基于自适应遗传算法的交通信号配时优化

研究城市交通信号设置问题中对单交叉口多相位交通流建立了动态信号配时模型,以交叉口车辆平均延误最小为控制目标,以相位绿灯时间和周期时长为控制变量,并运用自适应遗传算法对控制变量进行优化.根据实时交通流数据,通过MATLAB平台进行仿真.结果表明,自适应遗传算法能够有效降低车辆平均延误,在优化过程中比简单遗传算法具有更好的搜索能力和解质量,其良好的优化性能有助于优良配时方案的产生,同时也提高了交通分配模型的实用价值.     

SAGACIA 算法改进及其不对称交通信号配时优化

针对城市交叉路口交通流量不对称,对称的信号配时易发生交通流量大的方向发生拥堵的情况,采用借相位放行方式设置交叉口的不对称相位,以交叉口车辆平均延误最小为控制目标,应用改进SAGACIA 算法对各相位绿灯时间和周期时长进行优化。根据获得的交叉口交通流数据,通过Matlab编程仿真。仿真结果表明,改进SAGACIA算法能够有效降低车辆平均延误,并与遗传算法进行了对比,SAGACIA算法改进后具有更好的搜索能力和搜索精度,有助于获得较优绿时配时方案。     

基于多种群蚁群算法的交叉路口信号配时优化

针对交叉路口信号控制面临的多目标优化问题,建立以延误时间、停车次数和通行能力作为性能指标的交叉路口信号配时模型,提出一种基于多种群的改进蚁群算法,对信号配时方案进行优化。改进的算法以交叉路口的平峰状态和高峰状态进行仿真。实验结果表明利用该算法对模型求解的结果优于传统方法,能降低交叉口的总延误时间和停车次数,提高了通行能力。且该算法稳定性好,求解速度快。     

基于改进克隆选择算法的区域交通灯配时优化

为提高城市区域路网通行效率,提出一种基于改进的克隆选择算法的区域交通灯实时配时方法。该配时方法以最小化区域路网总滞留车辆数为优化目标,将交通灯状态设置问题转换成克隆选择算法搜索最优解问题,在每个单位时间根据实时车流量动态搜索出使区域路网通行能力达到最高的交通灯配时方案。为提高克隆选择算法寻优性能,提出双层动态变异算子,并对克隆抑制算子与种群刷新算子进行改进。以西安市某区域路网为仿真实验参考对象,仿真结果表明：提出的配时方法的区域路网总滞留车辆数比固定配时减少了38.93%,比基于标准遗传算法的配时方法减少了20.33%。     

基于混合变异的萤火虫群优化算法

基本萤火虫群优化GSO(Glowworm Swarm Optimization)算法在求解函数全局寻优问题时,存在后期收敛速度慢、容易陷入局部极值等问题。为此,提出一种基于混合变异的萤火虫群优化算法。该算法用混沌变异和边界变异来增加种群的多样性,避免算法陷入局部最优,且能使算法获得精度更高的解。运用六个标准测试函数进行测试,结果表明,改进后的萤火虫群优化算法比基本GSO算法具有更高的寻优速度、寻优精度和收敛率。     

基于Synchro的干线交通信号配时优化

针对城市主干路上信号相位、周期设置不合理的问题,为改善干线拥堵状况并使现行使用的配时方法能适用于城市混合交通,提出对干线交通多相位信号进行配时优化设计.在对某干线若干交叉口进行大量交通调查基础上,提出选取评价指标,修正模型参数,借助交通仿真软件Synchro对于线交通交叉口的交通流进行现状和优化后的仿真,结果表明,交叉口拥挤状况进行动态达到直观观察,同时提高交叉口服务水平,修正后的参数模型对于城市混合交通具有更好的服务效果.     

基于改进萤火虫算法的T-S模型辨识

提出改进萤火虫算法的T-S模型辨识方法.针对传统T-S模型辨识方法中将前件参数和后件参数分开辨识而不能全局优化辨识的缺点,应用改进萤火虫算法对前件参数和后件参数整体编码整体辨识.改进萤火虫算法是在原始算法基础上对吸引度系数作自适应变化,目的是增强算法在迭代初期的搜索能力,防止其陷入局部极值点,并降低算法在迭代后期在最优解附近的振荡,以提高解的精度.提出的方法能较好地找到全局最优解,具有较高的辨识精度.仿真示例证明了改进方法的有效性.     

