基于粒子群和布谷鸟搜索的BP神经网络优化方法研究

针对BP神经网络初始化敏感性高、易陷入局部最小值的问题,研究基于粒子群优化和布谷鸟搜索融合的BP神经网络优化方法,提出一种分层的融合优化模型MB-PSO-CS-BP。该方法在下层使用Mini-Batch算法将粒子群分割为小种群,利用粒子群优化算法进行局部搜索;在此基础上采用布谷鸟搜索算法进行全局搜索,从而减小BP神经网络初始化的敏感性,减缓其陷入局部最优的症状。在实际应用领域的数据集上对所提出算法进行实验验证。相较于一般的PSO-BP模型与CS-BP模型,所提出的MB-PSO-CS-BP融合模型在全局最优值、均方误差等多个评估指标上有所改进,进一步提升了利用BP神经网络进行预测的准确性与稳定性。     

基于贪婪搜索和变异操作的布谷鸟算法

作为一种新型的生物启发式群体智能算法,布谷鸟算法模拟了布谷鸟生育雏鸟以及鸟类的Levy flights行为,是一种全局最优搜索算法,为了更好地提高算法对不同问题的适应能力,提出一种基于贪婪搜索和变异操作的布谷鸟(GMCS)算法.根据最优位置设计一种贪婪搜索策略,贪婪搜索策略和Levy flights随机游动搜索策略按概率交替进行,加强算法的局部探索能力;引入差分进化算法中的变异操作,提高算法跳出局部最优的能力;加入一个新的参数,根据收敛状态自适应地调整参数阈值以控制贪婪搜索策略和变异操作的执行次数.通过8个标准测试函数进行数值实验,实验结果表明,与部分改进的布谷鸟算法以及一些其他改进的演化算法相比,GMCS算法具有较好的收敛性能和适应能力,验证了改进后算法的有效性.     

基于改进布谷鸟搜索算法的种子园空间布局优化

为了使树木更好地适应外界环境的变化,林木育种的关键是确保其具有较高的遗传多样性.通过优化种子园的空间布局,可以提高树木的遗传多样性.但随着种子园规模的扩大,空间布局优化方案的复杂度会呈指数级增长,使用传统方法很难在可行的时间内得到最优解.采用改进的布谷鸟搜索算法对种子园配置方案进行最优化设计,并利用不同规模种子园的模拟数据验证该算法在解的质量和求解速度方面的可靠性,且对于相同数据,该算法优于遗传算法,可高效地输出一个优化的栽培种植方案,为种子园的建立提供决策依据.     

基于布谷鸟搜索的XGBoost算法优化及应用研究

为提高XGBoost算法预测精度,采用布谷鸟搜索算法全局优化XGBoost的超参数包括学习率、输出结点分裂的最小损失、树模型的最大深度和弱学习器的数量,构建CS-XGBoost模型训练数据集。实验结果表明,基于CS-XGBoost的收入分类模型的准确率、精确率、F1分数和AUC等指标分别为95.67%、97.17%、95.56%和97.96%,均优于Logistic回归、支持向量机、随机森林、XGBoost算法和基于网格搜索的XGBoost算法;基于CS-XGBoost的房价预测模型的决定系数、均方根误差及平均绝对误差分别为0.905 5、2.943 5及2.165 4,预测精度较XGBoost算法得到显著提升。     

融合榜样学习和反向学习的粒子群优化算法

为了提高粒子群优化算法(Particle swarm optimization,PSO)的优化效率,降低其陷入局部最优的概率,提出了一种融合榜样学习和反向学习的PSO算法(PSO based on combing Example learning and Opposition learning,EOPSO).首先,对粒子群中的非最优粒子采用新颖的榜样学习机制更新,以便提高全局搜索能力,避免算法陷入局部最优;其次,对粒子群中最优粒子采用反向学习混合机制更新,提升该粒子的搜索能力,进一步避免算法陷入局部最优;最后,对粒子群中的最优粒子还采用了自身变异机制更新,有利于搜索前期的全局搜索和后期的快速收敛.在15个不同维度的基准函数上进行了仿真实验,实验结果表明,与最先进的PSO改进算法ELPSO、SRPSO、LFPSO、HCLPSO相比,EOPSO优化性能更好.     

