分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2022-05-10 合作期刊: 《计算机应用研究》
摘要： 针对黏菌算法搜索停滞和算法稳定性差等问题，提出了无迹西格玛点引导的拟反向黏菌算法。首先，使用了拟反向学习和拟反射学习两种反向学习过程，根据原始黏菌算法勘探和开采行为的表现时机，生成同时包含拟反向和拟反射的综合反向种群，扩大搜索范围；其次，根据种群的多样性程度判断是否使用反向种群重构原始种群进行后续计算，避免固定的反向过程破坏种群本身的搜索特点，提高搜索精度；最后，引入无迹变换的西格玛点，改进黏菌算法的基本移动模式，使无迹西格玛点引导黏菌算法的搜索，加快收敛速度。实验部分使用了CEC2017基准测试函数，使用了传统统计特征和MAE排名、Wilcoxon秩和检验验证算法有效性，并使用其求解轿车侧面碰撞的实际工程优化问题，与新颖的高水平群智能算法、改进算法、不完全算法进行对比测试，实验结果表明提出的改进策略有效且各策略间组合相得益彰，改进后算法的求解精度和鲁棒性更具竞争力。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2018-05-20 合作期刊: 《计算机应用研究》
摘要： 针对蚂蚁算法处理机器人路径规划问题时收敛速度慢，协同机制不够完善的问题，结合狼群算法思想提出一种动态分级的改良蚂蚁算法。首先，根据动态分级算子建立种群分级模型；然后，为了改善协同机制，通过结合轮盘赌的头狼影响策略来增加种群间交流；最后，为了提高收敛速度，在保留蚂蚁算法信息素更新公式的同时，通过采取归一化处理的动态信息素更新策略来体现精英作用。为验证效果，采用栅格法对机器人运动空间进行建模，将本算法运用于路径规划问题求解中，并与另外几种智能算法进行比较。仿真结果表明，该算法的收敛速度较快，能以比较少的迭代次数找到最优路径，效率较高。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2022-06-06 合作期刊: 《计算机应用研究》
摘要： 针对天鹰优化器(Aquila Optimizer，AO)虽然拥有强大的全局勘探能力，但局部开发能力不足的问题，提出融合差分变异和切线飞行的天鹰优化器(Differential Evolution mutation and tangent flight Aquila Optimizer，DEtanAO)。首先，根据差分进化算法中的变异操作能使算法具有较强的开发能力弥补了AO算法的不足，然后，利用切线搜索算法中切线飞行策略具有较强的探索搜索空间的能力并能使算法跳出局部最优解的优势，用其替换了AO算法中的莱维飞行。这两种策略的结合有效地平衡了DEtanAO算法的勘探和开发阶段。最后，为验证DEtanAO算法的优化性能，在12个标准基准函数、高维函数、Wilcoxon秩和检验和工程优化问题上来测试所改进算法的寻优能力。实验结果表明，相比其他新提出的智能算法，DEtanAO算法具有更强的寻优能力和更快的收敛速度。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2018-04-24 合作期刊: 《计算机应用研究》
摘要： 鸡群算法是一种新颖的群智能算法，模拟鸡群中的等级制度以及觅食行为，相比于传统的智能算法，其展现出了良好的寻优性能。在基本鸡群算法的基础之上，提出了一种改进版鸡群算法（ECSO），在公鸡位置的更新过程中引入自适应变异策略用于平衡算法迭代后期下降的种群多样性，提升收敛速度；在母鸡移动过程引入偏好随机游动策略来平衡了算法的“开发”与“探索”阶段，增强算法的稳定性；在小鸡位置更新时引入“领导者”策略，减少算法搜索的盲目性。最后，通过测试多组函数，并与基本蝙蝠算法和鸡群算法以及已有改进的鸡群算法进行对比，验证了改进算法的有效性。
分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2023-02-17 合作期刊: 《智慧农业（中英文）》
摘要： 冬小麦涝渍胁迫频发不仅严重影响区域粮食安全和生态安全，还威胁社会经济稳定和可持续发展。 为识别冬小麦涝渍胁迫及判别其胁迫程度，本研究设置冬小麦涝渍胁迫梯度盆栽试验，采用ASD地物光谱 仪和Gaiasky-mini2推扫式成像光谱仪分别测定叶片及冠层高光谱数据，结合植被指数、归一化均值距离和 光谱微分差信息熵等方法，监测冬小麦是否遭受涝渍胁迫并判别其涝渍胁迫程度。试验结果显示，简单比 值色素指数SRPI是识别涝渍胁迫冬小麦的最优植被指数。红光吸收谷（RW：640~680 nm） 是识别冬小麦 涝渍胁迫程度的最优波段，在RW波段内，抽穗、开花和灌浆期的光谱微分差信息熵可判别冬小麦涝渍胁迫 程度，胁迫程度越大，光谱微分差信息熵越大。本研究为涝渍胁迫监测提供了一种新方法，在涝渍胁迫精 确防控中具有较好的应用前景。
分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2023-02-17 合作期刊: 《智慧农业（中英文）》
摘要： 农业生产环境中的目标识别对象常具有分布密集、体积小、密度大的特点，加之农田环境光照多 变、背景复杂，导致已有目标检测模型无法取得令人满意的效果。本研究以提高小目标的识别性能为目标， 以蜜蜂识别为例，提出了一种农业复杂环境下尺度自适应小目标识别算法。算法克服了复杂多变的背景环 境的影响及目标体积较小导致的特征提取困难，实现目标尺度无关的小目标识别。首先将原图拆分为一些 较小尺寸的子图以提高目标尺度，将已标注的目标分配到拆分后的子图中，形成新的数据集，然后采用迁 移学习的方法重新训练并生成新的目标识别模型。在模型的使用中，为使子图识别结果能正常还原，拆分 的子图之间需具有一定的重叠率。收集所有子图的目标识别结果，采用非极大抑制（Non-Maximum Suppres⁃ sion，NMS） 去除由于模型本身产生的冗余框，提出一种交小比非极大抑制（Intersection over Small NMS， IOS-NMS） 进一步去除子图重叠区域中的冗余框。在子图像素尺寸分别为300300、500500和700700， 子图重叠率分别为0.2和0.05的情况下进行验证试验，结果表明：采用SSD （Single Shot MultiBox Detector） 作为框架中的目标检测模型，新提出的尺度自适应算法的召回率和精度普遍高于SSD模型，最高分别提高了 3.8%和2.6%，较原尺度的YOLOv3模型也有一定的提升。为进一步验证算法在复杂背景中小目标识别的优 越性，从网上爬取了不同尺度、不同场景的农田复杂环境下的蜜蜂图像，并采用本算法和SSD模型进行了对 比测试，结果表明：本算法能提高目标识别性能，具有较强的尺度适应性和泛化性。由于本算法对于单张 图像需要多次向前推理，时效性不高，不适用于边缘计算。
点击量
点击量
下载量
评论
