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.     

基于小生境的鲸鱼优化算法研究

对鲸鱼觅食的现象建模即为鲸鱼优化算法,文章基于鲸鱼的随机搜索、包围捕食、攻击猎物3个阶段提出了一种混沌小生境鲸鱼优化算法(CNWOA)。该算法为了避免随机种群初始化,采用混沌分散策略,快速地找到较优解;在小生境半径的范围内,比对个体的适应度值,运用罚函数于适应度较差的鲸鱼个体提高全局的搜索效率。最后,在4个典型的测试函数基础上,将WOA算法、CNWOA算法和DE算法进行比较,结果发现CNWOA算法在收敛速度及求解精度方面均优于基本鲸鱼算法。     

基于鲸鱼优化算法的贝叶斯分类器研究与应用

朴素贝叶斯分类器的条件独立性这一假设称为“朴素贝叶斯假设”,其限制了朴素贝叶斯分类的适用范围和分类准确率,为了解决问题,本文提出用改进的鲸鱼优化算法来优化朴素贝叶斯分类器,并对算法进行应用研究。改进的鲸鱼优化算法使用禁忌搜索机制来跳出算法寻优时候易陷入局部最优的误区。为了削弱朴素贝叶斯分类器独立性假设,通过改进的鲸鱼优化算法自动搜索分类器的属性全局性权值,从而提升了加权贝叶斯分类器的运算的准确率。试验证明,相比较传统的朴素贝叶斯分类算法,本文优化后的加权贝叶斯分类算法具有更精准的分类结果。最后提出将改进后的属性加权贝叶斯分类器应用到“移动云”建设的方案。     

基于改进鲸鱼算法虚拟电厂经济优化调度

针对分布式不可控电源接入系统引起的波动问题,文中基于虚拟电厂提出一种考虑市场电价的经济优化调度模型,根据负荷需求,对虚拟电厂中的各分布式发电的功率输出进行优化,以达到经济最优化。将鲸鱼算法应用于所建立的虚拟电厂经济优化调度模型,并对算例结果进行了分析,结果表明,该模型是合理有效的。针对鲸鱼算法在求解过程中存在的收敛速度慢和收敛速度低的问题,在收敛因子方面又对鲸鱼算法进行了进一步的改进,将改进的鲸鱼算法运用到已建好的虚拟电厂经济优化调度模型中,对比两种仿真结果可知,改进算法的收敛速度和精度都得到了提高。     

基于鲸鱼优化算法的失配滤波器设计

针对相位编码信号在脉压雷达中旁瓣抑制的问题,提出了利用鲸鱼优化算法(Whale Optimization Algorithm,WOA)对其失配滤波器进行设计.在鲸鱼优化算法收敛速度较慢的基础上,提出了一种非线性收敛因子(Nonlinear Convergence Factor,NCF)对传统的鲸鱼优化算法进行了改进.改...     

基于双重改进的鲸鱼优化算法

传统的鲸鱼优化算法(WOA)容易陷入局部最优以及收敛速度慢,针对此问题进行研究,提出了一种改进的鲸鱼优化算法,改进算法首先用非线性收敛因子替换原本使用的收敛因子,改进后的非线性收敛因子可以有效利用在算法中以弥补该算法在计算过程中全局探索与局部开发能力中的缺陷,并且可以加快算法收敛速度;然后在鲸鱼位置更新公式中加入了自适应权重,该策略可以改善算法的寻优精度以及进一步提高收敛速度;最后,在固定参数和不同维度的8个基准测试函数上进行了实验,结果表明,改进后的算法在寻找最优位置的精度和收敛速度对比于传统的鲸鱼算法和其他智能优化算法均有着显著的提高,具有更好的优化效果.     

