t分布与螺旋黏菌搜索的混沌自适应秃鹰搜索算法

针对秃鹰搜索算法搜索精度低、收敛速度慢及易于陷入局部最优的不足,提出t分布与螺旋黏菌搜索的混沌自适应秃鹰搜索算法.首先引入混沌Bernoulli映射进行种群初始化,丰富种群多样性;然后在搜索空间猎物阶段利用螺旋黏菌搜索策略依搜索进程动态修正位置更新方式,提高算法全局搜索能力和收敛精度;在俯冲捕获猎物阶段引入自适应惯性权重策略平衡算法全局搜索与局部开发,提高算法求解精度;最后利用t分布随机扰动策略依概率对种群个体变异,增加算法跳离局部最优、找到全局最优的概率.利用基准函数对算法寻优性能进行实验评估,并引入Wilcoxon秩和检验评估算法搜索性能.结果表明:改进秃鹰搜索算法在寻优精度和收敛速度上都得到了更大提升.

基于秃鹰搜索算法优化的三维多无人机低空突防

三维空间环境复杂,多无人机的低空突防航迹规划计算量大,现有多目标秃鹰搜索算法存在求解易趋于中心点及精度低的缺陷,为此提出基于改进多目标秃鹰搜索算法(IMBES)的三维多无人机低空突防方法.构建三维环境模型、威胁源模型、无人机物理约束模型、多无人机协同约束模型以及路径平滑度约束模型,确定多目标代价函数.设计耦合混沌映射初始化,有效提高初始化种群质量;设计基于“侦察鹰”的自适应高斯游走策略,平衡开发与搜索能力;引入快速非支配排序,进一步提高算法效率.利用秃鹰位置与无人机速度、转弯角度、爬升角度的对应关系,采用IMBES高效搜索无人机构型空间,找到最优的帕累托前沿.实验结果表明,IMBES的成功率为70.5%.与现有路径规划方法相比,所提方法的优化能力强、能耗低,适用于多无人机协同低空突防.

融入动态学习与高斯变异的自适应秃鹰搜索算法

针对标准秃鹰搜索算法寻优时存在的初始种群分布不均匀、个体适应性差和易陷入局部最优等问题,提出一种改进的秃鹰搜索算法应用于求解函数优化问题。首先,引入Circle混沌映射丰富初始种群的多样性,在搜索空间阶段引入一种非线性权重自适应地调整算法搜索与开发的能力;其次,令螺旋搜索过程中秃鹰领导者个体向具有代表性的秃鹰个体进行动态学习,产生出适应性强的秃鹰个体;最后,对最佳搜索位置的秃鹰个体执行高斯变异策略,根据个体适应度大小择优更新曲线俯冲过程中的秃鹰领导者个体,种群中多数秃鹰个体的适应性得到增强,能够一定程度上避免算法在函数寻优时出现的停滞局面。通过在若干基准测试函数与部分CEC2017函数的对比实验验证了本文算法的优越性。

基于秃鹰搜索算法优化ELM的锂电池剩余寿命预测

提出了一种基于多种数据驱动法融合来实现电池剩余使用寿命预测的方法。首先分析了电池寿命的相关特征参数,选取相关性较高的参数作为间接健康因子;然后构建了秃鹰搜索算法和优化极限学习机的组合预测模型;最后通过使用NASA电池数据集验证了该预测模型的可行性和准确性。结果表明,相较于神经网络和极限学习机的预测方法,文中模型的预测均方根误差均小于2%,预测精度更可靠、更精确。

嵌入翻筋斗策略的自适应秃鹰搜索算法及其应用

针对秃鹰搜索算法(BES)容易陷入局部最优与求解精度低等问题,本文提出一种改进的秃鹰搜索算法。首先,通过Circle混沌序列取代原始算法中随机产生的初始种群,提升了初始种群的多样性;其次,在算法搜索选择空间阶段中,结合自适应权重对秃鹰个体位置进行更新,平衡算法的搜索与开发能力;最后,利用翻筋斗觅食策略更新后续阶段秃鹰领导者个体位置,并融入精英差分变异增强算法跳出局部最优的能力。在多个标准测试函数进行对比仿真实验,并应用改进算法对随机森林分类参数进行优化,实验结果表明,改进后的算法在求解效率方面有较大提升,且求解精度与分类准确率也优于传统算法。

