摘要：面对动态防空资源分配问题中存在的空袭目标突现和雷达、发射车等资源受干扰现象,在综合考虑雷达、发射车和导弹等武器装备性能的基础上,基于目标集、资源集建立了最小化目标总拦截价值与生存概率的混合整数决策模型。提出了一种新的改进差分进化算法进行求解,采用反向学习策略生成初始解,确保初始种群的质量,设计了一种快速修复与重构的启发式规则作用于多阶段,以提升算法的搜索能力。仿真实验验证了该算法具有求解时间和求解精度上的优越性。该研究能使武器系统在动态事件的随机影响下,保持高效的作战能力和决策效果。

摘要：为求解高维优化问题,提出基于反向学习和衰减因子的灰狼优化算法(grey wolf algorithm based on opposition learning and reduction factor,ORGWO).设计一种灰狼反向学习模型,模型考虑问题搜索边界信息和种群历史搜索信息,初始种群阶段增加反向学习,增强种群多样性.根据算法各个阶段不同特征引入衰减因子,平衡全局和局部勘探能力.选取8个高维函数和23个不同特征的优化函数对算法性能进行测试,进一步使用收敛性分析,寻优成功率,CPU时间,Wilcoxon秩和检验来评估改进算法,实验结果表明,ORGWO算法在求解高维问题上具有较好的精度,鲁棒性和更快的收敛速度.

摘要：针对标准的樽海鞘群算法(salp swarm algorithm, SSA)在寻优过程中易出现局部最优和收敛速度慢等问题,提出一种混合多策略改进的樽海鞘群算法(ISSA)。利用佳点集策略生成初始种群,使个体均匀分布于搜索空间;将反向学习的思想融入到领导者位置更新中,提高算法的搜索精度;加入自适应t分布,利用迭代次数iter作为其自由度参数,改善算法的全局探索能力;引入精英反向学习,筛选更好的种群,避免陷入局部最优。通过一组基准函数和Wilcoxin秩和检验来检测改进算法的性能,实验结果表明,改进算法的探索能力和优化精度都得到明显改善且算法之间存在显著差异,通过实际机械设计案例进一步验证ISSA算法的有效性。

摘要：针对传统森林火灾检测算法精度低,以及大规模、多特征的火灾数据存在冗余信息等问题,该文提出了一种基于改进邻域粗糙集的优化反向传播神经网络(BPNN)火灾预测方法。首先,考虑到数据集具有高维特征空间和高度特征冗余等特点,设计出一种基于混沌反学习蝙蝠(BA)算法的邻域粗糙集特征选择算法,对火灾原始数据集进行特征寻优,得到约简属性子集;然后,构建BA算法优化的BPNN预测模型,将约简属性子集输入该模型中,得到火灾预测的结果;最后,通过平均分类准确度、F1值、精确度、曲线面积、召回率、平均误差率这6种评价指标,在UCI公开森林火灾数据集上分析和检验模型的分类性能。在2个数据集上的实验结果显示,基于混沌反学习策略的算法准确率为94.3%和52.7%,与邻域粗糙集结合后准确率达到98.1%和59.6%,证明了该文算法具备较高的检测精度。

摘要：针对跳频序列设计中存在的规模小和难以兼顾多指标的问题,提出一种基于大规模多目标优化的跳频序列设计方法。首先,综合考虑跳频序列的多项性能指标,建立跳频序列多目标优化模型;然后,引入大规模多目标优化方法,并提出决策变量洗牌策略和反向差分进化,通过重新分配决策变量位置以形成具有多样性的非支配集,并通过使反向个体参与差分进化来为后续进化持续提供有效的方向;最后,通过提出算法对模型进行优化得到跳频序列集。实验结果表明,所提方法相较于其他多目标优化方法具有更强的寻优能力,得到跳频序列集的性能指标具有明显优势;所提方法在不同干扰环境中相较于其他方法具有更低的误码率,验证了提出方法的有效性和优越性。

摘要：为提高短时交通流的预测精度,提出一种改进麻雀搜索算法优化支持向量回归的预测模型。为解决麻雀搜索算法收敛慢、易陷入局部最优的不足,结合反向学习和中心游移进行种群初始化;引入分段惯性权重和蝴蝶优化算法改进发现者更新,扩展迭代早期的全局搜索范围和寻优能力;利用柯西变异追随者更新机制提高迭代后期的局部开发能力和收敛速度;设计自适应警戒者更新均衡搜索和开发过程。应用改进麻雀搜索算法优化支持向量回归模型,构建短时交通流预测模型HMSSSA-SVR。实验结果表明,改进模型的泛化能力更好,预测误差更低,能够对短时交通流实现精确预测。

摘要：针对仓储任务调度过程中机器人任务分配不合理,导致系统运行的时间和路径成本增加的问题,提出了多策略优化麻雀搜索算法的任务分配算法。首先,引入克隆选择机制优化初始种群,提高初始麻雀种群质量;其次,设计自适应蝴蝶更新机制替换发现者位置更新方式,扩大种群搜索范围,平衡全局搜索能力;最后,引入融合变异概率的反向学习策略,解决算法后期陷入局部最优的问题。通过多次实验验证,所提算法在提升机器人任务调度性能方面具有显著的效果。

摘要：为了克服反向学习带来的维度退化现象,生成部分反向解增强对反向解空间的勘测能力,提出了一种基于正交设计的反向学习差分进化算法,利用正交设计仅生成若干具有代表性的部分反向解,在增强算法勘测能力与减少函数评价次数上达到了一个良好的平衡.实验结果表明:该算法相对于其他几种反向学习差分进化算法有更好的收敛精度及速度,同时对函数维度变化不敏感,鲁棒性较强.

摘要：将一种基于反向学习的改进粒子群优化算法(OPPSO)应用于设计具有线性相位的低通FIR数字滤波器。该算法通过求解粒子位置的反向解来增加找到最优解的概率,从而求得一组使所述滤波器最优的参数组合。同时,在试验中引入一种更具有现实意义的接近于理想滤波器的零相位滤波器作为对比。试验结果表明,该算法在设计线性相位低通FIR数字滤波器上具有良好的优化效果。

摘要：为提升粒子群优化算法在复杂优化问题,特别是高维优化问题上的优化性能,提出一种基于Solis&Wets局部搜索的反向学习竞争粒子群优化算法(solis and wets-opposition based learning competitive particle swarm optimizer with local search, SW-OBLCSO). SW-OBLCSO算法采用竞争学习和反向学习两种学习机制,并设计了基于个体的局部搜索算子.利用10个常用基准测试函数和12个带有偏移旋转的复杂测试函数,在不同维度情况下将SW-OBLCSO算法与多种优化算法进行对比.实验结果表明,所提出算法在收敛速度和全局搜索能力上表现出突出的性能.对模糊认知图(fuzzy cognitive maps)学习问题的测试表明, SW-OBLCSO算法在处理实际问题时同样具有出色的性能.