一种混合多策略改进的麻雀搜索算法

针对麻雀搜索算法SSA求解目标函数最优解时具有过早收敛、在多峰条件下易陷入局部最优和在高维情况下求解精度不足等问题,提出了一种混合多策略改进的麻雀搜索算法MISSA。考虑到算法初始解的质量很大程度上会影响整个算法的收敛速度与精度,引入精英反向学习策略,扩大算法的搜索区域,提升初始种群的质量和多样性;对步长进行分阶段控制,以提高算法的求解精度;通过在跟随者的位置中加入Circle映射参数与余弦因子,提高算法的遍历性与搜索能力;采用自适应选择机制在麻雀个体位置更新中加入Lévy飞行,增强算法寻优和跳出局部最优的能力。将改进后的算法与麻雀搜索算法及其他算法在13个测试函数上进行对比,并进行Friedman检验。实验结果表明,改进后的麻雀搜索算法能够有效提高寻优精度与收敛速度,并在高维问题中也具备较高的稳定性。

基于改进麻雀搜索算法优化LSTM的滚动轴承故障诊断

为了对滚动轴承的工作状态及故障类别进行准确的诊断,本文采用长短时记忆(LSTM)神经网络作为分类器对滚动轴承数据集进行分类诊断。首先,从滚动轴承原始运行振动信号中提取时域和频域特征参数,组成具有高维特征参数的数据集;使用核主成分分析(KPCA)方法对高维特征集进行降维处理,选取重要性程度高的特征构成输入特征向量。然后,针对LSTM神经网络在滚动轴承故障诊断中存在的超参数难以确定的问题,提出一种基于自适应t分布策略的麻雀搜索算法优化LSTM神经网络的故障诊断方法(tSSA–LSTM)。最后,使用凯斯西储大学滚动轴承数据中心的数据进行故障诊断精度测试、泛化性能测试及噪声环境下故障诊断性能测试等多个仿真实验,并将本文提出的诊断模型与麻雀搜索算法优化长短时记忆神经网络(SSA–LSTM)、遗传算法优化长短时记忆神经网络(GA–LSTM)、粒子群算法优化长短时记忆神经网络(PSO–LSTM)及传统LSTM诊断模型进行对比。结果表明:tSSA可以更有效地对LSTM的隐含层神经元数量、周期次数、学习率等超参数进行合理优化;所提方法的平均诊断准确率达到98.86%,交叉验证平均诊断结果为98.57%;所提方法在噪声干扰下的故障诊断准确率也优于对比方法。因此,本文提出的tSSA–LSTM模型不仅可以更精准地诊断滚动轴承故障状态,而且具有更强的泛化能力及抗干扰能力,有效地提高了滚动轴承故障诊断的性能。

基于麻雀搜索算法的微电网分层优化调度

为综合考虑微电网供给侧和需求侧的利益,建立了微电网分层优化模型;上层以净负荷成本和用电满意度为目标优化负荷曲线,下层以运行成本和环境成本为目标优化各单元出力,并选择麻雀搜索算法(SSA)求解这类复杂优化问题。针对SSA易陷入局部最优的问题,提出一种改进麻雀搜索算法(ISSA),改进了发现者搜索方式,引入了变异、贪婪策略;并且加入非支配排序和轮盘赌法将ISSA改进为多目标算法。算例结果表明可转移负荷占比为10%时能够协调微电网供需两侧的利益;对比ISSA与SSA、粒子群算法(PSO)、鸡群算法(CSO)和灰狼算法(GWO)的迭代结果,证明ISSA具有良好的寻优效果和稳定性。

