一种改进的樽海鞘群算法

针对基本樽海鞘群算法(Salp Swarm Algorithm,SSA)在求解复杂函数时存在求解精度差和易陷入局部最优等缺陷,提出一种改进的樽海鞘群算法(Improved Salp Swarm Algorithm,ISSA)。首先,在领导者位置引入随机维度以拓展种群多样性;其次,改变追随者方式,即在算法前期以较大概率执行差分进化操作,进一步增强种群多样性,在算法后期较大概率执行黄金正弦算法,较好地平衡了算法的全局搜索和局部勘探能力。通过23个基准函数测试表明,本研究改进算法在收敛速度、计算精度和稳定性方面优于基本樽海鞘群算法和黄金正弦算法(Golden Sine Algorithm,Gold-SA),同时与其他改进樽海鞘群算法相比,该算法也具有一定优势。     

基于高斯概率分布采样学习的SSA算法探讨

针对基本的樽海鞘群算法(Salp Swarm Algorithm,SSA)收敛性能差等缺点,利用基于高斯概率分布采样学习的方法对樽海鞘群算法进行优化.文章用一种基于全局最优位置的高斯采样方式改变樽海鞘(追随者)的位置更新公式,在一定程度上避免陷入局部最优,同时提高收敛性能.通过8个不同特征的测试函数仿真,与其他算法的实验结果进行对比,验证了所提算法在收敛速度、收敛精度和局部搜索能力方面的良好性能.     

融合正弦余弦算法的蝴蝶优化算法

针对蝴蝶优化算法存在收敛速度慢、求解精度差和易陷入局部最优等缺陷,提出一种融合正弦余弦算法的蝴蝶优化算法。首先在蝴蝶自身认知部分引入非线性自适应因子,其次重新定义香味浓度计算公式,最后在局部搜索阶段引入改进的正弦余弦算法。通过19个基准函数的测试,实验结果表明,本算法在收敛速度、寻优精度和鲁棒性方面均优于蝴蝶优化算法(Butterfly Optimization Algorithm,BOA)、正弦余弦算法(Sine Cosine Algorithm,SCA)、樽海鞘群算法(Salp Swarm Algorithm,SSA)、狼群算法(Grey Wolf Optimizer,GWO)和布谷鸟搜索算法(Cuckoo Search Algorithm,CS),与其他改进蝴蝶优化算法相比,在寻优精度方面也具有一定优势。     

基于樽海鞘群优化差分进化算法的实验室预约模型

为了提高实验室预约工作的效率，采用动态差分进化算法进行预约方案生成，并通过樽海鞘群算法对动态差分进化算法进行改进，从而增强方案对不同预约规模的适应度。首先，输入实验室设备、实验室时间、预约者申请使用记录等样本特征，构建多个预约样本个体。然后，建立动态差分进化算法实验室预约模型，以实验项目满足度作为适应度。通过交叉和选择操作不断更新个体适应度，并采用樽海鞘群算法对差分进化算法的缩放因子进行优化求解。通过樽海鞘个体的领导者和跟随者在设定运动范围内的位置更新来获得最优缩放因子。最后，采用最优缩放因子对应的动态差分进化算法进行实验室预约方案求解，输出最优受益面指标预约解。实例仿真结果表明，通过合理设置樽海鞘群算法参数，在不同预约者规模情况下，基于樽海鞘群改进的动态差分进化算法均能够获得较高受益面指标的预约方案。     

无人机编队时差定位时的空间布局分析

为解决多站站址布局问题,提出一种基于改进樽海鞘群算法(SSA)的无人机编队站址布局优化算法。通过将樽海鞘群算法与反向学习策略(OBL)结合,以提高樽海鞘种群的多样性,可扩大搜索范围,提升全局勘探能力,从而提升算法寻优能力。以最小化目标所在区域内平均定位误差作为目标函数,对无人机编队进行被动时差定位的站址布局进行优化。在测量误差固定的条件下,实现辐射源目标进行被动时差定位时定位精度的提升。仿真结果表明:算法可有效优化无人机编队进行时差定位时的站址布局,提升无人机编队的时差定位精度。改进后的SSA寻优稳健性要优于樽海鞘群算法、粒子群算法(PSO)、差分进化算法(DE)、改进粒子群算法(IPSO)和自治群粒子群算法(AGPSO)。     

