CN117273053A - 一种海洋捕食者算法的优化实现方法 - Google Patents
一种海洋捕食者算法的优化实现方法 Download PDFInfo
- Publication number
- CN117273053A CN117273053A CN202311074579.1A CN202311074579A CN117273053A CN 117273053 A CN117273053 A CN 117273053A CN 202311074579 A CN202311074579 A CN 202311074579A CN 117273053 A CN117273053 A CN 117273053A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- population
- predator
- random
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 244000062645 predators Species 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 241000254158 Lampyridae Species 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 230000000739 chaotic effect Effects 0.000 claims abstract description 11
- 230000024703 flight behavior Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 12
- 101001001429 Homo sapiens Inositol monophosphatase 1 Proteins 0.000 claims description 10
- 102100035679 Inositol monophosphatase 1 Human genes 0.000 claims description 10
- 238000011999 immunoperoxidase monolayer assay Methods 0.000 claims description 10
- GHZKGHQGPXBWSN-UHFFFAOYSA-N methyl(propan-2-yloxy)phosphinic acid Chemical group CC(C)OP(C)(O)=O GHZKGHQGPXBWSN-UHFFFAOYSA-N 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 5
- 230000005653 Brownian motion process Effects 0.000 claims description 4
- 238000005537 brownian motion Methods 0.000 claims description 4
- 208000015756 familial Alzheimer disease Diseases 0.000 claims description 4
- 235000019162 flavin adenine dinucleotide Nutrition 0.000 claims description 4
- 241000251468 Actinopterygii Species 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 2
- 238000003384 imaging method Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000287127 Passeridae Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种海洋捕食者算法的优化实现方法,涉及海洋捕食者算法技术领域,包括以下几个步骤:采用SPM混沌映射随机生成初始化种群;计算种群内个体适应度值,采用动态透镜反向学习调整当前最优个体生成更靠近最优解的反向个体;生成[0,1]区间内均匀分布的随机数r,并将r和切换概率0.5进行比较,采用分布式估计算法利用最佳种群个体信息和剩余种群个体信息且在算法停滞时使用萤火虫飞行行为增加算法迭代后期种群多样性。本发明提升算法的全局搜索能力、增加了算法探测能力、提搞了算法的收敛速度和收敛效率。
Description
技术领域
本发明涉及海洋捕食者优化算法技术领域,具体来说,涉及一种海洋捕食者算法的优化实现方法。
背景技术
海洋捕食者算法是一种模拟海洋捕食行为的群体智能算法,模拟了海洋生态系统中捕食者和被捕食者之间的关系。该算法以海洋捕食者觅食策略为灵感,且利用了捕食者和猎物之间最优相遇率策略,有简单灵活和对算法参数进行重大调整较少等优点,但海洋捕食者算法仍存在全局搜索能力较弱、求解精度不高以及容易陷入局部最优等不足。