基于改进萤火虫算法求解焦炉推焦优化调度问题

在焦炉推焦优化调度数学模型的基础上,提出了一种带变异因子的改进人工萤火虫群优化算法。首先设计一种可调节比率的萤火虫飞行概率计算方式,使其可按照问题的实际情况进行人工调节;其次引入变异因子,增强人工萤火虫算法的搜索能力,并采用一种最优-最差荧光素更新方式,降低劣质解被选择的概率,保证算法的收敛速度。最后,仿真实验表明,所提出算法在求解乱笺炉数较多的优化调度问题时具有很高的求解质量和精度。     

基于改进粒子群算法的单交叉口信号配时仿真

研究城市交通信号控制系统中的单交叉口优化交通流问题,由于交通流具有非线性和不确定性特点,很难建立精确模型。为解决上述问题,提出把每一相位的排队长度都作为优化的目标,采用多目标信号配时模型以满足不同交通需求,并采用改进粒子群(PSO)算法进行求解。在深入研究分析PSO算法的基础上,引入变异因子和惯性权重自适应策略对该算法进行改进,既发挥了PSO算法随机优化收敛速度快的优点,又克服了算法易陷入局部最优点的缺点,显著提高了优化算法的性能指标。仿真结果验证了方法的有效性和合理性。     

基于改进型进化机制的萤火虫优化算法

分析了萤火虫算法的进化计算机制,并利用实例对萤火虫算法中容易发生进化过早停滞的原因进行了研究。提出了一种基于新型进化计算模式的改进型萤火虫优化算法,该算法在进化初期利用种群最优萤火虫激发群中其他个体的寻优能力,在萤火虫相互之间建构了有效的信息交互网络后,各萤火虫将借助各自视觉范围内的更优近邻个体完成后期搜索和进化,当种群陷入局部最优区域时,利用高斯变异改善萤火虫个体的多样性。利用标准测试函数进行了实验分析,结果表明,改进后的萤火虫算法能有效改善过早进化停滞问题。     

改进萤火虫优化算法的Renyi熵污油图像分割

针对传统Renyi熵方法在分割污油图像时存在图片差距大、无法根据不同图片进行最优分割的问题,提出改进萤火虫算法对二维Renyi熵分割算法中的α值进行寻优来解决上述问题。分析了采集的污油图片特点以及对污油图片进行分割的必要性;针对多目标寻优精度不高和后期收敛速度较慢的问题,对萤火虫算法进行了改进,并对初始萤火虫位置进行混沌优化处理,使结果达到全局最优;利用基于改进萤火虫算法的Renyi熵图像分割算法对采集的污油图片进行阈值分割实验,并与二维Renyi熵分割、粒子群算法(PSO)Renyi熵分割方法进行比较。实验结果表明:本文提出的算法可以有效地对污油区域进行分割,能够快速地实现复杂图像的精确处理。     

基于改进灰狼优化算法的网络流量预测模型

针对传统网络流量预测模型泛化能力弱和准确度低的缺点,提出一种组合小波包分解(WPD)和灰狼横纵多维混沌寻优算法(CCGWO)优化Elman神经网络的短期网络流量预测模型(WPD-CCGWO-ELMAN)。网络流量在小波包的作用下分解成多个频段序列,各子序列通过CCGWO-ELMAN神经网络优化模型进行单步或多步预测处理,然后重构并叠加各预测值,得到未来短时间段内的网络流量值。实验结果表明,该模型具有较好的预测精度和鲁棒性,并能掌握网络流量时间序列的变化规律。     

基于多子群萤火虫算法的数据库查询优化

查询优化是提高数据库性能的关键技术,针对数据库查询优化效率低的难题,提出一种多子群萤火虫算法的数据库查询优化方法（MG-FA）。首先将数据库查询计划左深树看作一个萤火虫,然后将萤火虫群分为多个子群,各子群最优萤火虫通过信息交流找到数据库查询最优计划,最后进行数据库查询优化实例分析。结果表明,MG-FA是解决数据库查询优化的有效途径,能够获得理想的数据库查询计划,具有实际意义。     

