广义最大覆盖模型的新型人类学习优化算法

广义最大覆盖模型是传统覆盖模型的扩展形式,通过覆盖水平评价服务质量。针对上述模型NP-hard问题特征,设计一种基于新型人类学习优化算法的求解方法。将自适应学习策略引入到基本人类学习优化算法中,采用随机学习算子、个体学习算子和社会学习算子进行优化搜索。利用多个算例进行数值实验,并将新算法与遗传算法、微粒群优化算法、最有价值球员算法和人类学习优化算法进行比较。实验结果证明了新算法的可行性和有效性,为广义最大覆盖模型的求解提供了一种有竞争力的算法。

基于DCT与自适应人类学习优化算法的图像匹配算法

为提高图像匹配的精度和速度,利用离散余弦变换(DCT)和自适应人类学习优化算法(ASHLO),提出了一种快速并且抗噪性强的图像匹配算法。该方法利用当前搜索位置子图像和模板图像离散余弦变换后的参数构造适应度函数,经过迭代寻优寻找最优匹配位置。将该算法在正常情况下以及不同噪声情况下与穷举法、基于粒子群算法(PSO),基于人工蜂群算法(ABC)的图像匹配算法进比较。实验结果表明,该算法可以获得较高的准确率,成功匹配率约95%,且速度快,抗噪性强。

融合学习心理学的人类学习优化算法

针对简单人类学习优化(SHLO)算法寻优精度低和收敛慢的问题,提出了一种融合学习心理学的人类学习优化算法(LPHLO)。首先,结合学习心理学中的小组学习(TBL)理论引入TBL算子,从而在个体经验、社会经验的基础上,增加了小组经验来对个体学习状态进行控制,避免算法早熟收敛;然后,结合记忆编码理论提出了动态调参策略,从而实现个体信息、社会信息、团队信息的有效融合,更好地平衡了算法局部探索和全局开发的能力。选取典型的组合优化难题——背包问题中的两种算例,即单约束背包问题、多约束背包问题进行仿真实验,实验结果表明,所提LPHLO与基本的SHLO算法、遗传算法(GA)和二进制粒子群优化(BPSO)算法等算法相比,在寻优精度和收敛速度方面更具优势,具有更好的解决实际问题的能力。

基于人类学习优化算法的变论域模糊PID控制研究

针对一些复杂的工业控制系统中利用常规的PID控制往往难以达到理想的控制性能,以及控制系统中控制器的相关参数难以精确设定的问题,提出了一种基于人类学习优化算法(Human Learning Optimization,HLO)的变论域模糊PID控制方法并应用于电站的优化控制当中。首先介绍了HLO算法以及变论域模糊PID控制方法的相关原理,然后阐述了运用HLO算法对变论域模糊PID控制器进行优化设计的实现过程,接着和基本的模糊PID控制器以及常规PID控制器的控制性能进行了对比,并与基于粒子群算法、差分进化算法和声搜索算法的变论域模糊PID控制器的控制性能进行了对比。结果表明,基于HLO算法的变论域模糊PID控制器具有更好的控制效果,且实现简便,具有良好的应用前景。

基于人类学习优化算法的K-Means在智能温室大棚中的应用

针对传统的K-Means算法易受初始聚类中心点和异常点影响导致聚类结果不理想的缺陷,利用人类学习优化算法全局搜索能力强的优势,对K-Means算法的初始聚类中心进行优化,提出了一种基于人类学习优化算法的K-Means方法。通过UCI数据集中几组数据对算法进行了聚类实验,实验结果表明与传统的K-Means算法相比,提出的改进算法有效提高了聚类性能。关于温室环境因素的控制策略较为复杂,为了对智能温室中番茄生长环境调控进行决策支持,对温室番茄生长环境中不同的变量指标做聚类分析,挖掘出智能温室大棚中番茄生长的最佳环境范围,调节环境变量让温室一直处于番茄生长的最佳环境中。

