反向学习

摘要： 针对目前生鲜食品冷链物流配送存在的效率低、成本高等问题,在满足需求点时间窗和需求量的前提下,以最小化总成本为目标构建冷链配送优化模型。利用莱维飞行和反向学习对粒子群算法进行优化用于模型求解。通过试验对比和分析,对方法的优越性进行验证。结果表明,生鲜食品冷链配送路径成本平均值较改进前有显著提高,不仅配送成本降低了678.97元,而且还最大限度地利用资源。为冷链配送路径优化方法的研究提供一定的参考。

摘要： 针对飞鼠搜索算法(SSA)求解精度不高、容易早熟等缺点,提出一种采用反向学习和差分进化改进的飞鼠搜索算法(ODESSA)。首先对最初种群使用反向学习生成其反向种群,增加初始种群的多样性。其次,在SSA中利用差分进化算法中的变异、交叉、选择机制扩大飞鼠搜索范围,以此增强算法的全局勘探能力。最后再次利用反向学习生成所有搜索个体的反向解,进一步增强算法的全局勘探能力和算法的求解精度,并将ODESSA与其他3种智能算法在12个基准函数上进行性能比较。结果表明,ODESSA有着最佳的寻优结果,收敛速度也快于SSA。

摘要： 梯度优化算法(Gradient-based optimizer,GBO)是从牛顿法中得到启发,采用梯度搜索规则(GSR)和局部逃逸算子(LEO)进行搜索的一种新算法.针对算法求解精度低、收敛速度慢及容易陷入局部最优的不足,提出了一种基于交叉算子的反向梯度优化算法(MGBO).该算法将每次迭代所得种群中较差的一半个体与当前最优个体进行两两交叉以提高解的精度并增加种群多样性;然后对搜索后所得种群中所有个体进行反向学习操作,使得算法有能力逃离局部最优.在9个基准函数上的实验结果表明,改进算法的收敛速度和求解精度得到较大的提升.

摘要： 针对麻雀搜索算法在求解复杂优化问题时存在收敛速度慢、种群趋同性严重、易于陷入局部最优等不足,提出一种多策略改进的麻雀搜索算法(multi-strategy improved sparrow search algorithm,MISSA)。通过混沌映射和反向学习机制提高算法初始种群的质量;借鉴粒子群算法的学习策略来提升种群的信息交流能力和兼顾全局勘探与局部开发之间的平衡;融合差分进化算法的变异交叉操作提升算法跳出局部最优值的能力。通过对8个基准测试函数的寻优实验,结果表明改进算法具有更好的优化性能和收敛效率;进一步地,将改进算法应用于优化支持向量回归(support vector regression,SVR)模型的参数,并通过在选定的5个UCI数据集上的实验验证了改进算法的有效性。

摘要： 针对传统人工鱼群算法存在易陷入局部最优解、鲁棒性差和搜索精度低的问题,提出一种基于粒子群算法自适应双策略的人工鱼群算法。该算法首先模拟粒子群算法的移动算子调整人工鱼的移动方向和位置,使人工鱼具有惯性机制,更好拓展新区域,从而为探索潜在的较优解提供更多的机会,增强其跳出局部最优的能力。然后运用一种自适应视野和惯性权值的策略,更好地平衡全局搜索与局部搜索之间的关系。最后引入反向学习机制,设计2种策略的随机行为,避免原始随机行为的盲目性,增加鱼群的多样性。仿真实验结果表明,改进后的算法在寻优精度、收敛速度以及鲁棒性等方面较其他人工鱼群算法有较大提高,在高维问题求解上有较好的优化效果。

摘要： 针对传统灰狼算法存在局部开发能力弱、早熟收敛以及初始种群分布不均匀等缺点,优化了传统灰狼算法。采用Cat混沌映射和反向学习初始化种群,增加初始种群的多样性和均匀性;在灰狼位置更新方面结合了粒子群算法的个体位置更新策略的优势,降低了算法陷入局部最优的风险;引入非线性控制参数,平衡了算法的全局搜索能力和局部开发能力;利用Levy飞行对α狼进行全局搜索,防止了算法后期狼群丧失多样性和算法收敛早熟。利用优化后的灰狼算法对6个标准测试函数进行理论仿真,结果表明,与传统灰狼算法、粒子群算法和蚁群算法相比,优化后的灰狼算法在标准函数求解精度和算法稳定性方面均有显著提高。

摘要： 提出基于反向学习的人工蜂群算法(简称OABC算法).在人工蜂群算法的跟随蜂阶段,种群依概率进行反向学习代替跟随蜂搜索方案.保留标准人工蜂群算法中雇佣蜂和侦察蜂阶段以保证种群的探索能力以及种群的多样性,增设参数控制一般的反向学习过程中对位搜索范围,充分利用种群信息和个体信息优化种群,提高对位点的有效性,从而提高反向学习的成功率.仿真实验结果表明,OABC算法有效提升了算法寻优速度和收敛精度.