基于双混沌改进的萤火虫算法无人机路径规划

针对无人机在自适应巡航路径规划存在的效率低、规划困难等问题,提出一种多角度改进的萤火虫算法。首先利用Chebyshev混沌特性初始化种群,改善了初始种群不易产生的问题;针对步长因子过于固定的问题,引入Levy飞行策略改进位置更新公式和步长更新公式,提高了种群的搜索范围和有效性;其次利用logistic混沌变异改进吸引度系数,提高了个体跳出当前状态逃离局部陷阱解的概率,加快收敛速度;最后基于建立的优化函数进行仿真,结果表明,改进后路径长度减少7.47%,节点减少31.57%,平顺度优于改进前,收敛时间减少18.54%,取得很好的收敛效果,有助于无人机在真实场景完成飞行作业。     

一种新颖的改进萤火虫算法

为了克服萤火虫算法收敛速度慢和易于早熟的缺陷,本文提出了一种新颖的改进混沌萤火虫算法(Improved Chaos Firefly Algorithm,ICFA)。ICFA算法利用逻辑映射混沌序列设计了一种混沌局部搜索算子,试图提升算法的收敛速度;ICFA算法利用立方映射混沌序列设计了一种混沌替换算子,试图避免算法的早熟收敛:同时,本文将ICFA算法与目前最有竞争力的改进萤火虫算法进行了一系列的比较研究。6个高维多峰函数的测试结果表明,与其他高效的改进萤火虫算法相比,本文提出的混沌萤火虫算法具有收敛速度快、寻优能力强的优点,是目前最优秀的改进萤火虫算法之一。     

基于最优类中心扰动的萤火虫聚类算法

萤火虫算法FA是受自然界中萤火虫的发光特性以及通过发光交流信息的现象启发提出的一种新的群智能优化算法。在该算法中,萤火虫被吸引向亮度高的萤火虫移动,最亮的萤火虫随机移动,导致该算法聚类时存在收敛速度较慢、后期容易在最优值附近振荡、稳定性较差的问题。据此,对萤火虫的移动方式和随机扰动方式做了改进,提出了一种改进的萤火虫聚类算法——基于最优类中心扰动的萤火虫聚类算法。实验比较了步长因子的取值。UCI数据集的仿真结果表明,该聚类算法的聚类效果较好,能消除FA在最优值附近反复振荡的问题,算法的稳定性和收敛性明显提高。     

Optimized deployment of a radar network based on an improved firefly algorithm

The threats and challenges of unmanned aerial vehicle (UAV) invasion defense due to rapid UAV development have attracted increased attention recently. One of the important UAV invasion defense methods is radar network detection. To form a tight and reliable radar surveillance network with limited resources, it is essential to investigate optimized radar network deployment. This optimization problem is difficult to solve due to its nonlinear features and strong coupling of multiple constraints. To address these issues, we propose an improved firefly algorithm that employs a neighborhood learning strategy with a feedback mechanism and chaotic local search by elite fireflies to obtain a trade-off between exploration and exploitation abilities. Moreover, a chaotic sequence is used to generate initial firefly positions to improve population diversity. Experiments have been conducted on 12 famous benchmark functions and in a classical radar deployment scenario. Results indicate that our approach achieves much better performance than the classical firefly algorithm (FA) and four recently proposed FA variants.

     

一种基于萤火虫算法的模糊聚类方法

针对模糊C-均值聚类对初始值敏感、容易陷入局部最优的缺陷,提出了一种基于萤火虫算法的模糊聚类方法。该方法结合萤火虫算法良好的全局寻优能力和模糊C-均值算法的较强的局部搜索特性,用萤火虫算法优化搜索FCM的聚类中心,利用FCM进行聚类,有效地克服了模糊C-均值聚类的不足,同时增强了萤火虫算法的局部搜索能力。实验结果表明,该算法具有很好的全局寻优能力和较快的收敛速度,能有效地收敛于全局最优解,具有较好的聚类效果。     

基于改进贝叶斯优化算法的CNN超参数优化方法

CNN框架中,如何对其模型的超参数进行自动化获取一直是一个重要问题。提出一种基于改进的贝叶斯优化算法的CNN超参数优化方法。该方法使用改进的汤普森采样方法作为采集函数,利用改进的马尔可夫链蒙特卡罗算法加速训练高斯代理模型。该方法可以在超参数空间不同的CNN框架下进行超参数优化。利用CIFAR-10、MRBI和SVHN测试集对算法进行性能测试,实验结果表明,改进后的CNN超参数优化算法比同类超参数优化算法具有更好的性能。