为了改善差分灰狼预测算法的早熟收敛、搜索能力不均衡、容易陷入局部最优等问题,提出了一种改进的混合灰狼优化(HGWO)预测算法,可自适应改进和调整差分进化中的变异算子、交叉算子和变异策略。嵌入具有分类预测功能的支持向量机(SVM),同时引入莱维飞行全局搜索更新狼群位置,优化SVM核函数参数γ和惩罚因子C,构建了HGWO-SVM预测算法预测推焦车大车道内物体的运动轨迹。结果表明,与已有算法相比,该算法对行人、自行车、电瓶车、电动三轮车、大中小型四轮汽车的位置预测相对实际值的误差分别降低了4.21、4.14、7.91、2.03、25.53个百分点,预测时间减少了8.8~10 s。可以克服焦炉恶劣的环境影响,准确预测推焦车车道内运动对象的轨迹,为推焦车无人化运行提供主动安全的预测控制方法。

针对土壤含水率对X射线荧光光谱(XRF)法检测结果存在严重干扰的问题,提出了一种基于灰狼优化(GWO)算法的支持向量回归(SVR)校正预测模型。完成光谱数据预处理之后,基于GWO-SVR建立净峰面积、含水率与镉元素含量之间的定量分析模型,并将GWO-SVR模型与其他模型对比。结果表明:SVR非线性模型比线性回归模型有更好的决定系数、更小的误差,在GWO下,各个模型指标均得到提升;与其他优化算法相比,GWO-SVR迭代次数更少,拟合效果更好,预测误差更小。所提模型也可为土壤中其他重金属含量的预测及含水率校正提供有效的参考。

针对QR(Quick Response)码在光照变化、污染、破损等情况下识别率低的问题,提出一种多块局部二值模式(MB-LBP)结合改进灰狼优化算法(GWO)优化支持向量机(SVM)的QR码识别算法。首先采用提升小波变换分离出图像的高低频分量,将二级低频和水平高频分量分成互不重叠的子块,分别提取每个子块的MB-LBP特征并融合;然后运用主成分分析(PCA)对样本集进行特征降维;最后采用SVM算法对QR码数据建立分类模型。为进一步提高分类精度,在标准GWO基础上引入基于对数函数的非线性收敛因子提升其寻优性能,并使用改进GWO优化SVM模型。实验根据不同高低频结合方式、SVM优化算法对识别性能进行了测试,结果表明本文方法在识别速度和分类精度方面都有明显提升,具有良好的稳健性。

针对天波雷达方位分辨力低和传统解析算法定位误差较大的缺点,提出一种混沌变异灰狼算法优化核极限学习机(KELM)的定位模型。首先,该模型将分段线性混沌映射、自适应柯西变异和收敛因子的非线性化引入灰狼算法从而形成一种改进的灰狼算法;然后,采用改进后的灰狼算法对KELM的惩罚系数和核参数进行优化;最后,将优化后的KELM应用于天波雷达定位,使建立的KELM定位模型具有更高的预测精度和更强的泛化能力。实验结果显示,所提模型的预测结果与目标实测值基本一致,预测精度高于标准灰狼优化算法改进的KELM模型和解析法定位模型,为天波雷达定位提供了一种新的目标定位方法。