摘要： 为了提高图像去雾的性能,提出结合大气散射模型生成对抗网络的去雾算法.算法在pix2pix GAN基础上进行改进,将网络的生成器改进成双解码器结构,通过双解码器分别生成无雾图像和透射率图,并结合大气散射模型还原雾图像,以进一步提高图像分解的质量.在马尔科夫判别器结构中,采用反向学习机制代替随机裁剪机制,以有效降低因采用随机裁剪算法而导致的判断结果不准确的概率.在原有的损失函数上,加入雾霾损失函数,提高图像转化的质量.在STOS和NYU数据集上进行消融实验和对比实验.大量实验表明所提出方法在PSNR和SSIM指标上比原算法Pix2pix GAN有所提高,且均优于现有去雾算法,复原图像具有清晰度高、噪声低、纹理丰富的优点.

摘要： 为提升阀门与流量的调节效率,可以结合实际流量与上下游的液位参数,从而将闸门开度快速调控至计算目标位置,通过负反馈方式进行精确控制,按照以上方式可以实现控制效率的显著提升。研究结果表明,以控制计算和给定流量达到1%以内的误差,可以认为该文算法达到了所需精度标准。利用改进人工蜂群算法进行处理时对于各输入状态都能够计算得到精确闸门开度,确保误差不超过1%,表现出了优异跟随性能。并给出了实际控制方案,选择曲线外形结构的实用堰,由此获得更高的上游水位,经过以上方式综合处理后使堰顶达到闸孔出流的效果,确保下游水位必须比堰体更高的情况下才会引起闸门出流的变化并形成淹没出流。

摘要： 差分进化(differential evolution,DE)算法是一种种群随机搜索算法,但其在收敛过程中存在着容易陷入局部最优、收敛精度不高等问题.为更好地提升DE算法的性能,提出一种改进算法为基于反向学习和伯恩斯坦算子的差分进化算法.反向学习策略用于增加种群的多样性,扩大种群的搜索范围,从而弥补陷入局部最优的不足,提高了收敛速度;伯恩斯坦多项式随机产生算法的结构参数值控制了进化过程中的突变和交叉阶段,改变了差分进化算法原有的进化策略,提高了收敛性能,是一种更加快速、高效的无参数方法.通过国际标准测试函数的实验结果表明,改进后的差分进化算法具有更强的全局寻优能力,整体收敛速度和精度明显提高.

摘要： 为提高飞机发动机故障监控的实时性，将蚁群优化算法应用于故障诊断监控参数的优选问题中。针对现有蚁群算法进化速度慢的不足，本文提出了一种反向蚁群优化算法，该算法利用反向学习的加速性能，将其运用到蚁群算法信息素更新过程中来加快算法的进化速度，改善算法优化搜索能力，从而缩短计算时间。同时该算法具有过程简单，易于实现的优点。几种典型函数的测试结果以及监控参数的优选实验表明提出的新算法是有效的，具有一定优越性。

摘要： 依据PSO和DE在函数优化方面所展现的优越性能,提出一种融合粒子群智能思想的新型反向混合差分进化算法(ODE-SI).本文分析这两种启发式方法之间的潜在联系,并在ODE-SI中不仅保留了粒子群智能思想中的经验记忆,而且应用了反向学习(opposition-based learning,OBL)操作促使演化生成过程的跃变,从而使算法具有较高的收敛速度和较好的种群多样性.此外,通过测试函数的仿真实验,本文将ODE-SI与其他DE和PSO算法进行比较.实验结果证实了新算法的高效性、通用性和稳健性.

