-
题名基于HSBSO算法的城市物流无人机指派
- 1
-
-
作者
张书琴
夏洪山
江炜
杨文凯
王莫凡
-
机构
常州工学院航空与飞行学院
-
出处
《计算机工程与应用》
2025年第17期355-364,共10页
-
基金
国家自然科学基金(52205335)。
-
文摘
针对头脑风暴优化算法求解带有时间窗同时寄取快递的城市物流无人机任务指派效果差、收敛速度慢等问题,提出了一种混合策略改进的头脑风暴优化算法(hybrid strategy-improved brain storm optimization,HSBSO)。通过Sobol序列初始化种群,增加种群多样性;引入改进的Sine混沌映射修正中间粒子,再用量子行为产生新粒子,提高算法全局搜索能力的同时加快收敛速度;二次函数动态调整局部搜索概率,控制全局搜索及局部搜索的精度;运用基于观测的变异学习策略跳出局部最优。实验结果表明,HSBSO算法与基本BSO算法、GA及SA相比,平均适应度值分别降低1.5%、21.4%及5.7%,程序运行时间分别下降4.5%、98.2%及70.2%,HSBSO算法运行时间增长率为每客户2.2 s,且HSBSO获得的90%解的适应度值优于BSO适应度值的平均值。同时,基于观测的变异学习策略在跳出局部最优的能力及稳定性方面也显著优于莱维飞行、动态透镜成像及透镜成像反向学习策略。
-
关键词
城市物流无人机
量子行为
Sine混沌映射
基于观测的变异学习策略
头脑风暴优化算法
-
Keywords
urban logistics drones
quantum behavior
Sine chaotic mapping
observation-based mutation learning strategy
hybrid strategy-improved brain storm optimization algorithm(hsbso)
-
分类号
TP301.6
[自动化与计算机技术]
-
-
题名结合头脑风暴优化的混合蚁群优化算法
被引量：2
- 2
-
-
作者
李蒙蒙
秦伟
刘艺
刁兴春
-
机构
中国人民解放军军事科学院国防科技创新研究院
天津(滨海)人工智能创新中心
-
出处
《计算机应用》
CSCD
北大核心
2021年第8期2412-2417,共6页
-
基金
国家自然科学基金资助项目(91648204,61802426)。
-
文摘
特征选择能够有效提升数据分类的性能。为了进一步提升蚁群优化(ACO)在特征选择上的求解能力,提出一种结合头脑风暴优化的混合蚁群优化(ABO)算法。该算法利用信息交流档案维护历史较好解,并通过基于松弛因子的时间最久优先方法动态更新档案。当ACO的全局最优解多次未更新时,采用基于Fuch混沌映射方法的路径-想法转换算子将档案中的路径解转换为想法解,并将其作为初始种群,通过头脑风暴优化(BSO)在更广阔的空间中搜索较好解。对所提算法在6组典型的二分类数据集上进行实验,分析了其参数敏感性,并与混合萤火虫粒子群优化(HFPSO)算法、粒子群优化与引力搜索算法(PSOGSA)以及遗传算法(GA)这三种典型的演化算法进行对比。实验结果表明,相较于对比算法,所提算法在分类正确率上至少可提高2.88%~5.35%,在F1指标上至少可提高0.02~0.05,验证了所提算法的有效性和优越性。
-
关键词
蚁群优化算法
头脑风暴优化
混合算法
特征选择
数据分类
-
Keywords
Ant Colony optimization(ACO)algorithm
brain storm optimization(BSO)
hybrid algorithm
feature selection
data classification
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
