基于变步长天牛须搜索算法的空间直线度误差评定

为提高空间直线度评定精度,建立了空间直线度数学模型。采用变步长天牛须搜索算法对目标函数进行求解,主要包括天牛须搜索及变步长等步骤。针对原始天牛须搜索算法求解精度不高,易陷入局部最优等问题,设计变步长方法,增强算法多样性,从而充分提高计算精度。对其进行求解,并根据终止准则得到计算结果,将该寻优结果与其他方法的评定结果相比较,验证了该算法的可行性及优越性。

基于天牛须优化算法的相关向量机边坡稳定性分析

为了快速、准确地预测边坡稳定性,及时控制边坡危害,提出了一种基于天牛须(beetle antennae search,BAS)优化算法的相关向量机(relevance vector machine,RVM)边坡稳定性分析模型。基于RVM模型,建立了边坡影响因素与稳定性的非线性映射关系;采用BAS算法对RVM模型参数进行优化,提出了基于BAS算法的RVM边坡稳定性分析优化模型;并将该模型应用于京新高速公路的边坡稳定性分析。分析结果表明:与实际值相比,基于BAS-RVM模型的最大绝对值相对误差为3.90%;在相同学习样本下,与RVM模型、支持向量机(support vector machine,SVM)模型和径向基函数(radical basis function,RBF)模型的预测值相比,BAS-RVM模型预测结果的可信度和拟合度更好、精度更高,其平均绝对值误差(mean absolute error,EMA)、均方根误差(root mean square error,ERMS)、相对均方误差(relative root mean square error,ERRMS)远低于其他3种模型。

改进天牛须搜索算法在圆度误差评定中的研究

为了提高圆度误差的评定精度和计算收敛速度,提出了一种改进天牛须搜索算法的圆度误差评定方法。首先,通过圆度误差最小区域原则建立了数学模型和目标函数。其次,在标准天牛须算法的基础上,设计了变步长法,进一步提高算法的计算精度和收敛速度。最后通过三坐标测量的圆度测量数据进行求解验证,并将计算结果与常用的最小二乘法和粒子群算法等进行对比。实例表明,改进的天牛须搜索算法在圆度误差评定上的计算精度和收敛速度都优于传统算法,体现了该算法的优越性。

基于天牛须搜索的花朵授粉算法

针对花朵授粉算法后期收敛速度慢,寻优精度低的缺点,提出了一种基于天牛须搜索的花朵授粉算法(BASFPA)。算法首先在全局寻优阶段采用天牛须搜索加快收敛,其次在局部寻优阶段加入变异策略帮助算法跳出局部最优。实验使用6个常用优化函数进行测试,结果表明BASFPA在低维和高维下收敛速度和精度均高于其他算法,达到相同精度所需的迭代次数均小于其他算法,证明天牛须搜索对FPA算法的改进是合理的。

融合改进天牛须和正余弦的双重搜索优化算法

针对标准正余弦优化算法在搜索时存在的计算精度低、容易陷入局部最优值等缺点,借鉴天牛须算法运算简单、搜索速度较快的特点,本文提出了一种融合改进天牛须和正余弦的双重搜索优化算法(BAS-SCA).首先,在现有标准正余弦算法基础上,引入动态自适应权重机制来平衡全局搜索和局部搜索,提升收敛速度;其次,提出了一种新的转换参数模型,该参数模型通过结合指数型函数和余弦函数来替换传统的线性衰减函数;最后,为了提升正余弦的搜索精度和速度,同时尽可能跳出局部最优解,提出了改进的天牛须搜索算法,引入动态步长搜索机制将固定步长搜索改为变步长搜索,创新性地将改进的天牛须算法与改进的正余弦算法进行融合实现双重搜索优化,有效避免局部极值问题.实验表明,通过14个标准测试函数验证,所提双重搜索优化算法BAS-SCA相较于其它现有优化算法,具有更高的寻优精度和更快的收敛速度.

