基于IBES优化的三维无人机自主避障

针对三维空间环境复杂，航迹规划计算量较大，而现有BES算法受路径搜索能力不足等因素制约，无人机易在低空自主避障时陷入局部最优、难以完成复杂任务等缺陷的情况，提出了一种基于IBES算法的三维无人机自主避障方法。首先，构建威胁源模型、无人机物理约束模型以及三维山地模型，建立代价函数；其次，设计了随机Tent映射来初始化种群，提高初始化种群的质量；然后，针对BES算法在第一阶段——选择搜索空间阶段过早收敛，易陷入局部极值点的情况，引入Levy飞行策略修订此阶段更新公式，跳出局部最优；再后，设计了融合自适应指数权重的黄金正弦指引机制，提高秃鹰在既定空间全面探索并利用搜索空间的能力，解决了BES算法在既定空间内搜索猎物能力不足的问题；最后，设计了动态选择自适应t分布变异算子，提高了全局能力，同时，利用样条插值随机取点解决了路径点过于密集的问题，进一步提升了算法精度。仿真实验结果表明，提出的IBES算法规划的路径相比灰狼算法、改进的飞蛾扑火算法、麻雀算法及秃鹰搜索算法，航程分别降低了23.05、10.55、13.44和3.20 km,代价相比其他4种算法分别降低了7.26、9.51、8.27和4....     

一种增强型改进麻雀搜索算法的三维航迹规划

针对无人机在三维复杂环境中多约束的最优化问题,提出了一种增强型改进麻雀搜索算法用于航迹规划问题的求解。首先,利用Logistic-tent混沌序列初始化麻雀搜索算法,增强种群初始位置的随机性,提高算法全局搜索能力。然后在发现者-警戒者位置更新中加入了动态自适应调整策略,扩大算法搜索范围,提高算法的收敛速度。其次通过高斯-柯西变异策略,对麻雀个体进行位置更新,增强算法前期的全局搜索能力和后期局部发掘能力。最后选取11种测试函数和Wilcoxon秩和检验验证改进算法的有效性。仿真结果表明,增强型改进麻雀搜索算法在寻优精度、算法稳定性和收敛速度方面要优于其他对比搜索算法,并且可以在复杂的多约束环境中找到一条无碰撞的全局最优路径。在三维航迹规划中EMSSA算法相较于ISSA算法寻优精度提升了4.11%,相较于SSA算法提升了9.51%。     

多策略改进的麻雀搜索算法

针对麻雀搜索算法在迭代收敛时易陷入局部最优的问题,提出多策略改进的麻雀搜索算法（NLSSA）。利用邻域重心反向学习策略优化麻雀算法的初始种群,提高初始个体质量。通过Levy飞行策略的长短距离跳跃更新麻雀生产者位置,从而提升麻雀算法的局部极值逃逸能力。在跟随者位置更新机制中引入自适应权重,从而平衡麻雀算法的局部挖掘和全局寻优能力。为了验证所提NLSSA算法的性能,利用8个基准测试函数进行测验,测试结果与Wilcoxon符号秩检验结果表明,与麻雀搜索算法、粒子群优化算法、灰狼优化算法和其他改进的麻雀搜索算法相比,NLSSA算法在寻优精度、稳定性能和收敛速度方面的效果更佳。     

基于改进麻雀搜索算法及动态窗口法的路径规划

对于麻雀搜索算法收敛中期局部探索能力不足、在路径规划方面路径不平滑且动态避障能力差的缺点。首先针对麻雀搜索算法局部探索能力的不足,利用混沌映射初始化种群,并且利用上一代全局最优解与动态自适应权重优化发现者位置更新方式;然后,使用一种线性路径策略,减少折点与节点数量;最后,针对其路径不平滑,动态避障能力差的缺点,将优化后的麻雀搜索算法与动态窗口法融合。实验结果表明改进的麻雀搜索算法与动态窗口法融合算法平衡了全局与局部发掘能力,加快了寻路过程的收敛速度,优化了路径且避障能力显著提高。     

