改进鲸鱼算法优化核极限学习机在水质光谱分析中的应用

为提高水质光谱分析模型的学习速度与预测精度,采用核极限学习机对水质光谱进行建模,并提出一种具有动态惯性权重的改进鲸鱼优化算法对模型进行参数优化。由于极限学习机的输入权值矩阵和偏置是随机生成的,故引入核方法以减小其输出权值矩阵的波动;将鲸鱼优化算法中的惯性权重在非线性递减的基础上引入随机因子,通过动态调整惯性权重以平衡算法的全局搜索能力与局部开发能力。与传统优化模型进行了对比实验,实验结果表明:基于该方法所建模型具有更高的预测精度,而在相同的学习迭代次数下,核极限学习机的运行时间相对于传统算法约下降50%,且改进鲸鱼优化算法能够以更快的收敛速度使模型达到全局最优。     

一种基于多策略改进的鲸鱼算法

针对标准鲸鱼算法（whale optimization algorithm,WOA）寻优精度低、可能陷入局部最优解等问题,提出一种基于多策略改进的鲸鱼算法（MSWOA）。首先使用Tent混沌映射与反向学习策略初始化鲸鱼种群;然后,引入自适应收敛因子根据适应度值动态调整个体在迭代过程中的包围步长,平衡算法的探索和开发能力;最后引入随机差分变异策略,加强算法跳出局部最优的能力。实验结果显示,MSWOA算法有效地提高了鲸鱼算法在稳定性、求解精度和收敛速度等方面的表现,展现了更优秀的求解效果。     

一种新的粒子群优化的图像匹配算法

针对粒子群算法在图像匹配中易陷入局部最优、搜索速度慢以及匹配精度不高的问题,提出一种新的粒子群优化的图像匹配算法。首先,以改进的非线性惯性权重对粒子群算法进行优化,以此来平衡粒子在全局和局部的搜索能力;其次,提出添加动态扰动项对速度进行扰动,避免粒子在算法后期速度停滞为零而陷入局部最优。仿真结果表明,该算法提高了粒子的全局搜索能力和收敛精度,有效防止早熟现象,与基于标准的PSO图像匹配算法相比,所提算法具有收敛速度快、鲁棒性好以及匹配精度高的特点。     

基于自适应权重和模拟退火的鲸鱼优化算法

针对鲸鱼优化算法容易陷入局部极值和收敛速度慢的问题,提出了一种结合自适应权重和模拟退火的鲸鱼优化算法.通过改进的自适应权重策略来调整算法的收敛速度,通过模拟退火增强鲸鱼优化算法的全局寻优能力.仿真实验中计算了18个测试函数,对比了粒子群算法、海豚回声定位算法和标准鲸鱼算法并进行统计分析,同时比较了单独结合自适应权重和模拟退火对鲸鱼优化的影响,结果表明,改进的算法在测试函数的极值计算中,计算精度和收敛速度方面都有了明显提升,验证了改进算法的有效性.     

基于遗传交叉因子的蝙蝠算法的改进

蝙蝠算法(BA)是一类新型的搜索全局最优解的随机优化算法,但是标准的蝙蝠算法存在着寻优精度不高、后期收敛速度慢、易陷入局部最优等问题。针对这些问题,提出了一种基于遗传交叉因子的改进的蝙蝠算法(GHBA),从而提高蝙蝠算法的多样性,避免种群个体陷入局部最优,增强算法全局寻优能力。在MATLAB环境下,运用6个标准测试函数进行实验仿真。结果表明,与BA算法相比,该算法(GHBA)的收敛速度及精度均有明显提高。     

