基于混沌反馈乌燕鸥优化算法的随机配置网络参数优化

为了解决随机配置网络(stochastic configuration network, SCN)隐含层参数的选择与分配会影响其预测精度的问题，提出一种基于混沌反馈乌燕鸥优化算法(chaotic feedback sooty tern optimization algorithm, CFSTOA)的SCN参数优化方法。首先，利用Tent映射、线性因子调节策略、劣势种群反馈原则来改进乌燕鸥优化算法(sooty tern optimization algorithm, STOA),以增强算法的局部搜索能力，得到一种具备更快收敛速度和更高收敛精度的CFSTOA;然后，将CFSTOA用于优化SCN的正则化参数和权重偏差的尺度因子，从而得到最优的隐含层参数；最后，利用10个基准函数和4个标准回归数据集分别对CFSTOA的性能进行了测试。结果表明，CFSTOA具有更快的收敛速度且不易陷入局部最优，可以提高SCN算法的预测精度和训练速度。     

一种基于Tent映射的混合灰狼优化的改进算法

针对基本灰狼算法易陷入局部最优、未考虑个体自身经验等问题,本文提出一种基于Tent映射的混合灰狼优化算法(grey wolf optimization algorithm based on particle swarm optimization,简称PSO_GWO).首先,其通过Tent混沌映射产生初始种群,增加种群个体的多样性;其次,采用非线性控制参数,前期递减速度慢,能够增加全局搜索能力,避免算法陷入局部最优,后期收敛因子递减速度快,增加算法局部搜索能力,从而提高整体收敛速度;最后,引入粒子群算法的思想,将个体自身经历过最优值与种群最优值相结合来更新灰狼个体的位置信息,从而保留灰狼个体自身最佳位置信息.为验证该算法的有效性,本文借助9个标准测试函数来与其他三种算法进行对比.实验结果表明,本文提出的算法比其他三种算法在单峰函数和多峰函数上搜索到的最优解更加理想; PSO_GWO算法比IGWO算法(the improved grey wolf optimization algorithm)在计算时间复杂度方面效果较好;同时,随着种群规模增大,PSO_GWO算法收敛值逐渐接近理想值.因此,本文提出的PSO_GWO算法能更快搜索到全局最优解,且鲁棒性更好.     

基于改进鲸鱼优化算法的多目标信号配时优化

为了使交叉口的通行效益最大化,构建以交叉口平均延误、平均停车次数最小以及最大通行能力最大化为优化目标的多目标函数模型,并提出一种基于自适应权重和levy飞行的改进鲸鱼优化算法(ALWOA)对信号控制交叉口进行配时方案优化.结合实际算例,将求解后的结果与现有方案、使用传统的Webster算法求解的方案、使用GA和标准WOA得到的方案进行对比.结果表明,使用ALWOA得到的配时方案明显优于其他方法,从而证明了改进后的鲸鱼优化算法以及函数模型在交叉口信号配时方案优化上的有效性.     

一种离散鲸鱼算法及其应用

针对鲸鱼优化算法(WOA)在求解高维复杂问题时存在收敛精度低,难以解决离散优化问题等的不足,提出了一种离散鲸鱼算法(DWOA)。该算法引入收敛因子调控个体距离最优鲸鱼位置的远近程度,利用惯性权值平衡算法的全局搜索和局部开发能力,通过改进的Sigmoid函数对WOA进行离散化处理。9个基准函数和油田措施规划方案的测试结果表明,DWOA在收敛速度和寻优精度等方面均有较大的提升。     

联合鲸鱼算法和遗传算法优化GRNN预测斜拉索覆冰厚度

为了预测冬季易结冰区斜拉索覆冰的增长,运用灰色关联分析方法分析斜拉索倾角、温度、湿度、风速、降雨量及气压对斜拉索覆冰厚度的关联影响,明确各影响因素的相关性大小,剔除弱相关性因素;联合遗传算法（GA）和鲸鱼算法（WOA）选择最优光滑因子,提出一种WOA-GA算法优化广义回归神经网络（GRNN）的斜拉索覆冰厚度预测方法。其特点是：以输出值与实际值均方差作为适应度函数,计算每个粒子的适应度值;将GA算法的交叉和变异算子引入WOA算法,同时借助权重更新策略,提升全局寻优的能力,避免WOA算法陷入局部最优解;最后,经过迭代寻优,输出最小适应度值对应的光滑因子,构建GRNN预测模型。结果表明：环境温度相关性最高,其次是倾角、降水量、风速、相对湿度,气压关联度最小,呈弱相关性;相比于传统的GRNN、WOA-GRNN、PSO-GA-GRNN模型,联合鲸鱼算法和遗传算法优化的GRNN覆冰预测模型精度较高,其平均绝对误差百分比仅为3.58%,均方根误差为0.58 mm;采用敏感性分析法评价影响因素对模型精度的影响,发现温度对模型影响程度最大,其次是拉索倾角。     