摘要： 为提高飞机发动机故障诊断的实时性，将粒子群优化算法(PSO)应用于故障诊断监控参数的优选问题中。针对现有PsO进化速度慢的不足，本文提出了一种反向粒子群优化算法(OPSO)，该算法利用反向学习(OBL)的加速性能，将其运用到粒子初始化和粒子更新过程来加快算法的进化速度，改善粒子群优化搜索能力，从而缩短计算时问。同时该算法具有过程简单，易于实现的优点。几种典型函数的测试结果以及监控参数的优选实验表明提出的新算法是有效的，具有一定优越性。

摘要： 针对模拟退火算法收敛速度慢、随机采样策略缺乏记忆能力、算法并行化问题依赖等缺点,利用粒子群优化(Particle Swarm Optimization,PSO)算法中的记忆功能引导算法在解空间开展精细搜索,设计新的反向转动操作增加算法多样性,借助PSO的天然并行性克服SA的并行问题依赖性,并在集群上实现多Agent协同进化的改进算法.通过Toy模型的蛋白质结构预测问题仿真实验表明改进算法能有效提高求解问题的质量和效率.

摘要： 针对模拟退火算法收敛速度慢、随机采样策略缺乏记忆能力、算法并行化问题依赖等缺点,利用粒子群优化(Particle Swarm Optimization,PSO)算法中的记忆功能引导算法在解空间开展精细搜索,设计新的反向转动操作增加算法多样性,借助PSO的天然并行性克服SA的并行问题依赖性,并在集群上实现多Agent协同进化的改进算法.通过Toy模型的蛋白质结构预测问题仿真实验表明改进算法能有效提高求解问题的质量和效率.

摘要： 针对模拟退火算法收敛速度慢、随机采样策略缺乏记忆能力、算法并行化问题依赖等缺点,利用粒子群优化(Particle Swarm Optimization,PSO)算法中的记忆功能引导算法在解空间开展精细搜索,设计新的反向转动操作增加算法多样性,借助PSO的天然并行性克服SA的并行问题依赖性,并在集群上实现多Agent协同进化的改进算法.通过Toy模型的蛋白质结构预测问题仿真实验表明改进算法能有效提高求解问题的质量和效率.

摘要： 本发明提供了一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法，首先在初始化时用二进制编码表示水稻个体的基因，并将二进制运算规则中的加法和减法算子运用到更新公式中，以得到二进制形式的解；其次引入反向种群策略对二进制水稻育种算法进行优化，扩大种群的搜索范围，避免算法陷入局部最优，并提升算法的全局搜索性能；最后利用基于反向学习的二进制水稻育种算法对高光谱图像进行波段选择，从而快速地获得全局最优波段子集。本发明能够提高波段选择的性能，在保证图像分类精度的同时选取最具代表性的波段特征，具有一定的普适性，可广泛适用于图像处理和模式识别等相关领域。

摘要： 本发明涉及水资源高效利用与水电优化调度技术领域，公开了一种梯级水电站群优化调度逐阶段反向学习降维优化方法，首先计算得到各水电站的初始调度状态过程和离散步长；然后对于计算的各个阶段，逐阶段在初始状态组合的上下两侧，随机生成上侧、下侧的离散状态数目并加以组合形成廊道，以廊道上下边界为基础，计算初始状态的反向状态组合进行迭代寻优，以获得改进的调度过程；重复上述过程直至所有阶段计算完毕；最后收缩离散步长，反复迭代直至收敛，从而逼近全局最优解，输出最优调度过程。本发明梯级水电站群优化调度逐阶段反向学习降维优化方法，有效降低计算复杂度，大幅提升计算效率，适用于大规模梯级水电站群优化调度。

摘要： 本发明涉及基于反向学习与增强复杂进化的光伏阵列参数提取方法，包括：获取光伏面板实际的I‑V特性曲线，并选择相应的光伏模型。确定此优化问题的目标函数。通过反向学习算法（OBL）算法对初始点的位置进行优化。利用增强型的复杂进化算法（ESCE）根据不同的电路模型提取模型参数。通过该算法提取不同实测条件下光伏面板的模型参数。本发明提出的一种基于反向学习策略与增强型复杂进化算法的光伏阵列参数提取方法，速度快，收敛性强，稳定性好。

摘要： 本发明公开了一种基于混沌反向学习和自适应螺旋搜索的改进麻雀搜索方法，包括：步骤1：初始化算法参数，并利用混沌反向学习策略初始化种群；步骤2：计算种群中每个个体的初始适应度值，并确定最优个体位置；步骤3：采用自适应螺旋搜索策略分别对种群中发现者和跟随者的位置进行更新；步骤4：对种群中预警个体的位置进行更新；步骤5：采用混沌反向学习策略对种群中的每个个体位置进行更新；步骤6：更新种群中每个个体的适应度值和最优个体位置，并保留部分优势个体；步骤7：若判断当前迭代次数达到最大迭代次数，则输出最优个体位置；否则，返回步骤3继续执行。该方法增强了种群多样性，避免了现有算法容易陷入局部最优的问题。