一种改进的爬行动物搜索算法

针对爬行动物搜索算法存在早熟收敛、易陷入局部最优等问题,提出一种改进的爬行动物搜索算法(LERSA)。通过精英反向学习策略提高初始种群的质量,在种群位置更新求解适应度值的过程中加入Levy飞行策略对种群中个体位置进行更新,结合非线性加权策略改良控制参数平衡RSA算法的全局搜索与局部搜索能力。使用公开的性能验证函数、秩和检验及三杆桁架问题进行算法性能测试,结果表明改进后的算法具有良好的寻优性能,能有效解决工程优化问题。     

基于改进哈里斯鹰优化算法的配电网动态重构

针对风光荷不确定性的配电网重构问题,建立分布式电源和负荷出力模型,以系统运行成本和电压偏移构建多目标函数。提出一种改进粒子群算法融合K-means(improved particle swarm optimization and K-means, IPSO-Kmeans)聚类算法来划分典型日负荷曲线,将改进哈里斯鹰优化(improved Harris hawk optimization, IHHO)算法应用于配电网重构,进行寻优计算。为了改善哈里斯鹰优化(Harris hawk optimization, HHO)算法种群分布不均、无法完整搜索到最优解空间范围、易于陷入局部收敛等问题,引入佳点集生成种群初始化,提高种群搜索空间的均匀性。将麻雀搜索算法中的探索者位置更新公式与哈里斯鹰优化算法探索阶段的位置更新公式结合,以提高算法的全局搜索能力。利用柯西-高斯变异扰动策略跳出局部最优解。最后在IEEE33节点配网系统仿真,结果表明所提方法的有效性。     

融合麻雀搜索机制的改进混沌海鸥优化算法

针对海鸥优化算法收敛速度偏慢、易陷入局部最优解及求解精度低等问题,提出一种融合麻雀搜索机制的改进混沌海鸥优化算法(improved chaotic seagull optimization algorithm incorporating sparrow search mechanism, PSSOA)。使用分段线性混沌映射(piecewise linear chaotic map, PWLCM)对种群进行初始化,使海鸥个体更为均匀地分布在给定空间内;改进非线性搜索因子和随机因子,加快算法收敛速度,更好地平衡算法全局搜索和局部搜索;融合麻雀算法中的麻雀飞行机制,在后期局部搜索阶段扩大个体局部寻优范围,对海鸥位置进行二次更新,帮助个体跳出局部最优,提高寻优精度。使用16个基准测试函数进行仿真实验,将PSSOA与海鸥算法(seagull optimization algorithm, SOA)、粒子群算法(particle swarm optimization, PSO)、灰狼算法(grey wolf optimizer, GWO)和海洋捕食者算法(marine predators algo...     

基于改进分散搜索算法的无人机路径规划

针对在敌情信息不明环境中无人机侦查路径规划问题,建立了车辆路由问题模型(VRP),提出了基于分散搜索的改进混合搜索算法.基于Bayes方法计算出点到点之间的威胁概率,并生成了一个赋权图,将无人机路径规划问题转化为车辆路由寻优模型.采用混合路径规划算法求解.该算法将模拟退火嵌入到分散搜索算法的框架中,充分利用了分散搜索的全局搜索能力与模拟退火的局部搜索能力来优化无人机的侦查路径,混合算法在保证时效性的同时提升了求解的质量.仿真结果验证了算法的有效性.     

基于改进哈里斯鹰算法的无人飞行器路径规划

针对无人飞行器三维路径规划问题,提出一种基于哈里斯鹰优化（Harris hawks optimization,HHO）算法的无人飞行器三维路径规划算法。首先根据路径规划代价指标和无人飞行器自身性能,建立路径规划模型确立代价函数和约束条件。接着针对传统HHO算法的不足,引入非线性能量因子来平衡全局搜索和局部搜索的关系,使算法避免陷入局部最小值;引入混沌映射对HHO算法进行初始化种群并对其进行局部混沌搜索,增强算法种群多样性和搜索能力。最后通过仿真实验证明,改进的哈里斯鹰优化（improvement Harris hawks optimization,IHHO）算法可以有效规划出安全的无人飞行器航线,并且能够跳出局部最小值和具备较优的收敛速度。     