天牛须搜索算法研究综述

天牛须搜索算法(Beetle Antennae Search,BAS)是一种新型的智能优化算法,它是由天牛觅食所启发。自2017年提出以来,随着学者们对算法的研究不断深入,他们从多个方面对算法进行了改进,提出许多BAS的变体算法并将其广泛应用于各个领域。介绍BAS算法的搜索机制与寻优步骤,结合国内外文献对该算法的改进研究做出分析,从搜索步长、混沌概念、混合算法及其他改进策略等方面对改进算法进行分类阐述,同时,对算法在PID控制、电力调度、图像处理、神经网络、路径规划等领域进行了概述总结。结合算法存在的不足和挑战,从BAS算法的理论研究、改进研究和应用研究三方面对算法的未来研究内容与热点做出展望。

一种面向增强现实中相机标定的天牛须搜索改进算法

针对三维注册初始化中内参难以进行标定的问题,分析了亚像素精度与相机成像模型,并对天牛须搜索算法进行了改进,在此基础上提出了一种求解三维注册初始内参的相机标定方法。首先,在图片中提取角点并进行亚像素精化;然后,在相机成像方程中引入畸变系数,重新推导成像方程并求解内参;最后,提出天牛须扰动搜索算法并对内参进行非线性优化。实验结果表明,该方法可明显减小相机的重投影误差,可以为三维注册模块提供初始化内参。

融合改进天牛须搜索的教与学优化算法

针对教与学优化算法易早熟,解精度低,甚至收敛于局部最优的问题,提出一种新的融合改进天牛须搜索的教与学优化算法。该算法利用Tent映射反向学习策略初始化种群,提升初始解质量。在"教"阶段,对教师个体执行天牛须搜索算法,增强教师教学水平,提高最优解的精确性。在"学"阶段,对学生个体进行混合变异,从而跳出局部最优,平衡算法的全局搜索与局部开发。通过benchmark测试函数和部分CEC2013函数在不同维度对算法进行仿真实验,并进行Wilcoxon秩和检验统计,证明了改进教与学优化算法的优越性。使用压力容器设计优化问题对算法进一步验证,结果表明改进后的算法在求解约束优化问题时也具有更好的寻优性能,不仅收敛速度快,精度也提高了9个数量级。

基于差分进化策略的天牛须搜索算法及其应用

针对天牛须搜索(BAS)算法收敛结果高度依赖单个个体、勘探能力弱、容易陷入局部最优解的问题,提出一种基于差分进化策略的天牛须搜索(BASD)算法。该算法使用佳点集方法初始化天牛种群,提高了算法的种群多样性;引入动态差分进化思想,设计了一种精英演化竞争指导策略,较好地平衡了算法的开采和勘探能力。通过14个基准函数对BASD算法进行测试,并与几种先进智能优化算法的优化结果进行比较。结果显示,BASD算法的优化性能整体更好。将BASD算法应用于图像增强中,结果表明,使用BASD算法增强后的图像灰度分布更均匀、分布范围更大。

基于天牛须搜索的装载机铲掘轨迹规划

装载机常用于建筑、采矿等恶劣工作环境,实现其自主作业可以有效保障从业人员安全,已成为工程机械领域的发展趋势。铲掘轨迹是影响装载机自主作业能耗的关键因素,目前已有学者提出了一些以能耗最优为目标的轨迹规划方法,但这些方法大多仅以铲斗斗尖位置为规划目标,忽略了铲装过程中铲斗转角对自主作业能耗的影响,导致装载机自主作业能耗仅能达到局部最优。针对上述问题,提出一种基于天牛须搜索的装载机铲掘轨迹规划方法,首先建立作业机构运动数学模型,得到铲斗斗尖位置、铲斗转角与车体位移、动臂油缸和转斗油缸位移的关系,进而基于斗尖位置模型和铲斗转角模型确定以铲掘深度和转角系数表征铲掘轨迹的规划方案,形成一系列备选铲掘轨迹,最后以此为搜索空间采用新兴的启发式搜索方法——天牛须搜索方法,搜索以单位铲掘重量油耗最低为目标的近似最优的装载机铲掘轨迹。为验证该铲掘轨迹规划方法的节能降耗效果,搭建了5吨级装载机测试试验平台,并进行了人工铲掘作业和自主铲掘作业对比实验。实验结果表明,采用基于天牛须搜索的装载机铲掘轨迹规划方法进行自主铲掘作业时,单位铲掘重量油耗的平均值仅为14.13 ml·t^(-1),与人工铲掘作业相比降低达20.35%。

