种间双系统协作蝙蝠优化算法及其性能仿真

针对单一种群算法较难权衡全局寻优能力和局部搜索能力的问题,提出一种种间双系统协作蝙蝠优化算法。根据蝙蝠个体运动状态将整个种群分为探测系统和开发系统,并通过信息交流进行进化协作。设计和运用动态变化算子实现全局寻优和局部寻优的实时平衡,利用位置更新算子减少开发系统随机性带来的影响,提高局部区域的开发效率,运用伪变异算子保持探测系统的多样性,提高全局搜索的效率。实验结果表明,该算法在快速收敛的同时能够避免陷入局部最优,可解决多局部极值的复杂优化问题。     

融合正弦余弦算法和精英算子的花授粉算法

针对花授粉算法（FPA）具有寻优精度较低,稳定性不高的问题,提出了一种融合正弦余弦算法和精英算子的花授粉算法（SCA-EFPA）。针对花授粉算法的局部授粉过程,授粉范围小且易陷入局部最优值的问题,利用正弦余弦算法的“局部开发”和“全局搜索”特性,并作简化改进后引入;针对其全局授粉过程,搜索范围较大且寻优精度低的问题,引入精英花粉算子以提高寻优精度并且进行变异和交叉操作以保持种群多样性。达到整个改进后的算法具有提高寻优精度的目的。选取多组标准测试函数来测试改进算法的各项性能。结果表明,与基本花授粉算法、粒子群算法和差分变异算法等相比,融合正弦余弦算法和精英算子的花授粉算法具有更高的寻优精度,更好的稳定性和收敛性。     

基于蝙蝠算法的改进杂草算法研究

提出了一种新型的混合算法并命名为混合杂草蝙蝠算法(Hybridize Invasive Weed Optimization with Bat Algorithm,IWOBA),该算法在杂草算法的基础上利用蝙蝠算法的回声定位来解决每代种子逐步寻优的问题。其原理是利用种群速度和位置的不断更新,增加种群的多样性,从而达到提高种群的全局收敛性。最后利用6个测试函数对该算法和标准杂草算法进行测试比较。仿真结果表明,IWOBA能够有效克服原算法早熟、易陷入局部最优的缺点,可加快算法收敛速度,具有良好的鲁棒性。     

一种改进的蝙蝠算法

为了增强蝙蝠算法的全局寻优能力,提出一种新的全局"寻优策略",将蝙蝠个体历史最优引入到蝙蝠个体寻优策略中,并引入一种"指引"方向指导蝙蝠个体全局寻优。蝙蝠个体每次迭代后将执行"优胜劣汰"的策略,随机初始化一些蝙蝠个体取代那些适应度值较低的个体,增加种群多样性以防止陷入局部极值。选取UCI中的Iris,Wine,Sonar数据集用来聚类测试,实验结果表明:与原始蝙蝠算法、差分进化算法、粒子群算法相比,改进的蝙蝠算法能够得到更高的聚类准确率,鲁棒性更强。     

蝙蝠算法优化神经网络的网络入侵检测

研究网络入侵安全问题,网络入侵具有隐蔽性、随机性和突发性等复杂变化特点,传统方法无法描述变化规律,导致入侵检测正确率低。为了提高网络入侵检测效果,针对BP神经网络参数优化问题,提出一种蝙蝠算法优化BP神经网络的权网络入侵检测模型(BA-BPNN)。首先将BP神经网络参数编码为蝙蝠个体,并以网络入侵检测正确率作为个体适应度函数,然后通过模拟蝙蝠飞行过程找到BP神经网络最优参数,最后根据最优参数建立网络入侵检测模型。在Matlab 2012平台采用KDD CUP 99数据集仿真测试,结果表明,BA-BPNN解决了传统神经网络模型存在的难题,提高网络入侵检测正确率。     

基于SQP局部搜索的蝙蝠优化算法

针对基本蝙蝠算法存在寻优精度不高,后期收敛速度较慢和易陷入局部最优等问题,提出一种基于序贯二次规划（Sequential Quadratic Programming,SQP）的蝙蝠优化算法。该算法应用佳点集理论构造初始种群,增强了初始种群的遍历性;为避免算法陷入早熟收敛,引入柯西变异算子对种群中精英个体进行变异操作,增加种群多样性;在迭代后期,对最优个体进行SQP局部搜索,提高蝙蝠算法的局部深度搜索能力,保证个体在靠近全局最优值时能够寻优到全局最优解,加快种群进化速度。通过仿真实验结果证明,改进后的蝙蝠算法性能优越,具有良好的寻优精度和收敛速度。     