基于改进蚁群算法的工业机器人路径规划研究

针对蚁群算法在机械臂路径规划中存在的问题，如路径过长、收敛速度慢等，文章提出一种改进的蚁群算法。首先将蚁群分为外层蚁群和内层蚁群，分别设计不同的启发函数来提高搜索效率，并引入安全因子提高机械臂运动过程的安全性，利用外层蚁群初始化信息素，引导内层蚁群进行全局寻优；为了加强优质种群的寻优能力，在信息素更新原则中引入狼群的猎物分配机制，同时改善部分路径信息素浓度，防止算法陷入局部最优；得到的机械臂末端有效路径再经过机械臂逆运动学运算和碰撞检测，转化为一条机械臂最优位姿路径。仿真实验表明该算法能为机械臂在不同环境中规划出一条符合运动要求的避障路径。     

基于等级制度和布朗运动的混沌麻雀搜索算法

针对麻雀搜索算法在迭代后期种群多样性减弱、易于陷入局部最优等问题,提出了一种基于等级制度和布朗运动的混沌麻雀搜索算法(CSSA-HB).首先引入混沌映射调整麻雀搜索算法关键参数;其次引入等级制度,利用父代种群中3个最优个体对警戒者进行位置更新,加强个体间交流,增强种群多样性;然后利用布朗运动可控均匀步长,增强算法的探索能力;当算法陷入停滞时,利用布朗运动策略对个体施加扰动,促使算法跳出局部最优;最后利用贪婪策略保留优势个体,有效加快收敛速度.对12个测试函数进行仿真实验,结果表明混沌映射能有效增强算法性能,迭代映射表现最佳;改进算法具有较强的局部最优规避能力、更快的收敛速度和更高的收敛精度.     

基于交叉算子的改进人工蜂群算法

针对人工蜂群算法存在后期收敛速度慢、局部搜索能力差和易陷入局部最优的问题,提出一种基于交叉算子的改进人工蜂群算法.该算法利用佳点集方法产生初始种群,使得初始化个体尽可能均匀地分布在搜索空间;随机选择食物源位置与当前最优食物源位置进行算术交叉操作,引导群体向全局最优解靠近,提高算法的局部搜索能力和加快收敛速度.通过5个高维标准测试函数的实验结果表明新算法的有效性.     

混合策略改进型秃鹰搜索算法

目的 针对秃鹰搜索算法(Bald Eagle Search,BES)在函数优化时存在寻优精度低,易陷入局部最优等问题, 提出一种混合策略改进型秃鹰搜索算法( Hybrid Strategy Improved Bald Eagle Search,HSIBES);方法 首先利用 Logistic 映射策略初始化种群,使种群分布更加均匀,其次在搜索空间阶段引入莱维飞行,控制步长,改善收敛效果 并跳出局部最优,最后在搜寻空间食物中使用自适应惯性权重,提高收敛速度与精度,平衡算法的局部与全局搜索 能力;结果 将 HSIBES 算法与其他五种基准算法以及其他学者改进的算法进行对比,通过在 9 个测试函数上进行 仿真实验,并进行 Wilcoxon 秩和检验验证 HSIBES 算法的性能,发现 HSIBES 的结果优于其他对比算法,与其他对 比算法之间具有显著性差异;结论 实验结果表明:HSIBES 算法的寻优精度,收敛速度以及稳定性都更好,算法的性能更具优越性。     

基于差分进化入侵杂草算法的股价预测模型

针对入侵杂草算法易陷入局部最优、后期寻优精度较低等不足,提出一种差分进化入侵杂草(DEIWO)算法用于训练前向神经网络,结合入侵杂草算法的种群多样性和差分进化算法的启发式搜索等特质以增强算法的全局搜索能力和局部挖掘能力,建立基于DEIWO算法的神经网络预测模型.通过实例验证了本文改进的算法具有较好的寻优精度和收敛速度,预测模型可行和有效.     