近年来诸多学者通过不同角度对海洋捕食者算法进行了改进:提出一种在迭代前期用高尾威布尔分布策略取代了经典海洋捕食者算法中的布朗运动,提高了算法的全局搜索能力,有效提升了算法的收敛精度;也有提出了结合教与学机制的海洋捕食者算法,增加了全局搜索能力,提高了收敛速度和收敛精度。
虽然目前学者们的研究在一定程度上提升了海洋捕食者算法的寻优能力,但由于海洋捕食者算法提出时间较短,其寻优效率低,易陷入局部最优等问题未得最有效解决,仍需更进一步的研究。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
(1)发明目的:
针对相关技术中的问题,本发明提出一种海洋捕食者算法的优化实现方法,以克服基本海洋捕食者算法收敛速度慢、收敛精度不高的技术问题。
(2)技术方案:
一种海洋捕食者算法的优化实现方法,包括以下步骤:
步骤S1,采用SPM混沌映射初始化种群,设定种群规模N、最大迭代次数Maxiteration,问题维度D,随机数p;
步骤S2,计算适应度值,构造精英矩阵E;
步骤S3,计算当前适应度值,采用动态透镜成像反向学习,产生反向解;
步骤S4,进行贪婪选择,利用目标函数评估获取的当前最优解和反向最优解,其中反向解的位置的适应度值优于当前最优解适应度值时,则用反向解替代当前最优解,否则保留当前最优解,贪婪选择方式表示为:
其中其中f(*)表示个体适应度值;
步骤S5,生成[0,1]区间内均匀分布的随机数r,并将r和0.5进行比较,其中若r>0.5,则根据引入了分布式估计算法公式生成新的种群且进行位置更新,若r<0.5,则使用海洋捕食者三个阶段开发公式对捕食者和猎物进行位置更新;
步骤S6,采用萤火虫飞行行为更新猎物,根据贪婪选择选择扰动前和扰动后的最优位置和最优适应度值,萤火虫飞行行为表示为:
其中xi和xj为精英矩阵i和j的空间位置,α为步长因子,St为随机扰动因子服从均匀分布。
根据贪婪选择,与扰动前个体选择适应度值最高的个体,并更新当前最优位置。
步骤S7,应用FADs和涡流影响更新种群;
步骤S8,计算适应度值,计算更新后种群内每个猎物个体适应度值,更新当前最优位置;
步骤S9,判断当前迭代次数是否达到要求,在迭代次数未达到设定值情况下,迭代运行;
步骤S10,重复步骤S3-步骤S9,迭代次数满足设定值时,输出全局最优解;
其中,进一步包括以下步骤:
进一步地,采用SPM混沌映射初始化种群公式表示为:
式中η∈(0,1),μ∈(0,1),r为一个随机扰动参数。
进一步的,所述动态透镜反向学习的位置更新公式,其包括:
其中xbest为IMPA的当前最优位置,是透镜映射后的新位置;/>和xbest,j为/>和xbest的第j维分量;ubj和lbj为决策变量上下界的第j维分量。
进一步的,所述的分布式估计算法新的种群及位置更新公式,其包括:
其中,为优势种群加权均值,/>是适合度值从高到低排列的NP/2个有希望的解决方案。
进一步的,所述三个阶段开发公式,其包括:
第一阶段:
其中RB表示布朗运动的正态分布随机向量,P表示为0.5的常数,R表示[0,1]间均匀随机数。
第二阶段:(种群分为两部分,一部分开采一部分勘探)
RL是基于莱维运动的随机数的向量,CF表示控制捕食者运动步长的自适应参数。
第三阶段:
进一步的,所述的涡流形成或鱼类聚集装置公式,其包括:
pf=0.2表示FADs效应影响概率。U是一个二进制随机向量数组,区间为[0,1]。如果数组小于0.2,则将其修改为0,如果大于等于0.2,则将其修改为1。r是[0,1]中的均匀随机数。Xmin和Xmax是包含维度的下限和上限的向量,r1和r2表示猎物矩阵的随机索引。
(3)有益效果:
本发明针对经典海洋捕食者算法在迭代后期由于种群多样性的丢失,易导致求解精度不高和不易跳出局部的缺陷,其一,使用SPM混沌映射初始化种群,保证遍历性和和随机性的同时生成高质量的初始种群;其二,引入了分布式估计算法和萤火虫随机飞行的双层机制优化提高种群多样性,增强算法收敛和跳出局部最优性能;其三,引入动态透镜成像的反向学习,提高算法收敛效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施。例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种海洋捕食者算法的优化实现方法的流程示意图一;
图2是根据本发明实施例的一种海洋捕食者算法的优化实现方法的F1函数收敛曲线;
图3是根据本发明实施例的一种海洋捕食者算法的优化实现方法的F2函数收敛曲线;
图4是根据本发明实施例的一种海洋捕食者算法的优化实现方法的F3函数收敛曲线;
图5是根据本发明实施例的一种海洋捕食者算法的优化实现方法的F4函数收敛曲线。
具体实施方法
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种海洋捕食者算法的优化实现方法。
如图1所示,根据本发明实施例的海洋捕食者算法的优化实现方法,包括以下步骤:
步骤S1,采用SPM混沌映射初始化种群,设定种群规模N、最大迭代次数Maxiteration,问题维度D,随机数p,SPM混沌映射表示为:
