针对传统灰狼优化(Grey Wolf Optimization, GWO)算法求解无人机三维路径规划问题时会出现收敛速度慢、容易陷入局部最优等问题,提出一种改进混合灰狼优化算法——CLGWO。基于Cat混沌映射和反向学习策略初始化灰狼种群,为算法全局搜索...针对传统灰狼优化(Grey Wolf Optimization, GWO)算法求解无人机三维路径规划问题时会出现收敛速度慢、容易陷入局部最优等问题,提出一种改进混合灰狼优化算法——CLGWO。基于Cat混沌映射和反向学习策略初始化灰狼种群,为算法全局搜索过程中丰富种群多样性奠定基础;提出新型非线性收敛因子的改进策略,提高算法全局搜索能力。在灰狼位置更新中提出引入狮群优化(Lion Swarm Optimization, LSO)算法的扰动因子和动态权重,使灰狼具有主动的搜索能力,避免因灰狼失去种群多样性而陷入局部最优。为验证改进算法的有效性,进行了8个国际通用的标准测试函数收敛性对比实验和无人机三维路径规划仿真实验。实验结果表明,CLGWO算法在单峰、多峰函数上均有较好的收敛性、较高的寻优精度;三维路径仿真环境下,CLGWO算法的平均路径长度、平均迭代次数、平均运行时间相比于GWO算法分别优化了33%、31%、52%,且路径转折少,能较好地得到全局最优值,验证了CLGWO算法的有效性。展开更多
针对神经网络训练时容易陷入局部最优的问题,提出一种基于工业入侵检测模型的帝王蝶优化算法。利用帝王蝶算法(monarch butterfl y optimization,MBO)和狮群进化算法(lion pride optimization,LPO)的全局寻优和局部寻优提高网络参数的...针对神经网络训练时容易陷入局部最优的问题,提出一种基于工业入侵检测模型的帝王蝶优化算法。利用帝王蝶算法(monarch butterfl y optimization,MBO)和狮群进化算法(lion pride optimization,LPO)的全局寻优和局部寻优提高网络参数的求解质量,从而提高入侵检测结果的准确率。实验在工业控制系统标准数据集进行评估,结果表明模型符合工业入侵检测标准,与其它流行算法相比较,优化后的工业入侵检测技术具有较高的检测精度和较快的收敛速度。展开更多
文摘针对神经网络训练时容易陷入局部最优的问题,提出一种基于工业入侵检测模型的帝王蝶优化算法。利用帝王蝶算法(monarch butterfl y optimization,MBO)和狮群进化算法(lion pride optimization,LPO)的全局寻优和局部寻优提高网络参数的求解质量,从而提高入侵检测结果的准确率。实验在工业控制系统标准数据集进行评估,结果表明模型符合工业入侵检测标准,与其它流行算法相比较,优化后的工业入侵检测技术具有较高的检测精度和较快的收敛速度。