基于自适应秃鹰搜索算法的无人机三维路径规划

针对秃鹰搜索算法(BES)在寻优时易陷入局部最优、搜索效率低,且全局搜索精度不高等不足,提出一种自适应秃鹰搜索算法(ABES)并应用于无人机的三维路径规划问题。在算法的选择阶段,将控制螺旋轨迹的参数由定值修改为自适应调整,从而提高算法的全局探索能力和收敛速度,改善算法性能。通过创建仿真三维地理环境来模拟真实场景下的无人机飞行状况,利用ABES算法解决路径规划问题。通过对比实验,有效测试了ABES算法在通过各种地形地貌下的优异能力。实验结果证明ABES算法的性能相对BES有所提升,能够快速、稳定、有效地解决三维路径规划问题。

基于秃鹰搜索算法优化的FastSLAM算法

针对FastSLAM算法存在的粒子退化和多样性丢失导致定位与建图精度下降的问题,提出了一种基于秃鹰搜索算法(BES)优化的FastSLAM算法(BES-FastSLAM)。BES-FastSLAM算法借助其特有的搜索机制,可以在粒子初始化阶段引入更丰富的粒子,增加粒子多样性,帮助FastSLAM算法跳出局部最优解的束缚,增强全局搜索能力。同时,BES-FastSLAM算法的速度和位置更新机制可以动态调整粒子群的速度和位置,使FastSLAM算法更快地收敛到全局最优解。仿真实验验证了BES-FastSLAM算法相较于FastSLAM算法拥有更高的计算效率和定位精度。

改进秃鹰搜索算法优化SVM的变压器故障诊断研究

支持向量机(supportvectormachine, SVM)用于变压器故障诊断时,其核函数参数g和c的最优值难以根据人工经验选取,故障诊断准确率较低;而秃鹰搜索算法(bald eagle search, BES)存在易陷入局部最优和收敛精度低的缺陷。针对以上问题,提出一种改进秃鹰搜索算法(Ct-GBES)优化SVM参数g和c的变压器故障诊断模型。采用tent混沌映射、自适应t-分布及动态选择、黄金正弦算法对BES的3个阶段进行改进和优化,以提高算法的收敛速度和搜索能力。通过与原始BES、布谷鸟算法(cuckoo search, CS)和萤火虫算法(firefly algorithm, FA)的寻优对比测试,验证了Ct-GBES算法的优越性。将Ct-GBES-SVM模型与SVM、FA-SVM、CS-SVM模型进行故障诊断实验对比,并与BES-SVM模型进行稳定性实验对比。结果表明,所提模型准确率更高、稳定性更好、运行时间更短,其故障诊断效果更好。

基于秃鹰搜索算法优化SVM的变压器故障诊断

针对支持向量机(support vector machines,SVM)变压器故障诊断模型存在正确率低、运行时间长的问题,提出一种基于秃鹰搜索算法(bald eagle search,BES)优化SVM的变压器故障诊断模型。首先,选取4个测试函数对BES算法进行性能测试,并与布谷鸟算法(cuckoo search,CS)、人工蜂群算法(artificial bee colony,ABC)和萤火虫算法(firefly algorithm,FA)进行对比,结果表明BES算法不论是收敛速度还是泛化能力都有更好的优化性能。然后,采用BES算法对SVM的核函数参数g和c进行优化,建立了基于油中溶解气体分析(dissolved gas analysis,DGA)的BESSVM变压器故障诊断模型,并与ELM、SVM、CS-SVM、ABC-SVM、FA-SVM故障诊断模型进行仿真实验对比。结果表明,BES-SVM故障诊断模型综合正确率为98.67%,比上述对比故障诊断模型分别提高了22.67%、20%、13.34%、12%、10.67%,且运行时间最短,所提BES-SVM变压器故障诊断模型具有更好的故障诊断效果。

融合黄金正弦算法和纵横交叉策略的秃鹰搜索算法

针对传统秃鹰搜索算法(BES)存在容易陷入局部最优、收敛速度慢等缺点,提出一种融合黄金正弦算法(Gold-SA)和纵横交叉策略的秃鹰搜索算法(GSCBES)。首先,在传统BES的搜索阶段设置基于惯性权重的位置更新公式;然后,在捕食猎物阶段引入Gold-SA;最后,引入纵横交叉策略对全局最优和种群进行修正。对11个Benchmark函数和CEC2014函数进行仿真实验并使用Wilcoxon秩和检验的方式评估所提算法的寻优能力,结果表明,所提算法收敛更快;同时,使用所提算法对反向传播(BP)神经网络模型的权值和阈值进行赋值,并将优化的BP神经网络模型用于空气质量的预测中,平均绝对误差(MAE)、均方根误差(RMSE)、均方误差(MSE)、平均绝对百分比误差(MAPE)值均小于BP神经网络模型以及基于粒子群优化(PSO)的BP神经网络模型,预测精确度有所提高。

