基于动态平衡因子自适应步长的布谷鸟搜索算法

针对标准布谷鸟搜索算法依赖Lévy飞行的游走导致整个搜索过程步长具有随机性的问题,提出一种基于动态平衡因子自适应步长的布谷鸟搜索算法。通过对标准布谷鸟搜索算法中参数偏度动态自适应取值来实现算法对步长的动态自适应,同时引入动态平衡因子以调节全局适应度和当前迭代次数所占的比重,从而实现布谷鸟搜索算法收敛速度和搜索精度的平衡。测试仿真实验结果表明,与标准布谷鸟搜索算法相比,提出的算法收敛速度显著提升;与单纯依赖迭代次数自适应步长的布谷鸟算法相比,提出的算法避免了为追求收敛速度而造成的算法早熟现象。     

一种新的自适应步长果蝇优化算法

针对基本果蝇优化算法(FOA)易陷入局部最优、寻优精度低和后期收敛速度慢的问题,提出了一种自适应步长果蝇优化算法(ASFOA).该算法在运行过程中根据上一代最优味道浓度判断值和当前迭代次数来自适应调整进化移动步长,使算法在初期的步长大而避免种群个体陷入局部最优,到后期果蝇移动的步长变小而获得更高的收敛精度解,并加快收敛速度.通过6个标准测试函数对改进算法进行仿真测试,结果表明ASFOA算法具有更好的全局搜索能力,其收敛精度、收敛速度均比FOA算法及参考文献中其他改进果蝇优化算法有较大的提高.     

自适应搜索云逃逸的果蝇优化算法

针对果蝇优化算法解决高维复杂问题时存在的早熟收敛问题,提出一种自适应搜索云逃逸的果蝇优化算法.分析了果蝇优化算法恒定步长会影响算法的寻优精度,以算法的迭代步值为引导因子设计自适应的搜索方式,协调算法全局搜索与局部搜索的能力.在算法搜索后期,为避免种群多样性过早丧失而导致求解问题陷于局部最优解,以云模型为基础设计云逃逸机制协助算法跳出局部限制进行深度搜索.对10个不同优化问题的实验表明:所提算法从求解精度、收敛速度以及稳定性方面都具有更良好的性能.     

基于改进莱维飞行的狼群算法及其在翼型气动优化设计中的应用

智能种群算法在翼型气动优化领域获得越来越多的关注。提出了一种基于改进莱维飞行的狼群算法,并对其寻优性能进行了测试和验证。为平衡算法的局部搜索和全局搜索能力,将局部搜索性能强但易早熟的狼群算法与莱维飞行相结合,在增加收敛速度的同时,保证算法的全局搜索能力。为克服原始莱维飞行效率低、精度差的缺陷,引入高斯核函数自适应调节莱维飞行的搜索步长,以增加其搜索效率;引入四元法,以增加其搜索精度;通过标准测试函数和标准翼型气动优化设计算例验证,表明改进算法在优化效率和全局寻优能力方面均优于原始算法。     

基于自适应步长和莱维飞行策略的改进狼群算法

群智能启发算法在解决大规模分布式问题方面有许多优势。针对传统狼群算法易陷入局部最优和精度不高等缺陷,笔者在分析狼群特点的基础上,提出一种基于自适应性步长和莱维飞行搜索策略的改进狼群算法。首先,通过自适应步长的合理变化,提高搜索精度;其次,采用莱维飞行的搜索策略,在算法后期扩大搜索范围,提高算法的全局搜索能力。最后,为了验证该算法性能,通过仿真实验和实际案例进行了测试,与其他改进方法进行比较。测试结果表明,所提出的改进狼群算法在收敛速度、精度及稳定性方面都有明显优势。     

增加搜索能力的多目标进化算法

提出了一种增加搜索能力的多目标进化算法。该算法是针对如何收敛到真正的Pareto最优集进行处理的。在自适应变异步长进化策略的基础上,引入变异率的概念,使得该算法在进化前能进行全局搜索,而在进化后期进行局部调节,使得算法能够快速的收敛到真正的Pareto最优集。仿真实验表明该算法的有效性。     

