改进沙猫群优化算法的2D-OTSU多阈值图像分割

针对传统多级阈值图像分割方法精度低、收敛速度慢的问题,提出一种改进的沙猫群优化算法(Improved Sand Cat Swarm Optimization, ISCSO)用于全局优化,并应用于2D-OTSU多阈值图像分割任务。通过使用Henon混沌映射和反向折射机制初始化种群,使得种群的分布更加均匀,提高搜索的起始状态,从而增加算法的全局搜索能力;采用非线性灵敏度更新公式来平衡搜索多样性和收敛精度;引入可变螺旋搜索策略改进位置更新算法,以确保算法具有较好的搜索多样性和跳出局部最优解的能力。选取6张测试图像对ISCSO算法进行2DOTSU多阈值图像分割实验,采用峰值信噪比(PSNR)、特征相似性指数(FSIM)和结构相似性指数(SSIM)对实验结果进行评价。实验结果表明,基于ISCSO算法的2D-OSTU多阈值图像分割方法在图像分割任务中85.2%的结果优于对比算法,具有较强的搜索精度和收敛速度,这证明了ISCSO算法在图像分割领域的有效性和潜力。

基于沙猫群优化算法的拱坝热学参数反演分析

在混凝土温度场计算中,热学参数对计算结果的准确性有着很大影响。为了得到更加符合现场实际情况的热学参数值,提出了一种基于沙猫群优化算法的拱坝热学参数反演方法。通过12种不同的测试函数,验证了沙猫群优化算法的性能相比于其他3种传统优化算法有着一定的优势。同时,考虑到环境温度变化和多级冷却通水的影响,应用沙猫群优化算法对白鹤滩拱坝混凝土浇筑仓热学参数进行了反演。通过反演结果证明了沙猫群优化算法应用到工程实践中的合理性和可靠性,可以满足实际工程的精度需求。

基于改进沙猫群优化算法的绿色多式联运路径优化

为了解决整车多式联运物流过程中涉及的因素种类多,各方面成本难以平衡,且对节能减排要求较大的问题,综合考量运输成本、中转成本、风险成本、燃料消耗成本、碳排放成本和服务时效成本六个部分,并且加入对货运新能源车能耗排放的考虑,构建了一种绿色整车物流多式联运模型,该模型能够更好地反映出实际整车多式联运物流过程中的成本构成。为了更好地求出合理的配送方案,提出了一种混合沙猫群优化算法,在沙猫群优化算法的基础上,通过随机分布和Kmeans聚类算法优化初始沙猫的位置,并引入粒子协同机制和随机游走策略。通过与其它在基准函数中测试的算法进行比较,证明了所提算法在收敛精度和速度上都具有更好的性能。最后,将所提算法用于实际多式联运整车物流运输问题,实验结果表明,混合沙猫群优化算法在解决多式联运路径规划问题方面具有很大的优势。

基于离散沙猫群优化算法的焊接路径规划

为实现对焊点焊接的最优路径规划,减少焊接路径长度,提高焊接效率,提出离散沙猫群优化算法。以汽车后门饰板为例,建立焊接路径规划优化模型。将沙猫群优化算法初始化改为最近邻初始化,使用5个离散转换算子及其随机组合和交叉操作实现沙猫觅食、攻击阶段的离散化,增加全局记忆功能,嵌入模拟退火算法更新准则和改进的3-opt算法,使得算法不易陷入局部最优解,提高算法性能。在6个标准算例和一个汽车后门饰板实例上验证了所提算法的有效性,相对于其他几种算法所得的结果更优,且更稳定。

融合麻雀搜索算法和柯西变异策略的沙猫群优化算法

针对原始的沙猫群优化算法在迭代后期搜索效率低,容易陷入局部最优的问题,提出了一种多策略改进的沙猫群优化算法(ISCSO).首先,通过融合麻雀搜索算法的搜索机制策略,提高了沙猫靠近和捕获猎物的速度,有效地提升了算法后期的搜索能力.其次,为避免算法出现早熟收敛现象,引入limit阈值判断算法是否陷入局部最优.最后,采用柯西变异策略,改变个体所处位置,提高种群多样性,使算法跳出局部最优.通过在6种不同类型的基准测试函数上进行仿真,对实验结果进行数值分析,结果表明:改进后的沙猫群优化算法在求解高维复杂问题上具有精度高、收敛速度快、鲁棒性强等优势.