蝙蝠算法联合选择特征和分类器参数的入侵检测

针对入侵检测的特征和分类器参数选择问题,采用极限学习机ELM(extreme learning machine)进行构建分类器,提出一种蝙蝠算法(BA)联合选择特征和分类器参数的网络入侵检测模型(BA-ELM)。首先将特征子集和极限学习机参数编码成蝙蝠个体,以入侵检测准确率和特征数加权组成个体适应度函数;然后通过个体和群体更新的规则引导蝙蝠向最优解飞行,从而找到最优的子特征集和极限学习机参数;最后建立最优的入侵检测模型,并通KDD CUP 99数据集进行仿真性能分析。结果表明,BA-ELM较好地解决了入侵检测特征选择与分类器参数不匹配难题,提高了网络入侵检测率和检测效率,更加适合于网络入侵检测的实时要求。     

融合均匀变异与高斯变异的蝙蝠优化算法

为提高蝙蝠算法的寻优精度和收敛速度,提出一种融合均匀变异和高斯变异的蝙蝠优化算法.算法引入变异开关函数,该函数使所有蝙蝠个体在任何时期都有概率发生变异,使种群保持较高的多样性和活跃性.同时在算法整个寻优过程中融入均匀变异和高斯变异,两种变异机制共同协作使算法首先快速定位到全局最优解区域,随后完成局部精确搜索.仿真结果表明,改进后的算法寻优性能显著提高,具有较快的收敛速度和较高的收敛精度.     

一种具有记忆特征的改进蝙蝠算法

蝙蝠算法(BA)是一种新的群智能优化算法。然而,BA算法的优化性能还不是十分完善,存在易陷入局部最优、早熟收敛等问题。针对BA算法的不足,提出一种具有记忆特征的改进蝙蝠算法,并考虑了由于时变或时滞引起的扰动问题。该算法中蝙蝠的前期搜索经验对后期搜索提供支持。实验结果表明,该算法具有较好的全局搜索能力和较快的收敛速度,能有效地克服早熟收敛问题。     

求解有限缓冲区流水线调度问题的混合蝙蝠算法

针对最小化最大完成时间的有限缓冲区流水线调度问题(LBPFSP),提出一种混合蝙蝠算法(HBA)。在算法设计中,采用基于SPV的编码规则以实现连续的实数向离散的作业序列的转变,在种群初始化时引入NEH启发式算法,为提高算法的搜索效率,以一定的概率执行基于Pairwise的邻域搜索。对标准测试问题在不同缓冲区下的最优值进行仿真并与其他算法进行对比,并对基于Pairwise的邻域搜索的执行概率值对算法性能的影响进行讨论,其结果验证了HBA求解LBPFSP的有效性。     

基于速度越界处理与最速下降法改进的蝙蝠算法

针对蝙蝠算法(Bat algorithm,BA)易陷入局部极值、精度不高、搜索盲目性大的缺点,在分析蝙蝠算法本身的迭代机制的基础上,提出一种基于速度越界处理与最速下降法改进的蝙蝠算法(VCBA)。利用速度的越界处理控制蝙蝠位置更新的范围;利用最速下降法对BA局部搜索阶段中不好的蝙蝠位置进行更新;对位置较好的蝙蝠在其附近进行扰动;对BA判断局部搜索阶段产生的蝙蝠位置是否满足需求的条件进行改进。选取7个测试问题进行数值实验,结果表明,VCBA在收敛精度和稳定性上比BA有显著提升。     

基于Canny算子的边缘检测改进算法

通过对Canny算法进行改进,提出了一种基于改进遗传算法的边缘提取算法.改进算法对噪声抑制效果明显,能够删除伪边缘,得到精确的边缘.实验结果表明,该算法在保证实时性的同时,具有很好的检测精度和准确度.     