基于改进布谷鸟算法结合电导增量法的最大功率点追踪

动态遮阴下,光伏阵列的输出P-U曲线会出现多个功率极值点,传统最大功率点追踪会陷入局部最优。为此,本文提出基于自适应差分进化的改进布谷鸟(ICS)算法与电导增量法(INC)相结合的复合算法(ICS-INC)。该算法提出自适应抛弃概率和自适应步长因子,结合差分变异进行随机偏好游走,使算法的搜索开发能力得到提升,避免陷入局部最优。通过改进Lévy飞行公式减小其随机性,减小算法的迭代次数来缩短跟踪时间,由INC实现局部快速搜索,稳定输出最大功率。仿真结果表明,与其他算法相比,该算法的追踪速度,全局搜索性以及环境变化的适应能力均得到提升。     

增加搜索能力的多目标进化算法

提出了一种增加搜索能力的多目标进化算法.该算法是针对如何收敛到真正的Pareto最优集进行处理的.在自适应变异步长进化策略的基础上,引入变异率的概念,使得该算法在进化前能进行全局搜索,而在进化后期进行局部调节,使得算法能够快速的收敛到真正的Pareto最优集.仿真实验表明该算法的有效性.     

一种自适应调节粒子群优化算法的研究

针对粒子群优化算法容易出现早熟收敛和稳定性低的现象,提出一种自适应调节的粒子群算法.算法中通过自适应调节适应度值的均匀分布保持种群的多样性,该策略能够提高算法的全局搜索能力,同时可避免阈值对算法稳定性的影响.另外采用自适应周期性变异的惯性权重对粒子的速度进行更新,可改善算法的局部搜索能力和稳定性.使用多维标准函数对改进的算法进行仿真试验,结果表明,算法具有较好的全局搜索精度和稳定性,避免了早熟收敛.     

基于模拟退火的自适应布谷鸟算法求解公交调度问题

根据实际应用中布谷鸟算法体现出的局部搜索能力差的问题,本文采用算法结合的方式把模拟退火算法结合其中,同时动态更改发现概率以及搜索步长,使之变成自适应混合布谷鸟算法。利用标准测试函数进行检验,发现此结合算法能够很好地提高算法运算质量,收敛速度较快。通过实际应用,将该算法引入到公交调度系统当中,效果较好,这为公交系统优化研究提供了一个新颖的方法。     

快速收敛的可行方向算法

用算例研究了尝试法计算中初始步长选取和收敛速度的关系,进而提出了一种新的步长确定法－－约束近似法,避免了人为给定初始步长的缺陷。对比计算表明,本文方法还可大幅度地提高可行方向法的收敛速度。     

基于门限估计的水声通信接收机自动增益控制

为了使用自动增益控制对接收信号的幅度进行动态压缩,采用统计接收端信号过门限瞬时值次数的方法,判断是否要调整原信号和基于对数或指数信号的变步长调整自动增益控制算法。在对数或指数信号变步长调整中,对数或指数信号之间是可以互相转换的,步长和收敛因子的选取受水声信道特性、信号幅度、噪声种类的影响。该方法已应用于水声信号接收系统,可较好地对输入信号的幅度进行动态压缩,还滤除了部分噪声的影响,达到了设定的期望值。实验结果表明,该方法抑制噪声能力强,跟踪速度快,适合在水声通信系统中应用。     

动态步长BI-RRT的无人机航迹规划算法

为解决传统RRT算法收敛速度慢、生成的航径距离过长等问题,提出动态步长BI-RRT算法。首先,采用引向目标的采样策略对空间进行探索以得到采样点,利用动态步长策略确定该采样点的增长步长以确定新节点;之后,通过树枝裁剪策略对新节点进行调整,当探索到目标节点时,算法返回初始航迹,对于初始航迹,应用贪心算法对航迹点进行筛选,以减少无人机(UAV)的无效节点与总航迹长度;最后,利用B样条进行平滑处理,得到一条可行航迹。搭建了二维和三维环境下的仿真地图模型,验证了该算法在保证无人机避障的基础上获得一条有效航迹。动态步长BI-RRT算法在无人机航迹规划方面不仅有实时性强、航迹光滑的优点,而且与分段优化RRT算法相比,在优化航迹节点个数的前提下,提高了收敛速度且降低了航迹距离。     