基于改进麻雀优化PID的波浪补偿控制方法

随着海上风电“十四五”规划的不断推动,在深远海域对兆瓦级大功率海上风机的需求量随之增加,其规模也在不断扩大。但是,在吊运、安装等海上工作过程中,复杂海浪对船舶产生的持续影响导致风机安装的精度和效率大幅下降,甚至会对人员安全以及财产造成重大损失。在深远海域复杂海况下对工程船舶进行有效的波浪补偿,可提供稳定的作业环境以保证精准高效地完成各项工作,因此,本文提出了一种基于改进麻雀优化PID的波浪补偿控制方法并将其应用于Stewart补偿平台。首先,建立波浪补偿平台动力学以及运动学反解模型,并设计正解模型迭代求解算法。随后,使用PID进行波浪补偿控制,并通过麻雀搜索算法优化参数。接着,采用Circle混沌映射对其进行初始化分布,以解决初始化不均匀的问题;并采用动态自适应加权、柯西突变以及反向学习以提升算法全局寻优能力。最后,生成4~6级海况下的某工程船运动数据作为系统输入,利用MATLAB和Simulink软件平台搭建模型进行补偿控制验证,并在Stewart硬件平台上做补偿试验。结果表明,改进麻雀搜索算法具有较快的收敛速度、较高的精度和更好的寻优能力,优化后的PID控制方法更适合用于复杂海况下波浪补偿平台的控制优化,可为大功率海上风机安装的补偿平台控制系统设计提供参考。

基于多策略麻雀搜索算法的机器人路径规划

通过多种策略对基本麻雀搜索算法(SSA)进行改进,以解决麻雀搜索算法后期由于种群多样性丢失而导致的全局优化精度和速度问题。首先,改进无限折叠迭代映射(ICMIC)初始化种群,将自适应分段步长因子引入麻雀探测器的位置更新公式中,使麻雀搜索算法观察者的固定比例系数随迭代次数动态变化。然后,将观察者的位置与新公式和正弦余弦算法(SCA)相结合,并干扰先前的观察者步长。最后,在基准测试函数上比较了改进的麻雀搜索算法(ISSA)、麻雀搜索算法(SSA)、鲸鱼算法(WOA)、灰狼算法(GWO)、改进的灰狼算法(CGWO)、正弦余弦算法(SCA)和粒子群优化算法(PSO)的收敛性和准确性,并将其应用于路径规划。实验表明改进的麻雀搜索算法具有良好的优化性能。

基于改进麻雀搜索算法的无线传感器网络定位研究

针对距离矢量跳(DV-Hop)算法在无线传感器网络中存在的定位误差大的问题,提出了一种基于改进麻雀搜索的无线传感器网络定位算法。首先,针对传统DV-Hop算法,修正了节点平均跳距和节点最小跳数。其次,引入Sine混沌映射、自适应惯性权重和双样本学习策略提高算法的搜索能力;最后,利用MATLAB构建仿真模型进行性能对比实验。实验结果表明:与其他节点定位算法相比,所提算法可有效提高对未知节点的定位精度和收敛速度。

基于改进麻雀搜索算法的水质模型多参数反演

水质模型参数取值对模型的模拟精度影响很大,为提高BOD-DO水质模型参数反演精度,首先在DobbinsCamp BOD-DO水质模型的基础上,以BOD和DO浓度计算值与实测值之差的加权平方和最小为目标函数,构建了Dobbins-Camp BOD-DO水质多参数反演模型;然后针对麻雀搜索算法(Sparrow Search Algorithm,SSA)求解精度低、稳定性不足和易陷入局部最优等问题,引入Sine混沌映射和对立学习、转移概率以及差分变异3个策略,分别从提高初始种群多样性、扩大搜索空间以及增强种群跳出局部最优的能力三方面对SSA算法进行改进,提出了一种多策略改进的麻雀搜索算法(Multi-strategy Improved Sparrow Search Algorithm,MISSA),并将其应用于Dobbins-Camp BOD-DO水质多参数反演模型的求解;最后通过数值实验将得到的反演结果与SSA算法、模拟退火算法、粒子群算法、遗传算法四种优化算法进行对比,并探讨了参数初值选取和观测噪声水平对反演结果的影响。结果表明:MISSA算法的计算性能明显优于对照组中的4种算法,且能显著降低初值选取对BOD-DO水质模型参数反演结果的影响,当观测数据的噪声水平不超过5%时,MISSA算法可有效提高反演结果的稳定性。该结果验证了MISSA算法在反演Dobbins-Camp BOD-DO水质模型参数的有效性,为水质模型参数求解提供有益参考。