混合策略改进型秃鹰搜索算法

目的针对秃鹰搜索算法(Bald Eagle Search,BES)在函数优化时存在寻优精度低,易陷入局部最优等问题,提出一种混合策略改进型秃鹰搜索算法(Hybrid Strategy Improved Bald Eagle Search,HSIBES);方法首先利用Logistic映射策略初始化种群,使种群分布更加均匀,其次在搜索空间阶段引入莱维飞行,控制步长,改善收敛效果并跳出局部最优,最后在搜寻空间食物中使用自适应惯性权重,提高收敛速度与精度,平衡算法的局部与全局搜索能力;结果将HSIBES算法与其他五种基准算法以及其他学者改进的算法进行对比,通过在9个测试函数上进行仿真实验,并进行Wilcoxon秩和检验验证HSIBES算法的性能,发现HSIBES的结果优于其他对比算法,与其他对比算法之间具有显著性差异;结论实验结果表明:HSIBES算法的寻优精度,收敛速度以及稳定性都更好,算法的性能更具优越性。

融合自适应惯性权重和柯西变异的秃鹰搜索算法

针对基本秃鹰搜索算法存在收敛速度慢、易陷入局部最优的缺点,提出了一种融合自适应惯性权重和柯西变异的秃鹰搜索算法(CBES).首先使用Tent混沌映射初始化种群,保留了种群的多样性;其次,引入自适应惯性权重,加快算法的收敛速度,增强算法的局部开发能力;最后将柯西变异算子整合到当前全局最优位置进行变异更新,提高算法陷入局部最优的能力.通过12个单模态、多模态基准测试函数对CBES、BES、FPA、MFO、PSO 5种算法进行实验对比,实验结果表明了改进后的算法在收敛速度和精度方面均得到了提升.同时将该算法应用到实际工程中,验证了算法的扩展性和适用性.

秃鹰搜索算法的优化及图像分类应用

针对秃鹰搜索算法(BES)存在求解的稳定性差且准确性低,鲁棒性差等缺点,提出了一种基于秃鹰搜索算法的新型算法(NBES).首先,在BES算法的选择搜索空间阶段融合正余弦优化机制算法,构建融合后的位置更新公式.其次,在BES算法的搜索空间猎物阶段加入惯性权重自适应位置更新策略.最后,在BES算法俯冲阶段融合萤火虫优化机制算法,重新定义位置更新公式.通过11个标准测试函数验证NBES算法性能,实验表明,NBES算法寻优准确性、收敛速度、鲁棒性都优于BES算法.为了验证新算法的实际应用价值,利用NBES算法优化卷积神经网络(CNN)中的超参数学习率,并将优化后的图像分类模型用于医学影像病理性分类预测,实验表明,经过优化的CNN模型分类精度提高9%.

基于秃鹰搜索算法优化LSTM的短期风速预测

为了实现短期风速的精准预测,提出了一种基于秃鹰搜索算法优化长短时记忆神经网络的短期风速预测方法。将风速、风向、温度和气压作为特征量,采用秃鹰搜索(bald eagle search,BES)算法对长短时记忆神经网络(long short term memory,LSTM)的隐含层单元数量、正则化系数和初始学习率三个超参数进行优化,建立基于BES-LSTM的短期风速预测模型。采用实际风电场相关数据进行仿真分析,并与其他风速预测方法进行对比,结果表明,本文所提BES-LSTM模型预测结果的方均根误差、平均相对误差和可决系数分别为0.182、3.742%和0.992,各项指标均优于PSO-LSSVM模型和SSA-ELM模型,短期风速预测效果更好。

基于改进秃鹰搜索算法的含分布式电源配电网分区故障定位

为解决含分布式电源多分支配电网故障定位中存在快速性和准确性难以兼顾的问题,提出了一种基于改进秃鹰搜索算法的分区故障定位模型。首先利用Sinusoidal映射的均匀分布特性生成初始化种群,通过交叉算子、非均匀变异算子和翻筋斗觅食策略来改进秃鹰的位置更新方式,提高算法的开采和勘探能力。其次构建考虑分布式电源的开关函数和目标函数,在此基础上借鉴“黑盒方法”建立含分布式电源配电网等效分区模型,并加入定位矫正机制保障定位的准确率。最后在含分布式电源多分支配电网中进行仿真验证。与传统的秃鹰搜索算法分区定位模型相比,求解速度平均提高了30.5%,准确率平均提高了1.72%。且在不同故障位置和不同畸变点数情况下,改进秃鹰搜索算法分区定位模型均能够快速准确地定位出故障所在区段。

