基于改进混合蛙跳算法的软测量建模方法

针对混合蛙跳算法的寻优机制在寻优过程中易陷入局部最优和收敛效果不理想的问题,该文提出一种改进的混合蛙跳算法。该算法在更新群中最差个体时同步更新最优个体。更新最差个体步长时引入上一次的移动步长并赋予动态权值。改进算法舍弃了原算法中用随机值代替最差值的做法,引入高斯变异算子对最差个体进行高斯变异,使种群进化更趋合理。将改进的混合蛙跳算法运用到模糊C均值聚类算法的聚类中心优化中,得到最优的聚类中心。利用该聚类中心对样本进行模糊C均值聚类,并用高斯过程回归对各类样本子集分别建立对应的子模型,通过加权得到系统输出。以双酚A生产过程结晶单元为例进行仿真,对装置出口处的苯酚浓度进行软测量建模,获得了较好的实验结果。     

改进混合蛙跳算法的研究

针对传统混合蛙跳算法(SFLA)在优化过程中出现的求解精度不高、收敛速度慢、算法易陷入局部最优的问题,本文经过改变种群个体的位置更新公式,提出一种改进混合蛙跳算法(ISFLA)。在种群个体位置更新公式中,引入自适应同步因子和惯性权重系数。通过引入自适应同步因子,控制青蛙寻优过程中的移动步长,改进算法的局部搜索范围,保持种群的多样性。通过引入惯性权重系数,加入上一次的移动距离,表示对过去的经验记忆,加快搜索速度。通过对6个测试函数的实验结果表明,改进后的混合蛙跳算法相较于传统混合蛙跳算法具有较好的寻优性能。     

基于混合蛙跳算法多无人机航点规划

提出了一种自适应混合蛙跳算法(SFLA),用于解决寻找源点出发的各个无人机所走路径代价函数总和最小的多无人机航点规划问题.在该优化算法中,对各个航点采用插入分割点的方法进行航点序号整体编码,同时运用交换子交换序的方法对种群中序列个体进行更新.通过对经典混合蛙跳算法加入自适应算子,动态改变进化步长,提高算法收敛速度与精度.通过仿真实验表明所提出的自适应混合蛙跳算法对于解决非对称的多无人机航点规划问题是有效的.     

基于K-means的改进差分进化聚类算法

K-means聚类算法简单,收敛速度快,但是聚类算法的结果很容易受到初始聚类种群的影响,往往导致局部最优。差分进化算法具有很强的全局收敛能力和鲁棒性,但其收敛速度较慢。为此,将K-means聚类算法和差分进化算法相结合,提出一种基于K-means的改进差分进化聚类算法。该算法设置在一定范围内随迭代次数动态增加的交叉算子,以使算法在迭代过程中先进行全局搜索,再进行局部搜索,这样有助于平衡算法的全局寻优和局部搜索能力,并且加快了算法的收敛速度。最后,通过实验测试了算法的有效性。     

改进混合蛙跳算法优化的产品族模糊C均值聚类设计方法

研究了基于改进混合蛙跳算法优化的模糊C均值聚类解决模块化产品族设计中产品平台的确定问题.建立了该产品开发过程中的部件关联矩阵,采用变个体长度的混合蛙跳算法同时优化模糊聚类数和聚类中心,求得产品构成部件的最优模糊划分.切断算子和拼接算子用来对个体进行重新组合而形成新个体,采用ISODATA迭代算法进行局部寻优.通过对纸币清分机进行的产品族设计的仿真研究,表明所提方法为产品族模块化设计提供了定量数学分析和快速配置的理论依据.     

基于改进混合蛙跳算法的结构多缺陷反演

将改进混合蛙跳算法与动力扩展有限元法相结合,建立了基于结构振动响应的结构多缺陷反演模型.在混合蛙跳算法中,结合花授粉算法中的转换概率,在更新青蛙个体位置时引入子群内随机个体进行协助搜索,提高算法跳出局部最优的能力;同时引入双中心策略,提高优化算法解的质量.将改进混合蛙跳算法作为缺陷信息反演分析算法,动力扩展有限元法作为...     

