![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
MATLAB
文章平均质量分 90
KAU的云实验台
源码获取请私信
展开
-
高性能优化器SHADE——基于成功历史记忆的适应性DE原理介绍及其代码实现(MATLAB/PYTHON)
本文KAU将介绍相当流行的DE变体——基于成功历史记忆的适应性差分进化算法(Success-History based Adaptive Differential Evolutionz,SHADE)。该算法是JADE的增强版本,由Tanabe 和 Fukunaga于2013年提出[1],大大提升了算法效率,并且其在CEC2013竞赛中排名第三。本文中,KAU将介绍SAHDE算法的原理,并给出其MATLAB和Python的实现。原创 2024-08-02 14:14:27 · 837 阅读 · 0 评论 -
CEC冠军算法的前身JADE——带有外部归档的自适应DE原理介绍及其代码实现(MATLAB/PYTHON)
差分进化算法(Differential Evolution, DE)[1]作为进化算法中的一个重要分支,是R.Stom和K.Price于1995年提出,在1996年首届ICEC竞赛上就获得第三名的成绩,具有实现简单、理解容易收敛速度快等优点。但DE对控制参数(CR和F)依赖性强,同时其变异策略对算法收敛性能影响大,面对复杂函数存在陷入局部最优的问题。因此,众多DE变体被提出,DE算法已经发展成为进化计算领域中具有极强竞争力和生命力的优化算法之一。原创 2024-07-20 20:36:05 · 880 阅读 · 0 评论 -
实验丰富、原创改进!|多策略改进蜣螂优化算法(MATLAB)
东华大学沈波教授团队在2022年提出蜣螂优化算法 (Dung Beetle Optimizer,DBO) [1],该算法与PSO、GWO、WOA、SSA、SCA、MVO、HHO相比均显示出一定然而,它有其他SI算法存在的问题,如全局探索和局部开发能力不平衡、面对复杂问题的易陷入局部最优等,其收敛速度和精度仍有改进的可能。因此针对DBO存在的问题,KAU将对DBO进行改进。原创 2024-07-17 22:49:10 · 878 阅读 · 0 评论 -
一区算法MPA|海洋捕食者算法原理及其代码实现(Matlab/Python))
本文KAU将介绍一个2020年发表在1区期刊ESWA上的优化算法——海洋捕食者算法 (Marine Predators Algorithm,MPA)[1]该算法由Faramarzi等于2020年提出,其灵感来源于海洋捕食者之间不同的觅食策略、最佳相遇概率策略、海洋记忆存储与海洋漩涡以及鱼类聚集效应影响。算法性能上,在通风和建筑能源性能领域的29个测试函数、CEC2017及3个工程基准和2个工程实际问题等上进行评估,对比算法包含3类:(1)GA、PSO-研究最充分的启发式算法;原创 2024-06-30 21:36:27 · 1386 阅读 · 1 评论 -
人类启发的一区新算法|旅行徒步优化算法HOA原理及代码实现(Matlab/Python)
MATLABPYTHON目前,元启发式算法按其灵感来源可以分为:(i)群体启发,如粒子群PSO和灰狼优化算法GWO等;(ii)进化启发,如遗传算法GA和差分进化算法DE等;(iii)物理启发,如开普勒优化算法KOA和瞬态优化算法TSO等;(iv)人类启发,如人类行为优化算法HBBO和徒步旅行优化算法HOA等。原创 2024-06-21 11:21:46 · 881 阅读 · 3 评论 -
NSDBO|基于非支配排序的蜣螂优化算法原理及其实现(Matlab)