精英反向黄金正弦鲸鱼算法及其工程优化研究

针对鲸鱼优化算法（Whale Optimization Algorithm,WOA）存在的收敛速度慢、寻优稳定性不足等问题,本文提出了精英反向学习的黄金正弦鲸鱼优化算法（Elite Opposition-Based Golden-Sine Whale Optimization Algorithm,EGolden-SWOA）.利用精英反向学习策略提高种群的多样性和质量可以有效提升算法的收敛速度,同时引入黄金分割数优化WOA的寻优方式,从而协调算法的全局探索与局部开发能力.对20个单模态和多模态测试函数进行寻优实验,并与RLPSO（Reverse-learning and Local-learning Particle Swarm Optimization）、IWOA（Improved Whale Optimization Algorithm based on nonlinear convergence factor）等多个算法进行对比,实验结果表明EGolden-SWOA具有更好的寻优精度和稳定性.进一步对EGolden-SWOA进行求解大规模问题的实验,实验结果表明EGolden-SWOA可以有效解决大规模优化问题.最后将EGolden-SWOA应用于压力容器和蝶形弹簧设计优化问题,结果表明EGolden-SWOA在工程优化方面的性能优于RCSA（Rough Crow Search Algorithm）、CPSO（Co-evolutionary Particle Swarm Optimization）等改进算法,可以有效运用于实际工程优化问题.     

基于数据场的k-means改进算法

针对k-means算法需要人为给出聚类个数k、聚类结果严重依赖初始聚类中心的选等问题,提出一种基于数据场的k-means改进算法。该算法通过计算每个数据点的势值,根据聚类中心的势值比周围邻居的势值大,并与其它聚类中心有相对较大距离的特点,从而确定k个聚类中心;最后将其它数据点按k-means算法聚类。仿真实验表明,改进算法在不需要人为设定参数的情况下能准确找出聚类个数k以及初始聚类中心。     

一种对孤立点不敏感的新的K-Means聚类算法

针对传统K-Means聚类算法的不足,提出一种新的对孤立点不敏感的K-Means聚类算法。首先,采用孤立点移除算法消除数据集中存在的孤立点;然后,对不包含孤立点的数据集进行传统K-Means聚类,再引入轮廓系数并选择轮廓系数最大值对应的簇类数作为数据集中簇的最优选择数目K;最后,通过自定义的聚类有效性评价函数评估聚类效果。实验结果表明,相对于传统K-Means聚类算法,对孤立点不敏感的新的K-Means聚类算法能够消除孤立点对数据集整体的影响,并优化了聚类中心的选择。     

基于鲸鱼优化算法的车载成像雷达超分辨设计

针对前视车载雷达实时成像的问题,利用鲸鱼优化算法减少天线阵元数目来缩小真实阵列孔径。首先,提出系统指标及目标模型计算系统参数;然后介绍了鲸鱼优化算法的过程,选择合适的适应度函数,计算经过鲸鱼优化算法优化后的阵列布局;最后计算雷达系统测量更新率。结果表明,利用鲸鱼优化算法后将阵列优化为L形,其中,发射阵元数为12,接收阵元数为25,能够准确检测距离、速度和角度值,满足系统指标要求,系统的总发射时间为53.8 ms,测量更新率为18帧。     

基于最小聚类求解k-means问题算法

针对每个划分子集要求至少满足一定数量点的k-means问题,设计了该问题的随机近似算法.给出一个样本子集,证明了该样本子集至少以1/2的概率包含每个最优子集中至少一个点,进一步设计近似度为2的随机算法.设计了该问题的(1+ε)随机近似算法,算法的成功概率至少为3/2k+2.利用取样技术,设计了k-means问题的局部搜索随机算法.     

多种群纵横双向学习和信息互换的鲸鱼优化算法

鲸鱼优化算法(WOA)相较于传统的群体智能优化算法,具有较好的寻优能力和鲁棒性,但仍存在全局寻优能力有限、局部极值难以跳出等问题.针对上述不平衡问题,该文提出一种多种群纵横双向学习的种群划分思路,子群相互独立,子群内个体受到来自横向和纵向两个方向的最优值影响,从而规避局部最优,在探索和开发之间取得均衡.对纵向种群的所有个体,该文提出一种线性下降概率的个体置换策略,促进不同子群的信息流动,加快算法收敛.基于不同个体的历史进化信息,来进行策略算子选择,从而区别于现有基于随机数的策略算子选择方法.利用基准函数进行跨文献对比,数值结果表明该文算法具有很好的优越性和稳定性,在大多数问题上都获得了全局极值,具有较好的问题适用性.     