式中η∈(0,1),μ∈(0,1),r为一个随机扰动参数。
具体的,SPM映射后的初始化种群分散程度更高、重合的个体数量更少,种群初始化阶段分布更佳,保证了初始化种群的多样性,减少局部最优的吸引。
步骤S2,计算适应度值,构造精英矩阵E;
步骤S3,计算当前适应度值,采用动态透镜成像反向学习,产生反向解,即其中xbest为IMPA的当前最优位置,/>是透镜映射后的新位置;/>和xbest,j为/>和xbest的第j维分量;ubj和lbj为决策变量上下界的第j维分量。
具体的,采用最优动态反向学习策略,使得搜索空间不对称,令搜索不断变化呈动态的趋势,进一步提高了算法的搜索性能。
步骤S4,进行贪婪选择,利用目标函数评估获取的当前最优解和反向最优解,其中反向解的位置的适应度值优于当前最优解适应度值时,则用反向解替代当前最优解,否则保留当前最优解,贪婪选择方式表示为:
其中其中f(*)表示个体适应度值;
具体的,最优个体的反向解比普通种群个体的反向解更靠近最优点,将算法算法与反向学习相结合,可以有效地提高算法的优化性能。考虑到海洋捕食者算法迭代前期大范围探索及迭代后期局部精细搜索的特点,该调节方法使算法在迭代前期获取较大伸缩因子值,使算法可在不同维度区域进行更广泛的搜索,降低陷入局部最优可能性。在迭代后期,逐渐降低伸缩因子值,使算法在最优解领域进行更精细的搜索,从而提高局部寻优能力,加快算法收敛速度。
步骤S5,生成[0,1]区间内均匀分布的随机数r,并将r和0.5进行比较,其中若r>0.5,则根据引入了分布式估计算法公式生成新的种群且进行位置更新,即 为优势种群加权均值,/>是适合度值从高到低排列的NP/2个有希望的解决方案;若r<0.5,则使用海洋捕食者三个阶段开发公式对捕食者和猎物进行位置更新,即第一阶段:/> 其中RB表示布朗运动的正态分布随机向量,P表示为0.5的常数,R表示[0,1]间均匀随机数;第二阶段: RL是基于莱维运动的随机数的向量,CF表示控制捕食者运动步长的自适应参数;第三阶段:
具体的,分布式估计算法是一种使用概率模型来表示个体之间关系的算法,该算法通过利用当前优势种群计算概率分布模型,并在概率分布模型抽样的基础上生成新的子代种群,不断迭代得到最优解。相较于传统的智能算法,分布式估计算法具有识别候选解特征和估计种群进化方向的能力,在处理一些复杂问题时表现出良好的性能。
将分布式估计算法引入到海洋捕食者算法中,分布式估计算法利用上一代种群信息,选取适应值更优的前一半种群作为优势群体,以此来计算加权协方差矩阵并且得到最优种群概率分布模型。其中种群中的解作为正态分布的均值,每个解的标准差和协方差矩阵被用作计算得到代表种群分布的多元正态分布模型,对该多元正态分布模型进行采样,生成新的子代种群。多次迭代后,算法可以寻到全局最优解。
步骤S6,采用萤火虫飞行行为更新猎物,根据贪婪选择选择扰动前和扰动后的最优位置和最优适应度值,萤火虫飞行行为表示为:
其中xi和xj为精英矩阵i和j的空间位置,α为步长因子,St为随机扰动因子服从均匀分布。
根据贪婪选择,与扰动前个体选择适应度值最高的个体,并更新当前最优位置。
具体的,萤火虫算法是一种模拟萤火虫发光行为实现位置优化的算法。借助萤火虫个体发光吸引的特性,寻找领域空间内位置最优个体。借助萤火虫随机飞行扰动行为,增加了捕食者和猎物竞争过程中的随机性,使整个种群增加了跳出局部最优的几率,提升收敛精度。
步骤S7,应用FADs和涡流影响更新种群;
步骤S8,计算适应度值,计算更新后种群内每个猎物个体适应度值,更新当前最优位置;
步骤S9,判断当前迭代次数是否达到要求,在迭代次数未达到设定值情况下,迭代运行;
步骤S10,重复步骤S3-步骤S9,迭代次数满足设定值时,输出全局最优解;
借助于上述方案,针对经典海洋捕食者算法在迭代后期由于种群多样性的丢失,易导致求解精度不高和不易跳出局部的缺陷,提出使用SPM混沌映射初始化种群,保证遍历性和和随机性的同时生成高质量的初始种群;引入了分布式估计算法和萤火虫随机飞行的双层机制优化提高种群多样性,增强算法收敛和跳出局部最优性能;采用动态透镜成像反向学习方式调整选择其最优种群个体,增强算法探测能力,增加收敛效率。
另外,在一个实例中,如图2-图5所示,具体的,参数初始化设置为:种群规模N=30,最大迭代次数Max iteration=500,问题维度D=30,切换概率r=0.5。
将本文优化方法记为IMPA算法与经典MPA,NMPA、QQLMPA、MSMPA、MSIMPA、天鹰优化器(AO)、麻雀搜索算法(SSA)在四个基准测试函数上进行比较。
选取的测试函数如表1所示:
表1
其中,F1~F3为单峰函数,用于检验算法的收敛速度,F4为多峰函数,具有多个极小值点,用于检验算法的全局寻优能力和跳出局部最优的能力。
表2统计了三种算法在四个测试函数上的30次独立运行结果的平均值和标准差,标准差反应了算法的稳定性,平均值反应了算法的正常寻优水平。
表2
由表2可知,本实例IMPA对于单峰函数F1,F2,F3,IMPA、NMPA和MSIMPA全部都找到了理论最优值0,寻优性能远超其他改进MPA算法以及AO算法和SSA算法,表现了IMPA有着更强的开发能力。在函数F4上,所有算法寻到最优值。另外IMPA在函数F1、F2、F3、F4上的标准差均达到了0,说明IMPA算法具有较强的稳定性。