深度优先搜索的非递归算法

深度优先法是图的遍历的一种重要的方法。改方法应用广泛,例如电网拓扑结构、DNA网络等复杂图形分析。在大型网络的分析过程中,深度优先搜索的递归算法效率地下。故本文论证了递归算法的优缺点,并用非递归算法实现了深度优先搜索。     

一种协同进化布谷鸟搜索算法

为提高布谷鸟搜索算法的收敛速度和求精能力,在研究现代智能算法和启发式方法的基础上,提出协同进化布谷鸟搜索算法.分析Lévy Flight飞行搜索机制,将传统布谷鸟算法与粒子群算法相结合,提出基于粒子群算法的协同进化布谷鸟搜索算法.通过对典型非线性测试函数进行仿真测试,分析实验数据和收敛曲线,验证该算法的有效性和可行性.     

基于Powell搜索法的简化微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部强搜索能力强等优点,在简化微粒群算法的基础上,结合Powell搜索法,提出一种新型简化微粒群算法—Powell-SPSO算法.改进算法将Powell搜索法融合在简化微粒群算法中,让Powell搜索法与简化微粒群算法进行交替搜索.同时微粒的迭代利用了Powell搜索法的强搜索能力,使得算法改善了简化微粒群算法因每个微粒采用相同迭代公式进行进化而造成的微粒间的弱差异性,避免了易出现早熟、搜索速度慢等缺点.仿真结果表明,与标准微粒群算法(PSO)、简化微粒群算法(SPSO)、文献[10]算法相比较,不论是对高维函数还是低维函数,改进的算法都能够有效地避免早熟问题,并能显著地提高收敛速度和收敛精度.     

基于反向学习的人工蜂群算法

提出基于反向学习的人工蜂群算法(简称OABC算法).在人工蜂群算法的跟随蜂阶段,种群依概率进行反向学习代替跟随蜂搜索方案.保留标准人工蜂群算法中雇佣蜂和侦察蜂阶段以保证种群的探索能力以及种群的多样性,增设参数控制一般的反向学习过程中对位搜索范围,充分利用种群信息和个体信息优化种群,提高对位点的有效性,从而提高反向学习的成功率.仿真实验结果表明,OABC算法有效提升了算法寻优速度和收敛精度.     

基于改进布谷鸟搜索—高斯过程的橡胶配方预测研究

为提高橡胶产品的质量,根据实验设计数据,利用高斯过程回归构建橡胶产品性能与因素之间的配合过程模型,采用改进的布谷鸟搜索算法对高斯过程回归模型的超参数进行寻优,并预测橡胶产品性能。研究结果表明,该模型的预测结果有效,并能降低橡胶产品配方优化设计所需时间。     

基于Powell搜索法的混合微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部搜索能力强等优点,本文提出了一种与Powell搜索法相结合的改进微粒群算法实践.改进算法将微粒的搜索过程分为两阶段,第一阶段,将PSO算法的速度公式改进后进行搜索;第二阶段,将第一阶段的最后一代微粒作为Powell搜索法的初始点,让Powell搜索法与PSO算法交替进行.这样既克服了PSO算法易陷入局部最优的缺点,也大大提高了算法的求解精度和收敛速度,同时保持了微粒的多样性.仿真结果表明:同PSO算法相比,Powell-PSO算法具有较高的求解精度和较强的寻优能力,并且不论是对单峰函数还是多峰函数都能取得很好的优化效果.     

基于三方竞争机制的反向多目标粒子群优化算法

针对传统多目标粒子群优化算法容易早熟的问题,提出一种基于三方竞争机制的反向多目标粒子群优化算法(MOPSO-TCOL).该算法利用当前种群在每一代中选择的三方竞争者来引导种群进化,这能够有效减少维护外部存档时的计算成本.在每次竞争中,MOPSO-TCOL从种群中随机挑选3个粒子进行比较,并基于不同的策略分别进行更新,这有利于保持种群的多样性.提出了一种基于反向学习策略的渐进式粒子更新方式,部分粒子进行反向学习以避免算法陷入局部最优,其他粒子通过向指定的更优粒子学习进行更新以加强收敛性.将所提出算法与8个多目标优化算法在14个标准测试函数上进行了性能比较试验.结果表明MOPSO-TCOL算法在多样性和收敛性上具有显著优势,且具有更快的收敛速度.     

基于引力搜索和粒子群混合优化算法的T-S模型辨识

提出了基于引力搜索(GSA)和粒子群(PSO)混合优化算法(GSAPSO)的T-S模型全局优化辨识方法.该方法充分整合GSA的勘探能力和PSO的开采能力,在GSA中引入PSO的个体最优值和群体最优值,同时改进惯性权重调整算法.T-S模型辨识分为结构辨识和参数辨识,采用聚类方法和GSAPSO算法同时辨识模型的结构和参数,从而实现全局优化辨识.仿真实例和比较分析证明了GSAPSO较标准的PSO和GSA有更强的全局优化能力和更高的辨识精度.     

基于高斯扰动的反向蜉蝣优化算法

目的 解决蜉蝣优化算法收敛精度较低且易陷入局部最优解的不足。方法 将高斯扰动和混合反向学习策略与蜉蝣优化算法进行融合,提出一种基于高斯扰动的反向蜉蝣优化算法。该算法在雌雄蜉蝣种群中通过反向学习来扩大搜索空间,增加种群多样性;在迭代过程中对雄性蜉蝣的最优个体进行高斯扰动,防止算法陷入局部最优解。结果与结论将改进蜉蝣优化算法与其他7个对比算法在14个测试函数上进行数值实验,结果表明,改进蜉蝣优化算法具有更好的搜索能力和求解精度。     

基于粒子群布谷鸟融合算法的主汽温系统控制器参数优化

火电厂主汽温系统具有大惯性、大时滞特性,经典串级比例-积分-微分控制器(PID)难以实现对主汽温系统的精细控制,本文利用粒子群与布谷鸟的融合算法对主汽温控制系统的控制器参数进行优化,通过选择合适的目标函数,对某600 MW直流锅炉主汽温控制系统进行了优化,与工程整定法、粒子群算法的控制结果相比,粒子群布谷鸟融合算法具有...     

基于文化进化的群搜索优化算法

群搜索算法(Group Search Optimizer,GSO)是一种新的群智能优化算法,适宜于解决多极值高维度优化问题,但其在优化的后期由于种群多样性不够,容易陷入局部最优。对GSO算法进行了改进,将文化算法的模型运用到GSO算法中,并引入群体适应度方差的概念来判断是否进行影响函数操作以提高收敛效率。将该算法与遗传算法(GA)、粒子群算法(PSO)和基本的GSO算法进行优化测试函数的对比实验,并将其运用于丁烷化工业过程中效益最大化问题的研究,所得结果均验证了改进算法的有效性。     

基于自适应布谷鸟搜索的RIS辅助无线定位系统

可重构智能表面(RIS)是6G关键技术之一,可灵活部署在基站服务区域的内部,辅助基站定位,提高定位精度.针对RIS辅助毫米波多输入单输出无线定位系统,利用布谷鸟搜索算法(CS)求解极大似然位置估计函数.为了提高算法寻优能力,将CS算法的发现概率和搜索路径步长由固定值改为自适应变化的动态参数.实验结果表明,引入RIS辅助定位可以明显提高定位精度,自适应布谷鸟搜索算法(ACS)寻优能力高于布谷鸟搜索算法.     

基于布谷鸟搜索神经网络的微波加热温度预测模型

微波加热是一种与被加热物直接相互作用的选择性加热方式,具有清洁、节能、减排等特点。针对工业物料作为微波加热负载时,其温度非线性变化的特点,以微波工业加热过程中的多维、海量参数为研究对象,基于泛函接神经网络模型提取样本数据的深度特征,提出了一种基于布谷鸟搜索算法,优化BP神经网络的网络参数,建立了以"数据驱动"为手段微波加热工业物料温度模型。仿真实验结果证明了所提出模型的准确性、实时性。     

基于改进布谷鸟搜索的人工神经网络及其性能仿真

布谷鸟搜索(CS)算法是一种新型的基于仿生学原理的元启发式算法,具有很好的全局优化能力,但其存在后期收敛速度慢、计算精度不高等不足。通过将交叉熵(CE)方法嵌入到CS中构建一种改进的CS算法,基准测试函数集的测试结果表明改进算法收敛速度和计算精度都有了明显提高。用改进的算法实现对人工神经网络的训练,实验结果显示新算法训练的神经网络收敛速度更快,能有效避开局部极小。最后用所建立的人工神经网络对中国人口总量进行了预测。     

一种局部搜索能力增强的狮群算法

狮群算法作为一种新型群智能优化算法,其进化过程多依据狮群猎食、交配等动物本性出发,因此难免会存在收敛速度慢并且不容易发现全局极值等缺点.针对当前基本狮群算法存在的缺点,提出一种局部搜索能力增强的狮群算法(Enhanced Local Search Lion Optimization Algorithm,ELSLOA).为增强种群局部搜索效率,对所有领地狮引入对立搜索方法提高寻优能力,并对优良个体执行Levy flight操作,提高个体局部开采能力,最后利用Tent混沌搜索对领地狮和流浪狮执行混沌操作.对算法进行了函数的仿真对比分析,充分验证了所提出算法的优良性能.