基于Cross熵与改进麻雀搜索算法的图像分割模型

传统基于熵标准的图像分割法采用穷尽法搜索分割阈值,存在计算代价高、分割效率低的不足。针对这一问题,设计基于Cross熵与改进麻雀搜索算法的图像分割方法。为了提升标准麻雀搜索算法的寻优精度和寻优速率,利用反向学习机制进行种群初始化,改善初始种群结构,提升种群多样性和初始解质量。设计正余弦优化和惯性权重的发现者更新机制,提升发现者全局搜索能力。提出柯西混沌变异的追随者更新机制,结合混沌映射和柯西变异,避免算法产生局部最优。以Cross熵最小为标准评估个体适应度,利用改进麻雀搜索算法寻找图像分割最佳阈值,并实现图像分割。实验结果表明,改进算法在分割指标上表现优异,可以有效提升图像分割精度和分割效率。

基于改进混沌麻雀搜索算法S盒与神经元电路的图像加密技术

鉴于目前的图像加密算法所采用的S盒结构过于简单,易被破解。选用由改进的脉冲耦合尖峰神经元电路得到的混沌映射(MPSNC),并使用该映射对混沌麻雀搜索算法(CSSA)进行优化。随后,结合MPSNC映射和改进后的CSSA,设计新型的混沌S盒。最后,基于MPSNC映射和新型混沌S盒构造一种图像加密算法,为增加S盒的变化,对其进行S8变换。通过迭代混沌映射生成混沌序列,使用混沌序列和S8S盒对图像进行扩散和置乱操作,得到加密后的图像。经实验验证,该加密算法参数丰富,复杂度高,并由于S盒的应用,提高了算法的非线性度,具有良好的性能,适用于图像加密。

基于改进蚁群-麻雀算法的建筑火灾疏散路径规划研究

结合改进蚁群算法(IACO)和改进麻雀搜索算法(ISSA),提出一种考虑火灾实时蔓延的动态疏散路径规划模型。采用火灾动力学软件(FDS)得到火灾环境参数,以表示火灾实时蔓延的危险程度。基于IACO强大的全局搜索能力得到初始疏散路径。采用收敛速度快的ISSA对初始路径进行优化,以提高路径的稳定性。以某综合建筑为例进行2组不同火灾环境下的仿真实验,结果表明:IACO-ISSA模型相比ACO能够根据火灾发展情况实时调整疏散路径,从而有效躲避火灾危险区域,避免了忽略火灾动态蔓延而引导疏散人员至危险区域的现象,进一步提高了疏散路径的安全性。

基于饥饿变异检索与局部小生境的麻雀算法

针对麻雀搜索算法在迭代过程中在原点与最优解徘徊,造成迭代代价高,在迭代后期,直接跳跃到极值点附近,易于陷入局部最优,且后期种群多样性减小,全局搜索能力差的问题,提出一种基于饥饿变异检索与局部小生境的麻雀算法。首先改进种群中发现者位置迭代方法,提出饥饿短距变异机制,添加变异因子减少在原点与已有最优解的跃迁,提高全局搜索能力;其次改进跟随者位置迭代过程,引入局部小生境概念,将最优解发现者周围划定一个局部小生境,在小生境范围中的麻雀集中搜索最优解附近,小生境外麻雀逃逸到其它位置进行搜索,增强算法最优解附近的搜索能力与增强算法跃出局部空间的能力。对16个基准函数进行仿真对比实验,结果表明提出的基于饥饿变异检索与局部小生境的麻雀算法能够提高算法的搜索精度、收敛速度和稳定性。

