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
为解决蜻蜓算法(dragonfly algorithm,DA)容易陷入局部最优、寻优精度差的问题,提出了一种基于黄金正弦策略和随机差分变异的蜻蜓算法(dragonfly algorithm based on golden sine strategy and random difference mutation,GMDA)。首先...为解决蜻蜓算法(dragonfly algorithm,DA)容易陷入局部最优、寻优精度差的问题,提出了一种基于黄金正弦策略和随机差分变异的蜻蜓算法(dragonfly algorithm based on golden sine strategy and random difference mutation,GMDA)。首先,在算法初期采用精英反向学习策略,初始化蜻蜓种群位置,提高算法的搜索效率。其次,采用黄金正弦策略更新位置,引入黄金分割系数充分搜索优质解的范围;利用自适应惯性权重平衡全局搜索和局部开发能力。最后,在算法后期采用随机差分变异进行扰动,避免陷入局部最优。用八个基准函数验证在不同维度下算法的性能,设置消融实验判别各策略的有效性,结果表明,GMDA在优化精度、跳出局部最优和收敛能力方面都有所提高,消融实验验证了各策略的有效性。展开更多
针对移动机器人寻找最优路径问题,提出了一种融合无标度网络、自适应权重和黄金正弦算法变异策略的樽海鞘群算法BAGSSA(Adaptive Salp Swarm Algorithm with Scale-free of BA Network and Golden Sine)。首先,生成一个无标度网络来映...针对移动机器人寻找最优路径问题,提出了一种融合无标度网络、自适应权重和黄金正弦算法变异策略的樽海鞘群算法BAGSSA(Adaptive Salp Swarm Algorithm with Scale-free of BA Network and Golden Sine)。首先,生成一个无标度网络来映射跟随者的关系,增强算法全局寻优的能力,在追随者进化过程中集成自适应权重ω,以实现算法探索和开发的平衡;同时选用黄金正弦算法变异进一步提高解的精度。其次,对12个基准函数进行仿真求解,实验数据表明平均值、标准差、Wilcoxon检验和收敛曲线均优于基本樽海鞘群和其他群体智能算法,证明了所提算法具有较高的寻优精度和收敛速度。最后,将BAGSSA应用于移动机器人路径规划问题中,并在两种测试环境中进行仿真实验,仿真结果表明,改进樽海鞘群算法较其他算法所寻路径更优,并具有一定理论与实际应用价值。展开更多
为解决教与学优化算法容易早熟收敛的问题,在原算法的基础上提出一种基于混合策略改进的教与学优化算法(Mixed Strategy Based Improved Teaching-Learning Based Optimization,M-SITLBO)。首先,利用Logistic-Tent混沌映射策略初始化种...为解决教与学优化算法容易早熟收敛的问题,在原算法的基础上提出一种基于混合策略改进的教与学优化算法(Mixed Strategy Based Improved Teaching-Learning Based Optimization,M-SITLBO)。首先,利用Logistic-Tent混沌映射策略初始化种群,保证种群的多样性;其次,在教师和学生阶段分别引入黄金正弦算法和基于莱维飞行与对数螺旋线的搜索策略优化个体的位置更新公式,增强并平衡算法的全局和局部收敛性能;最后,设计仿真对其寻优性能进行测试,结果表明改进后的教与学优化算法寻优速度、精度以及稳定性显著提升,且具有较强跳出局部最优的能力。展开更多
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%。
文摘为解决蜻蜓算法(dragonfly algorithm,DA)容易陷入局部最优、寻优精度差的问题,提出了一种基于黄金正弦策略和随机差分变异的蜻蜓算法(dragonfly algorithm based on golden sine strategy and random difference mutation,GMDA)。首先,在算法初期采用精英反向学习策略,初始化蜻蜓种群位置,提高算法的搜索效率。其次,采用黄金正弦策略更新位置,引入黄金分割系数充分搜索优质解的范围;利用自适应惯性权重平衡全局搜索和局部开发能力。最后,在算法后期采用随机差分变异进行扰动,避免陷入局部最优。用八个基准函数验证在不同维度下算法的性能,设置消融实验判别各策略的有效性,结果表明,GMDA在优化精度、跳出局部最优和收敛能力方面都有所提高,消融实验验证了各策略的有效性。
文摘针对移动机器人寻找最优路径问题,提出了一种融合无标度网络、自适应权重和黄金正弦算法变异策略的樽海鞘群算法BAGSSA(Adaptive Salp Swarm Algorithm with Scale-free of BA Network and Golden Sine)。首先,生成一个无标度网络来映射跟随者的关系,增强算法全局寻优的能力,在追随者进化过程中集成自适应权重ω,以实现算法探索和开发的平衡;同时选用黄金正弦算法变异进一步提高解的精度。其次,对12个基准函数进行仿真求解,实验数据表明平均值、标准差、Wilcoxon检验和收敛曲线均优于基本樽海鞘群和其他群体智能算法,证明了所提算法具有较高的寻优精度和收敛速度。最后,将BAGSSA应用于移动机器人路径规划问题中,并在两种测试环境中进行仿真实验,仿真结果表明,改进樽海鞘群算法较其他算法所寻路径更优,并具有一定理论与实际应用价值。
文摘为解决教与学优化算法容易早熟收敛的问题,在原算法的基础上提出一种基于混合策略改进的教与学优化算法(Mixed Strategy Based Improved Teaching-Learning Based Optimization,M-SITLBO)。首先,利用Logistic-Tent混沌映射策略初始化种群,保证种群的多样性;其次,在教师和学生阶段分别引入黄金正弦算法和基于莱维飞行与对数螺旋线的搜索策略优化个体的位置更新公式,增强并平衡算法的全局和局部收敛性能;最后,设计仿真对其寻优性能进行测试,结果表明改进后的教与学优化算法寻优速度、精度以及稳定性显著提升,且具有较强跳出局部最优的能力。
