基于佳点萤火虫算法与BP神经网络并行集成学习的旱情预测模型

针对传统BP神经网络在旱情预测的实际应用中随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及计算精度低等缺陷,提出一种基于数论佳点集萤火虫(good point set glowworm swarm optimization,GPSGSO)算法与BP神经网络(back propagation neural network,BPNN)并行集成学习算法(GPSGSO-BPNN)的旱情预测模型.首先,借鉴数论中佳点集理论构造初始均匀分布的萤火虫种群,并引入惯性权重函数动态修正移动步长,生成基于数论佳点集理论萤火虫算法,并从理论上分析算法的有效性;其次,将GPSGSO算法与BPNN相结合构建并行集成学习算法,实现两种算法的并行交互集成.最后,将并行集成学习算法应用于农业干旱灾害预测中,构建基于GPSGSO-BPNN并行集成学习算法的旱情预测模型.通过8个Benchmark函数验证了GPSGSO算法在收敛速度、计算精度及稳定性等方面的有效性.同时,以皖北农业干旱气象数据作为仿真数据,实验结果表明GPSGSO-BPNN算法在计算速度、精度及稳定性方面较传统BPNN、GSO-BPNN及GA-BPNN等算法有较明显的优势,提高了旱情等级预测的准确性.     

基于结构熵和IGSO-BP算法的动态威胁评估

针对传统超视距空战威胁评估不能根据各类威胁因素的变化动态调整其对应权值的问题,引入前向反馈(back propagation, BP)神经网络,采用综合考虑主客观因素的结构熵权法确定各威胁指数权值并作为神经网络训练参数进行训练,提出了改进萤火虫算法(improved glowworm swarm optimization, IGSO)和BP神经网络相结合的空战动态权值计算方法。该算法采用改进萤火虫算法优化BP网络的权值和阈值,优化后的BP网络能更好地计算不同态势下的威胁指数权值,从而根据威胁估计模型进行威胁评估。以某一时刻预测多无人机空中对抗时的威胁度为想定,分别采用结构熵权法和IGSO BP进行仿真计算。结果表明：结构熵权法能够科学合理地计算各威胁指数权值,IGSO BP算法可有效解决空战目标威胁评估问题,且所提算法与现有几种算法相比在可靠性和准确性上都有明显提高。     

融合粗糙集和二元萤火虫算法的雾霾关键影响因素预测方法

雾霾对人类的日常生活带来极大的危害,因而分析产生雾霾的关键影响因素尤为重要.针对目前传统算法预测雾霾关键影响因素存在的缺陷,从一维细胞自动机入手,提出了一种以基于群落弱连接机制的二元萤火虫算法(CWLBGSO)为搜索策略,粗糙集为评价准则的混合方法.CWLBGSO基于自然界中萤火虫间协同进化的"弱连接"机制,划分搜索空间,为每个子空间分配相应的种群,各子种群中的次优个体相互交互产生新个体,从而保持种群的动态多样性,然后将CWLBGSO结合粗糙集,应用于北京,广州和上海三地雾霾关键影响因素的预测中,并结合10交叉验证和SVM算法对预测结果分类准确率和影响因素进行分析,通过与其它算法进行对比,结果表明本文算法能有效剔除冗余因素,预测结果具有较高的稳定性和可行性.     

人群搜索和樽海鞘群的混合算法优化PID参数

为解决在优化全局时人群搜索优化算法(seeker optimization algorithm,SOA)容易过早收敛的问题,提出了一种新的基于人群搜索和樽海鞘群(salp swarm algorithm,SSA)的SOA-SSA混合算法。基于双种群进化策略,种群中的部分个体由人群搜索优化算法进化,其余个体由樽海鞘群算法进化。SOA和SSA的个体都使用信息共享机制实现协同进化,增加了种群的多样性,避免了算法过早收敛。实验结果表明：该算法在高维函数和PID参数优化方面都是可行的。与其他算法相比,SOA-SSA算法的收敛速度快、精度高、鲁棒性强,有更好的优化性能。     