基于麻雀算法优化支持向量机的NOx浓度预测

煤炭作为火电厂发电的主要能源,其在锅炉内焚烧过程中会产生大量的氮氧化物。各电厂一般利用烟气自动监控系统对其浓度进行实时测量,但由于测量时存在较大迟延,不能准确地反映SCR系统NOx浓度的实时变化。因此提出了一种基于改进麻雀算法优化最小二乘支持向量机的NOX浓度预测方法。首先,引入余弦因子改进麻雀算法中的比例算子,将迭代次数信息引入到迭代过程中,平衡算法前后期的全局与局部搜索能力。其次,使用新的变异算子代替原算子,将混沌理论融合到麻雀算法,解决了算法全局搜索能力较差、初始化麻雀分布不稳定及发现者位置更新方式不足的问题。最后,采用改进麻雀算法(CDE-SSA)对最小二乘支持向量机(LSSVM)进行参数寻优。实验结果证明,方法在NOX浓度预测的精度和稳定性上均表现出了良好的性能。

基于多特征提取和麻雀搜索算法优化XGBoost的变压器绕组松动诊断方法

针对使用单一特征量诊断变压器绕组松动,在不同负载条件下存在交叠和抗干扰能力不足的问题,提出一种基于核主成分分析(KPCA)和改进麻雀搜索算法(SSA)优化极端梯度提升(XGBoost)的变压器绕组松动振动诊断方法。首先,从时域、频域和熵值3个维度提取适用于变压器多传感器振动信号的多种特征量;其次,通过网格搜索优化的KPCA对特征量进行降维;最后,构建基于XGBoost的故障诊断模型,并采用改进麻雀搜索算法调参,实现不同电流大小下变压器绕组松动故障准确识别。以某110 kV变压器为对象进行实验验证,诊断结果表明,所提取的特征量能够准确反映故障特征,抗干扰能力更强,诊断模型故障诊断准确率为99.00%,相比于其他诊断算法准确率和稳定性更高,在不同负载情况下均有良好的识别效果。

基于改进麻雀搜索算法优化BPNN的电阻点焊质量预测

电阻点焊技术由于具有高效、自动化程度高等焊接特点,被广泛应用于汽车、航空航天和公共交通等制造领域,由于焊点在封闭状态下进行,焊接过程存在诸多影响因素且无法直接检测,因此,准确预测电阻点焊质量是生产过程中必不可少的环节.本文以2219/5A06铝合金为研究对象,在3种不同的装配条件(包括间隙和间距)下进行电阻点焊工艺信号的分析,并进行人工智能建模.为了提高电阻点焊质量评价的性能和效率,本文采用Logistic-Tent(LT)复合映射改进麻雀搜索算法(SSA)对反向传播神经网络(LT-SSA-BPNN)模型进行优化,模型的输入和输出分别为多信号融合后的变量和熔核直径.实验结果表明,与传统的标准反向传播神经网络(BPNN)模型相比,经过LT-SSA-BP模型优化后,预测结果的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别降低了36.17%、17.55%和51.75%.同时,LT-SSA-BP神经网络在添加了不同间隙和间距条件作为训练集后,其预测稳定性明显提高,可以成功预测电阻点焊质量.

复杂环境下多策略改进麻雀搜索的定位算法

为了提高传统DV-HOP(Distance vector hop)算法在三维复杂环境场景下的节点定位精度,提出了一种利用多策略改进麻雀搜索算法优化的3D-DVHop定位算法.首先通过重新定义距离加权因子划分最优跳数,其次利用距离相似链路法来修正节点间的跳数大小,最后采用麻雀搜索算法实现3D-DVHop算法未知节点的位置寻优,并通过优化位置控制因子,同时引入蝴蝶搜索算法和自适应的局部搜索策略,增强麻雀搜索算法初始种群的多样性以及全局收敛速度和跳出局部最优的能力.仿真结果表明,该算法与传统DV-Hop算法以及其他同类算法相比,具有更好的稳定性和更高的定位精度.

基于随机游走麻雀搜索算法的多特征结构尺寸熔融沉积成型工艺参数优化

在熔融沉积成型过程中,打印参数对成型样件精度有着重要影响.为了提高整体尺寸精度,采用随机游走的麻雀算法获得最优实验方案.首先,以熔融沉积成型的分层厚度、喷头温度、打印速度和填充率为实验变量设计4因素4水平的正交试验;然后,以样件不同特征结构尺寸的相对误差为优化对象,使用田口-灰色关联法对实验数据进行处理;最后,通过随机游走的麻雀算法计算最优参数方案.结果表明,相比常用的田口-灰色关联法,采用优化后工艺参数成型样件的综合尺寸精度提高了20%,灰色关联度提高了27%.

