基于改进蜉蝣优化算法的机器人磁定位方法

针对现有物流机器人自主导航停车充电方案在远距离时停车定位精度差,造成自动回充模式下移动机器人无法对准充电桩的难题,提出一种基于改进蜉蝣优化算法(MA-LM)的物流机器人停车定位方法。本文方法将多个磁传感器阵列的磁钉定位数据融合,提高物流机器人停车定位的定位精度和定向精度。为了量化评估磁钉定位的提升效果,本文方法使用9个磁传感器组成的传感器阵列和两轮差速移动机器人在充电桩场景测试。相较于遗传优化算法和粒子群优化算法,本文提出的MA-LM算法的定位精度具有优势,在停车定位环节使用MA-LM算法的物流机器人达到定位精度±1.65 mm和定向精度0.9°。

基于黄金正弦与自适应融合的蜉蝣优化算法

针对元启发算法中蜉蝣优化算法(MOA)的求解精度不高、收敛速度慢、稳定性不强等缺点进行研究,提出一种黄金正弦与自适应融合的蜉蝣优化算法。引入自适应惯性权重因子增强算法的搜索和开发能力达到更好的平衡;引入融合Lévy飞行策略和黄金正弦因子进一步改善易陷入局部最优的缺点,增强种群多样性,跳出局部最优。仿真结果表明,改进算法对于测试函数在求解精度、收敛速度和寻优能力上有显著提升。同时,为验证结果的可靠性和有效性,对该算法所得的数据进行统计检验、平均绝对误差分析、求解成功率分析。结果表明改进算法的稳定性、可靠性、鲁棒性都较MOA有所增强。另外,引入具体工程案例进行测试分析,进一步验证了该算法在工程上的适用性。

基于Logistic映射的蜉蝣优化算法

在高维复杂问题上,蜉蝣优化算法存在易陷入局部最优区域且求解精度较差等问题,因而提出基于Logistic映射的蜉蝣优化算法。引入依据Logistic映射的混沌机制,当种群进化停滞时,当前最优蜉蝣通过混沌机制寻找适应度更好的蜉蝣,以激发种群进化能力;建立较劣蜉蝣加速进化机制,激励蜉蝣个体以达到种群寻优要求;采用动态惯性权重均衡算法全局和局部的搜索性能。抽取5个benchmark函数测试算法性能,实验结果验证了所提算法在寻优性能上的有效性。

基于佳点集和莱维飞行原理的蜉蝣优化算法

针对蜉蝣优化算法(Mayfly Algorithm,MA)在求解多峰函数时容易发生早熟收敛而陷入局部极值的缺陷,提出了一种基于佳点集和莱维飞行原理的蜉蝣优化算法(JLMA).该算法首先采用佳点集初始化替代随机初始化,以增强初始种群的遍历性;然后修改了雄性蜉蝣的位置更新公式,消除了速度项对收敛速度的影响;最后,利用莱维飞行改变雄性蜉蝣位置的移动方向,防止算法陷入局部最优.在12个测试函数上的实验结果表明,JLMA算法能跳出局部最优,提高解的精度,寻优效果更好.

偏移进化蜉蝣优化算法

蜉蝣算法是一种受蜉蝣飞行及交配行为启发的新型群智能优化算法,具有良好的寻优性能,但其在求解高维复杂问题时依然存在因失效蜉蝣而影响算法效率的问题.鉴于此,提出一种偏移进化蜉蝣算法(migration evolutionary mayfly algorithm,MEMA).针对蜉蝣种群进行个体能力评价,剔除种群中生命周期较长但进化能力较弱的个体,同时以其为据点进行全局位置偏移,以获取新生个体.对新个体进行指向性动态进化训练,从而提升种群整体优化能力.最后在Matlab环境下,随机抽取了6个benchmark测试函数设计仿真实验以验证MEMA算法的有效性,实验结果表明,相比于其他5种对比算法,MEMA算法在低维及高维函数测试中均能更好地实现最优解搜索,在收敛精度、收敛速度以及鲁棒性等方面均具备一定优势.

