求解函数优化和特征选择的改进金豺狼优化算法

针对基本金豺狼优化算法(Golden Jackal Optimization, GJO)在解决高维优化问题时存在计算精度低、开发能力弱、容易陷入局部最优的缺点,提出一种改进GJO算法(I-GJO)。在改进算法中,设计一种基于正弦函数的非线性能量因子替代原随机递减能量因子,以平衡算法在搜索过程中的全局探索和局部开发能力。在算法迭代后期引入翻筋斗学习策略,从而扩大群体搜索范围和改善解的精度。为了验证I-GJO算法的有效性,选取6个基准函数优化问题进行数值实验,并与灰狼优化、海鸥优化算法和基本GJO算法比较。结果表明,I-GJO获得较高的精度和较快的收敛速度。最后利用I-GJO算法求解特征选择问题,对16个基准数据集的数值结果显示,改进算法能有效去除冗余特征和提高分类精度。     

自适应的over-relaxed快速动态均值漂移算法

为了解决高斯核均值漂移算法收敛速度慢、计算效率不高的问题,提出自适应over-relaxed快速动态更新方法改进高斯核均值漂移算法。首先,在静态均值漂移算法中引入数据集的动态更新机制,每次迭代后将数据集更新到新的数据点,然后,将迭代过程中聚集在一起的数据点用1个收敛点表示,逐步减少参与计算的数据,保证准确性的同时降低计算量。由于非正态分布的数据集动态更新时,主方向上的数据点的收敛速度较慢,采用over-relaxed的策略来提高主方向数据点的迭代步长,并根据数据集直径的变化,自适应地计算步长参数。实验结果表明,改进后的高斯核均值漂移算法以超线性的速度收敛,收敛点的应用降低了收敛过程中的计算量。     

几种混沌布谷鸟搜索算法的优化性能比较与仿真

针对布谷鸟搜索迭代后期收敛速度慢和搜索精度不高的不足,通过将混沌优化方法嵌入到布谷鸟搜索中构建混沌布谷鸟搜索算法。新算法利用混沌序列的随机性和遍历性来改善布谷鸟搜索的优化性能。基准测试函数集的测试结果显示新算法在收敛速度和计算精度方面都得以提高。最后将所构建的算法应用到PID参数整定问题上,对比实验结果表明改进算法是可行性和有效性的。     

水平集方法及其在柔顺机构拓扑优化中的应用

由于具有跟踪拓扑结构变化、优化边界清晰光滑等优点,水平集方法作为一种新颖的机构拓扑优化方法近来受到了重视.文中首先讨论了水平集方法中Hamilton-Jacobi方程的求解、水平集函数的重新初始化、速度场扩展等出现的问题.在此基础上,给出了应用逆风差分格式求解Hamilton-Jacobi方程的数值方法,并采用改进的符号函数有效解决了数值的不稳定问题,提出的快速扫描法可以对速度场进行有效扩展.最后,建立了基于水平集方法的柔顺机构拓扑优化模型,利用水平集法对反位移柔顺机构进行了拓扑优化设计.     

引入扰动因子的共轭梯度算法及其收敛性

为了改善非线性规划理论中用于求解无约束问题的共轭梯度法收敛速度与数值表现不统一的现状,提出一种改进的共轭梯度法。结合不同共轭梯度法的优势,加入扰动参数,选取新的参数标量和搜索方向迭代公式,并证明了该方法在Wolfe搜索下的全局收敛性,最后给出了数值算例。通过与其他方法迭代效果相比较,进一步验证了所提方法的有效性,达到加快收敛速度,提高优化效率的目的。     

基于改进神经网络的边坡岩体弹性力学参数识别方法

基于人工神经网络的 BP算法 ,建立了根据边坡开挖后岩体位移观测数据识别岩体弹性力学参数的数值方法 .在网络训练过程中采用改进的 BP算法 ,通过对学习算子的优化搜索 ,大大提高了网络的收敛速度 ,解决了 BP算法迭代过程中目标函数振荡问题 .通过算例表明 ,提出的改进的 BP算法有助于提高岩土材料参数识别收敛速度和识别精度 .图5 ,表 3,参 15     

收敛因子非线性变化的鲸鱼优化算法

针对基本鲸鱼优化算法在处理复杂全局优化问题时存在解精度低和收敛速度慢等缺点,提出一种收敛因子随进化迭代次数非线性变化的改进鲸鱼优化算法.该算法利用混沌方法替代随机方法初始化种群,使群体具有较好的多样性.受粒子群算法惯性权重启发,设计出一种随进化迭代次数增加而非线性变化的收敛因子更新公式,以平衡算法的全局搜索和局部搜索能力.对当前最优鲸鱼个体执行混沌扰动策略以扩大其搜索范围.选取6个高维标准测试函数进行数值实验,结果表明该算法具有较高的收敛精度和较快的收敛速度.     