另外,如图2-图5所示,各算法在测试函数上的曲线斜率的变化幅度可知,IMPA算法有着最快的收敛速度,表明改进策略能够显著提升算法全局寻优能力和跳出局部最优的能力。
综上所述,借助于本发明的上述技术方案,通过提出使用SPM混沌映射初始化种群,保证遍历性和和随机性的同时生成高质量的初始种群;引入了分布式估计算法和萤火虫随机飞行的双层机制优化提高种群多样性,增强算法收敛和跳出局部最优性能;采用动态透镜成像反向学习方式调整选择其最优种群个体,增强算法探测能力,增加收敛效率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种海洋捕食者算法的优化实现方法,其特征在于,包括以下步骤:
采用SPM混沌映射初始化种群,设定种群规模N、最大迭代次数Max iteration,问题维度D,随机数p;
计算种群个体适应度值,构造精英矩阵;
采用动态透镜反向学习计算当前最优解的反向解,透镜反向学习表示为:
其中a和b为搜索范围,k=h/h*,表示伸缩因子与物和像之间的对应比例关系,其中称k为伸缩因子,k的更新方式如下:
进行贪婪选择,利用目标函数评估获取的当前最优解和反向最优解,其中反向解的位置的适应度值优于当前最优解适应度值时,则用反向解替代当前最优解,否则保留当前最优解,贪婪选择方式表示为:
其中f(*)表示个体适应度值;
生成[0,1]区间内均匀分布的随机数r,并将r和0.5进行比较,其中若r>0.5,则根据引入了分布式估计算法公式生成新的种群且进行位置更新,若r<0.5,则使用海洋捕食者三个阶段开发公式对捕食者和猎物进行位置更新;
采用萤火虫飞行行为更新猎物,萤火虫飞行行为表示为:
其中xi和xj为精英矩阵i和j的空间位置,α为步长因子,St为随机扰动因子服从均匀分布;
根据贪婪选择,与扰动前个体选择适应度值最高的个体,并更新当前最优位置;
应用涡流形成或鱼类聚集装置更新种群;
判断当前迭代次数是否达到要求,在迭代次数未达到设定值情况下,迭代运行
迭代次数满足设定时,输出全局最优。
2.根据权利要求1所述的海洋捕食者算法的优化实现方法,其特征在于,采用SPM混沌映射初始化种群公式表示为:
式中η∈(0,1),μ∈(0,1),r为一个随机扰动参数。
3.根据权利要求1所述的海洋捕食者算法的优化实现方法,其特征在于,所述的动态透镜反向学习的位置更新公式,其包括:
其中xbest为IMPA的当前最优位置,是透镜映射后的新位置;/>和xBest,j为和xbest的第j维分量;ubj和lbj为决策变量上下界的第j维分量。
4.根据权利要求1所述的海洋捕食者算法的优化实现方法,其特征在于,所述的分布式估计算法新的种群及位置更新公式,其包括:
为优势种群加权均值,/>是适合度值从高到低排列的NP/2个有希望的解决方案。
5.根据权利要求1所述的海洋捕食者算法的优化实现方法,其特征在于,所述的三个阶段开发公式,其包括:
第一阶段:
其中RB表示布朗运动的正态分布随机向量,P表示为0.5的常数,R表示[0,1]间均匀随机数;
第二阶段:(种群分为两部分,一部分开采一部分勘探)
RL是基于莱维运动的随机数的向量,CF表示控制捕食者运动步长的自适应参数;
第三阶段:
6.根据权利1所述的海洋捕食者算法的优化实现方法,其特征在于,所述的涡流形成或鱼类聚集装置公式,其包括:
pf=0.2表示FADs效应影响概率,U是一个二进制随机向量数组,区间为[0,1],如果数组小于0.2,则将其修改为0,如果大于等于0.2,则将其修改为1,r是[0,1]中的均匀随机数,Xmin和Xmax是包含维度的下限和上限的向量,r1和r2表示猎物矩阵的随机索引。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311074579.1A CN117273053A (zh) | 2023-08-24 | 2023-08-24 | 一种海洋捕食者算法的优化实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311074579.1A CN117273053A (zh) | 2023-08-24 | 2023-08-24 | 一种海洋捕食者算法的优化实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117273053A true CN117273053A (zh) | 2023-12-22 |
Family
ID=89213229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311074579.1A Pending CN117273053A (zh) | 2023-08-24 | 2023-08-24 | 一种海洋捕食者算法的优化实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117273053A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117555698A (zh) * | 2024-01-12 | 2024-02-13 | 南京信息工程大学 | 一种数字孪生辅助的边缘计算任务卸载方法 |
