基于改进人工鱼群优化的PTS相位系数搜索算法

为了克服传统的PTS算法运算程序复杂,计算量大,搜索复杂度高的不足,提出了基于改进人工鱼群优化的PTS相位系数搜索算法。该算法通过穷举搜索选择最优的相位旋转因子,将最小峰值平均功率比的求解过程转化为非线性约束的优化问题,利用改进的人工鱼群优化算法,在全局范围内求解最优相位因子,使得相位序列的搜索能够快速向最优相位序列收敛,从而得到具有较小峰值平均功率比的信号并在不影响性能前提下减小时间复杂度。实验结果表明,与传统PTS算法相比,本文提出的算法搜索复杂度降低,PAPR值变小,具有一定的应用价值。     

改进布谷鸟优化模糊C均值的遥感影像分类算法

针对模糊C均值聚类算法存在受初始聚类中心影响较大、搜索过程容易陷入局部最优的缺陷,本文将布谷鸟算法与FCM聚类算法结合,提出一种改进布谷鸟优化模糊C均值的遥感影像分类算法。该算法利用布谷鸟算法全局性与鲁棒性的优点,弥补了传统FCM算法聚类中心选取的随机性,使用自适应步长、发生概率值,使步长、发生概率值随迭代次数的增加而变化,不仅可提高种群搜索后期的局部搜索能力,而且减少了算法的时间复杂度。试验表明,改进的算法具有良好的分类效果与运行效率。     

基于斯奈尔定律及布谷鸟算法的层状岩体微震定位研究

微震事件的精确定位对岩爆监测预警至关重要,虽然传统分段波速模型的定位误差比单一波速模型有大幅降低,但是定位误差依然很大(本算例为28.51 m)。因此,提出一种基于斯奈尔定律及布谷鸟算法的微震定位方法来提高层状岩体中的定位精度。研究结果表明,布谷鸟算法采用莱维飞行的搜索策略可以实现长步长与短步长相结合进行空间最优解的搜索,在震源反演过程中通过模拟布谷鸟的专性繁殖寄生行为表现出很好的鲁棒性,能实现微震事件的可靠定位。同时结合斯奈尔定律可以有效克服两点间弹性波传播路径被简化成直线所引起的误差,定位误差比传统分段波速模型有显著降低(本算例可降低至0.12 m)。     

基于CS-SVM的混凝土梁火灾损伤识别方法

为确定钢筋混凝土梁的受火损伤程度,采用布谷鸟搜索(CS)算法优化支持向量机(SVM),提出一种以受火时间为指标的火灾损伤识别方法.首先,建立适用于T型简支梁的火灾损伤识别方法,用T型简支梁数值模拟验证了该方法的有效性,通过与SVM识别结果对比发现,CS-SVM识别结果更加接近真实受火时间.然后,在简支梁火灾损伤识别算法...     

基于改进的蚁群算法的测试数据自动生成方法

本文设计了测试数据自动生成模型,提出一种基于改进的蚁群算法的测试数据自动生成方法。该方法在传统蚁群算法的概率算子中引入相似度影响因子,增加了算法的全局搜索能力。通过三角形判别问题,对改进的算法与传统蚁群算法对比分析。实验结果表明,该算法相较传统蚁群算法具有搜索效率高、全局搜索能力强的特点,在测试数据自动生成问题中具有较强的可行性。     

ICS-BPNN在信息安全风险评估中的应用

提出了一种改进的布谷鸟算法优化反向传播神经网络(improved cuckoo search optimization back-progation neural network,ICS-BPNN)方法,用以提高其在信息安全风险评估中的应用效果,通过引入动态的步长和抛弃概率来提高布谷鸟算法(cuckoo search,CS)的性能,并使用改进的布谷鸟算法(improved cuckoo search,ICS)对反向传播神经网络(back-propagation,BP)的初始权值和阈值进行优化。以某信息系统的30个信息安全风险评估结果为样本进行仿真实验,结果表明,所提方法相较于其他方法在信息安全风险评估方面有着更为出色的表现。     

基于改进型遗传算法的内弹道优化设计

本文尝试在传统遗传算法基础上,对变异率进行改进,增加随种群代数变化的环境变异因子,以及针对每个个体适应度特征的适应度变异因子,二者共同决定种群变异率,从而使种群个体的变异率具有自适应特性,以提高算法全局搜索能力及收敛速度。     

一种基于Pareto云隶属度的MOPSO算法

为定量解决非支配解排序问题,并兼顾多目标粒子群优化算法(multi-objective particle swarm optimization,MOPSO)的收敛性和多样性,提出了一种基于Pareto云隶属度的MOPSO算法。利用Logistic混沌映射优化种群的初始空间分布并融合布谷鸟搜索(cuckoo search,CS)指导粒子跳出局部陷阱,以增强算法的全局寻优能力。首次提出云向量评价Pareto最优解集方法,采用云隶属度评价准则对粒子适应度值进行量化评价。依据云隶属度选取个体最优和群体最优,平衡全局开发与开采,进而实现外部档案维护。测试函数集ZDT的实验结果表明,改进算法在收敛性和多样性方面较MOPSO和NSGA-Ⅱ有一定优势。     

改进粒子群优化BP神经网络的轮毂分类算法

针对轮毂识别系统前期图像特征提取误差较大时分类准确性降低的问题,提出了基于改进粒子群算法优化BP神经网络的轮毂识别模型。在标准粒子群中引入遗传算法的变异因子、惯性权重、时间因子、速度边界限制和反弹策略,以改进粒子群算法,从而提高寻找最优阈值与权值的性能。经过与不同算法的对比数据看出,采用改进粒子群优化BP神经网络算法的分类识别率比其他算法提高了9%左右,且收敛速度、收敛精度均有提高,证明了所提IPSO(improved particle swarm optimization)算法的有效性。     

联合黏菌—乌鸦算法及其在机械设计中的应用

乌鸦搜索算法（Crow Search Algorithm,CSA）和黏菌优化算法（Slime Mould Algorithm,SMA）是近年被提出的两个新型元启发式优化算法。CSA具有机制简洁、不易陷入局部最优、在工程问题上表现较好等特点,但其局部搜索能力偏弱,搜索效率不高。SMA具有可拓展性强、局部搜索能力强等优点,但其在求解高维复杂问题和最优解不在原点的函数时表现不稳定,且容易陷入局部最优。为了克服上述算法的不足,使用种群分级策略对两个算法的优点进行整合,提出基于时间阶级因子的联合黏菌—乌鸦搜索算法（SMCSA）。新算法利用时间阶级因子,将种群表示为一个时变动态结构,使CSA和SMA同步开展优化,并通过改变不同子种群的数量实现在优化初期侧重于探索,在后期开展更多开发。为验证所提出算法的优化能力和搜索效率,将SMCSA和其他7种不同类别的启发式算法应用到15个基准测试函数和3个机械设计问题的求解中。测试结果表明,SMCSA的收敛速度相较于原始算法得到提升,且具有比对照算法更好的鲁棒性与寻优精度。