基于二次插值的天牛须搜索算法

针对天牛须搜索算法在高维空间中搜索精度低和易陷入局部最优的问题进行了研究,提出一种新的天牛须优化算法——基于二次插值的天牛须搜索算法(QIBAS)。算法在天牛进行移动后,将天牛当前位置左右两触须作为插值坐标点,利用二次插值生成一个新的解,再对比插值产生的解与当前最优解、全局最优解的适应度值,更新全局最优解。对多个单峰函数和多峰函数进行数值仿真测试,其维度分别取100、500、1000、5000、10000。仿真结果表明,引入二次插值有效提升了BAS算法跳出局部最优的能力。QIBAS在求解最优值时,其求解精度有极大的提升,收敛速度也有较明显提升,改进算法的有效性得以验证。

基于天牛须搜索优化的室内定位算法

室内定位技术受到广泛的关注,基于接受信号强度指示(RSSI)的测距技术目前在节点定位中得到广泛应用.在基于RSSI测距的基础上,提出将天牛须搜索优化(BAS)算法应用到室内定位中.首先通过RSSI测距获得未知节点与锚节点之间的距离,在计算距离时对数据进行了预处理,从而提高测距的精度.然后引入BAS算法计算出未知节点的位置坐标.通过与粒子群定位算法(PSO)和遗传定位算法(GA)对比试验结果,验证了BAS定位算法对室内定位效率的提高更加明显.

基于改进天牛须搜索优化SVM的车辆变速箱故障诊断

针对支持向量机(SVM)在车辆变速箱故障诊断中性能受参数影响较大的实际,在研究天牛须搜索(BAS)的基础上,提出基于改进天牛须搜索(IBAS)优化SVM的车辆变速箱故障诊断新方法。相比于BAS,IBAS对步长公式进行了修正,同时增加了高斯变异行为,使得算法前后期的搜索能力得到了平衡且具有跳出局部最优的能力,能够获得更优的SVM参数。车辆变速箱故障诊断结果表明,所提方法有效提高了故障诊断的精度,相比于其他几种方法效果更优。

改进天牛须搜索算法的工控系统入侵检测

为解决工控系统计算资源有限,但对入侵检测时间敏感、检测精度要求高的问题,提出一种将模型训练与检测分离的迁移训练方法。将分类算法预测模型的训练任务迁移到工控系统之外的计算设备,工控系统通过高速网络实时获得预测模型的更新并将检测到的具有训练价值的样本上传。为使模型达到良好的检测效果,提出一种随机属性约束策略对天牛须搜索算法进行改进,利用改进后的天牛须算法对XGBoost分类算法进行参数寻优。实验结果表明,该方法检测率高、误报率低、检测速度快,适合工控系统入侵检测。

改进天牛须搜索优化神经网络的港口货运量预测

为对港口货运量进行科学精准预测,结合天牛须搜索(beetle antennae search, BAS)算法和蒙特卡洛准则,提出一种改进BAS的Elman神经网络预测模型。收集上海港1989—2018年内的货运量以及当地各项经济数据,建立港口货运量预测评估体系,对各项影响因子进行预处理,消除数据冗余信息对预测的影响,对预处理后的数据进行仿真测试。实验结果表明,该模型预测准确率可达95%以上,有效地提高了港口货运量的预测精度。