CN117784615A (zh) * | 2024-02-23 | 2024-03-29 | 沈阳顺义科技股份有限公司 | 一种基于impa-rf的火控系统故障预测方法 |
-
2023
- 2023-08-24 CN CN202311074579.1A patent/CN117273053A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117555698A (zh) * | 2024-01-12 | 2024-02-13 | 南京信息工程大学 | 一种数字孪生辅助的边缘计算任务卸载方法 |
CN117555698B (zh) * | 2024-01-12 | 2024-04-16 | 南京信息工程大学 | 一种数字孪生辅助的边缘计算任务卸载方法 |
CN117784615A (zh) * | 2024-02-23 | 2024-03-29 | 沈阳顺义科技股份有限公司 | 一种基于impa-rf的火控系统故障预测方法 |
CN117784615B (zh) * | 2024-02-23 | 2024-05-24 | 沈阳顺义科技股份有限公司 | 一种基于impa-rf的火控系统故障预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117273053A (zh) | 一种海洋捕食者算法的优化实现方法 | |
CN109447906B (zh) | 一种基于生成对抗网络的图片合成方法 | |
Pan et al. | Fish migration optimization based on the fishy biology | |
CN109242878B (zh) | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 | |
CN109961098B (zh) | 一种机器学习的训练数据选择方法 | |
CN111832135A (zh) | 基于改进哈里斯鹰优化算法的压力容器结构优化方法 | |
CN111768028B (zh) | 一种基于深度强化学习的gwlf模型参数调节方法 | |
CN109903251B (zh) | 果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法 | |
CN109886979A (zh) | 基于改进布谷鸟优化法的图像多阈值分割方法 | |
CN114511021A (zh) | 基于改进乌鸦搜索算法的极限学习机分类算法 | |
CN108629400A (zh) | 一种基于Levy搜索的混沌人工蜂群算法 | |
Zhang et al. | Evolving neural network classifiers and feature subset using artificial fish swarm | |
CN115983130A (zh) | 一种基于改进粒子群优化算法的全局最优解搜索方法 | |
CN115272774A (zh) | 基于改进自适应差分进化算法的对抗样本攻击方法及系统 | |
CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
CN108647206A (zh) | 基于混沌粒子群优化cnn网络的中文垃圾邮件识别方法 | |
Cai et al. | Particle swarm optimization with self-adjusting cognitive selection strategy | |
Kaplan | Alongshore advection and marine reserves: consequences for modeling and management | |
CN116859903A (zh) | 基于改进哈里斯鹰优化算法的机器人平滑路径规划方法 | |
CN115169517A (zh) | 一种改进的灰狼优化算法的方法 | |
CN114841611A (zh) | 一种基于改进海洋捕食者算法求解作业车间调度的方法 | |
CN114662638A (zh) | 基于改进人工蜂群算法的移动机器人路径规划方法 | |
Jiang et al. | Action candidate based clipped double q-learning for discrete and continuous action tasks | |
CN112131089B (zh) | 软件缺陷预测的方法、分类器、计算机设备及存储介质 | |
Nabizadeh et al. | A novel method for multi-level image thresholding using particle swarm Optimization algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |