SINR概率感知下的无人机覆盖优化

针对多无人机网络辅助灾区用户通信的场景,构建了一种基于信干噪比(Signal-to-Interference plus Noise Ratio,SINR)检测的概率感知模型,旨在最大化无人机服务区域的覆盖率,同时降低无人机额外能耗,并提升网络吞吐量。在该模型下,提出了两种改进的麻雀搜索算法,分别为Logistic高斯麻雀搜索算法(Logistic Gaussian Sparrow Search Algorithm,LGSSA)和Logistic柯西麻雀搜索算法(Logistic Cauchy Sparrow Search Algorithm,LCSSA)。首先使用Logistic混沌序列产生初始种群,以丰富种群的多样性,提高算法的全局搜索能力;然后,在LGSSA和LCSSA中分别引入高斯变异和柯西变异因子,以改善局部最优解。仿真结果表明改进后的算法可以有效地优化无人机的空中部署,大幅度提升无人机网络的覆盖率。     

基于高斯云改进的混沌麻雀搜索算法与应用

传统的麻雀搜索算法(sparrow search algorithm, SSA)在寻优过程中存在易陷入局部最优,以及搜索能力不足的问题。为了解决上述问题,提出了一种基于高斯云改进的混沌改进麻雀搜索算法(improved sparrow search algorithm, ISSA)。首先,利用伯努利混沌映射初始化种群以提高算法初始种群质量;其次,在发现者位置更新中引入自适应高斯云变异策略来提高算法在迭代过程中的全局搜索能力;最后,利用t分布反向学习策略对最优位置进行随机反向学习,以提高算法跳出局部最优的能力。在仿真实验中将本算法与其他4种基本算法利用13种基准测试函数进行对比实验,同时与其他的ISSAs进行对比。实验结果表明,本算法具有良好的收敛性以及精度,且全局探索能力相较于原算法大大提高。并将ISSA应用于Kapur熵多阈值图像分割任务中,结果表明,ISSA相较于其他4种基本算法有着更高的分割精度。     

基于旋转状态转移的麻雀搜索算法

针对现有的麻雀搜索算法(SSA)在接近全局最优时,种群多样性减少,容易陷入局部最优等问题,提出一种精英旋转策略的麻雀搜索优化算法(RLSSA)。首先,对麻雀种群中发现者进行旋转状态转移变换,以提高算法的局部搜索能力,提高算法的搜索精度。其次,对加入者引入基于莱维飞行的搜索策略,提高算法的全局搜索能力,同时引入贪婪算法搜索寻优策略。最后,在12个基础函数上进行仿真实验。实验结果表明上述方法在收敛速度和精度上有显著优势。     

基于自适应权重与透镜成像学习的麻雀算法

为了解决麻雀搜索算法（SSA）存在的跳出局部最优值能力弱、寻优精度不理想等缺陷,提出了一种基于自适应权重因子与透镜成像反向学习的麻雀搜索算法（LIW-SSA）。利用Circle映射和一般反向学习策略生成麻雀种群,提升了初始种群的质量以及丰富性。将自适应权重因子引入到麻雀种群警戒者更新公式中,能有效平衡算法前后期搜索能力。采用透镜成像学习机制对当前麻雀最优个体实施干扰,提高了算法的跳出局部最优以及寻优性能。通过对基准测试函数的寻优对比,验证了提出的LIW-SSA算法相较于基本麻雀搜索算法以及其他优化算法,在算法稳定性以及寻优精度上得到了很大的提高。     

基于混沌的多策略优化麻雀算法及应用

针对原始麻雀搜索算法在寻优过程中出现多样性降低,难以跳出局部最优,以及收敛精度不够等问题,提出一种基于混沌的多策略优化麻雀算法.首先,通过Circle混沌映射进行种群初始化,生成分布更加均匀的麻雀种群,增加种群的多样性;其次,引入自适应比例,对发现者的种群规模占种群总规模的比例进行动态变化,平衡算法的全局搜索与局部挖掘能力;然后引入Levy飞行改进发现者位置更新方式,提高算法的搜索范围与局部搜索能力,并且加快收敛于最优值的速度;最后,选择逐维变异与反向学习相融合的方式来扰动当前全局最优位置,通过贪婪算法来筛选出变异前后的最优值作为当前全局最优值,从而提高算法跳离局部最优的能力.本次选择12个基准函数和Wilcoxon秩和检验进行验证,并于六种其他算法进行对比,证明了以上多种策略对于算法的性能提升明显.同时,将该改进算法应用于工程实践中,本文选择压缩弹簧设计优化问题,验证所提改进算法在工程设计中的可行性与优越性.     