基于沙猫群优化算法和BP模型的光纤陀螺温度补偿研究

为有效补偿光纤陀螺输出精度的温度误差,分析了光纤陀螺温度误差产生机理,基于沙猫群优化算法(Sand Cat Swarm Optimization,SCSO)优化后的反向传播(Back Propagation,BP)神经网络,建立了SCSO-BP温度补偿模型,并对某高精度光纤陀螺进行了温度补偿实验。实验结果表明:在-40~70℃环境下,该方法补偿后的光纤陀螺温度漂移相较于补偿前减小了近95%,相较于BP神经网络补偿算法减小了86%左右,相较于蜣螂优化算法优化后的BP温度补偿模型减小了近58%;该模型在对新鲜样本的补偿过程中表现出了较为优越的泛化性能。

改进沙猫群优化算法优化堆叠降噪自动编码器的发动机故障诊断

车辆发动机振动信号受到噪声干扰,影响故障诊断精度,而堆叠降噪自动编码器(SDAE)可以有效抑制噪声干扰,但SDAE模型超参数对诊断性能影响较大,不合理的模型超参数容易引起SDAE诊断性能不佳。因此,文中采用一种新型沙猫群优化算法(SCSO)对SDAE参数进行优化选取。考虑到沙猫群优化算法(SCSO)中沙猫群种群缺乏变异机制的缺陷,在其探索阶段和开发阶段分别引入柯西变异机制和高斯变异机制,得到了改进沙猫群优化算法(ISCSO),并提出了SCSO优化SDAE的发动机故障诊断方法。发动机故障诊断实例结果表明:与其余5种方法相比,所提方法的平均诊断精度提高了1.47%~6.5%,平均耗时缩短了5.29~19.44 s。

沙猫群优化算法规划核辐射探测机器人移动路径

为提高核辐射探测机器人路径规划效果,利用沙猫群优化算法(SCSO)规划核辐射探测机器人路径。在介绍了SCSO基本原理和通过4个基准测试函数对SCSO性能进行验证的基础上,将SCSO应用于核辐射探测机器人路径规划中,并以移动路径最短为目标进行了一种仿真场景和一种真实场景的路径规划实例验证。结果表明,SCSO算法得到的移动路径最短,能够更快更稳定地寻找到放射源,具有一定的优势。

改进沙猫群优化算法的机器人路径规划

为了寻找更优的机器人移动路径,将沙猫群优化算法与三次样条插值方法进行融合,对沙猫群优化算法进行改进。在改进的沙猫群优化算法中,利用混沌映射的均匀性初始化种群以提高种群多样性;通过融合互利共生和莱维飞行策略减少局部最优解的消极影响,提高算法的收敛速度和精度。通过两种仿真实验对比6种优化算法的实验数据,结果表明,改进的沙猫群优化算法的最优解、最差解和平均解都优于对比算法,验证了改进沙猫群优化算法对于解决移动机器人路径规划问题的有效性和工程实用性。

改进沙猫群优化算法的无人机三维路径规划

为提高无人机在复杂三维障碍环境中的路径规划效率及准确性,提出一种融合准反向学习策略的沙猫群优化算法.根据实际情况构建适合本场景的数学模型,再通过成本函数将三维路径规划问题转化为目标函数求解问题,同时考虑无人机的安全性、偏航角和俯仰角等相关约束,从而找出最优飞行路径.仿真实验结果表明,在相同障碍环境下进行多次重复实验,沙猫群优化算法只有约40%概率能够寻找到满足相关约束的最优飞行路径,而融合准反向学习策略的沙猫群优化算法能够准确找出最优飞行路径且在不同的障碍环境下也能够高效寻找最优路径.