蜣螂优化算法(Dung Beetle Optimizer,DBO)是JiankaXue和Bo Shen在2022 年提出的一种新型群体智能优化算法[1],其灵感来自于蜣螂的滚球、跳舞、觅食、偷窃和繁殖行为。该算法同时考虑了全局探索和局部开发,从而具有收敛速度快和准确率高的特点,可以有效地解决复杂的寻优问题。原创 2024-06-14 10:15:05 · 1446 阅读 · 0 评论 -
AO|天鹰优化算法原理及代码实现(MATLAB/Python)
天鹰优化算法(Aquila Optimizer,AO)是Abualigah等[1]于2021年发表在SCI二区Computers & Industrial Engineering的元启发式优化算法。该算法通过模拟天鹰对不同猎物的不同捕获方法建立数学模型,具有收敛速度快、全局搜索能力强的优点,目前在谷歌学术上引用量达1500+本文KAU将介绍其原理,并分享其MATLAB/Python的实现。原创 2024-06-07 10:58:33 · 961 阅读 · 0 评论 -
双种群协同进化的混合NSGA-II与MOPSO多目标算法(MATLAB)
由于在工程实践和科学研究中,很多问题都是由多个相互影响、相互冲突的目标构成,而进化算法在解决这些多目标优化问题上具有独特优势,因此获得了广泛的研究。其中,NSGA-II是较为经典的多目标进化算法,其具有鲁棒性好、搜索性能高的特点;而MOPSO算法作为新型的进化范例,具有收敛速度快、收敛精度高、搜索效率高的特点。两种算法具有不同的开发和探索过程,因此为充分利用两种经典算法的特点,本文提出一种双种群协同进化的混合改进NSGA-II和MOPSO的多目标算法。原创 2024-06-04 21:14:22 · 1626 阅读 · 0 评论 -
ABC|人工蜂群优化算法原理、实现与优化算法有效性的思考(Matlab/Python)
人工蜂群算法(Artificial Bee Colony,ABC)是由土耳其学者Karaboga[1]于2005年提出,它是模拟蜜蜂的采蜜行为来解决生活中一些多维和多模的优化问题,目前在谷歌学术上的引用量9k+。对于ABC算法的研究也呈逐年上涨的趋势。图源文献[8]本文的内容之一即是介绍ABC算法的原理,并讨论其可利用与改进之处,最后给出其代码(Matlab/Python)实现。原创 2024-05-21 14:40:29 · 2097 阅读 · 0 评论 -
MQ-BAP|基于粒子群算法的多码头连续泊位分配优化研究(MATLAB免费分享)
在物流运输行业中,运输的主要方式有海洋运输、航空运输、公路运输和铁路运输等。在国际货物中最主要的运输方式是海洋运输,据统计,中国进出口近90%货运都是利用海洋运输进行的。而在海洋运输中主要有杂货运输以及集装箱运输两种运输方式,由于集装箱运输具有装卸效率高和适合多式联运等优点,使得集装箱运输成为国际运输的重要运输方式。而集装箱港口一旦建成,再次修建将花费大量人力和物力,因此改进港口的生产运作是提升港口竞争力的重要措施。原创 2024-05-17 19:22:21 · 781 阅读 · 0 评论 -
原创度高!性能好!|基于信息共享与黄金搜索的改进星鸦优化算法在50+个函数上进行测试(Matlab)
前面的文章中,KAU介绍了星鸦优化算法(Nutcracker Optimization Algorithm,NOA)[1],NOA算法模拟了星鸦觅食、存储以及缓存搜索、恢复的行为。在性能上,与近年发表的算法/高引算法/CEC竞赛获胜算法相比均排名第一。然而由没有免费的午餐(NFL)定理可知,没有元启发式优化算法可以处理所有的优化问题,在某些情况下(可结合应用),NOA算法同样存在全局/局部开发能力不平衡,易陷入局部最优等问题。原创 2024-05-01 01:06:24 · 1054 阅读 · 0 评论 -
COA|郊狼优化算法原理、改进与利用详解(MATALB/Python)
