为提高多元宇宙优化算法(MVO)的全局探索和局部开采性能,提出一种耦合横纵向个体更新策略的改进MVO算法(IMVO).横向更新策略是建立在宇宙种群层级的一种水平迁移进化机制,通过引入加权学习因子保证子代个体同时向多个父代宇宙继承位置信息,以改善种群的个体多样性和算法全局探索性能,适定性修正虫洞存在概率表达以保证种群个体间的充分信息交互;纵向更新策略是基于宇宙个体层级的一种纵向自我学习进化机制,根据最优宇宙历史信息,通过模拟认知的历史遗忘记忆特性实现记忆均值邻域的再开采,以增强算法局部开采性能.最后通过数值实验验证不同加权学习因子函数对算法性能的差异性影响,改进算法的优化性能和算法稳健性等.
2022-07-10 02:06:16
297KB
1
IEEE802154时隙C_SMACA算法性能分析与节点功耗改进分析.pdf
2022-07-09 19:09:28
5.17MB
基于改进的C-C方法的相空间重构参数选择5.rar-CC based on improved methods of phase space reconstruction parameters 5.rar
2022-07-09 09:11:43
66KB
针对旅行商问题（Travelling Salesman Problem，TSP）的遗传算法的大规模操作，需要大量运算时间而且容易造成局部最优解，提出一种并行混合遗传算法。该方法基于MPI并行环境，利用种群中选择、交叉、变异操作的并行化，将种群中个体平均的分配到处理器中进行操作，有效地避免局部最优解的出现和减少算法的运行时间。实验证明该方法相对于简单遗传算法具有更强全局寻优能力以及耗费更少的操作时间。
2022-07-08 12:04:01
574KB
1
人工智人-家居设计-改进的生物群智能优化算法及在滤波器设计中的应用.pdf
2022-07-08 10:03:21
1.61MB