一种基于精英选择和反向学习的分布估计算法

为了提高分布估计算法的性能,提出一种从选择方式和搜索机制出发的改进分布估计算法.首先,借鉴并改进粒子群种群更新策略,在构造优势群体时,引入精英选择策略替换经典的截断选择,提高算法向全局最优解的收敛速度;然后,引入二次反向反射搜索算子,从搜索机制上对分布估计算法进行改进,提高算法的全局搜索能力.仿真结果表明,所提出的改进分布估计算法能够有效的避免陷入局部最优值,在寻优精度、收敛速度以及算法的稳定性和鲁棒性上都有极大改善.     

基于精英协同的多种群分布估计算法

针对传统分布估计算法局部搜索能力弱,易陷入早熟收敛的问题,在分布估计算法的基础上引入精英策略并采用划分子种群独立进化的方式,提出一种基于精英协同的多种群分布估计算法。该算法混合了两种后代产生的策略:一种是进化过程采用精英协同操作用于进行局部搜索并开辟出新的搜索空间,另一种是采用划分子种群独立进化方式保证种群间个体的多样性。基准测试函数实验结果表明,该算法在收敛性和多样性方面均表现出明显优势。     

一种精英反向学习的差分演化算法

为提高差分演化算法的性能,提出一种精英反向学习策略的差分演化算法.该算法以一定的概率通过反向学习生成种群中精英个体的反向解,引入一般化系数k,构造动态搜索边界下的反向群体形成反向搜索空间,之后同时评估当前种群与反向种群的解来指导算法的搜索空间向包含全局最优解的空间逼近,有利于均衡算法的勘探与开采能力.对13个典型的测试函数进行实验,将本文算法与5种代表性的差分演化算法进行对比,结果表明本文算法不仅在求解精度上更优,在收敛速度上也有非常大的优势.     

一种精英反向学习的萤火虫优化算法

为了提高传统萤火虫算法的收敛速度和求解精度,提出了一种精英反向学习的萤火虫优化算法。通过反向学习策略构造精英群体,在精英群体构成的区间上求普通群体的反向解,增加了群体的多样性,提高了算法的收敛速度;同时,为了避免最优个体陷入局部最优,使整个群体在搜索过程中出现停滞,提出了差分演化变异策略;最后,提出了一种线性递减的自适应步长来平衡算法的开发能力。实验结果表明,算法在收敛速度和收敛精度上有更好的效果。     

一种基于混合因子分析的分布估计算法

提出了一种基于混合因子分析的分布估计算法．首先用次胜者受罚的竞争学习算法对选出的最优个体集合聚类，然后对每个类用因子分析模型进行分布信息的估计．为了保持种群的多样性，算法保留那些具有较好适应值并且与所选的最优个体集合较远的个体，并利用聚类的参数来减少计算量．试验结果证实了算法的性能．     

基于改进分布估计算法的二维航迹规划

为在较短时间内规划出性能指标最优的攻击轨迹、提高飞行器作战效能,研究一种基于改进分布估计算法的二维航迹规划方法。引入坐标变化和候选节点,针对采用分布估计算法进行问题求解容易陷入局部收敛的缺点,提出模拟退火的分布估计算法,其退火温度以信息熵表示。     

动态环境下基于近似动态规划的分布估计算法研究

论文重点讨论了分布估计算法的理论研究。首先,抽取出分布估计算法的核心思想,然后旨在使用EDA算法解决复杂优化问题,提出基于近似动态规划的分布估计算法。通过Agent与环境的交互,将近似动态规划引入到进化计算中,获得概率模型并进行适应性的更新。测试函数使用六个经典的对比实验,结果表明本算法的鲁棒性,运行时间短并具有较强的全局搜索能力,可以作为解决函数优化问题的有效解决算法。     

一种求解社区检测问题的改进分布估计算法

在分析网络模块性函数局部单调性的基础上,设计局部搜索变异算子,提出-种求解社区检测问题的改进分布估计算法.基于基准测试网络和大规模复杂网络对算法进行测试,实验结果表明,对于不同网络,该算法运行100次得到的Q函数平均值均优于Girvan-Newman算法、Newman快速算法和Tasgin遗传算法.     

基于自适应学习搜索框架的混合分布估计算法

在元启发式算法自适应学习搜索框架下对分布估计算法和模拟退火算法的学习能力、深度搜索和广度搜索强度进行分析,针对分布估计算法广度搜索性能方面存在的问题,提出了一种将模拟退火算法融入分布估计算法的混合优化策略;以旅行商问题为例进行了仿真实验。实验结果表明,混合算法比分布估计算法和模拟退火算法具有更高的优化质量。     

融合柯西变异和反向学习的改进麻雀算法

针对基本麻雀搜索算法在迭代后期种群多样性减小,容易陷入局部极值的问题,提出一种融合柯西变异和反向学习的改进麻雀算法(ISSA).首先,采用一种映射折叠次数无限的Sin混沌初始化种群,为全局寻优奠定基础;其次,在发现者位置更新方式中引入上一代全局最优解,提高全局搜索的充分性,同时加入自适应权重,协调局部挖掘和全局探索的能...     

