针对浣熊优化算法(coati optimization algorithm,COA)全局搜索能力不足、易陷入局部最优和收敛速度慢的问题,提出一种基于非线性自适应的改进浣熊优化算法(improved coati optimization algorithm based on nonlinear adaptation,NACOA...针对浣熊优化算法(coati optimization algorithm,COA)全局搜索能力不足、易陷入局部最优和收敛速度慢的问题,提出一种基于非线性自适应的改进浣熊优化算法(improved coati optimization algorithm based on nonlinear adaptation,NACOA)。采用Logistic-Tent映射初始化浣熊种群,提升算法初始搜索空间覆盖度,生成更加分散且高质量的初始解;引入莱维飞行策略,利用其长跳跃特性,增强算法的全局搜索能力,有效避免算法陷入局部最优;利用非线性递减惯性权重提高种群的适应性与搜索效率,平衡全局搜索和局部搜索能力,并通过黄金正弦策略提高种群收敛精度。在基准测试函数上进行对比仿真试验,结果表明NACOA具有更好的收敛速度和寻优精度。将NACOA应用到工程问题设计中,证明了该算法的有效性和实用性。展开更多
为提升哈里斯鹰优化算法收敛精度,解决易陷入局部最优等问题,提出了一种基于迭代混沌精英反向学习和黄金正弦策略的哈里斯鹰优化算法(gold sine HHO,GSHHO)。利用无限迭代混沌映射初始化种群,运用精英反向学习策略筛选优质种群,提高种...为提升哈里斯鹰优化算法收敛精度,解决易陷入局部最优等问题,提出了一种基于迭代混沌精英反向学习和黄金正弦策略的哈里斯鹰优化算法(gold sine HHO,GSHHO)。利用无限迭代混沌映射初始化种群,运用精英反向学习策略筛选优质种群,提高种群质量,增强算法的全局搜索能力;使用一种收敛因子调整策略重新计算猎物能量,平衡算法的全局探索和局部开发能力;在哈里斯鹰的开发阶段引入黄金正弦策略,替换原有的位置更新方法,提升算法的局部开发能力;在9个测试函数和不同规模的栅格地图上评估GSHHO的有效性。实验结果表明:GSHHO在不同测试函数中具有较好的寻优精度和稳定性能,在2次机器人路径规划中路径长度较原始HHO算法分别减少4.4%、3.17%,稳定性分别提升52.98%、63.12%。展开更多
在矿用空压机组智能巡检机器人中,传统算法用于智能巡检机器人路径规划时,面对复杂矿井环境存在寻优速度慢、易陷入局部最优解等问题。为提升巡检效率和精度,提出了改进的蝙蝠算法(Improved Bat Algorithm,IBA)。首先,采用均匀初始化策...在矿用空压机组智能巡检机器人中,传统算法用于智能巡检机器人路径规划时,面对复杂矿井环境存在寻优速度慢、易陷入局部最优解等问题。为提升巡检效率和精度,提出了改进的蝙蝠算法(Improved Bat Algorithm,IBA)。首先,采用均匀初始化策略确保初始位置能广泛覆盖决策空间;其次,在迭代更新过程中,引入黄金正弦算子对在适应度评价中表现优异的蝙蝠个体进行优化更新,同时运用种群平均位置引导部分个体,在缩小搜索范围的同时维持较快收敛速度;最后在全局搜索阶段引入动态惯性权重系数,并采用单维与全维相结合的搜索策略。试验表明:IBA算法在5维条件下,Sphere函数测试中的收敛迭代次数仅20次,远少于蝙蝠算法(Bat Algorithm,BA),50维条件下同样表现出色;在机器人路径规划效果上,IBA算法规划路径长度比BA、自适应蝙蝠算法(Adaptive BA,ABA)和全局混沌蝙蝠算法(Global Chaos BA,GCBA)规划的路径更短,且在多个场景中转折点数量更少、收敛迭代次数更少、适应度值更低。研究反映出,基于IBA算法的智能巡检机器人路径规划方法可使矿用空压机组巡检效率提升45.9%,故障检测准确率提高至98.9%。所提算法有助于实现矿用空压机组智能巡检机器人路径高效规划,助力矿山安全生产。展开更多
文摘针对浣熊优化算法(coati optimization algorithm,COA)全局搜索能力不足、易陷入局部最优和收敛速度慢的问题,提出一种基于非线性自适应的改进浣熊优化算法(improved coati optimization algorithm based on nonlinear adaptation,NACOA)。采用Logistic-Tent映射初始化浣熊种群,提升算法初始搜索空间覆盖度,生成更加分散且高质量的初始解;引入莱维飞行策略,利用其长跳跃特性,增强算法的全局搜索能力,有效避免算法陷入局部最优;利用非线性递减惯性权重提高种群的适应性与搜索效率,平衡全局搜索和局部搜索能力,并通过黄金正弦策略提高种群收敛精度。在基准测试函数上进行对比仿真试验,结果表明NACOA具有更好的收敛速度和寻优精度。将NACOA应用到工程问题设计中,证明了该算法的有效性和实用性。
文摘为提升哈里斯鹰优化算法收敛精度,解决易陷入局部最优等问题,提出了一种基于迭代混沌精英反向学习和黄金正弦策略的哈里斯鹰优化算法(gold sine HHO,GSHHO)。利用无限迭代混沌映射初始化种群,运用精英反向学习策略筛选优质种群,提高种群质量,增强算法的全局搜索能力;使用一种收敛因子调整策略重新计算猎物能量,平衡算法的全局探索和局部开发能力;在哈里斯鹰的开发阶段引入黄金正弦策略,替换原有的位置更新方法,提升算法的局部开发能力;在9个测试函数和不同规模的栅格地图上评估GSHHO的有效性。实验结果表明:GSHHO在不同测试函数中具有较好的寻优精度和稳定性能,在2次机器人路径规划中路径长度较原始HHO算法分别减少4.4%、3.17%,稳定性分别提升52.98%、63.12%。