刚塑性有限元中减速系数的确定

刚塑性有限元求解时,如初始速度场选择不合适,难以获得收敛解。本文将迭代格式中的减速系数的选取方法作了改进,使用优化方法取代通常的经验试算法,使得在初始增量步的迭代过程中,保证泛函值稳定下降,从而在初始速度场不佳的情况下仍能获得收敛解。这就放宽了对初始速度场的要求,提高了计算的成功率,並缩短了计算时间。     

惯性权自适应调整的量子粒子群优化算法

针对量子粒子群的惯性权值β线性递减不能适应复杂的非线性优化搜索过程的问题,提出了一种惯性权自适应调整的量子粒子群优化(DCWQPSO)算法.在该算法中,引入了量子粒子群进化速度因子sd和聚集度因子jd,并将惯性因子β表示为sd,jd2个参数的函数.在每次迭代时,算法可根据当前量子粒子群进化速度因子和聚集度因子动态地调整惯性权值,从而使算法具有动态自适应性.对典型的标准函数的测试结果表明,与量子粒子群算法相比,改进后的量子粒子群优化算法的收敛速度明显提高.     

基于改进LGDF模型的超声图像自动分割方法

基于局部高斯分布拟合能量(LGDF)模型的图像分割方法,对初始轮廓选取及参数选择较敏感.如果初始轮廓手动选取不当会由于陷入局部极小值而导致分割失败,且分割速度较慢.针对以上不足,提出了一种改进的LGDF模型的超声图像自动分割方法.该方法的正则化项由具有双极值点的势函数构成,在水平集函数进化过程中,可以避免由单极值点势函数造成的水平集函数震荡和扭曲,从而加快了收敛;另外,将局部熵阈值分割的结果作为LGDF模型的初始轮廓,接近真实轮廓,可以克服手动选取初始轮廓的影响.实验结果表明,该方法能自动获取合适的超声图像初始轮廓,并得到较好的分割结果,同时大大提高了分割速度.     

一种文化算法优化

工程中复杂的优化问题很难获得其解析解,通过数值计算方法去获取数值解容易陷入局部最优解。为提高求解高维问题数值最优解的速度和准确性,在传统文化算法基础上将种群分为精英群体和普通群体,分别按照不同的方式进化并对种群做初始化优化,通过MATLAB编程用实例分别对优化前后的算法进行仿真。实验表明,优化后较优化前在速度上有较大的提升,进行初始化改进的文化算法在高维优化问题中能更快、更准确地逼近最优解,为求解复杂的问题提供了一种新的参考方法。     

带有个体扰动和相互学习改进的粒子群优化算法

针对粒子群优化算法容易陷入局部极值、进化后期早熟收敛现象,提出了一种带有个体扰动和相互学习改进的粒子群优化算法.算法在迭代的过程中,根据群体适应度方差按照一定的概率对当前的个体最优粒子进行扰动,增强了算法的局部探索的能力,使得粒子跳出局部最优点;同时增加粒子的相互学习阶段,使得每个粒子的进化不仅受到个体最优粒子和全局最优粒子的影响,而且还受到其他粒子之间相互学习的影响,提高了算法的收敛速度.数值实验表明,改进的新算法具有更高的收敛速度和收敛精度,能有效克服早熟收敛现象.     

一种非单调带线搜索的L-M方法

基于累次的函数平均值下降,采用非单调搜索技术,提出求解无约束优化问题的一个新的非单调线搜索的L-M方法,而传统的非单调线搜索方法取当前迭代点及前m(k)个点中函数值最大的作为参考函数值.在适当条件下,证明该算法的收敛性和k次线性收敛.     

水平集与灵敏度分析相结合的流体形状识别与优化方法

针对流体拓扑优化很难得到较为精确结果的问题,将水平集方法与灵敏度分析方法相结合,发展了一种可用于流动形状识别的改进水平集优化方法。为实现水平集法向速度由界面到整个水平集函数求解区域的准确扩展,首先借助快速行进法,将法向速度由流体区向固体区扩展,然后经求解偏微分方程向整个设计区域扩展。通过求解二元二次方程组提取界面,采用无需样条参数化网格重构方法实现了流体区域内网格的重新划分,从而有效提高了物理场控制方程的求解精度。对Navier-Stokes和Stokes流动形状识别问题的研究表明:所发展的方法可以直接、较准确地求出边界上的法向速度,且将界面附近的法向速度准确地沿界面的法线方向扩展到整个水平集函数求解区域;最终,通过有效处理拓扑和形状优化过程中的拓扑变化识别出目标形状。     

基于动态分组的多策略引力搜索算法

给出了一种基于动态分组的多策略引力搜索算法.算法迭代初期利用自适应分组策略对种群进行分组寻优,每个分组内只更新最差个体,采用云模型理论来改进最优个体的进化行为;迭代后期将种群分为优势子群和拓展子群,采用差分变异算子更新优势子群提高寻优精度和速度,利用Tent混沌理论进化拓展子群完成个体变异.典型复杂函数测试表明,该算法具有很好的收敛精度和计算速度.     

