一种改进的自适应变异蝙蝠算法

针对蝙蝠算法在解决高维复杂问题时容易陷入局部最优解和精确度不高的问题,文中提出了一种改进的蝙蝠算法。在原算法的基础上,引入一种交叉变换的方式更新蝙蝠群体的位置,一方面是为了提高蝙蝠算法的遍历性,另外还可以减小蝙蝠算法陷入局部最优解的可能性。模拟蝙蝠发声的音量变化,采用自适应的变换的方式改进蝙蝠算法最优解的选择模式,达到提高算法的精度和收敛速度的目的。最后通过标准的测试函数对改进后的算法进行数值模拟,结果显示,改进后的算法较为有效。     

自适应变异的蝙蝠算法

针对基本蝙蝠算法(BA)寻优精度不高、收敛速度慢和易早熟收敛的问题,提出一种改进的具有自适应变异机制的蝙蝠算法,用以求解复杂函数问题;利用K-means聚类对蝙蝠种群进行初始化,使种群在搜索空间分布更为均匀;采用根据迭代次数自适应变化的控制概率Pt判断算法是否进行高斯变异,增强种群多样性,促使蝙蝠个体跳出局部极值点;将自然选择思想引入BA,提高算法搜索速度,避免早熟收敛;选取几个典型函数进行测试,结果表明改进算法优化性能有了显著提高,具有较快的收敛速度,较高的寻优精度、收敛稳定性和收敛可靠性,验证了改进蝙蝠算法(IBA)的有效性及优越性。     

变步长自适应的改进人工鱼群算法

针对人工鱼群算法在函数优化中存在陷入局部最优、后期收敛速度慢及结果精度不高等问题,通过改进鱼群算法中觅食行为及自适应调整人工鱼步长,提出了一种变步长自适应的改进人工鱼群算法。证明了该算法的全局收敛性,从而增加了其理论基础。最后,10个标准函数测试结果表明,改进后的人工鱼群算法在跳出局部最优、收敛速度、精度和稳定性方面都优于原鱼群算法和萤火虫算法,在结果精度和稳定性方面优于文献[9,23,24]的方法。     

改进的变步长LMS自适应滤波算法及其仿真

对变步长的(LMS)自适应算法进行了讨论,本文提出了一种新的变步长LMS自适应滤波算法,并用计算机进行了仿真,结果表明该算法在误差接近于零时步长具有缓慢的变化的特性,并且在低信噪比的环境下有更好的抗噪性能,滤波效果更好。     

基于混沌序列的自适应步长的布谷鸟算法

布谷鸟算法(CS)是一种新的寻优算法,该算法存在局部搜索能力差,收敛速度慢,收敛精度不高等问题。布谷鸟初始位置的选择具有较强的随机性,通过在布谷鸟的初始位置引入混沌序列,在鸟窝更新时,步长的选择可以防止算法陷入局部最优,故建立基于混沌序列自适应步长的布谷鸟算法,通过测试函数进行比较该算法(ASBCS)优于布谷鸟算法(CS)。     

一种自适应变步长的Alopex算法

Alopex算法是一种启发式与随机优化相结合的算法.本文在改进的Alopex算法的基础上,提出了一种具有自适应能力的变步长的Alopex算法,使其能够更好的跳出局部最优解和逼近全局最优解;并且为了进一步提高改进的Alopex算法的逼近精度以及消除该算法在后期可能出现的振荡现象,提出了一种合理的改变δ_(in)的方法.仿真试验表明,这种改进是可行的,而且是有效的.     