基于逐维改进的自适应步长布谷鸟搜索算法

步长的选取对于布谷鸟搜索算法的收敛速度与运算结果的精度起着关键作用。提出了一种基于逐维改进的自适应步长布谷鸟搜索算法。首先,在原始自适应步长布谷鸟搜索算法中,当上一代鸟窝位置为最优位置时,步长不再更新,则简单修正原有的步长让其更新;其次,将逐维更新评价策略引入修正后的自适应步长布谷鸟搜索算法。实验结果表明,该算法不仅平衡了全局寻优能力和寻优精度之间的矛盾而且具有较好的收敛速度。     

基于阵列天线的改进步长抗干扰算法

在空间电磁对抗环境错综复杂的情形下,所接收的导航信号很容易被干扰,信号极易因被干扰而无法正常接收。针对以上问题,本文基于阵列天线,对抗干扰算法进行了研究,为简化运算,避免求逆问题,提出迭代逼近的方法对权值进行更新。针对固定步长在权值收敛时的局限性,为了改善算法的动态输入范围,提高收敛速度,提出了一种新的变步长的功率倒置算法。该算法以输入信号的瞬时能量值为基础构造步长的更新模型,有效解决了因步长选取不当产生的矛盾问题。仿真实验表明,相比较于固定步长的抗干扰算法,本文所提的变步长算法可以有效提高权值收敛速度,并对干扰形成更深的零陷,具有较好的干扰抑制能力。     

变电站软母线下料长度二分法数值计算模型

针对变电站软母线的下料长度问题,提出一种二分法的数值求解模型.首先在假设水平应力已知的条件下,由受力分析建立软母线下料长度的非线性耦合解析模型,进而设计变电站软母线下料长度二分法数值计算模型,并利用二分法得到精确的数值解.仿真与应用结果表明,数值计算模型能够得到非常准确的下料长度,安装后的软导线总弧垂误差均在-2%~+3%以内,具有良好的施工效果.     

基于角平分线的工程滑移索结构分析方法

针对滑移索结构,提出了一种基于滑轮相邻索单元角平分线的简捷分析方法,解决了其内力和变形求解复杂的难题.具体算法如下:(1)采用固定铰模拟滑轮对索的约束作用,利用无应力长度调整影响矩阵求解角平分线垂直方向约束反力为零时,各子索无应力长度调整量;(2)根据调整后子索线形计算新角平分线的方向角,按照步骤(1)重新计算,重复至索线形(包括角平分线方向角)和内力收敛.基于此算法编制分析程序,通过2~4次迭代即可得到高精度的收敛解,实现滑轮处索力连续性和滑移索总无应力长度恒定的目标.计算示例和工程实例证明了此算法的正确性和高效性.     

新的变步长归一化最小均方算法

为了解决最小均方 (L east Mean Square,L MS)算法收敛速度和稳态误差之间的矛盾 ,提出了一种新的变步长归一化 (Norm alized) L MS(NL MS)算法。这种算法根据滤波器系数的梯度计算新的步长。当算法尚未收敛时 ,使用较大的步长 ;随着收敛程度的加深 ,逐渐减小步长。试验显示了该算法具有很好的收敛性能和跟踪性能。与其它的变步长L MS算法相比 ,该算法在标准 NL MS算法基础上增加的运算量和存储量都很少且与阶数无关 ;而且该算法的参数受观测噪声的影响很小 ,在观测噪声强度发生变化的情况下不需要重新调整参数 ,仍然可以保持很好的收敛性能     

动态松弛方法中虚密度与时间步长的选择

动态松弛方法将静力问题转化成动力问题进行显式迭代求解,通过设置虚密度可加速收敛。针对虚密度影响收敛时步与计算结果的问题,提出影响收敛速度的时步比概念,从节点运动角度推导出时步计算公式,给出密度设定方法,并采用可变形离散单元法进行编程验证。结果表明:节点平衡位置与密度无关;虚密度加速收敛的关键在于不同单元设置不同密度,使得其拥有相同的收敛时步;按照新提出的密度、时步设定方案进行参数设定,加速收敛效果明显。