自适应局部增强微分进化改进算法

在分析微分进化算法基本原理基础上,为加快算法收敛速度,对其交叉概率和交叉因子进行自适应调整改进;为增强算法局部搜索能力,引入局部增强算子和扰动因子改进算法,即自适应局部增强微分进化算法。选取5个典型测试函数,将改进后算法与PSO算法、微分进化算法和局部增强微分进化算法仿真比较。仿真结果表明:自适应局部增强微分进化算法为收敛时间最短、迭代次数最少的优化算法,验证了算法改进的有效性。     

面向对象的改进遗传算法优化设计

为提高遗传算法的优化求解性能,从4个方面对遗传算法进行改进:即对障碍项及惩罚项因子的动态变化实现适应度函数的动态变化;对约束函数规格化处理以提高算法的搜索稳定性和算法的收敛速度;采用共享函数的方法使进化个体极易跳出局部最优而达到全局收敛;控制参数的动态变化以适应进化过程不同时期的需要.整个改进措施以面向对象的方法加以实现,并通过单级圆柱齿轮减速器设计实例验证,结果表明相对于常规优化算法,改进后的遗传算法使减速器体积减小25.8%,相比传统遗传优化算法使减速器体积减小5%,从而表明该改进遗传算法具有较高的优化求解效果.     

改进的基于模态参数的结构计算模型修正算法

对基于模态参数的结构计算模型修正算法而言，实验振型扩充是一个必要环节，由于修正问题需要迭代求解，所以以往算法用于振型扩充的系统矩阵一般都来自于上一迭代过程，导致系统矩阵误差传递给用作修正参考值的的充实验模型，滞缓了迭代收敛速度，针对这一问题，提出一种改进算法，通过给扩充后的振型矩阵添加一个修正项来减小因系统矩阵不精确而导致的的充振型误差，振型修正项与待修正参数之间的相关关系由求解一个最小化系统特征方程和振型误差的优化问题获得，算例研究表明，改进的算法可以提高修正的收敛速度，且迭代收敛曲线更趋平滑。     

基于改进YOLO-Pose轻量模型的多人姿态估计

YOLO-Pose作为人体姿态估计算法模型,在精度和速度上有着不错的表现,但其在复杂和有遮挡的场景下存在误检率较大的问题,并且模型的复杂度仍然有优化的空间. 针对这几个问题,通过选取Slim-neck模块和Res2Net模块,重新设计其特征融合层,减少其计算量和参数量,提高特征提取能力,在提升精度的同时,使模型轻量化;引入EIoU损失函数,加快边框检测的收敛速度,并提高定位的准确性. 在压缩的OC_Human数据集上进行测试,改进后的模型与YOLO-Pose相比,P值、mAP@0.5和mAP@.5：95分别提高了10.6,3.1和2.9个百分点. 此外,参数量和计算量也分别减少了16.7%和19.3%,在精度和轻量化方面均有所提升,为其应用在资源有限的边缘计算设备提供了可能性.     

基于多策略融合灰狼优化算法的特征选择方法

针对基本灰狼优化算法(grey wolf optimizer,GWO)在求解复杂优化问题时存在解精度低、探索与开发能力不平衡、收敛速度慢和易陷入局部最优的缺点,提出一种基于多策略融合的改进灰狼优化算法.首先,设计一种基于正弦函数的非线性过渡参数策略替代原灰狼优化算法中的线性递减策略,以实现算法从勘探到开发的良好过渡;其次,利用个体自身历史最佳位置和决策层个体共同引导群体进行搜索,以加速算法收敛速度和提高寻优精度;然后,在当前最优灰狼个体上引入小孔成像学习策略产生新的候选个体,以降低算法陷入局部最优的概率.选取6个基准测试函数进行数值实验.结果 表明:改进算法在求解精度和收敛速度指标上均优于其他比较算法.最后,将改进算法用于求解特征选择问题,对10个基准数据集的仿真结果表明,改进算法能有效地提高分类精度和选择最优特征.