基于樽海鞘群与粒子群混合优化算法的特征选择

针对现有特征选择方法中存在的收敛速度慢和计算效率低等问题,提出了一种基于樽海鞘群与粒子群优化的混合优化(hybrid optimization of salp swarm algorithm and particle swarm optimization,HOSSPSO)特征选择方法,该方法在樽海鞘群算法(salp swarm algorithm,SSA)的基础上,引入粒子群优化(particle swarm optimization,PSO),提高了SSA的收敛速度,改进了探索和开发步骤的效率,增加了解空间更多的灵活性和多样性,使得方法能够迅速获得全局最优值.为了验证算法的性能,在2个实验序列上进行了测试:第一个实验序列使用基准函数,将HOSSPSO与标准SSA、PSO进行了比较;第二个实验序列采用不同的UCI数据集,通过提出的算法确定最佳特征集.实验结果表明,相比于其他优化算法,HOSSPSO的性能更具优势,在多项评估指标中获得较好的效果,能以极少量的特征获得最大的分类精度.     

基于自适应差分进化算法的间歇反应动态优化求解

为了求解间歇反应动态优化问题,提出了一种自适应差分进化算法(Self-Adaptive Differential Evolution,SADE)。在SADE算法中,每个个体都拥有自己的控制参数。该算法在对原优化问题进行差分进化搜优的同时,以权重大小来评价各个控制参数的优劣,并以加权控制参数作为控制参数的进化方向,实现其自适应调整。结果表明SADE算法收敛速度快、求解精度高。将SADE算法应用于两个典型的间歇反应动态优化问题中,取得了较好的优化效果;同时,分析了时间离散度对优化结果的影响。     

改进粒子滤波在行人跟踪中的应用

为提高粒子滤波在目标跟踪中的性能,将萤火虫算法(Firefly Algorithm,FA)的优化思想引入粒子滤波,并用自适应差分进化(Self-adaptive Differential Evolution,SaDE)算法代替粒子滤波的重采样,提出一种改进的粒子滤波跟踪算法,并采用新的跟踪特征HSV-iLBP进行跟踪.该算法将FA用于粒子滤波的重要性采样,通过计算迭代来抽取更加有效的粒子,并将粒子滤波的重采样过程看作求解目标函数的最值问题,通过自适应差分进化算法的迭代寻找最优粒子,改善粒子的退化和贫化问题.HSV-iLBP模型由于结合了维数低的HSV颜色特征和iLBP纹理特征,从而在提高跟踪鲁棒性的同时,能有效降低计算复杂度.通过仿真实验,验证了改进算法在行人跟踪上具有更好的精度和速度.     

具有差分进化算子的社会蜘蛛群优化算法

[目的]社会蜘蛛群优化算法 (SSO) 是一种新颖的元启发式优化算法,自从它被提出之后就受到该领域学者的广泛关注,并且也被成功应用到许多领域.但是由于社会蜘蛛群优化算法还处在算法的研究初期,该算法的收敛速度与收敛精度还需要进一步提高.[方法]将差分进化算子引入到社会蜘蛛群优化算法(SSO-DM)中,并将改进的算法应用于函数优化问题中,通过5个标准测试函数来验证基于差分进化算子的社会蜘蛛群优化算法(SSO-DM)的优化性能.[结果]差分进化算子增强了社会蜘蛛群优化算法的收敛速度与收敛精度.[结论]本研究中所提出的算法能够获得精确解,并且它也具有较快的收敛速度和较高的算法稳定性.     

差分进化算法优化的图注意力网络集成研究

为进一步提升图分类算法的性能和稳健性,提出了差分进化算法优化的图注意力网络集成.首先,通过划分原始样本让不同的基学习器关注数据的不同区域;其次,利用差分进化算法良好的搜索能力,以分类器集成的分类错误率为目标函数优化基学习器的权重向量;最后,在权重向量基础上综合各基学习器的输出作为分类器集成的总体输出.实验引入引文数据集...     

基于改进樽海鞘群算法的到达时间差定位

针对室内到达时间差(time difference of arrival, TDOA)位置估计中的非线性最优化问题, 提出用改进的樽海鞘群算法搜索目标位置. 通过选择最优主基站构造改进的适应度函数, 使适应度函数可以更好地反映解的优劣程度, 提高了搜索精度. 在初始樽海鞘种群中引入近似解, 使全局搜索的步骤得到简化, 加快了算法前期收敛速度. 采用自适应跟随策略更新追随者位置, 解决局部开发低效问题, 加快了算法后期收敛速度. 仿真结果表明, 基于改进樽海鞘群算法的 TDOA 定位技术相比其他元启发式算法具有更高的定位精度和更快的收敛速度.     