改进麻雀搜索算法在PMSM匝间短路中应用研究

针对麻雀搜索算法(SSA)存在收敛精度低和易陷入局部最优等问题,提出了一种改进麻雀搜索算法(ISSA),并应用于PMSM匝间短路故障诊断。首先,搭建了PMSM匝间短路仿真模型,模拟了不同短路匝数比的故障。其次,对故障进行分析,提取了3个故障识别特征量。接着,利用实验平台进行不同短路匝数比的故障测试。然后,介绍了麻雀搜索算法(SSA),并利用Tent混沌映射、自适应正余弦策略和Levy飞行策略对其进行优化,生成改进麻雀搜索算法(ISSA),同时将ISSA算法与SSA算法、粒子群算法(PSO)、灰狼算法(GWO)在测试函数上进行比较,验证其在寻优能力和稳定性等方面具有优越性。紧接着,介绍了随机森林(RF)算法,并搭建了ISSA-RF的故障诊断模型。最后,将4种算法分别对RF的基本参数进行优化并实现故障分类。结果表明,所提出的改进方法能够检测出匝间短路故障及其故障严重程度,ISSA-RF模型的准确率达到98.5%,验证了该算法的有效性和可靠性。

改进麻雀搜索算法的入侵检测特征选择

针对网络入侵检测所处理数据存在特征维数高、检测效率低、准确率不高的问题,提出一种改进麻雀搜索算法的特征选择方法,旨在减少特征冗余的同时提高分类准确率。利用改进Circle映射初始化种群;结合秃鹰搜索算法中的螺旋搜索方式更新发现者位置;采用单纯形法和小孔成像法优化适应度较差和最优麻雀的位置,提升算法的寻优能力。将该算法与其它算法在6个经典基准函数上进行对比测试,其在收敛速度、精度等方面均有提升。使用数据集CIC-IDS2017进行特征选择实验,平均保留了7.6个特征,准确率达到了99.5%,结果表明,该算法可以在保证准确率的同时有效降低特征维度。

麻雀搜索算法优化的外啮合齿轮泵泄漏量预测

预测齿轮泵泄漏量的变化趋势有助于定量分析其性能退化过程。变分模态分解(Variational Modal Decomposition, VMD)方法对齿轮泵原始泄漏量数据进行变分模态分解,得到本征模态函数IMF,提出一种结合麻雀优化算法(Sparrow Search Algorithm, SSA)和长短期记忆神经网络(Long-Short Term Memory, LSTM)的模型,建立VMD-SSA-LSTM模型预测齿轮泵泄漏量的变化情况,并对每一个分量进行单独预测,最后将预测结果进行叠加,获得完整的预测结果。通过对比不同时间段预测结果可知,VMD-SSA-LSTM模型较单一的LSTM模型预测结果的平均相对误差最高可减小25.2%,能够完成对泄漏量的有效预测。研究结论可为齿轮泵性能衰退的定量预测提供理论支持。

基于麻雀搜索算法改进的YOLOv7-ECA-SSA模型的车辆检测

为解决复杂背景下小目标车辆检测存在的误检、漏检等现象,创新性提出一种改进YOLOv7网络的目标检测算法。首先,为解决小目标车辆存在次要信息干扰问题,将高效通道注意力(ECA)机制融于YOLOv7模型的主干网络特征层,通过自适应学习来增强目标区域信息权重占比,抑制无关信息;其次,为解决神经网络检测模型训练的超参数随机经验设定性问题,将麻雀搜索算法(SSA)对检测模型训练超参数进行优化,通过内外双循环迭代方式,快速收敛出全局最优学习率,进而得到最优组的权重信息,最终提高小目标车辆检测精度。实验结果表明,基于结构优化、超参数优化的YOLOv7-ECA-SSA检测模型在BDD100K数据集上的检测精度为79.01%,比原始模型提高了5.38%,具备更好的小目标车辆检测性能。