基于箕舌线的变步长LMS自适应算法

通过建立步长因子μ与误差信号e之间的非线性关系，提出一种新的基于箕舌线的变步长LMS算法，并将其应用于通信降噪。该算法除了具有传统固定步长LMS算法计算量小、稳定性较好、简单、易于实时处理等优点外，计算机仿真结果表明，其收敛速度、稳定性以及跟踪速度优于SVSLMS算法和NLMS算法，且不需进行指数运算，计算复杂度低于SVSLMS算法，用于通信降噪取得了较好的效果。     

基于自适应步长的萤火虫划分聚类算法

在许多领域中,聚类是重要分析技术之一,如数据挖掘、模式识别和图像分析。针对K-means算法过度依赖初始聚类中心的选择而陷入局部最优的问题,提出了基于自适应步长的萤火虫划分聚类算法,简称ASFA。利用萤火虫算法的随机性和全局搜索性,来找到指定数量的初始簇中心,进一步利用K-means得到精确的簇划分。在萤火虫聚类优化算法中,采用自适应步长代替原有的固定步长,从而避免算法陷入局部最优,且能获得精度更高的解。为了提高算法性能,将改进的新算法用于不同规模大小的标准数据集中,实验结果表明,ASFA与K-means、GAK、PSOK对比显示更好的聚类性能和更好的稳定性和鲁棒性,与其他文献中算法相比,ASFA在寻优精度方面能取得更好的效果。     

改进的动态自适应学习教与学优化算法

为了克服教与学优化(TLBO)算法在求解函数优化问题时容易陷入局部最优、后期收敛速度慢、解精度较低等的弱点,提出了一种动态自适应学习和动态随机搜索机制的改进教与学优化算法。首先,在教师的教学过程中,引入一个线性变化的动态学习因子,来调整在迭代寻优过程中学生自身知识对本次学习的贡献价值。其次,为了提高算法的解精度,教师个体将执行动态随机搜索算法以加强对种群内的最优个体所在解空间的勘探。在14个标准测试函数上进行仿真实验,将所提算法与其他相关算法进行对比,结果表明所提算法不仅在求解精度,而且其收敛速度均优于标准TLBO算法,适合求解较高维的函数优化问题。     

一种改进的自适应混合神经网络盲分离算法

传统的前馈神经网络盲源分离算法由于步长固定存在许多缺点,而基于Sigmoid函数的自适应步长算法虽然能够克服固定步长算法的缺陷,但其稳态性能较差。针对这个问题,提出一种改进的自适应步长算法,该算法可灵活地控制步长因子函数的形状,在近零点处变化较Sigmoid函数更加缓慢,性能更加优越;同时针对前馈神经网络的不足,在前馈神经网络结构中引入递归结构,利用改进的自适应步长算法控制学习速率。仿真分析表明该算法具有更快的分离速度和更加优越的分离效果。     

基于单纯形法和自适应步长的花朵授粉算法

针对花朵授粉算法易陷入局部极值、后期收敛速度慢的不足,提出一种基于单纯形法和自适应步长的花朵授粉算法。该算法在基本花朵授粉算法的全局寻优部分采用自适应步长策略来更新个体位置,步长随迭代次数的增加而自适应地调整,避免局部极值;在局部寻优部分对进入下一次迭代的部分较差个体采用单纯形法的扩张、收缩/压缩操作,提高局部搜索能力,进而提高算法的寻优能力。通过八个CEC2005benchmark测试函数进行测试比较,结果表明,改进算法的寻优性能明显优于基本的花朵授粉算法,且其收敛速度、收敛精度、鲁棒性均较对比算法有较大提高。     

一种自适应调整种群子代数量 与步长的优化算法——爆米花算法

提出了一种新的群体智能优化算法——爆米花算法。借鉴了烟花算法爆炸机制的优点,利用个体在寻优过程中适应度值的优劣来动态调整子代的数量,个体的适应度值越好,产生的子代数量越多,并且在该个体附近搜索的子代数量越多,以此控制局部搜索与全局搜索之间的平衡。还借鉴了粒子群优化算法的记忆机制,引入个体最优和全局最优来构造新的爆炸半径,使算法能够在寻优过程中动态地调整步长,并对全局最优进行高斯扰动,增加种群的多样性。实验结果表明:与其他优化算法(如蝙蝠算法、标准粒子群算法、烟花算法)相比,本文提出的爆米花算法总体性能更优。     