文章来源于我的个人公众号:KAU的云实验台,主要更新智能优化算法的原理、应用、改进CEC2005中的测试(MATLAB/PYTHON)本文KAU将介绍一个2018年在CEC会议中提出的优化算法——郊狼优化算法(Coyote Optimization Algorithm,COA)[1]该算法由Juliano Pierezan等于2018年提出,COA的灵感来源于生活在北美的郊狼种群的社会行为,和其他优化器不同的是,郊狼优化算法并没有参考狼群的猎食行为,而是更注重种群的群体结构及对环境的适应和部落间的交流原创 2024-04-21 23:45:05 · 1011 阅读 · 0 评论 -
NSWOA|多目标鲸鱼优化算法原理与代码实现(Matlab)
然后将支配等级为1的解筛出,再从剩下的个体中选出Pareto解,其支配等级为2,以此循环,直至整个种群完成分级,则支配等级越低的解将支配支配等级高的解,此即非支配排序。为了将多目标能力添加到WOA算法中,NSWOA主要在WOA的框架上增加了对个体的非支配排序,通过拥挤度计算和精英保留策略(与NSGA-II类似),筛选出优秀非支配个体引导种群,并进行种群的进化。以上是WOA的流程,由于多目标问题的特殊性,因此需要对最佳个体的选择机制进行修改,下面介绍NSWOA的理论内容。1 多目标鲸鱼优化算法原理。原创 2024-04-07 21:28:17 · 2150 阅读 · 1 评论 -
BiLSTM原理、优化及代码实现(时序预测/分类/回归拟合,Matlab)
同样,BiLSTM也存在一定可进行优化选择的超参数,若采取经验法或试错法,则有不能获取最优取值组合、时间成本高等问题。优化算法通过对超参数组合的随机生成与更新,能够更快速地获取优解,不失为一种应用方法。前面的文章中KAU已经介绍过很多种优化算法及其改进策略,本文中我也会应用这些算法优化BiLSTM,下面简单罗列一些优化算法方便一些朋友查看相应原理。原创 2024-03-31 22:57:42 · 4643 阅读 · 0 评论 -
源于一区| 改善性能的5种高效而小众的变异策略,一键调用 (Matlab)
1.1 多尺度协同变异变异尺度对算法的搜索与收敛性能都有影响,若变异尺度过大,则可能越过极值点,若变异尺度过小,则需要大量迭代以实现空间的遍历,因此引入不同尺度的高斯变异算子能够有利于搜索全局最优,加快收敛。多尺度协同变异即是本文的第一个变异策略。1.2 正态云模型在众多的不确定性中,随机性和模糊性无疑是最常见的属性。为了克服处理不确定性的不足,文献[1]提出了云模型来实现定量描述与定性概念之间的不确定性转换。云模型的特征在于3个数学参数:期望(Ex)、熵(En)和超熵(He)。原创 2024-03-17 10:05:50 · 1193 阅读 · 0 评论 -
性能出众的一区新算法|星鸦优化算法NOA原理及代码实现(Matlab)
主要更新CEC2005中的测试本文KAU将介绍一个2023年发表在1区期刊KBS上的优化算法——星鸦优化算法(Nutcracker Optimization Algorithm,NOA)[1]该算法由Mohamed Abdel-Basset等于2023年提出,Mohamed Abdel-Basset教授同时也是开普勒、光谱、蜘蛛蜂等优化器的提出者。而本文要介绍的NOA灵感来源于生活在美国西部和加拿大山区中的一种名叫星鸦的鸟类,该优化器模拟了星鸦觅食、存储以及缓存搜索、恢复的行为。原创 2024-03-16 03:42:45 · 1913 阅读 · 0 评论 -
多目标粒子群(MOPSO)算法原理及其MATLAB实现
粒子群算法(PSO)是Eberhart和Kennedy于1995年提出的一种模拟鸟类觅食行为的算法[1],具有操作简单、速度快等特点。但在实际应用中,许多决策问题都是多目标优化问题,采用粒子群算法来处理多目标优化问题是一种有效方法,Coello 等人将粒子群优化算法扩展到多个目标,提出了基于外部存档思想和 Pareto支配基本原理的多目标粒子群算法(MOPSO)[2]原创 2024-03-07 20:49:27 · 2877 阅读 · 1 评论 -
改进强度Pareto进化算法SPEA2,一种经典的多目标优化算法(Matlab)
文章来源于我的个人公众号:KAU的云实验台,主要更新智能优化算法的原理、应用、改进进化算法(EA)是模拟生物在自然环境中的进化过程而形成的一类自适应全局优化概率搜索算法。进化算法同时对整个群体进行操作,单次运行可以搜索到多个解,可以处理传统优化方法难以解决的复杂优化问题,因此进化算法非常适用于求解多目标优化问题。在多目标进化算法的发展中,SPEA是经典的第二代多目标优化算法。经典的第二代多目标优化算法还有:PAES、PESA、PESA-II、SPEA2等。原创 2024-03-05 20:33:32 · 2286 阅读 · 0 评论 -
性能优越!|多策略改进的长鼻浣熊优化算法MSCOA(MATLAB)
主要更新所有元启发式算法的共同点在于,其搜索过程可分为勘探和开发两个阶段。勘探阶段指算法对全局空间的搜索能力,决定了算法能否获得最优解;开发阶段指对局部空间的搜索能力,决定了算法获得最优解的速度。勘探和开发之间的平衡做的越好,算法的性能就越好。原创 2024-03-03 16:48:59 · 1467 阅读 · 2 评论 -
23年中科院1区算法|长鼻浣熊优化算法COA原理及其利用与改进(Matlab/Python)
主要更新CEC2005中的测试本文KAU将介绍一个2023年1月发表在中科院1区KBS上的优化算法——长鼻浣熊优化算法(Coati Optimization Algorithm,COA)[1]该算法由Dehghani教授等人[1]于2023年提出,其模拟了北美长鼻浣熊合作攻击鬣蜥时的行为(勘探)以及分散逃离捕食者时的行为(开发),具有无需设置控制参数、高效率以及较强的平衡能力(勘探/开发)等优势,与11种优化算法在51个基准函数上进行测试,显示出其惊艳的性能。图源文献[1]原创 2024-02-26 22:52:38 · 1639 阅读 · 0 评论 -
特征选择|一种提升预测模型性能的方法(原理及其优化实现,Matlab)
主要更新如今,生成的数据集呈指数级增长,这将产生具有大量特征和样本的数据集,而显然,某些特征是不相关/冗余的,它们对预测器会产生负面影响。而特征选择作为一种能够有效降低数据维度、缩减计算成本、提高学习性能的数据预处理方法,现在已广泛地应用于机器学习和数据挖掘中。主要的特征选择方法包括4种:过滤式、封装式、嵌入式、集成式。本文主要介绍封装式,它的优点是:在已知后续学习算法的条件下,其选出的特征效果更优于其他方法,但对于高维数据其计算成本较大。原创 2024-02-25 18:50:05 · 1417 阅读 · 0 评论 -
一种简单高效的新算法(2021)|算术优化算法AOA原理及其利用 (Matlab/Python)
文章来源于我的个人公众号:KAU的云实验台,主要更新智能优化算法的原理、应用、改进CEC2005中的测试本文KAU将介绍一个由Abualigah等人于2021年发表在Comput. Methods Appl. Mech. Eng.上的元启发式算法——算术优化算法(Arithmetic Optimization Algorithm,AOA)[1]AOA算法的设计很有意思,其巧妙的利用了数学中的加减乘除,乘除运算具有分散度高的性质,用于全局搜索,加减则具有分散度较低的性质,应用于局部搜索。原创 2024-02-21 17:23:42 · 1696 阅读 · 0 评论 -