融合混沌反学习与蜂群搜索算子的引力搜索算法

引力搜索算法是最近提出的一种较有竞争力的群智能优化技术,然而,标准引力算法存在的收敛速度慢、容易在进化过程中陷入停滞状态.针对上述问题,提出一种改进的引力搜索算法.该算法采用混沌反学习策略初始化种群,以便获得遍历整个解空间的初始种群,进而提高算法的收敛速度和解的精度.此外,该算法利用人工蜂群搜索策略很强的探索能力,对种群进行引导以帮助算法快速跳出局部最优点.通过对13个非线性基准函数进行仿真实验,验证了改进的引力搜索算法的有效性和优越性.     

融合对立学习的混合灰狼优化算法

针对标准灰狼优化(grey wolf optimization,GWO)算法存在后期收敛速度慢,求解精度不高,易出现早熟收敛现象等问题,提出了一种基于对立学习策略和Rosenbrock局部搜索的混合灰狼优化(hybrid GWO,HGWO)算法。该算法首先采用对立学习策略取代随机初始化生成初始种群,以保证群体的多样性;然后对当前群体中最优个体进行Rosenbrock局部搜索,以增强局部搜索能力和加快收敛速度;最后为了避免算法出现早熟收敛现象,利用精英对立学习方法产生精英对立个体。对6个标准测试函数进行仿真实验,并与其他算法进行比较,结果表明,HGWO算法收敛速度快,求解精度高。     

分段权重和变异反向学习的蝴蝶优化算法

针对原始蝴蝶优化算法容易陷入局部最优解、收敛速度慢及寻优精度低等问题,提出分段权重和变异反向学习的蝴蝶优化算法。通过飞行引领策略来矫正邻域内蝴蝶的自身飞行,降低盲目飞行,增强算法跳出局部最优的能力;引入分段权重来平衡全局勘探及局部开发的能力,进而实现蝴蝶位置动态更新;使用变异反向学习对位置进行扰动,增加种群多样性以及提高算法的收敛速度。通过对9个测试函数和部分CEC2014函数及Wilcoxon秩和检验来评估改进算法的寻优能力,实验结果表明改进算法的收敛速度及寻优精度得到了极大改进。     

基于改进花粉算法的极限学习机分类模型

针对多输出极限学习机（MELM）分类模型输入层权值和阈值随机选取导致的分类精度波动问题,提出一种基于改进花粉算法（CS-ACFPA）的极限学习机多分类模型（CS-ACFPA-MELM）。利用自适应算子和Tent策略优化花粉算法的寻优方式,构造一种基于代价敏感的适应度函数,使花粉算法能够更好地匹配MELM模型的输出,最后使用改进的花粉算法和基于代价敏感的适应度函数优化极限学习机的输入权值和阈值,以提高MELM模型的的分类性能。通过对比实验验证了CS-ACFPA算法对MELM模型改进的有效性,并且体现了CS-ACFPA-MELM模型在大规模样本上的优势以及小样本上的适用性。     

基于模拟退火算法的改进极限学习机

传统的极限学习机作为一种有监督的学习模型,任意对隐藏层神经元的输入权值和偏置进行赋值,通过计算隐藏层神经元的输出权值完成学习过程.针对传统的极限学习机在数据分析预测研究中存在预测精度不足的问题,提出一种基于模拟退火算法改进的极限学习机.首先,利用传统的极限学习机对训练集进行学习,得到隐藏层神经元的输出权值,选取预测结果评价标准.然后利用模拟退火算法,将传统的极限学习机隐藏层输入权值和偏置视为初始解,预测结果评价标准视为目标函数,通过模拟退火的降温过程,找到最优解即学习过程中预测误差最小的极限学习机的隐藏层神经元输入权值和偏置,最后通过传统的极限学习机计算得到隐藏层输出权值.实验选取鸢尾花分类数据和波士顿房价预测数据进行分析.实验发现与传统的极限学习机相比,基于模拟退火改进的极限学习机在分类和回归性能上都更优.     

一种改进的支持向量机学习算法

分析支持向量机的几种常用的训练方法,在这个基础上提出一种改进的支持向量机学习方法。该方法将违反KKT条件程度最厉害的样本提取出来,然后缓存这些样本,作为工作集的选择范围,而且根据训练时缓存的特点,在缓存的替换上给出一种新的方法。该方法提高核缓存的命中率,减少工作集选择的代价,从而减少训练时间。实验表明,该方法能够很好地提高支持向量机的训练速度。     

基于一种改进的LBP算法和超限学习机的肝硬化识别

肝硬化的计算机辅助诊断对肝脏疾病的早期治疗和诊断具有重要意义。针对B超图像中肝硬化病变区域边缘模糊和回声不均匀、尺度因素影响等问题,提出了改进的LBP算法并提取了相应的SLBP特征。该特征较传统的纹理特征更准确地描述了B超图像中肝硬化病变的特征,结合二维Gabor变换,解决了上述难题。鉴于传统的机器学习方法的训练时间较长,采用基于超限学习机的训练方法,并首次将其应用于肝硬化识别。实验结果表明,所提方法对测试集的分类准确率达到95.4%,在时间效率上较传统方法有很大提高。ROC曲线表明,提出的分类方法在准确率和泛化能力上均优于传统方法,有助于肝硬化的临床诊断。