结合保优策略和移民策略的自适应遗传算法

针对基本遗传算法具有早熟性收敛、寻优时间长及局部搜索能力差的问题,分析产生这些问题的原因。结合最优保存策略和移民策略,提出基于种群平均适应度信息的遗传算法自适应算子的改进方案,并对改进遗传算法的收敛性予以证明。仿真结果表明,改进遗传算法在搜索效率、搜索精度和克服早熟收敛现象方面均有明显的优越性。     

改进自适应差分进化算法求解大规模整数任务分配

针对0-1任务规划模型存在维数灾维的问题,提出一种基于改进自适应差分进化(SADE)算法的大规模整数任务分配算法。首先,将任务分配的0-1规划模型转化整数规划模型,不仅大幅减少了优化变量的维数,还减少了整式约束条件;然后,将常用的变异算子DE/rand/1/bin和DE/best/2/bin结合起来组成新的自适应变异算子,使得自适应差分进化算法既有较快的收敛速度,又降低了变异算子对具体问题的依赖;并用改进自适应差分进化算法求解整数规划。最后,通过典型的任务分配实例验证了算法在优化大规模任务分配的有效性和快速性。     

采用自适应信号恢复算法的非接触式心率检测

目的 心率是反映人体心血管状况和心理状态的重要生理参数。最近的研究表明,光电容积成像技术可以在不接触人体的情况下,利用消费级的摄像机捕获面部表皮颜色的变化进而估计心率。然而,在实际环境中,面部运动带来的干扰会导致心率检测的准确性下降。近年来,国内外学者已经提出了一些方法来去除运动噪声,但是效果均不理想。为了解决上述问题,提出一种可以抗面部运动干扰的新方法。方法 首先检测和跟踪受试者的脸部。然后将脸部区域分块,并提取各块的色度特征建立原始血液容积脉冲矩阵,利用自适应信号恢复算法从原始血液容积脉冲矩阵中分离出低秩矩阵并构建期望血液容积脉冲信号。最后通过功率谱密度估计心率。结果 在环境光作为光源的条件下,利用网络摄像头采集30名受试者的人脸视频进行实验分析。结果显示,提出的方法测得的心率与参考值具有很强的相关性：在静态场景中皮尔森相关系数r=0.990 2,在动态场景中r=0.960 5。并且与最新方法相比,动态场景中的误差率降低了53.90%,相关性提高了7.46%。此外,在10 min的心率检测实验中,方法的测量值与参考值保持着良好的一致性。结论 本文方法优于现有的非接触式心率检测技术,能有效地消除面部运动带来的干扰,长期稳定地检测心率。     

Reliability-based design optimization using the directional bat algorithm

Neural Computing and Applications - Reliability-based design optimization (RBDO) problems are important in engineering applications, but it is challenging to solve such problems. In this study, a...     

Fuzzy entropy based optimal thresholding using bat algorithm

Image segmentation is a very significant process in image analysis. Much effort based on thresholding has been made on this field as it is simple and intuitive, commonly used thresholding approaches are to optimize a criterion such as between-class variance or entropy for seeking appropriate threshold values. However, a mass of computational cost is needed and efficiency is broken down as an exhaustive search is utilized for finding the optimal thresholds, which results in application of evolutionary algorithm and swarm intelligence to obtain the optimal thresholds. This paper considers image thresholding as a constrained optimization problem and optimal thresholds for 1-level or multi-level thresholding in an image are acquired by maximizing the fuzzy entropy via a newly proposed bat algorithm. The optimal thresholding is achieved through the convergence of bat algorithm. The proposed method has been tested on some natural and infrared images. The results are compared with the fuzzy entropy based methods that are optimized by artificial bee colony algorithm (ABC), genetic algorithm (GA), particle swarm optimization (PSO) and ant colony optimization (ACO); moreover, they are also compared with thresholding methods based on criteria of between-class variance and Kapur's entropy optimized by bat algorithm. It is demonstrated that the proposed method is robust, adaptive, encouraging on the score of CPU time and exhibits the better performance than other methods involved in the paper in terms of objective function values.