基于改进SCSO算法的光伏MPPT研究

在解决光伏阵列在局部遮挡时发电效率降低的问题时,传统最大功率点追踪(MPPT)方法容易追踪失败。为此,提出一种改进沙猫群优化算法的最大功率点追踪方法。该算法在标准沙猫群算法的基础上,引入了精英反向学习和自适应t分布,同时优化沙猫群算法(SCSO)的局部搜索并融合Jaya算法。通过对4种典型单峰、多峰函数的测试,证明该算法具有极高的收敛速度,容易跳出局部最优值。将算法应用于MPPT控制中,仿真结果表明:在静态遮荫情况下,所提方法的搜索最大功率点的时间更少;在动态遮荫条件下,重新搜寻到最大功率点的响应时间平均为0.2 s。实验表明所提算法可以适应动态变化的天气,解决了传统算法收敛速度和防止陷入局部最优等问题。

基于SCSO-BP神经网络的卫星姿态控制系统故障预测

近年来,随着人工智能的迅速发展,基于人工神经网络的卫星姿态控制系统故障预测方法得到了越来越多的重视。在反向传播(Back Propagation,BP)神经网络中,权重和偏置是重要的可调节参数,与神经网络的预测性能密切相关。BP神经网络的初始权重和偏置为随机生成,设置不当容易导致网络在训练过程中陷入局部极值,进而影响预测性能。为了提高BP神经网络的预测性能,提出了一种将沙猫群优化(Sand Cat Swarm Optimization,SCSO)算法与BP神经网络相结合的预测方法。在训练过程中,首先通过SCSO算法对BP神经网络权重和偏置进行预训练,在此基础上,利用精调后的BP神经网络对卫星姿态控制系统周期渐变故障数据的未来趋势进行预测。实验结果表明,与原始BP神经网络预测方法相比,SCSO-BP预测方法能够有效减小预测误差,具有更好的预测精度。

一种基于KPCA-SCSO-SVM的装甲车发动机状态评估方法

润滑油在发动机各部件间流动时,不仅发挥其应有的功能,同时也承载了丰富的关于发动机运行状况的信息,能够有效地反映发动机状态.以某型装甲车底盘发动机为对象,提出一种对润滑油信息进行分析以实现发动机状态评估的方法.该方法基于核主成分分析(KPCA)和沙猫群优化(SCSO)算法优化的支持向量机(SVM),使用KPCA对收集的油液数据进行降维处理,得到的降维数据作为SVM的输入.随后,应用SCSO算法优化SVM的关键参数,建立状态评估模型.通过实际数据的实验验证及与其他几种状态评估模型的比较,结果显示该方法准确率达到了97.35%,能有效评估发动机状态,从而为发动机的维护提供重要参考.

基于ISCSO-BP-PID的SMB组分纯度模糊解耦控制方法研究

针对模拟移动床色谱分离系统中存在的强耦合、多变量、非线性和时滞等问题,提出了一种基于改进沙猫群优化算法的BP神经网络自调整PID参数的模拟移动床组分纯度模糊解耦控制方法。该方法首先通过模糊解耦消除了A、B组分纯度控制回路之间的耦合,然后结合改进的沙猫群优化算法和BP神经网络,实现了PID参数的自适应调整,从而有效控制A、B组分的纯度。在改进的沙猫群优化算法中,引入了Cubic混沌映射来初始化沙猫种群,以提高种群分布的均匀性;在搜索猎物阶段加入了可变螺旋搜索策略,使沙猫群拥有更多的搜索路径来调整自身位置;同时,融合了麻雀搜索算法的警戒机制,以加速算法的收敛速度。通过对12个CEC2022测试函数进行验证,证明了改进沙猫群优化算法的有效性。仿真结果表明,所提方法不仅能够有效消除A、B组分纯度控制回路间的耦合效应,而且在各个实际应用场景中均展现出卓越的性能。与传统的PID控制方法相比,在流量突变情况下,调节时间分别缩短了75.40%和77.57%,超调量分别减少了91.84%和81.96%。该方法具备较强的抗干扰能力和良好的鲁棒性,显著改善了整个系统的控制性能。

基于SCSO-BIGRU的大坝变形预测

针对传统预测模型调参难度大及预测精度不够高的问题,本文将沙猫群算法(SCSO)和双向门控循环单元(BIGRU)引入到大坝变形分析中,通过SCSO对BIGRU模型的参数进行自动寻优,构建了一种基于SCSO-BIGRU的大坝变形预测模型。以某大坝垂直方向监测数据为例,对SCSO-BIGRU模型和对比模型进行分析,结果表明,SCSO-BIGRU模型预测精度更高,其得到的均方根误差(RMSE)sRMSE、平均绝对误差(MAE)sMAE、相关系数R2分别为0.1115、0.1422、0.9971,各项精度评价指标均优于BIGRU模型和门控循环单元(GRU)模型,可为大坝变形精准预测提供参考。