基于共识粒子群的全局优化求解方法

针对粒子群优化(PSO, particle swarm optimization)和高效全局优化(EGO, efficient global optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM, consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。     

基于DPSO最小碰集算法的掩盖故障识别

针对可测性分析中掩盖故障识别的难点,提出一种掩盖故障存在性的判定及计算其冲突集方法;并将离散粒子群算法(discrete binary particle swarm optimization,DPSO)用于求解冲突集的最小碰集,实现掩盖故障最小碰集的求解;为克服DPSO易陷入局部最优的缺点,还比较了惯性权重对DPSO算法性能的影响。实例验证表明:与求解掩盖故障的其他方法相比,惯性权重线性变化的DPSO算法不仅提高了算法效率,而且避免了其他算法求解时容易出现"计算爆炸"的问题,尤其适合于识别大型复杂系统的掩盖故障。     

基于PSO-ABC的混合算法求解复杂约束优化问题

为了改善粒子群优化（particle swarm optimization, PSO)算法在处理复杂约束优化问题时的求解效果,提出了一种基于粒子群和人工蜂群的混合优化(particle swarm optimization artificial bee colony,PSO-ABC)算法。在采用可行性规则进行约束处理的基础上,将PSO种群分为可行子群和不可行子群,并在ABC算法从粒子种群中选择蜜源时,保留部分较优的可行解信息和约束违反程度较低的不可行解信息,弥补了联赛选择算子在处理最优点位于约束边界附近的问题时存在的不足。同时,使用禁忌表存储局部极值,减小了PSO算法陷入局部最优的危险。针对4个标准测试实例的实验结果表明,该算法能够寻得更优的约束最优化解,且稳健性更强。     

基于改进BPSO的聚类选择性集成

首先针对离散二进制粒子群(binary particle swarm optimization, BPSO)容易陷入局部收敛的问题,提出一种改进的BPSO算法。在分析高斯密度函数对尺度敏感性的基础上,利用粒子群与全局最优粒子的一致性动态调节尺度参数,并利用密度函数对称区间的定积分确定全局最优粒子的变异概率。而后将聚类的选择性集成抽象为组合优化问题,利用聚类成员有效性和差异性的加权组合定义适应度并以改进BPSO的进化过程实现聚类的选择性集成。最后基于标准数据集和图像数据集验证算法的有效性。     

混沌量子粒子群的权重类条件贝叶斯网络分类器参数学习

针对贝叶斯网络判别学习方法在处理大数据集时,存在的模型训练时间长、算法迭代次数过多等问题,通过引入指数级参数,提出了混沌量子粒子群的权重类条件贝叶斯网络参数学习方法。该方法首先通过优化对数似然函数,解决生成学习的参数估计问题。然后,使用生成学习的结果,初始化判别学习的参数。最后,引入混沌映射序列,通过混沌量子粒子群优化(chaos quantum particle swarm optimization, CQPSO)算法,优化条件对数似然函数。使用权重类条件贝叶斯网络分类器对液体火箭发动机的故障进行分类,仿真结果表明,改进的方法分类精度高,误分类率低。同时,采用CQPSO与量子粒子群优化(quantum particle swarm optimization, QPSO)算法、标准粒子群优化(particle swarm optimization, PSO)算法相比,能够有效减少算法的迭代次数,提高算法的效率。     

基于BPSO的多故障最小候选集生成技术

多故障最小候选集生成是制定多故障诊断策略的首要步骤。利用二进制粒子群优化算法（binary particle swarm optimization, BPSO）生成多故障模糊组的最小候选集。首先，利用紧集表示法描述某或节点上的多故障模糊组，其最小候选集即多故障模糊组的最小碰集|然后，利用BPSO算法求解多故障模糊组的最小碰集，通过构造个体适应度和群体适应度双函数，解决BPSO算法求解最碰集的适应性问题，并保证了算法尽可能搜索冲突集的全部碰集|最后，通过某系统实例对算法的有效性进行了验证。事实表明，该方法能有效应用于多故障最小候选集问题的求解。     