原创改进直接用!|多策略改进的白鲸优化器(MSBWO),含函数测试,工程设计问题,消融实验MATLAB
文章来源于我的,主要更新函数测试:前面的文章中KAU介绍了2022年发表在中科院1区期刊KBS上的优化算法——白鲸优化算法(Beluga Whale Optimization,BWO)[1],该算法与15种优化算法在30个基准函数和4个真实优化问题上进行测试,均显示出其惊艳的性能。但BWO也和其他算法一样,在某些复杂场景(可以结合你们的应用场景进行描述)中存在收敛速度慢、全局探索能力不足、易陷入局部最优的问题。原创 2024-02-17 14:43:21 · 1281 阅读 · 0 评论 -
22年中科院1区算法|白鲸优化器BWO原理及其利用与改进(Matlab/Python)
主要更新CEC2005中的测试本文KAU将介绍一个2022年发表在中科院1区期刊KBS上的优化算法——白鲸优化算法(Beluga Whale Optimization,BWO)[1]该算法由大连理工大学学者Zhong等人[1]于2022年提出,其模拟了白鲸游泳、捕食和鲸落行为,与15种优化算法在30个基准函数和4个真实优化问题上进行测试,均显示出其惊艳的性能,目前也成功应用于机器学习、电力系统经济负荷调度、车间调度等领域。图源文献[1]原创 2024-02-12 10:28:37 · 1627 阅读 · 0 评论 -
循环神经网络系列-GRU原理、优化、改进及代码实现(时序预测/分类/回归拟合,Matlab)
同样,GRU也存在一定可进行优化选择的超参数,若采取经验法或试错法,则有不能获取最优取值组合、时间成本高等问题。优化算法通过对超参数组合的随机生成与更新,能够更快速地获取优解,不失为一种应用方法。前面的文章中KAU已经介绍过很多种优化算法及其改进策略,本文中我也会应用这些算法优化GRU。原创 2024-02-05 23:35:57 · 8092 阅读 · 0 评论 -
原创改进 | 融合蝠鲼觅食与联想学习的量子多目标灰狼优化算法(Matlab)
前面的文章里作者介绍了多目标灰狼优化算法(Multi-Objective Grey Wolf Optimizer,MOGWO),该算法是由Mirjalili等(灰狼算法的提出者)于2016年提出[1],发表在中科院一区期刊《expert systems with applications》。MOGWO保留了灰狼算法的种群更新机制,即通过模拟灰狼的严格等级制度以及自然界中的狩猎和捕食行为来迭代搜索优化,因此具有收敛速度快、效率高以及精度高等优点。原创 2024-01-27 23:18:46 · 1476 阅读 · 1 评论 -
SCA|可作为有效改进策略的算法——正余弦优化算法(Matlab/Python)
正余弦优化算法(Sine cosine algorithm,SCA)是由Mirjalili [1]在2016年提出,目前WOS上引用量2K+,谷歌学术上4K+。不得不说Seyedali Mirjalili真是位大神级的人物(下图是Mirjalili开发的部分算法)SCA的核心思想是利用正、余弦函数波动的周期性,在全局范围内探索最优解,使算法逐步收敛。其具有结构简单、参数少、易于实现的特点。其优化性能优于GA、PSO、花授粉等,已被广泛用于数据分类、光谱特征峰定位和电力系统调度等不同领域。原创 2024-01-12 17:39:57 · 1404 阅读 · 0 评论 -
MOGWO|多目标灰狼优化算法原理、改进、利用及代码实现(Matlab)