自适应t分布与黄金正弦改进的麻雀搜索算法及其应用

针对麻雀搜索算法存在的容易陷入局部最优、收敛速度慢等问题,提出一种基于自适应t分布与黄金正弦改进的麻雀搜索算法(t-GSSA).首先,通过黄金正弦算法改进发现者的位置更新方式,增强算法局部开发和全局探索能力,并且提高算法的收敛能力;其次,利用自适应t分布变异方法,对个体位置进行扰动,提升算法跳出局部最优的能力;然后,在...     

改进型卷尾猴搜索算法及光伏电池参数辨识

针对新型卷尾猴搜索算法存在初始卷尾猴分布、静态惯性系数及跟随者位置更新策略制约其全局开采与局部勘测能力的问题,探讨改进型算法及其在光伏电池参数辨识中的应用。算法设计中,利用Logistic混沌映射初始化卷尾猴种群;引入灰狼优化的捕食策略和柯西变异扩大卷尾猴觅食范围,且借助S型函数自适应调节惯性权重,增强全局搜索能力。模型设计中,将光伏电池双二极管结构模型扩展为四二极管模型,进而获得多参数待定的二极管参数辨识模型。比较性的数值实验表明,改进型卷尾猴搜索算法求解基准函数优化及参数辨识问题时,在最优解的搜索能力、寻优效率以及参数辨识效果等方面具有明显优势,且对复杂优化问题的解决具有较好潜力。     

跳跃跟踪SSA交叉迭代AP聚类算法

针对传统近邻传播聚类算法以数据点对之间的相似度作为输入度量,由于需要预设偏向参数p和阻尼系数λ,算法精度无法精确控制的问题,提出了一种跳跃跟踪麻雀搜索算法优化的交叉迭代近邻传播聚类方法 .首先,针对麻雀搜索算法中发现者和加入者位置更新不足的问题,设计了一种跳跃跟踪优化策略,通过考虑偏好阻尼因子的跳跃策略设计大步长更新发现者,增加麻雀搜索算法的全局勘探能力和寻优速度,加入者设计动态小步长跟踪领头雀更新位置,同时,利用自适应种群划分机制更新发现者和加入者的比重,增加算法的后期局部开发能力和寻优速度;其次,设计基于扰动因子的Tent映射,在此基础上增加3个参数,使映射分布范围增大,并避免了陷入小周期点和不稳周期点;最后,引入轮廓系数作为评价函数,跳跃跟踪麻雀搜索算法自动寻找较优的p和λ,代替手动输入参数,并融合基于扰动因子的Tent映射优化近邻传播算法,交叉迭代确定最优簇数.使用多种算法聚类University of California Irvine数据集的10种公共数据集,仿真结果表明,本文提出的聚类算法与经典近邻传播算法、基于差分改进的仿射传播聚类算法、基于麻雀搜索算法优化的近邻传播聚...     

一种基于多策略改进的鲸鱼算法

针对标准鲸鱼算法（whale optimization algorithm,WOA）寻优精度低、可能陷入局部最优解等问题,提出一种基于多策略改进的鲸鱼算法（MSWOA）。首先使用Tent混沌映射与反向学习策略初始化鲸鱼种群;然后,引入自适应收敛因子根据适应度值动态调整个体在迭代过程中的包围步长,平衡算法的探索和开发能力;最后引入随机差分变异策略,加强算法跳出局部最优的能力。实验结果显示,MSWOA算法有效地提高了鲸鱼算法在稳定性、求解精度和收敛速度等方面的表现,展现了更优秀的求解效果。     

自适应混合变异文化算法

只采用单一变异算子的进化规划算法在解决优化问题时,不能兼顾全局探索和局部搜索能力,本文提出柯西+混沌变异和柯西+高斯变异两类混合变异策略,采用文化算法的双层进化机制,提取进化过程中的隐含知识,并根据知识自适应调整两种变异算子的作用时机和作用比例,给出了自适应混合变异文化算法.针对标准测试函数的仿真结果表明,该算法具有更...     