一种新的混合粒子群优化算法

 针对粒子群优化算法容易陷入局部极值,进化后期收敛速度慢、精度低等缺点,本文将粒子群优化算法与遗传算法相结合,在基本粒子群优化算法中引入了正态变异算子,提出了一种新的混合进化算法,新算法增加了种群的多样性,增强了算法的全局寻优能力,提高了算法的搜索效率。使用新算法对经典函数进行优化测试,结果表明,本算法保持了粒子群优化算法简捷快速、容易实现的特点;同时,正态变异算子的引入提升了算法后期的收敛速度与全局搜索能力。新的算法能够以更小的种群数和进化代数获得较好的优化能力,在克服陷入局部最优和收敛速度方面均优于基本粒子群优化算法、遗传算法以及加入混沌扰动的粒子群优化算法（CPSO）。     

基于混合优化鱼群算法的近空间飞行器控制分配

为解决近空间飞行器的控制分配问题, 研究了一种融合了差分进化与遗传进化的鱼群优化算法控制分配策略。该方法能充分考虑执行器的动态约束, 根据操纵面物理约束随机产生鱼群的初始个体, 再利用鱼群算法进行全局搜索。鱼群算法搜索范围从全局搜索快速收缩进入局部搜索, 在收敛速度减慢或停滞时, 利用差分进化算法运行速度快及局部优化的优势, 以提高收敛速度和精度。同时在差分进化未能获取更优解时, 由遗传算法进行全局寻优, 避免分配结果收敛于局部最优解, 从而提高整个分配算法效率。同时将该方法应用于某近空间飞行器。仿真结果表明, 该控制分配方法能有效地将控制指令分配到各操纵面上, 实现良好的跟踪效果。     

基于精英高斯学习的改进鱼群粒子群混合算法

为提高算法在高维函数上的寻优性能,提出改进鱼群粒子群混合算法。该算法将鱼群算法全局搜索性能好与粒子群算法局部搜索性能强的优点相结合,在寻优初始阶段采用鱼群算法获得最优群体,在后期用粒子群算法实现精搜索。针对初始种群随意性大、分布不均的问题,通过均匀初始化,优化初始种群的分布; 并对算法全局搜索方向性差、效率低的问题,采用仿照蛙跳算法的分组方式对种群进行分组,同时对组内优秀个体和一般个体使用不同搜索策略,提高搜索的目的性和效率。引入改进的精英高斯学习,从而提升最终结果的精度。利用该算法对6 个标准函数寻优并与其他算法比较,结果表明,该算法的改进有效且性能优于其他算法。     

一种基于PSO-ABC的全局优化算法

针对粒子群算法和蜂群算法在寻优中存在的一些早熟和收敛速精度不高等问题,论文分别时粒子算法和蜂群算法的更新策略以及更新公式进行了改进,利用改进的粒子群算法和改进的蜂群算法同时对一个粒子位置进行部分算术更新的方法,提出了一种新混合的优化算法.并将其在12个多极值基准函数进行全局最优化测试,实验结果表明,笔者提出的混合优化算法收敛的速度和收敛精度大大提高了,其性大大优于改进的粒子群算法（CLPSO算法）和人工蜂群算法,对于高、低维复杂函数的优化均适用.     

应用小生境混沌搜索策略的花朵授粉算法

针对花朵授粉算法（FPA,flower pollination algorithm）存在的全局收敛能力不足、寻优精度低、易早熟等局限,提出一种应用小生境混沌搜索策略的花朵授粉算法（NCFPA,flower pollination algorithm with niche chaotic search strategy）。为增加算法搜索的广度,使用小生境技术保持种群的多样性,提升了算法的全局优化能力;引入逻辑自映射函数产生的混沌序列对精英个体进行局部优化,增强算法的搜索精度;通过经典测试函数对算法性能进行测试。测试结果表明,与花朵授粉算法、差分进化（DE,differential evolution）和蝙蝠算法（BA,bat algorithm）相比,NCFPA表现出较优的全局寻优能力和搜索精度。     

基于PSO-PTS算法的E形双频微带天线设计

为了能处理复杂的电磁优化问题,从粒子群优化算法（PSO：Particle Swarm Optimization ）的原理出发,通过对算法收敛性以及算法局限性的分析,改进了粒子群的性能,并结合参数跟踪策略（PTS：Parameters Tracking Strategies）及动态搜索域形成一种新的混合算法--PSO PTS混合算法。给出了PSO-PTS混合算法的基本理论、数学模型和步骤,并利用该方法对E形双频微带天线进行了模拟实验。仿真结果表明,该方法可有效地缩小PSO算法搜索区域,保证了解的单一性,提高了运算速度和解的精度。利用该方法设计的天线可有效地实现小型化的要求。