基于改进遗传算法的模糊聚类研究及应用

模糊C-均值聚类算法是一种局部搜索算法,采用迭代的爬山技术,对初值敏感易陷入局部最小值。遗传算法是一种全局优化算法,能够克服模糊C-均值聚类算法陷入局部最小值的问题,但遗传算法收敛速度慢,易早熟。应用小生境思想对遗传算法进行了改进,以保护种群中基因的多样性,设计了基于最短距离的算术交叉算子、边界变异算子及双精英种子参与进化的策略。仿真实验结果表明,改进后的算法能够提高模糊聚类的收敛速度和聚类质量。     

非劣解变异蛙跳算法

针对基本蛙跳算法搜索速度和精度不高的缺点,将变异的思路融入基本蛙跳算法,提出了一种非劣解变异蛙跳算法.算法充分利用蛙群的群体信息,对青蛙子族群中的若干非劣解结合自身信息和群体信息进行变异,避免了算法陷入局部最优,并大幅度提高了算法的搜索速度.实验表明,改进后的算法收敛速度以及收敛精度方面都比基本蛙跳算法有了很大程度的提高,同时,该算法与相关文献中的算法进行比较发现,其性能有较大的提高.     

烟花搜索导向的多路启发式聚类算法

启发式聚类算法具有收敛速度快、易实现等优点,但初始解敏感,严重影响了聚类算法的质量。针对这一问题,提出了一种烟花搜索导向的多路启发式聚类算法。该算法通过多次调用经典启发式聚类算法,产生多个局部最优解;在搜索空间中以多个局部最优解为搜索起点,采用烟花搜索进行多路搜索;基于信息熵浓度设计烟花选择算子确定搜索方向;再经过变异、映射、偏移算子变换局部最优中心点,以发现质量更好的搜索起点;直至算法收敛获得新的搜索起点;最终以新的搜索起点调用经典启发式聚类算法获得高质量聚类结果。实验结果表明,烟花搜索导向的多路启发式聚类算法在不同数据集上的聚类质量明显高于对比其他聚类算法的聚类质量。     

求解约束优化问题的自适应免疫混合蛙跳算法

针对基本混合蛙跳算法存在收敛速度幔和优化精度低等不足,提出了免疫混合蛙跳算法.将免疫算法的信息处理机制插入到基本混合蛙跳算法中,免疫接种算子可以改善算法的搜索能力,以此引导算法的进程.同时通过自适应机制来维持种群的多样性,使得算法在保持开发与探索平衡的同时提高了收敛精度.通过对13个经典约束优化问题测试函数的仿真实验,表明了自适应免疫混合蛙跳算法在约束优化问题上具有很好的性能.     

一种基于元胞自动机的混洗蛙跳优化算法

基于元胞自动机理论提出一种改进混洗蛙跳算法. 该算法将元胞自动机嵌入到混洗蛙跳算法中改进分组策略, 应用云模型和混沌理论改进个体更新方式, 利用演化规则模拟生物进化的动态特征. 对6个基准函数进行测试的实验结果表明, 该算法具有较好的收敛精度和计算速度, 适用于多峰值函数寻优.     

某类沿曲面的强奇异积分算子在调幅函数空间上的有界性

假设β1α1 0,β2α2 0。文章对如下定义的强奇异积分算子Q乙2f(x-t, y-s, z-γ(t)h(s))t1e+α1,γ(t), h(s)满足某些适当的条件。利用振荡积分估计,得到当β1 3α1 0且β2     

基于Abaqus的防滑差速器壳体静力学分析

为获得某款防滑差速器壳体在实际工况中的具体力学特性,基于有限元分析法对某四驱汽车防滑差速器壳体进行设计分析。首先,在Abaqus软件中建立防滑差速器壳体的有限元分析模型。接着,利用Romax软件进行防滑差速器壳体在两种极限工况下的轴承受力分析,同时设立更为精确的边界条件和载荷,从而进行应力、应变和疲劳分析。分析结果表明该防滑差速器壳体在极限工况下位移量较大,需要进行优化设计。结合静力学分析结果,以壳体加强筋的长度和厚度为优化变量,对防滑差速器壳体进行优化设计,通过优化前后对比分析,发现优化后壳体在各种工况下的应力和应变均显著降低,符合设计要求。采用软件仿真进行轴承受力分析有效地避免了繁琐的理论计算,同时使得分析方法更加简单,分析结果更贴合实际。另外,有限元分析方法也大幅缩短了防滑差速器壳体的研发周期与设计成本。     