生长区域因子基于柯西列的人工根系算法

考虑人工根系算法(AR)对目标函数过于敏感这一特性,以及由此带来的算法早熟和算法失效这两种情况,提出一种生长区域因子基于柯西列收敛的人工根系算法(CAR)。首先按照基本人工根系算法的寻优方式对各根系进行适应值评估,确定其生发新根能力;其次在一次生发新根的过程中,控制生长区域因子按柯西列收敛,使算法逐步从全局搜索收敛到局部搜索。将该算法与AR算法进行比较,数值仿真结果表明对某些函数极值问题改进算法提高了全局搜索能力和收敛精度,改善了优化性能。     

基于函数复杂度的自适应模拟退火和禁忌搜索新算法

在求解多峰复杂函数的过程中,传统的模拟退火算法和禁忌搜索算法经常出现算法快速收敛于局部最优解、后期收敛速度变慢和搜索能力变差等问题.为解决这些问题,本文给出函数复杂度的定义,并提出基于函数复杂度的自适应模拟退火和禁忌搜索算法.该算法首先根据函数复杂度自适应调整步长控制参数,然后根据调整后步长求得函数的粗糙解,在此基础上再使用初始步长求得全局最优解.实验表明,该算法不仅可以跳出局部最优解的限制,并且减少了迭代次数,有效地提高了全局和局部搜索能力.     

基于改进SFLA-PF算法的OFDM系统的目标跟踪

在OFDM通信系统中,为了解决非线性的目标跟踪问题,提出了基于改进混合蛙跳算法(SFLA)和粒子滤波算法(PF)相结合的方法来研究动态目标跟踪技术.首先利用高斯变异的局部搜索能力强和柯西变异的全局搜索能力强等优点对混合蛙跳算法进行改进,然后用改进后的混合蛙跳算法来优化粒子滤波算法进行动态跟踪,其优点不需要重采样步骤,有效地保持了粒子的多样性和有效性.仿真结果表明,该算法能够有效实现动态目标跟踪,并且跟踪效果优于同等条件下的混合蛙跳算法和粒子滤波算法.     

改进萤火虫算法的武器目标分配问题研究

武器目标分配（WTA）是指挥控制和任务规划领域的关键问题之一,萤火虫算法求解武器目标分配问题具有参数设置简单、执行效率高等优点。针对传统萤火虫算法易陷入局部极值,收敛速度和精度不高的弊端,从以下三个方面进行改进：初始化萤火虫序列编码时融入PWLCM混沌优化以提高全局搜索能力;设置受迭代次数控制的服从半高斯分布的非均匀步长因子以兼顾算法的搜索能力和收敛性;设计基于排序的萤火虫更新策略同时融入交叉变异操作以提高算法的效率和准确性。为验证改进算法的先进性,先利用其求解4种典型测试函数的最优解,再求解WTA问题,并与传统萤火虫算法进行对比,仿真实验结果表明,改进后算法的评价函数值提高了2.1%,迭代次数减少了52.9%,改善了传统算法易陷入局部极值的缺点,提高了收敛速度和精度,提升了武器目标分配的效果。     

基于双重改进的鲸鱼优化算法

传统的鲸鱼优化算法(WOA)容易陷入局部最优以及收敛速度慢,针对此问题进行研究,提出了一种改进的鲸鱼优化算法,改进算法首先用非线性收敛因子替换原本使用的收敛因子,改进后的非线性收敛因子可以有效利用在算法中以弥补该算法在计算过程中全局探索与局部开发能力中的缺陷,并且可以加快算法收敛速度;然后在鲸鱼位置更新公式中加入了自适应权重,该策略可以改善算法的寻优精度以及进一步提高收敛速度;最后,在固定参数和不同维度的8个基准测试函数上进行了实验,结果表明,改进后的算法在寻找最优位置的精度和收敛速度对比于传统的鲸鱼算法和其他智能优化算法均有着显著的提高,具有更好的优化效果.     