嵌入隔离小生境技术的混沌粒子群算法

针对标准粒子群算法(standard particle swarm optimization,SPSO)无法很好平衡全局与局部搜索能力,且收敛速度较慢、易于早熟收敛等问题,提出了嵌入隔离小生境技术的混沌粒子群算法(isolation niches em-bedded in chaos particle swarm optimization,INCPSO)。利用隔离小生境技术,保证了解的多样性,同时,引入混沌搜索策略,提高了解的搜索精度和收敛速度,且避免早熟收敛。仿真试验结果表明,与标准粒子群算法和只嵌入隔离小生境技术的粒子群算法(isolation niches particle swarm optimization,INPSO)相比,嵌入隔离小生境技术的混沌粒子群算法对复杂问题的求解能力较强,寻优性能较好。     

使用高斯分布估计策略的改进樽海鞘群算法

针对樽海鞘群算法在求解复杂优化问题时存在种群多样性减弱、易于陷入局部最优等不足, 提出了一种使用高斯分布估计策略的改进樽海鞘群算法(salp swarm algorithm using elite pool strategy and Gaussian distribution estimation strategy, GDESSA)。首先提出一种精英池选择策略, 领导者位置在每次更新时随机从精英池中选择一个个体作为食物源, 增强领导者的探索能力, 丰富种群多样性。其次利用高斯分布估计策略对追随者公式进行改进, 通过拟合优势群体信息, 修正种群进化方向, 增强算法的寻优能力。使用CEC2017测试函数对改进算法进行测试, 并通过统计分析、收敛性分析、稳定性分析、Wilcoxon检验、Friedman检验、Iman-Davenport检验评估改进算法性能。仿真结果表明: 本文提出的改进策略能有效提高算法性能; 提出的改进算法相比其他算法, 具有更快的收敛速度和更好的收敛精度。     

一种新颖的萤火虫算法求解PID控制器参数自整定问题

针对基本萤火虫算法存在自适应性不强、精度不高及收敛速度过慢等问题,提出一种新颖的萤火虫算法,即具有混沌搜索策略的自适应步长萤火虫算法。该算法通过引入协调因子,对搜索步长进行自动调节,解决了萤火虫步长过大或过小而带来的搜索精度低和收敛速度慢的问题,利用混沌搜索策略对精英个体进行训练和混沌优化,有效改善了萤火虫种群的多样性和自适应性。实验结果表明,改进后的算法在PID控制器参数自整定的应用中具有其他算法无法比拟的优势。     

基于粗糙集的区域交通控制交通量属性约简

交通量属性的有效约简能够大大减少方案选择式城市区域实时交通控制系统在线SVM分类计算的计算量,是实现这种实时交通控制方式的关键一步。在遗传算法初始种群的产生和变异中引入了混沌算法,并提出了“混沌变异”的概念,由此构造了混沌遗传算法。将混沌遗传算法用于粗糙集的属性约简,并在构造适应度函数时引入了粗糙集理论的“支持度”。在初始种群的产生、交叉和变异算法中均采用约简的可辨别下三角矩阵判断个体的可行性。最后将所开发的粗糙集混沌遗传属性约简算法用来对城市区域交通控制交通量属性进行约简。仿真计算结果表明:所开发的粗糙集混沌遗传属性约简算法能有效地解决交通量的属性约简问题。     

一种基于差分演化算法的规则提取及其在石油储层识别中的应用

提出了一种基于差分演化算法的规则提取方法(DE-Rule)。规则的表达形式为IF-THEN模式,规则前件中的连接词为AND,规则后件为识别对象的类别。通过编码将规则表示为差分演化算法中的种群个体,然后通过差分变异和二项式交叉对种群进行演化,对最优个体进行解码即可得到对应的最优规则集。最后,用DE-Rule、RS-Rule、ANN-GA-Cascades-Rule等3种规则提取方法对江汉油田某区块进行石油储层识别(干层、水层、差油层和油层),其中,oilsk81油井数据作为训练数据,oilsk83油井数据作为测试数据,结果表明,在综合考虑规则集的识别准确率和解释性上,DE-Rule方法都优于其他两种方法。     