基于近似骨架和混合蛙跳算法的K-means方法及其在眼底病历图像中的应用

为提高K-means算法全局搜索能力,提升聚类效果,提出一种基于近似骨架和混合蛙跳算法的K-means方法。该方法首先利用经典的混合蛙跳算法取代K-means算法中原有迭代公式,获得更优秀的聚类结果;然后对获得的聚类结果,使用基于近似骨架和混合蛙跳算法的K-means算法不寻找聚类中心,而是直接对簇的划分进行修改。UCI数据集实验结果表明,使用改进的聚类算法获得的聚类结果,较其他算法结果更为优秀。最后将改进后的聚类算法应用到医学眼底病历图像中,可以得到较好的血管切割效果。     

基于文化混洗蛙跳算法求解连续空间优化问题

针对混洗蛙跳算法在求解高维函数时易陷入局部最优解的问题, 提出一种文化混洗蛙跳算法, 利用群体空间和信念空间的个体通过接受函数和影响函数完成 信息交换和全局寻优. 首先, 信念空间个体通过螺旋更新和随机游走的方式在较优个体附近寻找更优个体; 其次, 群体空间的最差个体通过借鉴不同知识平衡局部寻优与全局探索的关系, 进而提高算法的寻优精度并加快收敛速度; 最后, 将该算法与12种智能算法进行寻优对比, 对典型高维基准函数的测试结果表明, 该算法的收敛精度和计算速度均较好.     

基于文化混洗蛙跳算法求解连续空间优化问题

针对混洗蛙跳算法在求解高维函数时易陷入局部最优解的问题, 提出一种文化混洗蛙跳算法, 利用群体空间和信念空间的个体通过接受函数和影响函数完成 信息交换和全局寻优. 首先, 信念空间个体通过螺旋更新和随机游走的方式在较优个体附近寻找更优个体; 其次, 群体空间的最差个体通过借鉴不同知识平衡局部寻优与全局探索的关系, 进而提高算法的寻优精度并加快收敛速度; 最后, 将该算法与12种智能算法进行寻优对比, 对典型高维基准函数的测试结果表明, 该算法的收敛精度和计算速度均较好.     

基于混合蛙跳粒子群算法的 TSP 问题求解

为提高粒子群算法求解TSP(Travelling Salesman Problem)问题的性能, 在算法搜索初期, 将混合蛙跳算法和 粒子群算法相融合, 针对初始粒子群随意性大、 粒子分布不均的问题, 利用混合蛙跳算法的分组策略将种群分 组, 采用改进的蛙跳更新公式优化次优个体, 并抽取各层次个体得到新种群, 从而提高最优个体的获得速度; 在算法后期, 引入3 重交叉策略和基于疏密性的引导变异操作, 解决粒子多样性降低、 易陷入局部最优的问题。 利用改进算法求解 TSP 问题, 并与其他算法进行对比。 结果表明, 改进算法是有效的且性能优于其他算法。     

结合聚类模型和自适应模型的遗传算法

在进化后期,自适应遗传算法有助于保存种群中的优秀模式;但在进化初期,对适应度值大的个体的保护,易降低种群的多样性、减弱算法的搜索性能。基于聚类的遗传算法可以提高遗传算法的收敛速度和搜索性能,但交叉概率和变异概率取定值,易使优秀模式在进化后期遭到破坏,难以收敛到全局最优。在遗传算法中同时引入聚类模型和自适应模型,有利于继承两类改进型遗传算法的优点,克服各自的不足。使用经典的测试函数对引入聚类模型和自适应模型的遗传算法进行测试,仿真结果表明:同时引入聚类模型和自适应模型的遗传算法比引入聚类模型或自适应模型的遗传算法具有更好的收敛速度和寻优能力。