期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于L-SHADE算法的AUV载体磁干扰参数辨识的数值模拟
1
作者 周国华 李林锋 +2 位作者 吴轲娜 刘月林 夏帅 《兵工学报》 EI CAS CSCD 北大核心 2024年第8期2678-2687,共10页
采用自主水下航行器(Autonomous Underwater Vehicle,AUV)磁测平台可开展海洋地磁场测量、水下磁性目标探测和识别等工作,AUV磁测平台具有广阔的应用前景,但目前AUV载体磁干扰补偿技术研究尚不成熟,制约着水下航行器测磁精度。基于磁测... 采用自主水下航行器(Autonomous Underwater Vehicle,AUV)磁测平台可开展海洋地磁场测量、水下磁性目标探测和识别等工作,AUV磁测平台具有广阔的应用前景,但目前AUV载体磁干扰补偿技术研究尚不成熟,制约着水下航行器测磁精度。基于磁测平台抗磁干扰基本原理,提出一种基于线性种群规模缩减和成功历史的参数自适应差分进化(Success History-based Adaptive Differential Evolution with Linear Population Size Reduction,L-SHADE)算法的AUV载体磁干扰参数辨识的数值模拟方法。用磁偶极子和旋转椭球壳混合模型来等效模拟AUV载体磁干扰,通过模拟航行获得多组磁测数据,据此建立磁干扰参数辨识模型,并采用L-SHADE算法求解。通过数值模拟实验定量分析研究磁测平台测磁精度随磁传感器、平台姿态及航向等误差的传播规律。研究结果表明:当磁传感器测量精度为10 nT、姿态测量精度为0.01°、航向测量精度为0.1°时,测磁误差可小于100 nT。设计的AUV磁测平台抗干扰试验表明,地磁场总量最大相对误差为1.07%。 展开更多
关键词 自主水下航行器 磁干扰补偿 参数辨识 磁等效数学模型 L-shade算法
在线阅读 下载PDF
基于多策略排序变异的多目标差分进化算法 被引量:8
2
作者 艾兵 董明刚 敬超 《计算机应用研究》 CSCD 北大核心 2018年第7期1950-1954,共5页
针对多目标差分进化算法求解多目标优化问题时收敛慢和均匀性欠佳等不足,提出了一种基于多策略排序变异的多目标差分进化算法。该算法利用基于排序变异算子来快速接近真实的Pareto最优解,同时引入多策略差分进化算子以保持种群的多样性... 针对多目标差分进化算法求解多目标优化问题时收敛慢和均匀性欠佳等不足,提出了一种基于多策略排序变异的多目标差分进化算法。该算法利用基于排序变异算子来快速接近真实的Pareto最优解,同时引入多策略差分进化算子以保持种群的多样性;通过自适应策略动态调整控制参数以提高算法的鲁棒性,并且从理论证明的角度分析了所提算法的收敛性。仿真实验结果表明,该算法相对于近期相关文献中的改进算法具有更好的收敛性与多样性,从而表明了所提算法的有效性。 展开更多
关键词 多目标优化 多策略差分进化 排序变异算子 自适应参数调整
在线阅读 下载PDF
参数独立的加权局部均值伪近邻分类算法 被引量:2
3
作者 蔡瑞光 张德生 肖燕婷 《计算机应用》 CSCD 北大核心 2021年第6期1694-1700,共7页
针对局部均值伪近邻(LMPNN)算法对k值敏感且忽略了每个属性对分类结果的不同影响等问题,提出了一种参数独立的加权局部均值伪近邻分类(PIW-LMPNN)算法。首先,利用差分进化算法的最新变体——基于成功历史记录的自适应参数差分进化(SHADE... 针对局部均值伪近邻(LMPNN)算法对k值敏感且忽略了每个属性对分类结果的不同影响等问题,提出了一种参数独立的加权局部均值伪近邻分类(PIW-LMPNN)算法。首先,利用差分进化算法的最新变体——基于成功历史记录的自适应参数差分进化(SHADE)算法对训练集样本进行优化,从而得到最佳k值和一组与类别相关的最佳权重;其次,计算样本间的距离时赋予每类的每个属性不同的权重,并对测试集样本进行分类。在15个实际数据集上进行了仿真实验,并把所提算法与其他8种分类算法进行了比较,实验结果表明,所提算法的分类准确率和F1值分别最大提高了约28个百分点和23.1个百分点;同时Wilcoxon符号秩检验、Friedman秩方差检验以及Hollander-Wolfe两处理的比较结果表明,所提出的改进算法在分类精度以及k值选择方面相较其他8种分类算法具有明显优势。 展开更多
关键词 局部均值伪近邻算法 特征权重 优化模型 基于成功历史记录的自适应参数差分进化 参数自适应
在线阅读 下载PDF
基于随机邻域策略和广义反向学习的自适应差分进化算法 被引量:10
4
作者 吴文海 郭晓峰 +1 位作者 周思羽 高丽 《系统工程与电子技术》 EI CSCD 北大核心 2021年第7期1928-1942,共15页
全局探索和局部开发能力之间的平衡以及对控制参数的整定是影响差分进化(differential evolution,DE)算法性能的主要因素。针对这两个问题,提出一种基于随机邻域策略和广义反向学习的自适应DE算法。首先,在每一代进化过程中,算法从当前... 全局探索和局部开发能力之间的平衡以及对控制参数的整定是影响差分进化(differential evolution,DE)算法性能的主要因素。针对这两个问题,提出一种基于随机邻域策略和广义反向学习的自适应DE算法。首先,在每一代进化过程中,算法从当前种群为每一个体随机选择相应的邻域,其中最优个体作为基向量执行变异操作,邻域中个体数量随进化动态更新。其次,采用基于历史存档的自适应参数整定方法,进化进程中根据“精英”信息动态更新算法各参数。最后,在初始化和每一代进化结束阶段,执行基于广义反向学习策略的种群初始化和种群“代跳”操作。通过基于27个标准测试函数的3组仿真实验,验证了所提算法具有寻优精度高、收敛速度快、鲁棒性强的优点。 展开更多
关键词 差分进化算法 随机邻域 自适应参数 广义反向学习
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部