基于天牛须搜索的无人机路径规划算法的鲁棒性分析

为考察无人机(Unmanned aerial vehicles, UAVs)在飞行过程内、外部环境干扰对基于天牛须搜索(Beetle antennae search,BAS)算法的无人机路径规划算法,即OABAS (Obstacle avoidance beetle antennae search)算法的影响,采用抗噪分析模拟的方法对OABAS算法进行鲁棒性分析。首先构建了噪声干扰下无人机的运动场景,包括静态障碍物场景和动态障碍物场景;然后通过对场景中的路径参数添加高斯白噪声,模拟了无人机飞行过程中的定位干扰;最后在不同种类的地图上对OABAS算法进行模拟实验,包括二维平面上规则和不规则的障碍物以及真实三维地图,通过对比添加噪声干扰前后代价函数值的收敛情况,分析了该算法在受到噪声干扰下的鲁棒性,以分析天牛须搜索的无人机路径规划算法的性能。结果表明:OABAS算法具有较强鲁棒性,在添加噪声前后进行路径规划均有较好的表现。

基于采用天牛须搜索算法优化神经网络的可见光室内定位方法

针对基于神经网络的可见光室内定位技术存在训练速度慢、泛化能力弱而导致定位精度不高的问题,提出采用天牛须搜索(BAS)算法优化神经网络的可见光定位方法,搭建了0.8 m×0.8 m×0.8 m的实测模型。该方法使用BAS算法优化神经网络的连接权重矩阵,拟合了室内无线信道参数,实现室内定位。仿真与实验结果表明:该方法仿真时的平均定位误差不超过3.42 cm,比神经网络训练速度提升40%;实验时,在高度h=0.25 m的平面测得平均定位误差不超过4.0 cm。

基于变步长天牛须搜索算法的光伏系统 MPPT控制研究

针对传统最大功率点追踪(MPPT)算法失效,而常见的智能优化算法(如粒子群算法)存在着收敛速度慢、收敛精度差、参数要求高、系统稳定性差等问题,对算法结构简单、收敛速度快、精度高的天牛须搜索(BAS)算法进行改进,提出了基于变步长天牛须搜索(VSBAS)算法的MPPT控制方法。将该方法与传统的扰动观察法和粒子群算法在Matlab/Simulink中进行仿真实验对比,实验结果验证了该方法的可行性及优越性。

基于变分模态分解和天牛须搜索的磁瓦内部缺陷声振检测

在磁瓦内部缺陷声振检测中,具备可预设尺度和自适应能力的变分模态分解(Variational Mode Decomposition,VMD)在处理相关声振信号时具有明显优势。然而VMD的参数选择范围广且对分解效果影响大,为解决参数的统一预设问题,提出一种基于天牛须搜索(Beetle Antennae Search,BAS)的VMD参数优化方法,并应用于磁瓦内部缺陷检测。该方法首先根据声振信号特点建立基于模态能量和模态中心频率变化规律的目标函数;再利用BAS在参数空间中搜寻目标函数最大值,所需的VMD统一预设参数即为该最大值所对应的参数组合;最后,在该优化参数下对逐个信号进行VMD处理并提取模态中心频率特征,进而由支持向量机完成特征识别。试验结果表明,所提出的方法能有效优化VMD参数并实现磁瓦内部缺陷的快速精准检测。

天牛须搜索与遗传的混合算法

天牛须搜索算法(BAS)具有搜索快和执行简单的特点,但在多峰复杂函数优化中易陷入局部极值.遗传算法(GA)的全局搜索能力强,但收敛速度缓慢,收敛精度不高.针对二者的优缺点,本文提出天牛须搜索与遗传进化混合的优化算法.首先,在BAS算法中设计多方向探索反馈策略来增加算法的搜索能力,并将其嵌入到GA算法中,加快GA的全局收敛速度,然后在GA算法中采用扩展的多子代竞争交叉和自适应调整参数的方式来维持种群的多样性,避免了局部极值问题,进一步提高了算法的寻优性能.对测试函数的优化结果分析表明,与其它几种混合算法相比,该混合算法具有更高的收敛精度和优化性能,并且在复杂函数中有更好的普适性.