基于单纯形算子的混合遗传算法

通过遗传算法（GA）与传统单纯形搜索法相结 合,并基于对遗传算法算子计算结构的调整,提出一种针对非线性规划问题的新算法——基 于单纯形算子的混合遗传算法（HGA）,仿真结果验证了这种新算法的有效性和合理性．     

柔性自动化车间的随机生产计划与控制

研究了柔性自动化车间（ＦＡＷ）的随机生产计划与控制问题，提出了一种随机生产计划新方法．文中首先建立ＦＡＷ随机生产计划与控制的数学模型，然后推导求解该问题的算法，编制相应软件，进行算例研究．研究表明，本算法能够有效地将不确定性环境中的ＦＡＷ产品需求计划最优分解成由ＦＡＷ中各ＦＭＳ执行的短期随机计划     

一种新的机器人机构距离误差模型及补偿算法

在标定机器人绝对位置精度和实施误差综合补偿过程中,必然涉及到测量系统坐标系与机器人基础坐标系间的变换.由于这一变换很难精确测定.从而给机器人绝对位置精度标定与误差补偿带来了难以克服的困难.本文首次提出了一种新的机器人机构距离误差计算模型及补偿算法,论证了距离误差同样可以作为机器人绝对位置精度的一种度量.利用该模型和算法对机器人进行误差分析和实施误差综合补偿,可避开上述测量系统与机器人系统间的坐标变换,从而简化了机器人绝对位置精度的标定过程,为提高机器人的绝对位置精度开辟了一个新的简便的途径.     

最大频长积字符串及其高效查找算法

在传统的字符串处理算法中往往分别考虑字符串的频度和长度.然而,在实际应用中,将字符串的频度和长度结合考虑是有意义的.基于这点我们提出了频长积的概念,规定字符串的频度和长度的乘积为字符串的频长积.并基于广义后缀树和Ukkonen算法,提出了时间复杂度为O(N)的查找算法.效率实验证实了该算法的高效性.语义实验表明,本算法找出的最大频长积字符串相比于最大频度字符串或最大长度字符串,其实际语义更为明确.这样的字符串在文本压缩、基因序列的分析以及其他注重语义的应用中将具有很高的应用价值.     

两代竞争遗传算法及其应用研究

本文在分析简单遗传算法 (Simple Genetic A lgorithm, SGA) 的基础上,提出了一种新型结构的两代竞争遗传算法,并给出了算法演进 的模式定理．通过理论分析和对TSP(Travel Salesman Problem,TSP) 问题的应用研究,表 明了该算法具有搜索效率高、鲁棒性强的特点．     

The impact of measurement uncertainty and spatial variability on the accuracy of skin and subsurface regression-based sea surface temperature algorithms

An ongoing limitation of common regression-based infrared (IR) satellite sea surface temperature (SST) algorithms has been the lack of sufficient in situ skin temperature measurements for derivation of the algorithm coefficients. Since IR brightness temperatures respond to the skin temperature, use of the more numerous subsurface observations to tune the algorithms introduces uncertainty into the resulting SST products. Coincident in situ skin and subsurface SST measurements from three years of cruises are used to derive parallel skin and subsurface multichannel SST (MCSST)-type regression algorithms to determine the extent to which improved accuracy can be obtained using the skin measurements. Through use of only coincident measurements, the advantage offered by the greater volume of available subsurface observations is eliminated. Surprisingly, we find no accuracy improvement using skin SST algorithms relative to algorithms derived from the research-grade ship-borne subsurface temperature measurements used in our analysis. However, better accuracy was found relative to algorithms derived from subsurface observations whose accuracy was degraded to that of buoys. The results are robust with regard to satellite resolution, collocation criteria, geographical regions, and time of day.The accuracy differences are found to be generally consistent with the effects of: (1) increased measurement uncertainty of radiometric measurements relative to research-grade subsurface observations, and (2) differences in spatial variability between the skin SST and temperature-at-depth. The subsurface algorithms are regenerated after degrading the subsurface measurements by adding increasing levels of Gaussian white noise to determine the amplitude of the additional variability required to ensure equal accuracy between the skin and subsurface products. The required supplemental noise ranges between 0.10 and 0.17 K for all data combined and generally decreases with tighter collocation windows and higher-resolution satellite observations. Variogram analysis and filtering of the in situ measurements suggest that differences in measurement uncertainty between the infrared radiometers and the subsurface sensors can explain 0.07-0.10 K of the required noise, while differences in spatial variability with depth can account for up to 0.07-0.10 K of the residual noise. A key consequence is that spatial averages of the skin temperature over satellite footprints of 2 km or more, while potentially biased in the mean, may exhibit less variance relative to point samples of the subsurface temperature than to the actual radiometric skin temperature.