最少、满足约束的安全可行的飞行航迹。      

激光多普勒测速系统自适应阈值检测算法

信号检测是激光多普勒测速(LDV)系统实现高精度的关键技术,针对LDV中微弱多普勒信号的检测,本文从噪声在频域中的统计特性出发,对多普勒信号进行带阻滤波,结合雷达的恒虚警(CFAR)检测技术,设计了基于频域的单元平方和自适应阈值检测算法以解决在低信噪比(SNR)的环境中LDV的信号检测问题,提高LDV的信号探测能力,同时降低其虚警概率。仿真与实验的结果表明:该算法与固定阈值相比可以在SNR为-12 d B时实现信号的完全检测,保持低虚警概率,运算简单,工程适用性强。     

TSK模糊神经网络及其约束优化学习算法

针对非线性动态系统特点,提出了一种基于TSK(Takagi-Sugeno-Kang)模糊模型的动态回归模糊神经网络DRFNN(Dynamic Recurrent Fuzzy Neural Network),该模糊神经网络由静态网络和动态网络两部分组成,其中静态网络用来实现规则的条件部分和解模糊部分的计算,由FIR动态滤波器实现的内反馈回归网络用来实现规则的结论部分,为了加快网络收敛速度,给出了基于约束优化算法的网络参数迭代算法,把网络结构优化和参数学习作为一个约束优化问题来解决.应用于非线性系统的辨识和控制仿真试验说明了DRFNN网络及其算法对解决非线性系统问题的有效性.     

一种改进的多目标粒子群优化算法

为了增强多目标粒子群优化算法的收敛性与多样性,提出一种改进的多目标粒子群算法.采用Kent映射对种群进行初始化,并将目标空间均匀划分为若干扇形区域;基于一种新的多样性和收敛性判定标准,选取合适的收敛性最优解和多样性最优解,并提出一种改进的粒子群更新公式进行全局搜索;采用聚类算法对外部种群与坐标轴夹角进行分析,维护外部种群.通过标准测试函数的仿真实验,与多目标优化算法基本MOPSO(Multi-objective Particle Swarm Optimization Algorithm)和NSGA-II(Nondominated Sorting Genetic Algorithm II)进行对比,结果表明了该改进算法的有效性.