摘要：针对蛇算法寻优阶段交互性差,初始种群随机程度严重,易陷入局部最优解等问题,提出了一种多策略融合的蛇优化算法(multi-strategy snake optimizer, MSSO)。首先,利用正交矩阵对蛇种群进行初始化,使个体分布更加均匀;其次,设计探索开发阶段切换的自适应方程,用以替换原有的食物量与温度阈值,使算法进行自适应阶段切换;最后,使用联合反向选择策略替换算法原有的新个体孵化方法,提高算法收敛精度的同时加快算法收敛效率。选取10个基准测试函数从不同角度对MSSO算法进行实验,测试算法性能,分析各策略的有效性,并使用Wilcoxon秩和检验来证明算法显著性,通过两个工程应用仿真实验来验证MSSO的实用性。各实验结果表明MSSO较比较算法综合表现更优,证明MSSO算法改进在寻优能力、鲁棒性、实用性等方面均有所提升。

摘要：蛇优化算法(SO)是一种受自然界中蛇生存行为启发产生的元启发式优化算法。原始蛇优化算法存在收敛速度慢、易陷入局部最优的问题,因此提出了一种结合精英初始化和K近邻的改进蛇优化算法(elite initia-lization and K-nearest neighbors improved snake optimizer,EKISO)。首先,为了提高初始种群质量,在种群初始化阶段提出精英初始化的方法,根据种群精英个体产生优质初始种群个体;其次,通过振荡因子优化螺旋觅食策略扩大全局勘探阶段的搜索范围、提高算法的局部逃逸能力;最后,在局部开发阶段提出K近邻思想的位置更新方法,增强种群个体之间的信息交互能力,从而加快收敛速度、提高收敛精度。利用14个经典测试函数和4个CEC2017测试函数将该方法与其他7种优化算法进行对比,证明EKISO收敛速度更快、精度更高且不易陷入局部最优。为了进一步验证EKISO的实用性与可行性,将EKISO应用于压力容器设计问题中,通过实验对比分析可知,EKISO在处理实际优化问题上具有一定的优越性。

摘要：为解决机器人避障时搜索效率差、收敛速度慢等问题,提出了一种多策略改进的蛇优化避障算法。首先,利用正交矩阵初始化整个种群,使种群解可以均匀分布于空间中。其次,设计了一种动态调整策略,用以调节算法中的两个阶段,取代原有的食物数量和温度阈值,使算法进行阶段的动态转换。最后,采用共有逆向选择策略取代原有算法的蛇个体更新方式,从而提高算法的收敛准确度及收敛速度。基于Matlab平台进行机器人避障仿真,结果表明,改进的蛇优化算法在机器人避障过程中,相比其他对比算法各项指标更优,寻优效率更高,可以有效提升机器人的避障效率。

摘要：为解决轮式机器人路径规划中效率低、寻优速度慢等问题,提出一种改进的蛇优化算法(improved snake optimizer,ISO)。在初始阶段引入正弦混沌映射扩大算法寻优空间,提升解的质量。同时设计了一种双向搜索策略,在最佳和最差个体引导的两个方向上逼近全局最优值,使收敛速度更快。并在算法中增加改进的进化种群动力机制,替换质量较差的个体从而提高种群质量。另外利用精英对立学习策略来提高算法的局部开发性能。仿真结果表明,ISO算法在轮式机器人路径规划过程中,相比其它对比算法各项指标更优,寻优效率更高,可以有效帮助轮式机器人完成规划任务。

摘要：基于指纹的定位方法是定位技术中的重点研究内容。现有指纹定位方法大多数是为接收端设备的自定位而设计的,无法直接应用到对信号发射端的定位中。为此,设计一种适用于信号发射端的辐射源指纹定位模型,并提出相应的定位算法。利用频谱地图进行指纹定位,基于信号指纹生成算法和指纹匹配定位算法实现指纹匹配定位。信号指纹生成算法将空间插值转化为机器学习多变量回归问题,基于测量点的数据建立数据集并训练随机森林回归模型,结合蛇优化算法改进模型的参数设置,利用改进的随机森林回归模型补全频谱地图中的缺失数据,进而得到信号指纹。指纹匹配定位算法通过深度学习框架完成,利用卷积神经网络从频谱地图中估计辐射源的位置坐标。仿真实验结果表明,该定位模型在使用10%的测量数据时,平均定位误差为12.91 m,且定位误差在20 m以内的置信概率达到了84.5%,能够实现对信号发射端的指纹定位,与其他方法相比,具有较优的定位精度和定位稳定性。