基于进化PSO算法的稀疏捷变频雷达波形优化

为了提高稀疏捷变频(sparse frequency agility,SFA)雷达信号在稀疏重构中的精度和稳定性,提出一种基于进化粒子群优化(particle swarm optimization,PSO)算法的SFA雷达信号的优化设计.首先,推导了SFA雷达的信号模型和稀疏重构时的字典矩阵.然后,以最小化SFA雷达信...     

交互策略改进MOFA进化的多UAV协同航迹规划

针对无人机(unmanned aerial vehicle, UAV)多目标优化协同航迹规划方法中Pareto最优解集规模随迭代增长, 难以选择适合UAV任务特点的协同航迹等问题, 提出一种基于交互策略改进多目标萤火虫(multi-objective firefly algorithm, MOFA)进化的多UAV协同航迹规划方法。首先，采用变量分解策略将萤火虫算法中大规模变量分解成多个子种群, 以降低算法搜索的复杂度; 然后, 利用Tent混沌初始化和多种群循环分裂合并策略提高多目标萤火虫算法的搜索性能; 采用双极偏好占优机制、并设计协同度指标在Pareto最优解集中选取适合任务需要且协同度较高的UAV协同航迹。仿真实验表明, 所提方法能够根据任务设定生成对应侧重点、且满足协同性的相对最优航迹集, 证明了该方法的有效性。     

车辆路径问题的粒子群算法研究

车辆路径优化问题是一类具有重要实用价值的组合NP问题．粒子群算法(panicle swarm optimization)是一种新出现的群智能(swarm intellingece)优化方法，将其应用于车辆路径优化问题，构造车辆路径问题的粒子表达方法，建立了此问题的粒子群算法，并与遗传算法作了对比试验．结果表明，粒子群算法可以快速、有效求得车辆路径问题的优化解，是求解车辆路径问题的一个较好方案。     

一种求解热电联供经济调度问题的双种群混合智能优化算法

随着电力系统中热电联供所占比重的越来越多,热电联供经济调度问题的解决迫在眉睫。本文针对热电联供经济调度问题的特点,结合粒子群算法(PSO)和差分进化算法(DE)的各自优势,设计了一种双种群混合智能优化算法,该算法在一个种群中采用PSO算法产生新个体并进行更新迭代操作,在另一个种群中采用DE算法产生新个体并进行更新迭代操作,通过对每次迭代过程中两个种群产生的最优个体进行信息交流,协调维持了整个种群的多样性,使得算法在最优解寻找过程中的性能得到提升。对两个热电联供测试系统的仿真实验表明,相比于其他进化算法,本文提出的混合差分进化与粒子群优化算法(DEPSO)在热电联供经济调度问题中可以得到更好的结果。     

基于余弦相似度的企业违约预测模型及实证

企业违约预测,是通过挖掘指标数据与违约状态之间的函数关系,来预测企业未来的财务风险,其对银行贷款、股票投资、公司债券投资等具有重要的参考意义.本研究的贡献主要有三个方面:一是通过将企业的夹角余弦值而非欧氏距离作为违约状态相似性的度量,构建企业违约预测的Cos-k-means模型,避免了通过欧氏距离聚类时,忽略企业和聚类中心的角度关系以及对噪声样本和极端值敏感的弊端.二是通过构建兼顾模型违约鉴别力最大和指标组合冗余最小的目标函数,采用二进制粒子群算法(binary particle swarm optimization,BPSO)遴选指标组合,保证了构建的信用评价指标体系简洁、合理.三是通过采用企业t-d (d=1,2,3,4,5)期的指标数据和第t期的违约状态构建违约预测模型,实现了使用企业第t期的指标数据预测t+d期违约状态的目的.