水泥稳定碎石-煤矸石混合料性能试验研究

将煤矸石最大限度地应用于高等级路面基层是一项重要的利用途径.首先研究了煤矸石的物化特性,其次采用部分煤矸石替代2.36～13.2 mm范围内的普通碎石,选用5.5％的水泥剂量,依据煤矸石、碎石的不同掺量设定了8组级配混合料,进行室内7d无侧限抗压强度试验;最后对3组优选级配混合料进行力学性能试验研究.结果 表明:煤矸石性能良好,采用26％ ～ 30％的碎石1号料,煤矸石利用量可达到35％ ～47％,且混合料的7d无侧限抗压强度满足规范中高等级路面基层的要求;经过标准养生28 d和90d的混合料抗压强度、抗压回弹模量、劈裂强度和劈裂回弹模量均能满足规范要求,该混合料可用于高等级路面基层.     

精英反向黄金正弦海洋捕食者算法

由于基本的海洋捕食者算法在运行时存在求解准确度低和稳定性差等缺点，提出一种精英反向学习黄金正弦的海洋捕食者算法。加入精英反向学习机制，提升了海洋捕食者的种群质量，使得算法全面探索的范围得到了有效扩大；加入黄金正弦策略，改进了海洋捕食者捕食猎物的方法，缩小了海洋捕食者的搜索空间，使得算法的局部开发性能得到了有效提高。对12个基准测试函数和12个CEC2017函数进行求解测试，测试结果显示，2种改进策略有助于提高海洋捕食者算法的性能。     

多子群改进的海洋捕食者算法

文章针对海洋捕食者算法(Marine Predators Algorithm,MPA)求解精度不高和收敛速度慢等缺点,提出一种多子群改进的海洋捕食者算法(Multi-subpopulation Marine Predators Algorithm,MSMPA).根据不同适应度值将海洋捕食者种群分为领导者、追随者和衔尾者...     

精英反向与二次插值改进的黏菌算法

针对基本黏菌算法(slime mould algorithm,SMA)易陷入局部最优值、收敛精度较低和收敛速度较慢的问题,提出精英反向学习与二次插值改进的黏菌算法(improved slime mould algorithm,ISMA).精英反向学习策略有利于提高黏菌种群多样性和种群质量,提升算法全局寻优性能与收敛精度;利用二次插值生成新的黏菌个体,并用适应度评估更新全局最优解,有利于增强算法局部开发能力,减少算法收敛时间,使算法跳出局部极值.通过求解多个单模态、多模态和高维度测试函数进行不同算法之间的对比,结果显示,结合两种策略的ISMA具有较高的寻优精度、寻优速度和鲁棒性.     

多策略黑猩猩优化算法研究及其工程应用

针对基本黑猩猩优化算法存在的依赖初始种群、易陷入局部最优和收敛精度低等问题,提出一种多策略黑猩猩优化算法EOSMICOA（chaotic elite opposition-based simple method improved COA）。在EOSMICOA算法中,利用混沌精英反向学习策略对黑猩猩个体位置进行初始化,提高种群的多样性和质量,同时在位置更新过程中利用单纯形法和群个体记忆机制对较差个体进行改进,进一步提高算法的局部开发能力和勘探能力,以及算法的寻优精度。为验证改进算法的寻优能力,将EOSMICOA算法与多个智能算法对20个复杂函数进行对比实验,结果表明EOSMICOA在收敛精度、寻优速度等方面都有明显优势。最后,将EOSMICOA与当前最新改进算法应用于焊接梁设计中,对比结果表明EOSMICOA可以更有效地应用于工程设计优化问题。     

考虑距离因素与精英进化策略的平衡优化器

针对平衡优化器（EO）存在寻优精度低、收敛速度慢、容易陷入局部最优的不足,提出一种考虑距离因素与精英进化策略的平衡优化器（E-SFDBEO）。该算法首先在平衡池候选解的选择中引入距离因素,通过自适应权重平衡适应度值和距离,调节算法在不同迭代时期的探索和开发能力;其次引入精英进化策略（EES）,以精英自然进化和精英随机变异两种方式提升算法的收敛速度和精度;最后使用自适应t分布变异策略对部分个体施加扰动,并以贪心策略对个体进行保留,使算法能够有效跳出局部最优。在仿真实验中对所提算法与4种基本算法和2种改进算法在10个基准测试函数进行比较,并对算法进行Wilcoxon秩和检验,结果表明所提算法具有更好的收敛性和更高的求解精度。     

精英反向学习与黄金正弦优化的HHO算法

针对基本哈里斯鹰优化算法（Harris hawks optimization,HHO）易陷入局部最优值、收敛精度低和收敛速度慢的问题,提出融合精英反向学习与黄金正弦算法的哈里斯鹰优化算法（elite opposition-based learning golden-sine Harris hawks optimization,EGHHO）。融入精英反向学习机制,提高种群多样性和种群质量,提升算法全局寻优性能和收敛精度;融入黄金正弦算法优化哈里斯鹰围捕猎物的方式,有效缩小搜索空间,减少算法收敛时间,增强算法局部开发能力。通过求解多个单模态、多模态和高维度测试函数进行算法之间的对比,结果表明,融合两种策略的EGHHO算法具有较强跳出局部极值的能力以及更高的寻优精度和寻优速度。