多种群纵横双向学习和信息互换的鲸鱼优化算法

鲸鱼优化算法(WOA)相较于传统的群体智能优化算法,具有较好的寻优能力和鲁棒性,但仍存在全局寻优能力有限、局部极值难以跳出等问题。针对上述不平衡问题,该文提出一种多种群纵横双向学习的种群划分思路,子群相互独立,子群内个体受到来自横向和纵向两个方向的最优值影响,从而规避局部最优,在探索和开发之间取得均衡。对纵向种群的所有个体,该文提出一种线性下降概率的个体置换策略,促进不同子群的信息流动,加快算法收敛。基于不同个体的历史进化信息,来进行策略算子选择,从而区别于现有基于随机数的策略算子选择方法。利用基准函数进行跨文献对比,数值结果表明该文算法具有很好的优越性和稳定性,在大多数问题上都获得了全局极值,具有较好的问题适用性。     

基于近邻传播算法的K-means聚类优化算法

K-means聚类算法在随机选择的初始聚类中心的基础上进行聚类,其聚类效果会因为初始聚类中心的不确定性而不稳定。为了优化其聚类效果,提出了基于近邻传播算法(AP算法)的K-means聚类优化算法(APK-means)。该算法首先通过近邻传播算法生成若干个初始聚类,然后依序选择k个聚类规模最大的聚类中心作为K-means聚类算法的初始聚类中心,接着运行K-means聚类。算法有效性分析和实验结果验证了该算法有效优化了K-mean算法的聚类稳定性和有效性。     

基于改进鲸鱼优化策略的贝叶斯网络结构学习算法

针对当前贝叶斯网络结构学习算法易陷入局部最优和寻优效率低的问题,该文提出一种基于改进鲸鱼优化策略的贝叶斯网络结构学习算法。该算法首先提出一种新的方法建立较优的初始种群,然后利用不产生非法结构的交叉变异算子构建适用于贝叶斯网络结构学习的改进捕食行为,同时采用动态调节参数增强算法个体寻优的能力,通过适应度排序更新种群,最终获得最优的贝叶斯网络结构。仿真结果表明,该算法具有全局收敛性,寻优效率高,精确率高于其它同类优化算法。     

基于孤立森林算法的电力用户数据异常快速识别研究

为了解决目前的电力用户数据异常快速识别方法存在的挖掘精度较低、耗时较长的问题,提出一种新的基于孤立森林算法的电力用户数据异常快速识别方法.通过数据检测、数据理解、数据评估等步骤实现电力用户数据异常信息挖掘.在此基础上将用户数据随机分割成不同的数据集,直到所有的数据完成孤立,对孤立森林点进行检测,查看其中是否包含异常元素...     

结合鲸鱼算法与ARMA的水压预测模型研究

各项数据表明由于对消防设备数据的监测与管理不当,导致社区火灾发生时消防水压系统处于雍疾状况而不能运行的情况频发,因此针对ARMA模型阶数难以精准确定的局限,提出并建立通过鲸鱼优化算法改进的ARMA消防水压预测模型,提高消防水压预测模型的精准度。ARMA模型有着相对较高的灵活性与精准度,且不依赖于过多的数据累计,结果表明,通过与鲸鱼优化算法(WOA)相结合,预测的准确性与稳定性进一步提高,此方法使得社区消防水压监测质量得到改善。     

基于圆形搜索机制的多反向复合鲸鱼优化算法

为了改进鲸鱼优化算法存在的种群多样性和勘探开采能力不足等问题,提出了基于圆形搜索机制的多反向复合鲸鱼优化算法（CSOWOA）.首先,针对种群多样性进行了改进.通过折射反向学习初始化种群,以便于搜索到更为隐蔽的空间,加强初始种群的多样性;在算法寻优过程中,通过适应度值大小来划分优势种群和劣势种群,分别对其进行折射反向学习和随机反向学习的多反向复合方式,确保算法寻优过程中种群分布的多样性,便于算法寻优。其次,针对算法勘探开采能力进行了改进.采用结合种群成功率的自适应权重来加强鲸鱼的包围搜索能力,同时在包围搜索过程中通过两种圆形搜索机制加强算法的勘探和开采能力,提升算法的收敛速度和寻优精度.最后,加入正态变异来扰动精英个体的位置,带动可能陷入停滞的鲸鱼种群,避免算法陷入局部最优.仿真实验在13个基准测试函数中与几个知名改进鲸鱼算法和经典智能优化算法进行比较,比较结果显示CSOWOA有明显的提升效果.