基于改进型鲸鱼优化算法和最小二乘支持向量机的炼钢终点预测模型研究

终点碳含量是决定钢质量的关键因素,是转炉炼钢过程中需要控制的核心变量之一.本文建立了一种基于莱维飞行的鲸鱼优化算法（Levy Whale Optimization Algorithm,LWOA）和最小二乘向量机（Least Squares Support Vector Machine,LSSVM）的钢水终点碳含量综合预测模型.通过莱维飞行代替了传统鲸鱼优化算法（Whale Optimization Algorithm,WOA）参数的随机选择,优化了鲸鱼算法中跳出局部最优的能力;借助改变鲸鱼算法的系数向量收敛方式明显提高了鲸鱼优化算法的泛化能力、预测精度和收敛速度.数据仿真结果表明,所提出的LWOA-LSSVM预测模型,不仅能够克服局部寻优获取全局最优解,而且具有快速的收敛速度和更高的预测精度,得出预测结果的均方根误差、平均绝对误差和平均绝对百分比误差与遗传算法BP神经网络、遗传算法最小二乘支持向量机和传统鲸鱼算法最小二乘支持向量机相比均有着明显提高.同时,通过调整目标命中率和训练输入样本量验证了预测模型具有更好的鲁棒性.     

基于改进收缩因子的粒子群优化算法

PSO算法寻优性能优劣受速度更新公式影响,过快的收敛速度可能使算法错过全局最优解;过慢的收敛速度可能会使算法陷于局部最优解。针对该问题,文中提出了一种基于改进压缩因子的PSO优化算法,即FPSO。通过引入压缩因子方程,改进了速度迭代公式,减少了因学习因子设置不当对算法造成的影响。新的调节机制既保证了PSO算法的收敛性能,也削弱了速度边界对算法的影响。最后,选取5个经典函数对算法性能进行测试。测试结果表明,与传统PSO算法相比,文中算法提高了全局收敛能力,缩短了收敛时间。     

基于改进鲸鱼优化算法的最大2维熵图像分割

为了避免原鲸鱼优化算法早熟收敛、易陷入局部最优等缺陷, 首先在原鲸鱼优化算法初始化过程中采用了猫映射产生混沌序列结合反向解方法取代随机产生初始种群; 其次在位置更新机制上采用了疯狂算子和黄金正弦算法的方法; 最后将改进鲸鱼优化算法用于寻求图像2维最大熵来确定图像分割最佳阈值的选取。对10个经典基准函数进行了试验仿真验证, 得到了原鲸鱼优化算法在初始种群多样性及寻解遍历性上有所增加, 全局搜索能力提高和摆脱局部最优的结果。结果表明, 改进算法能得到函数最优值0, 0.00030, -3.32;改进算法在寻优能力和稳定性等方面有较大提升, 能实现对目标图像精确分割且耗时少。该研究为群智能算法应用于图像分割提供了参考。     

区域多任务安全隐患排除的机器人调度策略

针对灰狼优化算法易陷入局部最优且单一算法不易解决障碍物空间多机器人隐患搜排的调度问题,提出了一种分步引导式多机器人安全隐患协同排除调度策略。首先引入非线性收敛因子调整策略和静态加权平均权重策略改进灰狼优化算法以避免算法陷入局部最优;随后通过改进的灰狼优化算法先后两次求解遍历顺序,引导机器人规划搜索路径与排除隐患点路径;最后在领航者-跟随者模型的基础上多机器人编队与队形变换避障,逐一到达隐患点位置实现多机器人的调度策略。通过国际通用6个基准函数进行测试,改进的灰狼优化算法在收敛速度、搜索精度及稳定性上均有明显提高,验证了区域多任务安全隐患排除的分步引导式多机器人协同调度策略的有效性。     

电力配网系统无功优化方法研究

考虑到常规遗传优化算法进行电力配网系统的无功优化时,算法的早熟问题以及局部寻找最优解能力欠缺造成了优化结果收敛速度和收敛精度较低等问题,该文将自适应对偶种群、自适应终止条件以及全新的子代生成条件引入以形成一种改进型遗传优化算法,在种群迭代过程中保证种群的多样性以避免优化算法早熟现象,以及对优化算法的搜索效率进行加快以提高局部寻找最优解能力。通过实验IEEE57和IEEE30节点系统作为测试平台,使用常规遗传优化算法和可控交叉遗传算法(CCGA)与该文研究的改进遗传优化算法进行对比,使用相同的实验条件和实验数据进行测试。结果表明该文研究的改进遗传算法具有最好的优化效果,该算法计算得到的平均网损均低于其他优化算法,收敛精度和收敛速度更高,能够在局部最优解处跳出,距离目标函数的全局最优解更加接近。