基于改进自适应乌鸦搜索算法的无源定位

为解决利用时差(time difference of arrival,TDOA)信息无源定位计算困难的问题,引入乌鸦搜索算法(crow search algorith,CSA),针对该算法易陷入局部极值,提出一种改进自适应乌鸦搜索算法(adaptive crow search algo-rithm,ACSA).综合考虑随进化代数增加种群的整体变化,平衡算法迭代过程中的全局搜索能力与局部寻优能力,设计一种自适应感知概率模型,使算法在初期保留较多优良个体,保证种群多样性,避免局部最优,在后期快速收敛.理论和仿真结果表明,改进算法精度优于Taylor算法及其他同类型算法,收敛速度也有显著提高,同时算法还具有高精度、鲁棒性等优点.     

基于跨邻域搜索的连续域蚁群优化算法

针对连续域蚁群算法寻优能力差、容易产生局部最优的问题,提出了一种基于跨邻域搜索的改进蚁群算法。首先,通过自适应种群划分方式计算可行解和不可行解群体;然后,针对不可行解群体利用自主选择学习算子选择对象进行学习,目的是不断扩大种群规模,避免算法陷入局部极值点,继而对可行解群体采取全局跨邻域搜索的方式,引导蚂蚁向全局最优解靠近,加快收敛速度;最后,基于全局最优解采用局部跨邻域的方式引导蚂蚁在小范围内进行细致搜索,提高收敛精度。通过与其他连续域蚁群优化算法针对CEC2017测试函数在低维和高维情况下的实验对比,证明本文算法具有较好的寻优能力和稳定性,能有效避免陷入局部最优。     

混合蛙跳算法在云计算资源调度的策略改进

混合蛙跳算法已在云计算资源调度有所运用。针对青蛙种群初始化随机性大、局部搜索盲目、容易陷入局部最优的问题,提出了一种混合蛙跳算法在云计算资源调度的改进策略。该改进策略首先运用SY-MM算法和随机生成方式结合的方法对种群进行初始化,生成适应度较好且保持多样性的青蛙种群;然后对传统蛙跳算法局部搜索中步长公式进行改进,使得能够自适应的去更新步长,进而提升局部搜索能力。通过实验证明改进算法对于云计算中资源调度的时间和负载平衡方面有良好的优化性能。     

一种改进的混合蝙蝠算法

为解决基本蝙蝠算法中存在的易陷入局部最优且求解精度不足的问题,提出一种改进的混合蝙蝠算法,引入了分组迭代模式和多种速度迭代公式加强了全局搜索能力,更新了种群领域搜索公式的基础上引用了t分布作为种群最优解的领域搜索方式,补足了蝙蝠算法的局部搜索能力,避免了算法陷入局部最优解。通过多个标准测试函数的实验验证改进的混合蝙蝠算法能有效解决基本蝙蝠算法中出现的问题。     

一种引入复合形法的改进引力搜索算法

针对引力搜索算法求解复杂问题时搜索精度不高、易出现早熟收敛问题,提出一种引入复合形法的改进引力搜索算法。该算法在寻优初期利用引力搜索算法进行全局搜索,同时对引力系数进行改进,以提高全局收敛速度;在寻优后期,当算法出现早熟收敛现象时,引入复合形法,利用复合法较强的局部搜索能力,帮助种群快速跳出局部最优解。通过5个标准测试函数验证了改进算法的可行性和有效性。与标准引力搜索算法、基于权值的引力搜索算法、记忆性引力搜索算法相比,该算法具有更高的收敛精度和更快的收敛速度。     

基于扰动的自适应粒子群优化算法

【目的】针对标准粒子群优化算法在应用中暴露出的缺点,如在迭代后期收敛速度慢、搜索精度不高、容易陷入局部最优等,提出一种基于扰动的自适应粒子群优化算法。【方法】该算法将扰动因子加入速度更新公式中,使种群搜索范围扩大;采用自适应的惯性权重,以起到平衡全局和局部寻优能力的作用;对最优粒子进行自适应的柯西变异,拓展最优粒子的搜索空间,降低粒子陷入局部最优的可能性;最后对算法进行仿真实验。【结果】新算法能够增强全局搜索能力,有效避免局部最优,具有更快的收敛速度。【结论】新算法克服了标准粒子群优化算法的缺点,为进一步研究粒子群优化算法的改进和应用提供科学依据。