融合递减策略与Fuch混沌机制的改进YSGA算法

为增强绯鲵鲣算法搜索的覆盖性及寻优的精准性以优化全局探索能力和局部开采能力,提出一种融合步长因子递减策略与混沌局部增强机制的改进绯鲵鲣优化算法(IYSGA).首先,该改进算法在标准YSGA算法基础上,设计了一种动态的步长因子递变模式以实现绯鲵鲣算法高效全面的搜索,此策略有利于提高算法的搜索效率并扩大寻优范围;其次,混沌...     

基于高斯扰动和指数递减策略的改进蝙蝠算法

针对基本蝙蝠算法后期收敛速度慢、收敛精度不高、稳定性不强等问题,提出基于高斯扰动和指数递减策略的改进蝙蝠算法（GDEDBA）。将指数递减策略引入速度更新公式,使算法迅速进入局部寻优并展开精确搜索;构造高斯扰动项加入到局部新解产生公式,使局部新解中所有粒子与当前全局最优粒子产生信息交流与学习,防止陷入局部最优,增加种群多样性;设计扰动控制因子来控制高斯扰动的扰动范围,增强算法的稳定性。15个测试函数的仿真结果表明,改进算法的寻优性能显著提高,收敛速度更快,求解精度更高,稳定性更强。     

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 optimizat...     

基于递减反馈视野的人工鱼群算法改进与应用

基本人工鱼群算法的觅食行为是算法收敛的基础,觅食视野固定会导致寻优效率低、易陷入局部极值等弊端。引入视野递减反馈策略,视野随着迭代次数和寻优的反馈信息适时变化,旨在平衡算法的全局搜索和局部搜索能力。通过五个TSP实例测试,结果表明该算法在保证收敛速度的基础上提高了计算精度。最后将改进算法应用于求解山西省国家AAAA级风景区(含5A)最短遍历路径问题。     

改进藤壶配尾优化算法求解高维连续优化问题

为增强藤壶配尾优化算法(barnacles mating optimizer, BMO)的全局探索性能和局部寻优精度,融合藤壶幼虫的沉降附着行为与正反向递减铸型策略提出一种改进藤壶配尾优化算法(improved BMO, IBMO)并将其用于求解高维连续优化问题。沉降附着行为模型受自然界藤壶幼虫随潮浮游、螺旋沉降的行为启发所构建,以增加种群多样性并改善算法的全局探索性能。正反向递减铸型策略借鉴反向学习思想并融入递减调控机制修正传统藤壶优化算法的精子铸型过程,以扩增种群的局部搜索域并改善算法的局部开采性能。实验结果表明,两种策略可分别有效改善藤壶优化算法的全局探索和局部开采性能;同时,所提IBMO算法相较于其他新近智能算法则表现出更高收敛精度、更强算法稳健性和良好高维适用性等。     

一种增强局部搜索能力的改进人工蜂群算法

针对人工蜂群算法初始化群体分布不均匀和局部搜索能力弱的问题,本文提出了一种增强局部搜索能力的人工蜂群算法（ESABC）。首先,在种群初始化阶段采用高维洛伦兹混沌系统,得到遍历性好、有规律的初始群体,避免了随机初始化的盲目性。然后,采用基于对数函数的适应度评价方式,以增大种群个体间差异,减小选择压力,避免过早收敛。最后,在微分进化算法的启发下,提出了一种新的搜索策略,采用当前种群中的最佳个体来引导下一代的更新,以提高算法的局部搜索能力。通过对12个经典测试函数的仿真实验,并与其他经典的改进人工蜂群算法对比,结果表明:本文算法具有良好的寻优性能,无论在解的精度还是收敛速度方面效果都有所提高。     

基于周期性演化策略的粒子群优化算法

针对标准粒子群优化算法(PSO)在寻优过程中容易出现早熟的问题,提出一种基于周期性演化策略的粒子群优化算法.该策略通过在速度更新方程中构建基于粒子群能量的粒子群最优值扰动项,使得粒子群能量在演化过程中可以周期性变化.相比标准PSO算法,当粒子群能量较大时,能够增强局部搜索能力;当粒子群能量较小时,能够增强全局搜索能力.典型优化问题的仿真结果表明,所提出的算法与线性下降惯性权重粒子群优化(LWPSO)和PSO算法相比,优化性能得到了显著提高.     

基于牛顿迭代算法的分形图像纹理细节增强

为了改善传统分形图像纹理特征处理效果不理想问题,提出基于牛顿迭代算法的分形图像纹理细节增强方法.利用牛顿迭代算法获取分形图像坐标极值,设置迭代初始点值.将图像绕原点120°的旋转变换,完成零点吸引域映射;采用迭代距离参数、初始参数、色彩初始值、色彩渐变参数以及相关运算符号构建RGB颜色通道表达式,计算覆盖图像目标部分的网格数量,通过计算收缩仿射变换,得到压缩映射与压缩因子关系,通过迭代计算完成纹理细节增强.经实验分析可知,迭代初始参数、色彩初始值参数的取值影响分形图像增强效果,且通过对比不同方法峰值信噪比与均方误差指标测试结果.根据实验结果可得结论,上述方法具有应用有效性且实践性较强.     

改进相关矩阵估计的LMS牛顿算法分析与仿真

在LMS牛顿算法中权值的更新采用了输入信号矢量的相关矩阵估计,不同的估计方法对算法的性能影响很大,该文分析了一种改进相关矩阵估计的LMS牛顿算法,该算法通过对LMS牛顿算法中的相关矩阵采用改进的指数加权估计,大大提高了算法的性能,同时维持了适中的计算复杂度。此外,还比较了LMS牛顿算法与RLS算法,从原理上说明了它们的密切联系;指出算法改善性能的关键在于变步长特性,即步长随着时间增加而逐渐变小,使得算法既可以保持较快的收敛速度,又获得了较小的失调。算法在智能天线中的仿真结果表明,该算法具有比常规LMS牛顿算法更优的性能。     

改进的群搜索优化算法

群搜索优化(Group Search Optimizer,GSO)算法是一种新的群集智能优化算法,适宜于解决多模态高维问题。对GSO算法进行了一些改进,简化了计算过程,提高了优化性能。主要在两个方面进行改进,一是在迭代过程中,控制允许变异的维的数量,使之从多到少变化,以提高收敛速度。二是用随机数来确定生成个体新位置所用的一组随机值的正负数比例,避免正负数比例趋于固定,增加随机性。经过6个常用测试函数测试及与其他文献结果对比后可知,在低维情况下,此算法与GA、EP、ES、PSO、GSO算法相比有较好的整体收敛性能,高维时,此算法与GA、PSO、GSO比较,收敛性能有明显优势。     

双策略学习和自适应混沌变异的郊狼优化算法

针对郊狼优化算法（coyote optimization algorithm,COA）存在收敛速度慢、求解精度低、易陷入局部最优的不足,提出一种基于双策略学习机制和自适应混沌变异策略的改进郊狼算法（coyote optimization algorithm based on dual strategy learning and adaptive chaotic mutation,DCSCOA）。首先,引入振荡递减因子,以产生具有多样性的个体来增强全局搜索能力;其次,利用双策略学习机制,适度地增强组群头狼的影响,以平衡算法的局部挖掘能力和全局搜索能力,同时提高算法的求解精度和收敛速度;最后,使用自适应混沌变异机制,在算法停滞时产生新个体,以使算法跳出局部最优。通过对20个基本测试函数和11个CEC2017测试函数进行仿真实验,结果验证了改进算法具有更高的求解精度、更快的收敛速度和更强的稳定性。