在前面的文章中,作者大多介绍的都是单目标优化算法,然而现实世界的很多问题通常由多个目标组成(比如作者在上一篇文章中介绍的无人机路径规划,各成本函数可以看作不同的目标,若改变成本函数的权值,其规划结果会不同)。解决多目标问题通常很困难,因为目标之间往往会相互冲突。要使所有目标同时都达到最优往往是不可能实现的。因此,对于多目标问题,需要找到的是一组均衡解,也就是Pareto最优解[1],使各个目标尽可能达到最优,这个过程即为多目标优化。图片来源:进化超多目标优化研究进展及展望。原创 2024-01-10 19:42:00 · 2391 阅读 · 1 评论 -
UAV | 多算法在多场景下的无人机路径规划(Matlab)
近年来,无人机(unmanned aerial vehicle,UAV)由于其灵活度高、机动性强、安全风险系数小、成本低等特点,被广泛应用于搜索巡逻、侦察监视、抢险救灾、物流配送、电力巡检、农业灌溉等军用或民用任务。路径规划是无人机执行任务的关键,也是自主无人机在工程应用上的主要挑战。现有的无人机路径规划算法主要分为经典算法和元启发式算法,经典算法包括:A*算法、快速搜索随机数RRT等,但这些算法在面对复杂环境时搜索效率较低,收敛迟缓。原创 2024-01-06 23:04:20 · 3747 阅读 · 1 评论 -
23年中科院1区算法|开普勒优化算法原理及其利用(Matlab/Python)
CEC2017中的测试本文作者将介绍一个2023年发表在中科院1区期刊《Knowledge -Based Systems》上的优化算法——开普勒优化算法(Kepler optimization algorithm,KOA)[1]算法性能上,与鹈鹕、黏菌、灰狼和鲸鱼等一众优化算法在CEC2014、CEC2017、CEC2020和CEC2022上进行了测试,均显示出其惊艳的性能。因此,感兴趣的各位就和作者一起学习一下该算法的巧妙之处吧,并且,在文章的最后也给出了算法的MATLAB和Python实现。原创 2024-01-03 22:13:26 · 3126 阅读 · 1 评论 -
双语!性能优越|融合黏菌和差分变异的量子哈里斯鹰算法SDMQHHO
前面的文章里卡卡介绍了哈里斯鹰优化算法(Harris Hawks Optimization, HHO).HHO是 Heidari等[1]于2019年提出的一种新型元启发式算法,设计灵感来源于哈里斯鹰在捕食猎物过程中的合作行为以及突然袭击的狩猎风格,具有需调参数少、原理简单易实现、局部搜索能力强等优点,在许多工程领域得到广泛的应用。原创 2023-12-29 20:51:00 · 1670 阅读 · 0 评论 -
超详细 | 黏菌算法原理、实现及其改进与利用(Matlab/Python)
测试函数为F15在MATLAB中执行程序结果如下:在Python中执行程序结果如下:众所周知,麻雀搜索算法SSA是2020年由东华大学沈波教授团队提出[1]的一种性能十分优异的优化算法,而最近作者发现,在2020年还提出了一个优化算法,目前在谷歌学术和wos上引用量都高于SSA——黏菌算法(slime mould algorithm, SMA)原创 2023-12-17 12:18:34 · 1489 阅读 · 0 评论 -
超详细 | 哈里斯鹰优化算法原理、实现及其改进与利用(Matlab/Python)
测试函数为F9在MATLAB中执行程序结果如下:在Python中执行程序结果如下:哈里斯鹰优化算法(Harris Hawks Optimization , HHO)是 Heidari等[1]于2019年提出的一种新型元启发式算法,设计灵感来源于哈里斯鹰在捕食猎物过程中的合作行为以及突然袭击的狩猎风格,算法的寻优过程包括探索、探索与开发转换和开发三个阶段。具有需调参数少、原理简单易实现、局部搜索能力强等优点。在数值和工程优化、图像识别、故障诊断、电网优化设计、等工程领域得到广泛的应用。原创 2023-12-14 23:42:59 · 2767 阅读 · 0 评论 -
原创改进|多策略融合的改进蜣螂优化算法