基于秃鹰搜索算法优化支持向量机的电力系统故障预测方法研究

针对电力系统故障预测准确率低、预测模型受参数限制等问题,笔者通过对人工智能算法优化的研究,提出基于秃鹰搜索算法优化支持向量机的电力系统故障预测方法。通过采用Matlab仿真软件建模,模拟生成电力系统多种故障,应用秃鹰搜索算法优化计算支持向量机最优的核函数和惩罚因子,实现对电力系统故障进行预测和诊断。实验结果表明:该方法在电力系统中预测故障的准确率高达99.94%,相比其他算法,其准确率均大幅提高,预测效果优势显著。该方法的应用能够提升电力系统故障预测的有效性。

基于秃鹰搜索算法和极限学习机的股票价格预测模型

近年来,股票价格预测受到学者的广泛关注。然而,股票市场中存在许多相互关联的因素,预测股票的价格是一项具有挑战性的任务,需要一个完整而高效的特征选择过程来确定包含信息量最大的特征因子,并使用科学的模型利用特征因子中包含的信息来达到准确预测的目的。基于此,文章提出基于秃鹰搜索算法的特征选择方法,并使用极限学习机挑选出来的特征构建股票价格预测模型来预测股票收盘价格,即基于秃鹰搜索算法和极限学习机的股票价格预测模型(BES-ELM)。为验证模型的优越性,文章从上证50挑选出5只股票,并计算其28个特征来作为样本数据。研究结果表明:相对基于粒子群算法的模型,文章提出的模型具有更明显的优越性。

融合多策略的改进秃鹰搜索算法

针对秃鹰搜索算法(BES)存在全局搜索性能与局部开发能力不协调、易陷入局部最优等缺陷,提出一种融合多策略的改进秃鹰搜索算法(IBES).采用凸型自适应控制因子使算法在迭代寻优过程中可根据搜索进程动态调整位置更新方程以修正模型,实现自适应寻优,有效平衡算法的全局搜索性能和局部开发能力;引入折射反向学习机制可对问题当前解在其解空间内进行折射反向学习找到与之对应的折射反向解,增加寻到最优解的概率,提升算法求解精度和收敛速度;同时,利用定向重组与诱导突变策略实现种群个体多维信息的重组和突变,提升个体质量和种群多样性,增加算法跳出局部最优的机率,提高搜索精度.以最优值、平均值、标准差和平均收敛代数作为算法性能的评价指标,对10个不同基准测试函数进行数值仿真实验,实验结果验证了所提改进方法的有效性及IBES算法的优越性.此外,经IBES算法优化后的PID神经网络控制器响应速度快、超调量小、调节时间短,进一步验证了算法的实用性.

基于秃鹰搜索算法优化BP神经网络的机器人控制模型

为了实现机器人的精准控制,本文采用秃鹰搜索算法对BP神经网络的阈值和权值参量进行寻优,提出了一种基于秃鹰搜索算法优化BP神经网络的机器人控制模型。将该模型的控制效果与BP神经网络和极限学习机进行对比,结果表明,BES-BP模型的控制结果的正确率为100%,计算时间为181.37s,在正确率和计算时间方面均优于两种对比方法,验证了BES-BP模型在机器人控制方面的实用性和优越性。

改进秃鹰搜索和K均值混合迭代的点云简化算法

针对激光雷达的固有特性和复杂环境易造成点云噪声和冗余点云,以及传统点云简化算法忽略了点云固有特征等问题,提出了一种基于改进秃鹰搜索和K均值聚类(KMC)混合迭代的点云简化算法(IBESSA)。首先,通过秃鹰搜索(BES)算法迭代阶段的竞争融合(CFBES),提高其收敛速度和优化精度;其次,通过CFBES和KMC算法的混合迭代,实现了点云数据的聚类;然后,在k近邻(k-NN)实现点云簇密度估计的基础上,结合香农熵实现点云信息量化;最后,删除信息量化值小于阈值的聚类簇,完成点云数据简化。使用UCI国际标准数据集和斯坦福点云数据集分别对CFBES-KMC算法的聚类效果及点云的简化效果进行验证,结果表明:与改进飞蛾扑火的K均值交叉迭代、K-means++、模糊C均值聚类算法的聚类效果相比,CFBES-KMC算法的聚类准确率分别提高了1.02%、12.31%、14.72%;在斯坦福点云数据集上,IBESSA算法在有效滤除冗余点云的基础上保留了原本点云的细节和形状特征,不失为一种高效的点云简化算法。