改进果蝇算法优化BP神经网络预测汽油辛烷值

针对BP神经网络存在预测精度不佳、预测结果不稳定的问题,提出改进果蝇算法优化BP神经网络(back propagation neural network)预测模型。将混沌映射、判别因子与变步长机制引入果蝇优化算法(fruit fly optimization algorithm, FOA)中,得到改进后的自适应混沌果蝇优化算法(fruit fly optimization algorithm with chaos and discriminant factors, CDFOA),并利用测试函数对算法进行性能验证。利用CDFOA优化BP神经网络的初始权值与阈值,构建基于CDFOA优化BP神经网络对于汽油辛烷值的预测模型CDFOA-BP。将采集到的60组汽油数据输入预测模型进行测试分析。预测结果表明,与FOA-BP模型、PSO-BP模型、SSA-BP模型和BP神经网络模型相比,CDFOA-BP模型在预测精度与预测稳定性上均优于其他4种模型,验证该模型的有效性与可行性。     

基于WOA优化Elman神经网络的露天矿边坡位移预测

露天矿边坡变形、失稳严重威胁矿山安全生产。为提高露天矿边坡变形预测精度及可靠性,采用鲸鱼算法(WOA)优化Elman神经网络的预测模型,对露天矿边坡位移进行预测。根据Elman神经网络的特点,通过优选输入层节点数、隐含层节点数、传递函数参数,构建最优的Elman神经网络拓扑结构,并通过WOA优化Elman神经网络的权重和阈值,增强Elman神经网络的训练速度及全局寻优能力。以抚顺西露天矿边坡监测数据为例,利用该预测模型进行动态预测,并与经典的BP、Elman神经网络进行比较。结果表明：WOA-Elman模型预测结果的最大相对误差和平均绝对误差分别为0.018%和0.146 mm,模型收敛速度快,稳定性强,为矿区边坡变形预测提供了一种有效途径。     

自适应混合文化蜂群算法求解连续空间优化问题

提出一种自适应混合文化蜂群算法求解连续空间优化问题。算法中群体空间采用最优觅食理论改进群体更新方式;信念空间通过云模型算法和最优排序差分变异策略对知识进行更新;利用混沌算法和反向学习算法进化外部空间;3种空间通过自适应的影响操作来实现知识的交换。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,特别适宜于多峰值函数寻优。     

基于改进鲸鱼算法优化SVM参数和特征选择

针对传统支持向量机（SVM）在数据分类方面准确率识别较低的问题,提出了一种改进鲸鱼优化算法同步优化SVM的特征选择模型。首先,利用Levy飞行策略对鲸鱼优化算法的螺旋更新位置进行变异扰动,利用单纯形策略中的反射操作对种群中的精英个体进行反射点求解的改进,标准函数的测试结果证明其改进能有效提高算法的收敛速度和计算精度;其次,将SVM核参数和特征选择目标作为共同优化对象,在获得最优核参数的同时得到相对应的最优特征子集;最后,对UCI标准数据集和真实乳腺癌数据集进行特征选择仿真实验,在平均分类准确率、平均适应度值、适应度标准差和所选特征个数上进行评价。结果表明,本文算法在降低特征维度,实现数据分类上效果明显。在真实乳腺癌数据集上的分类精度与传统支持向量机相比提高了11.053%。     

基于灰狼-鸟群算法的特征权重优化方法

针对特征权重难以准确量化的问题，提出一种基于灰狼优化(grey wolf optimizer, GWO)算法和鸟群算法(bird swarm algorithm, BSA)的混合算法，用于特征权重的寻优。首先，将Chebyshev映射、反向学习与精英策略用于混合算法的初始种群生成；其次，将改进后的GWO算法位置更新策略融入BSA的觅食行为中，得到一种新的局部搜索策略；然后，将BSA的警觉行为与飞行行为用作混合算法的全局搜索平衡策略，从而得到一种收敛的灰狼-鸟群算法(grey wolf and bird swarm algorithm, GWBSA),通过GWBSA的迭代寻优可获得各特征的权重值。利用标准测试函数和标准分类数据集进行了对比实验，与遗传算法、蚁狮算法等方法相比，GWBSA具有较快的收敛速度且不易陷入局部最优，可以提高模式分类问题的求解质量。     