摘要： 本发明公开一种基于反向学习的多目标多控制器部署方法，主要解决现有技术所生成的SDN控制器预部署方案缺乏多样性、生成重复的SDN控制器部署方案和部署SDN控制器的网络节点带有一定的随机性的问题。本发明具体实现方案是：生成SDN控制器预部署方案集合；生成每个预部署方案的三目标函数；采用自适应操作更新当前预部署方案集合；检验当前预部署集合中每个部署方案的有效性，采用熵权法修正每个无效部署方案；输出最优SDN控制器部署方案集合。本发明能够更充分合理地利用网络资源，大幅降低网络的部署成本和传播时延，有效减少控制器的负载差异，提高网络的整体应用性能。

摘要： 本发明公开了一种基于改进反向学习布谷鸟搜索的TDOA定位算法，包括以下步骤初始化种群位置，确定目标函数f(x)，发现概率pa，解的维度D，最大迭代次数T，随机生成N个解；由目标函数确定每个解的目标函数值，保留最优解；更新位置，得到levy飞行后的新位置，并对比随机游走前解的适应度值，保留更优解；在随机数R大于pa时抛弃原解，生成反向解，保留更优解，每隔W代对所得解进行模拟退火，结束后保留最优值，反之保留原始解；结束，判定是否满足迭代次数，若满足，输出最优解。本发明引入反向学习策略，提高种群的多样性与收敛速度，在算法陷入局部最优时采用模拟退火机制增强算法的局部搜索能力，避免搜索结果陷入局部最优从而达到全局最优解。

摘要： 本发明公开了一种基于反向学习的混沌蜂群Web服务组合优化方法，包括，将一个完整的Web服务抽象为一个n个任务数*m个服务数的服务请求；建立Web服务组合模型，并以体验质量QoE为评价指标建立Web服务组合模型的适应度函数Ffitness(QoEbest)；将适应度函数Ffitness(QoEbest)作为基于反向学习的混沌蜂群策略的目标函数，求其全局最优值；本发明在保证收敛的情况下，提高了迭代速率，加快搜寻符合需求的Web服务组合的结果；且具有自适应搜索能力，通过前期加大全局搜索能力，来避免陷入局部最优，随着迭代次数增加，后期局部搜索能力加强，能够缩短搜索范围减少搜索时间。

摘要： 本发明公开了一种基于反向学习自适应花授粉的可见光定位方法及系统。包括步骤1、定位；步骤1.1可见光定位；将LED安装在距离地面h米的天花板上；移动端放置在地面上任意位置，将PD作为接收器安装在移动端上，分别对上述LED、移动端、PD进行标记；步骤1.2RSSI定位。步骤2、花授粉定位；步骤2.1改进花授粉定位算法；步骤2.2基于反向学习策略的种群初始化。本发明具有定位精度更高、计算速度更快、定位算法稳定等优点。

摘要： 本发明涉及水资源高效利用与水电优化调度技术领域，公开了一种梯级水电站群优化调度逐阶段反向学习降维优化方法，首先计算得到各水电站的初始调度状态过程和离散步长；然后对于计算的各个阶段，逐阶段在初始状态组合的上下两侧，随机生成上侧、下侧的离散状态数目并加以组合形成廊道，以廊道上下边界为基础，计算初始状态的反向状态组合进行迭代寻优，以获得改进的调度过程；重复上述过程直至所有阶段计算完毕；最后收缩离散步长，反复迭代直至收敛，从而逼近全局最优解，输出最优调度过程。本发明梯级水电站群优化调度逐阶段反向学习降维优化方法，有效降低计算复杂度，大幅提升计算效率，适用于大规模梯级水电站群优化调度。

摘要： 本发明提供了一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法，首先在初始化时用二进制编码表示水稻个体的基因，并将二进制运算规则中的加法和减法算子运用到更新公式中，以得到二进制形式的解；其次引入反向种群策略对二进制水稻育种算法进行优化，扩大种群的搜索范围，避免算法陷入局部最优，并提升算法的全局搜索性能；最后利用基于反向学习的二进制水稻育种算法对高光谱图像进行波段选择，从而快速地获得全局最优波段子集。本发明能够提高波段选择的性能，在保证图像分类精度的同时选取最具代表性的波段特征，具有一定的普适性，可广泛适用于图像处理和模式识别等相关领域。