模糊车间调度问题是复杂调度的经典体现,针对此问题设计优秀的调度方案能提高生产效率。目前对于模糊车间调度问题的研究主要集中在单目标上,因此提出一种改进的灰狼优化算法(improved grey wolf optimization,IGWO)求解以最小化模糊完...
详细信息
模糊车间调度问题是复杂调度的经典体现,针对此问题设计优秀的调度方案能提高生产效率。目前对于模糊车间调度问题的研究主要集中在单目标上,因此提出一种改进的灰狼优化算法(improved grey wolf optimization,IGWO)求解以最小化模糊完成时间和最小化模糊机器总负载的双目标模糊柔性作业车间调度问题。该算法首先采用双层编码将IGWO离散化,设计一种基于HV贡献度的策略提高种群多样性;然后使用强化学习方法确定全局和局部的搜索参数,改进两种交叉算子协助个体在不同更新模式下的进化;接着使用两级变邻域和四种替换策略提高局部搜索能力;最后在多个测例上进行多组实验分析验证改进策略的有效性。在多数测例上,IGWO的性能要优于对比算法,具有良好的收敛性和分布性。
近年来,灰狼优化算法(Grey Wolf Optimizer,GWO)作为一种新兴的群体智能优化算法受到了学者们的广泛关注,它是通过模拟灰狼的社会等级机制和狩猎行为提出的。由于GWO具有参数少,鲁棒性强、易于实现等优点,已被成功的应用在诸多领域当中;...
详细信息
近年来,灰狼优化算法(Grey Wolf Optimizer,GWO)作为一种新兴的群体智能优化算法受到了学者们的广泛关注,它是通过模拟灰狼的社会等级机制和狩猎行为提出的。由于GWO具有参数少,鲁棒性强、易于实现等优点,已被成功的应用在诸多领域当中;但GWO同时也存在着种群多样性差,易陷入局部最优,难以均衡全局探索与局部开发之间关系等问题。针对上述问题,分别提出了基于差分扰动算子的改进灰狼优化算法和基于头狼密度控制策略以及魅力值加权策略的改进算法;并将两种算法应用到图像增强以及图像匹配之中,取得了较好的实验效果。论文主要研究内容包括以下三个方面:第一,针对灰狼优化算法在迭代后期种群多样性差,易陷入局部最优等问题,提出了一种基于差分扰动算子的改进灰狼优化算法(IGWO)。首先,为了提高算法的全局搜索能力,设计一种非线性减小策略的收敛因子来代替原始的线性减小策略;另外,在保证IGWO局部开发能力的同时,为了改善种群多样性提出了一种随机差分扰动策略。仿真结果表明,IGWO在收敛速度和收敛精度两方面均得到了提高。第二,针对GWO在迭代初期Alpha、Beta、Delta狼(本文统称为头狼)位置过于集中,以及在搜索过程中赋予头狼相同权重等问题,提出基于头狼密度控制策略以及魅力值加权策略的改进算法(LDC-GWO)。首先,为了保证头狼间的适当距离防止算法陷入局部最优,引进了头狼密度控制策略。其次,针对赋予头狼相同权重导致收敛速度慢的问题,按照魅力值对由头狼所确定的最佳位置进行加权生成新的个体更新位置。最后,仿真结果表明与其他算法相比,LDC-GWO在优化精度以及收敛速率方面有着更好的优化性能。第三,图像增强和图像匹配作为两种常用的图像处理方法已被广泛的应用到医学、军事、交通等领域。为了提高图像增强算法的适用范围,将改进灰狼优化算法应用到融合全局信息和局部信息的图像增强优化模型中,通过仿真表明本文两种改进算法在很大程度上可以提高图像增强的质量。其次,为了克服传统图像匹配方法每计算一次匹配度均需要遍历整个图像的弊端,提高图像匹配算法的速度,本文以灰狼位置作为图像匹配模板的参考点进行图像匹配,并使用改进灰狼优化算法优化图像匹配过程,仿真结果表明IGWO和LDC-GWO可以有效的提高匹配效率。
近年来,用户贷款行业快速发展,金融机构从贷款中获利的同时,也承担着相应贷款人违约的风险。因此,准确预测贷款违约风险十分重要。但随着科学技术的飞速发展和数据量的不断增加,人们对计算精度的要求越来越高,传统算法难以解决该问题,研究者们对此提出了许多群智能优化算法。群智能优化算法结构简单,容易实现,已被广泛应用于各种实际问题。混合鲸鱼灰狼优化算法(hybridized WOA with GWO,WOAGWO)具有全局搜索能力强、开发能力强等优点,但是仍然存在算法初始种群多样性差,在迭代后期容易陷入局部最优的问题。针对上述问题,本文做了如下工作:
(1)提出了一种改进的混合鲸鱼灰狼优化算法(CW-WOAGWO)。首先在混合鲸鱼灰狼优化算法(hybridized WOA with GWO,WOAGWO)中引入Circle混沌映射优化初始种群位置。随机初始化种群位置有可能造成初始种群位置分布不均匀,从而使得迭代时间过长或陷入局部最优。使用Circle混沌映射初始化种群位置可以增加种群多样性,从而提高算法的收敛速度。其次在搜索代理位置更新时增加惯性权重。参考惯性权重策略引入一种非线性递减因子,使算法在迭代初期具有较强的全局搜索能力,在迭代到达后期时,惯性权重非线性递减,局部搜索能力加强,收敛速度加快。最后本文使用23个基准函数和CEC2019测试函数对改进后的算法进行性能评估,结果表明本文算法的探索能力和收敛速度得到加强。
(2)将CW-WOAGWO算法应用在用户贷款违约预测中。针对处理后的数据集构建了改进的混合鲸鱼灰狼优化算法优化支持向量机模型(CW-WOAGWO-SVM),并与其他三种模型进行实验对比分析。结果表明CW-WOAGWO-SVM模型能够更加准确地对用户贷款违约行为进行预测。
暂无评论