改进鲸鱼算法优化核极限学习机在水质光谱分析中的应用

为提高水质光谱分析模型的学习速度与预测精度,采用核极限学习机对水质光谱进行建模,并提出一种具有动态惯性权重的改进鲸鱼优化算法对模型进行参数优化。由于极限学习机的输入权值矩阵和偏置是随机生成的,故引入核方法以减小其输出权值矩阵的波动;将鲸鱼优化算法中的惯性权重在非线性递减的基础上引入随机因子,通过动态调整惯性权重以平衡算法的全局搜索能力与局部开发能力。与传统优化模型进行了对比实验,实验结果表明:基于该方法所建模型具有更高的预测精度,而在相同的学习迭代次数下,核极限学习机的运行时间相对于传统算法约下降50%,且改进鲸鱼优化算法能够以更快的收敛速度使模型达到全局最优。     

基于改进麻雀搜索算法优化BP神经网络的气动光学成像偏移预测

气动光学效应导致的目标图像偏移对于飞行器的导航、定位以及寻的影响很大,对气 动光学成像偏移的实时补偿具有重要的实用价值。提出了一种基于改进型麻雀搜索算法 优化BP神经网络(improved sparrow search agorithm optimized BP neural network, ISSA-BP)的模型,对气动光学成像偏移进行预测。为提高预测算法的 搜索和跳出局部最优的能力,在标准麻雀搜索算法(sparrow search algorithm,SSA)中借助鸟群算法(bird swarm algorithm,BSA)飞行行 为的思想,使加入者以一定的概率向发现者靠近,缩短了算法的运行时间,保证了全局收敛 和种群的多样性。最后将 算法模型与BP神经网络模型和麻雀搜索算法优化BP神经网络(sparrow search algorithm BP,SSA-BP)模型进行对比 ,使用三种评价指标对三种算法模型进行评价, 结果表明的ISSA-BP模型能够及时准确的对气动光学成像偏移进行预测,ISSA-BP 模型的均方误差(MSE)、平均绝对误差(MAE)和决定系数(R²)分别为2.511、1.969和0.999。     

基于改进混合灰狼优化算法的无人机三维路径规划

针对传统灰狼优化(Grey Wolf Optimization, GWO)算法求解无人机三维路径规划问题时会出现收敛速度慢、容易陷入局部最优等问题,提出一种改进混合灰狼优化算法——CLGWO。基于Cat混沌映射和反向学习策略初始化灰狼种群,为算法全局搜索过程中丰富种群多样性奠定基础;提出新型非线性收敛因子的改进策略,提高算法全局搜索能力。在灰狼位置更新中提出引入狮群优化(Lion Swarm Optimization, LSO)算法的扰动因子和动态权重,使灰狼具有主动的搜索能力,避免因灰狼失去种群多样性而陷入局部最优。为验证改进算法的有效性,进行了8个国际通用的标准测试函数收敛性对比实验和无人机三维路径规划仿真实验。实验结果表明,CLGWO算法在单峰、多峰函数上均有较好的收敛性、较高的寻优精度;三维路径仿真环境下,CLGWO算法的平均路径长度、平均迭代次数、平均运行时间相比于GWO算法分别优化了33%、31%、52%,且路径转折少,能较好地得到全局最优值,验证了CLGWO算法的有效性。     

采用改进的细菌觅食优化算法求解 RCPSP

针对细菌觅食优化算法全局搜索能力较弱和收敛速度慢的问题,对算法的更新方式进行改进,在算法的初期通过粒子群算法进行全局搜索,使细菌在更新时感知周围环境,再由细菌觅食算法的趋向操作进行局部搜索,提高算法的计算精度和搜索能力。最后运用实例对算法进行验证,实验结果验证了此算法在求解资源受限的项目调度问题时的可行性和优越性。     

基于改进鲸鱼优化算法的最大2维熵图像分割

为了避免原鲸鱼优化算法早熟收敛、易陷入局部最优等缺陷, 首先在原鲸鱼优化算法初始化过程中采用了猫映射产生混沌序列结合反向解方法取代随机产生初始种群; 其次在位置更新机制上采用了疯狂算子和黄金正弦算法的方法; 最后将改进鲸鱼优化算法用于寻求图像2维最大熵来确定图像分割最佳阈值的选取。对10个经典基准函数进行了试验仿真验证, 得到了原鲸鱼优化算法在初始种群多样性及寻解遍历性上有所增加, 全局搜索能力提高和摆脱局部最优的结果。结果表明, 改进算法能得到函数最优值0, 0.00030, -3.32;改进算法在寻优能力和稳定性等方面有较大提升, 能实现对目标图像精确分割且耗时少。该研究为群智能算法应用于图像分割提供了参考。