基于配对机制的人类学习优化算法研究

群体智能算法是模拟生物进化或动物群体协作的搜索机制,其目标是快速有效地搜索复杂问题的解空间,寻求全局最优解。近几年,模仿人类学习机制,提出了一种新的群体智能算法,即人类学习优化(HLO)算法。基于HLO算法,结合人类社会婚配现象获得的启发,首次提出一种基于配对机制的人类学习优化算法(PHLO)。人类学习优化算法(PHLO)包含四个运算符——随机学习运算符、个体学习运算符、配对学习运算符和社会学习运算符。以0-1背包问题作为测试基准,将新算法的优化结果与HLO、模拟退火算法(SA)进行比较。实验结果表明,无论收敛速度还是寻优精度,PHLO都明显优于HLO算法和SA算法。

基于人类学习优化算法的改进进化随机网络及其故障诊断应用

相比于传统的基于梯度的前馈神经网络,随机前馈神经网络具有更好的逼近能力和泛化学习能力,被广泛用于分类等问题中,然而其网络参数完全随机,在实际应用中存在性能不稳定、不可靠的隐患。为此,基于人类学习优化算法提出了一种改进的选择性进化随机网络方法(Improved Selective Evolutionary Random Network,ISERN),协同进行特征选择和网络结构优化以提高网络性能,某远洋船舶海水淡化系统的故障诊断仿真结果表明ISERN方法与其他方法相比具有更好的故障诊断性能,体现出其有效性和优异性。

基于人类学习优化算法的区间二型模糊控制器设计

工业系统复杂程度不断提高、规模不断扩大,传统控制方法难以获得理想的控制性能,而区间二型模糊控制鲁棒性好、响应快速,在处理强耦合、非线性、大滞后系统控制问题具有更大的优势。但是传统的方法很难计算出区间二型模糊控制器的参数,针对这一问题,提出一种基于人类学习优化算法的区间二型模糊控制器设计方法,并将其应用于列车控制中,仿真结果表明区间二型模糊控制器在列车控制中取得更好的效果。

新能源汽车电池回收网点竞争选址模型及算法

针对考虑排队论的新能源汽车电池回收网点竞争设施选址问题,提出一种改进的人类学习优化(IHLO)算法。首先,构建包含排队时间约束、容量约束和门槛约束等条件的新能源汽车电池回收网点竞争设施选址模型;然后,考虑到该问题属于NP-hard问题,针对人类学习优化(HLO)算法前期收敛速度较慢、寻优精度不够高、求解稳定性不够高的不足,通过引入精英种群反向学习策略、团队互助学习算子和调和参数自适应策略提出IHLO算法;最后,以上海市和长江三角洲为例进行数值实验,并将IHLO算法和改进二进制灰狼(IBGWO)算法、改进二进制粒子群(IBPSO)算法、HLO算法和融合学习心理学的人类学习优化(LPHLO)算法进行比较。大、中、小三种不同规模的实验结果表明,IHLO算法在15个指标中的14个指标上表现最优,IHLO算法比IBGWO算法求解精度至少提高了0.13%,求解稳定性至少提高了10.05%,求解速度至少提高了17.48%。所提算法具有较高的计算精度和优化速度,可有效解决竞争设施选址问题。

基于AHLO与K均值聚类的图像分割算法

针对图像分割中K均值算法全局搜索能力差、初始聚类中心选择敏感的问题,提出了一种将自适应人类优化算法与K均值算法相结合的聚类算法.该算法利用自适应人类学习优化算法初始化聚类中心,提高K均值算法的稳健性.结果表明,该算法聚类得到的标准差相比传统K均值算法和基于粒子群K均值(PSO-Kmeans)算法分别小两个数量级和一个数量级,同时图像分割得到的PSNR值均较高,具有算法收敛速度更快,聚类质量更好,图像分割效果更好,适应性更强的优点.