作者在前段时间的一篇文章中介绍过了蜣螂优化算法(dung beetle optimizer,DBO)的原理及实现,该算法是由东华大学沈波教授团队在2022年提出[1],其灵感来自蜣螂的滚球、跳舞、觅食、偷窃和繁殖行为这5种习性,其不同的子种群执行了不同的搜索方法,能够实现对空间的高效探索和开发,较之PSO、WOA和HHO等具有求解精度更高、收敛速度更快、稳定性更强等优点。原创 2023-12-13 00:10:38 · 954 阅读 · 0 评论 -
预测算法|高斯过程回归GPR算法原理及其优化实现
前面的文章中作者介绍了许多种优化算法及其改进算法,本文中作者以PSO、GWO、WOA、SSA为例进行展示。原创 2023-12-05 18:29:11 · 3885 阅读 · 1 评论 -
超详细!|优化算法性能测试标准及代码实现
这些测试函数集有四种类型的函数:单峰、多峰、混合和组合函数。单峰函数只有一个最优解,这是用来衡量算法的收敛速度和寻优能力。另外三种情况都有多个最优解,利用这些最优解来测试算法的局部最优逃逸能力和勘探能力等。CEC2017测试函数集[1]的使用相当广泛,它对算法有一定挑战性且学术上认可度较高。测试集所有函数都进行了旋转和位移,增加了算法寻优难度。函数主要包含29个测试函数:其中F1、F3为没有局部最小只有全局最小的单峰函数,这些单峰函数能检验算法的收敛能力;原创 2023-11-25 14:16:11 · 2875 阅读 · 0 评论 -
融合透镜成像反向学习的精英引导混沌萤火虫算法(Matlab)
作者在前面的文章中介绍了萤火虫算法(FA),FA是一种功能强大、效率高的元启发式算法,该算法通过模拟自然界中萤火虫个体之间相互吸引的理想化行为达到寻优目的,在解决工程优化问题时表现出了良好的性能,一经提出便受到国内外研究人员的关注。然而FA算法也存在一些缺陷:首先,FA算法采用全吸引模型,由于FA算法中每只萤火虫都会被其他更亮的萤火虫吸引,吸引次数过多将导致收敛较慢,计算复杂度高;原创 2023-11-21 13:28:19 · 744 阅读 · 0 评论 -
经典/启发式/改进启发式算法应用于机器人路径规划
路径规划是移动机器人导航规划中的一个十分重要且关键的研究课题。移动的机器人总是在动态、复杂和不可控的环境中工作,比如对核电站的检查和变电站的检查。然而,复杂的动态工作环境要求移动的机器人能够调整其运动路线,以自主完成任务。使机器人能够实现自主移动的最关键因素之一是路径规划。移动机器人路径规划技术,就是机器人在遵循一些优化指标(比如时间最短、路程最优和能耗最低等)前提下,在运行环境中规划出从起始点到目标点不发生碰撞的最优路径。原创 2023-11-16 20:28:01 · 1035 阅读 · 0 评论 -
超详细 | 萤火虫算法原理及其实现(Matlab)
群智能(Swarm Intelligence,SI)是一类分散自组织系统的集体智能行为的总称,该表述最早在1989年由Gerardo Beni在分子自动机系统中提出。SI系统可视作一组简单的个体,其个体与个体、个体与环境之间存在交互作用,最终表征出智能行为。尽管每个个体遵循及其简单的规则,且整个群体没有中心控制,但最终局部个体之间的交互作用引发了全局层面上智能的涌现。原创 2023-11-16 11:41:45 · 2750 阅读 · 4 评论 -
显著提升!| (WOA)融合模拟退火和自适应变异的混沌鲸鱼优化算法应用于函数寻优
本文提出的改进鲸鱼优化算法具有良好的性能,改进有效,同时,本文的改进策略也可以进行推广,比如算法最后的模拟退火和自适应变异策略便可用于很多算法用来跳出局部最优,同时本文的改进也有进一步提升的空间,比如可以对鲸鱼优化算法的位置更新策略进一步改进,如加入Levy飞行、差分进化等。原创 2023-11-09 23:59:46 · 813 阅读 · 0 评论