优化与优化控制

在生产过程中,过程变量的操作值会随着外界条件的变化而出现偏差,使生产过程不能工作在最优状态下。影响了经济效益的提高．优化和优化控制的理论正是为了解决这个问题而产生的,它运用数理统计中“回归分析”的理论和方法,结合生产中的实际数据,推出过程变量间相互关系和最优操作值去控制生产过程,从而使生产过程始终工作在最优状态下．     

一种求解约束优化问题的微粒群算法

约束保持法是目前求解约束问题时处理约束的主要方法之一,该方法的思想是确保进化过程中所有粒子始终在可行域范围内。本文借鉴复合形法的思想,提出一种求解约束优化问题的新方法。当粒子超出可行域范围时,通过反射、扩张、收缩等操作,为粒子重新产生一个可行位置。通过对标准函数仿真实验表明,该算法实现原理简单,而且能得到较优的解。     

一种新的集群优化方法--粒子群优化算法

系统地介绍了粒子群优化算法、各种改进算法以及算法的应用情况。对粒子群优化算法的研究和应用进行了总结和展望,指出了其在机械系统优化设计中的应用前景。     

微粒群算法在结构优化设计中的应用

结构优化设计对于实际工程具有重要的意义．通过对现有优化方法进行分析。将微粒群算法应用到结构优化设计中，提出了结构优化设计的微粒群算法，并建立了相应的优化模型．介绍了微粒群算法的基本思想、结构优化微粒群模型及其实施的具体步骤，最后通过一个算例验证了该方法的效率和有效性．结果表明该方法科学可行，具有很好的应用前景．     

微粒群算法在结构优化设计中的应用

结构优化设计对于实际工程具有重要的意义.通过对现有优化方法进行分析,将微粒群算法应用到结构优化设计中,提出了结构优化设计的微粒群算法,并建立了相应的优化模型.介绍了微粒群算法的基本思想、结构优化微粒群模型及其实施的具体步骤,最后通过一个算例验证了该方法的效率和有效性.结果表明该方法科学可行,具有很好的应用前景.     

结构优化

本文概括总结了结构优化的含义，研究内容，方法，层次，寻优策略，存在的问题及发展趋势，从一个新的角度对结构优化问题进行了层次划分和整体性的论述，得到的结论是：现代“结构优化”是一门涉及运筹学，非线性科学，土木工程理论，智能科学等多学科的概括性综合学科，具有理论和应用价值，是有发展潜力的研究方向，它的发展对今后结构设计理念的提高具有重要意义，并且可以带动相关学科的发展。     

Drilling Path Optimization Based on Particle Swarm Optimization Algorithm

This paper presents a new approach based on the particle swarm optimization (PSO) algorithm for solving the drilling path optimization problem belonging to discrete space.Because the standard PSO algorithm is not guaranteed to be global convergence or local convergence,based on the mathematical algorithm model,the algorithm is improved by adopting the method of generate the stop evolution particle over again to get the ability of convergence to the global optimization solution.And the operators are improved by establishing the duality transposition method and the handle manner for the elements of the operator,the improved operator can satisfy the need of integer coding in drilling path optimization.The experiment with small node numbers indicates that the improved algorithm has the characteristics of easy realize,fast convergence speed,and better global convergence characteris- tics.hence the new PSO can play a role in solving the problem of drilling path optimization in drilling holes.     

基于粒子群算法的ANFIS模型参数优化

粒子群优化算法是一类全局随机进化算法,算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。根据粒子群算法对整个参数空间进行高效并行搜索的特点,提出了最小二乘法和粒子群优化算法相结合的混合学习算法对自适应神经-模糊推理系统网络结构参数进行优化设计。混合学习算法提高了网络参数辨识的收敛速度,仿真结果表明本算法的有效性。     

基于改进细菌觅食算法的无功优化

采用改进的细菌觅食(MBFO)算法求解电力系统无功优化问题,引入了步长递减的控制策略,改善了算法前期的全局搜索能力和后期的局部搜索能力;引入了SA-PSO变异算子,从而使个体可以相互交流,并从精英那里得到经验;引入遗传算法的交叉和赌盘选择,保护了精英个体,同时降低了解劣化的概率.以IEEE-30节点为例的算例结果表明,较其他几种优化方法而言,M BFO具有更快的收敛速度和更好的优化效果,故该算法在解决无功优化问题上可行且有效.