基于HLO-LSSVM算法的浮子流量计非线性校正

针对浮子流量计非线性校正中常用的分段线性拟合和最小二乘法不足,以及最小二乘支持向量机参数难确定问题,提出了一种基于人类学习优化-最小二乘支持向量机算法(HLO-LSSVM)的仪表非线性校正方法。首先简介了最小二乘支持向量机和人类学习优化算法,接着阐述了HLO-LSSVM算法进行非线性校正的实现过程,分别采用分段线性拟合、最小二乘法和HLO-LSSVM算法对浮子流量计非线性校正问题进行了对比。结果表明,HLO-LSSVM算法具有更优的校正效果,实现简单,具有良好的应用前景。

基于IFRTAH的核电站稳压器水位优化控制

核电站稳压器系统是一个复杂的控制系统,被控对象具有大时滞、大惯性等特点。本文以稳压器水位控制系统为对象,研究了基于自适应简化人类学习优化算法的智能虚构参考整定方法(IFRTAH),在不需要被控对象数学模型的情况下能直接设计出性能理想的控制器。仿真实验表明:相比于基本IFRT方法,IFRTAH方法设计的控制器具有更好的控制性能和良好的工程应用前景。

城市物流无人机起降点布局规划研究

针对城市物流无人机起降点布局规划问题,考虑不同级别的物流无人机起降点,构建以总经济成本最小和客户满意度最高为目标,以禁飞区、无人机性能、容需匹配等为约束的整数规划模型。设计人类学习优化算法(HLO),引入随机学习算子、个体学习算子和社会学习算子。在此基础上,基于真实地理信息数据和物流数据设计仿真实验,验证模型与算法有效性。实验结果表明,所建模型可以实现起降点的合理布局规划,适用于大规模资源配置,具备有效性;人类学习优化算法较遗传算法求解精度与收敛速度更优,表现出较佳性能。参数分析表明,基于该仿真环境的最优经济成本权重和客户满意度权重设置为0.4和0.6,最佳算法学习概率参数组合为5/n和(0.8+2/n)。据此可对城市物流无人机起降点布局规划提供决策依据。

核电站稳压器压力智能二型模糊控制方法研究

核电站稳压器压力控制系统内部的热工与流体力学过程复杂,存在非线性、时变等特点,获取系统精确数学模型非常困难,传统的PID等控制方法难以获得良好的控制性能。相比传统模糊控制方法,区间二型模糊能更有效地处理控制系统的不确定性,但其参数更多,设定也更为复杂。为此提出一种基于人类学习优化算法的区间二型模糊控制方法,利用人类学习优化算法对区间二型模糊控制器的参数进行全局优化,以获得最优的核电站稳压器压力控制性能。仿真结果表明,基于人类学习优化算法的区间二型模糊控制系统无超调、响应速度快,与传统二型模糊控制方法及基于其它优化算法的二型模糊控制算法相比,具有更好的控制性能。

智能虚拟参考反馈整定神经元PID及其电站控制应用研究

随着工业技术的快速发展,电站等大型工业企业规模越来越大、生产过程越来越复杂,被控对象通常难以精确建模,导致传统基于模型的控制方法难以获得理想的控制效果。数据驱动控制方法可直接根据系统输入输出数据进行控制器设计,有效解决了传统控制方法对对象数学模型的依赖问题。本文提出了基于智能虚拟参考反馈整定的神经元PID控制方法,通过采用人类学习优化算法,依据智能虚拟参考反馈整定目标函数,直接根据系统一组输入输出数据对神经元PID控制器进行全局优化设计,提高了控制性能。对电站过热蒸汽温度控制的仿真结果表明了提出的智能虚拟参考反馈整定神经元PID控制方法的有效性和在工程应用中的优越性。

核电站蒸汽发生器水位智能数据驱动控制

核电站蒸汽发生器是压水堆核电站的重要设备之一,具有被控对象精确建模困难、控制性能及安全性要求高等特点。以核电站蒸汽发生器水位控制系统为对象,研究了基于人类学习优化算法的智能反馈⁃前馈虚拟参考反馈整定控制方法,在不需要被控对象及扰动对象数学模型的情况下,能直接设计出性能理想的反馈⁃前馈控制系统,在存在可测扰动的情况下能够提供预测补偿动作以抑制干扰。仿真实验结果表明:相比于其他控制方法,智能反馈⁃前馈虚拟参考反馈整定(FFIVRFTH)方法设计出的控制器具有更好的控制性能和良好的工程应用前景。