基于正弦惯性权值反向蜉蝣优化算法

针对蜉蝣优化算法(Mayfly Algorithm,MA)早熟问题,提出一种基于正弦惯性权值反向蜉蝣优化算法。该算法采用准反向学习初始化替代随机初始化,在雌雄蜉蝣位置更新过程中引入准反向学习策略,将当前位置与反向位置反向学习,择优选择位置进入下一次迭代。基于正弦函数的周期性,将正弦函数、随机策略与惯性权值融合成正弦惯性权值策略以增强MA的搜索能力。仿真结果表明,所提算法在全局收敛性和收敛速度方面均明显优于其他算法,并在焊接梁设计中验证了该算法的实用性。

基于高斯扰动的反向蜉蝣优化算法

目的 解决蜉蝣优化算法收敛精度较低且易陷入局部最优解的不足。方法 将高斯扰动和混合反向学习策略与蜉蝣优化算法进行融合,提出一种基于高斯扰动的反向蜉蝣优化算法。该算法在雌雄蜉蝣种群中通过反向学习来扩大搜索空间,增加种群多样性;在迭代过程中对雄性蜉蝣的最优个体进行高斯扰动,防止算法陷入局部最优解。结果与结论将改进蜉蝣优化算法与其他7个对比算法在14个测试函数上进行数值实验,结果表明,改进蜉蝣优化算法具有更好的搜索能力和求解精度。

基于莱维飞行蜉蝣优化算法的光伏阵列最大功率点跟踪研究

在光伏阵列工作过程中,局部阴影遮挡会导致光伏阵列输出特性曲线呈现多个峰值,在这种情况下,通过传统算法很难控制光伏阵列工作在全局最优处。为了解决这一问题,本文将蜉蝣优化算法(MA)应用在光伏阵列最大功率点跟踪控制过程中,并且针对蜉蝣优化算法中速度惯性衰减速度缓慢导致系统需要经过较长时间的振荡后才可以收敛的问题,提出通过莱维飞行运动规律改进蜉蝣优化算法,从而使系统能够以更快的速度进入稳态。为了验证算法的高效性,在三种工作环境下分别通过粒子群算法(PSO)、蜉蝣优化算法和莱维飞行蜉蝣优化算法实现光伏阵列最大功率点跟踪控制,并且对比在不同算法控制下的输出功率曲线图,验证了莱维飞行蜉蝣优化算法的优越性。

改进的蜉蝣优化算法的经济负荷分配

针对电力系统经济负荷分配问题的多维、非线性、不可导和多约束等特性,提出了一种基于精英策略改进的蜉蝣优化算法。6个标准测试函数的测试结果显示该算法具备优秀的勘探和开采平衡性,有效避免过早收敛,同时具有高搜索精度和优化鲁棒性等特点。最后选取三个经典案例进行实证研究,并与遗传算法和粒子群优化算法进行对比,结果表明该算法能够有效解决电力系统的经济负荷分配问题,降低总发电成本并减少碳排放。

混合引力搜索的自适应反向学习蜉蝣优化算法

针对蜉蝣优化算法全局探索能力较弱,易陷入局部最优的不足,提出了两种改进策略:利用引力搜索算法更新蜉蝣的速度公式,以增强算法的全局探索能力和局部开发能力;对蜉蝣种群执行自适应反向学习策略,以提高算法的收敛速度及求解精度。将两种策略分别引入雌雄种群中得到六种算法变体。仿真结果表明,雄性种群混合引力搜索算法且雌性种群引入自适应反向学习策略的变体性能最好,命名为GSA-OMA算法。与8个元启发式优化算法相比,GSA-OMA算法具有更好的寻优精度和收敛速度。

改进蜉蝣优化算法在圆度误差评定中的应用

现代工业生产中,圆度误差在检验和评定零件生产质量方面有重要的参考价值。因此提出了一种改进蜉蝣优化算法(Modified Mayfly Optimization Algorithm,MMOA)用于弥补传统误差评定方法的不足即收敛速度慢和准确度低。该改进蜉蝣优化算法依据最小区域法的计算公式建立数学模型作为适应度评判标准。并针对基本蜉蝣优化算法(Mayfly Optimization Algorithm,MOA)的不足,通过引入柯西分布变异函数更新全局最优蜉蝣个体位置以及引入非线性自适应参数作为全体蜉蝣位置更新公式的惯性权重。并且在迭代过程中融合模拟退火算法使得个体受局部极值点约束力下降,提升算法的局部寻优能力和鲁棒性。最后为了证明MMOA的改进效果,进行了仿真实验。实验表明MMOA可以有效、正确地评价圆度误差且评定精度优于遗传算法、粒子群算法,在求解质量和稳定性上优于MOA,这为圆度误差评定问题提供了新的方法。

基于离散变邻域蜉蝣优化的装配作业车间调度算法

由于受到疫情影响,企业迫切地需要通过升级改造自动化柔性生产线来实现降本增效。在这一背景下,装配作业车间调度问题(Assembly Job Shop Scheduling Problem,AJSSP)再一次成为学术界和企业界的研究热点。AJSSP比普通作业车间调度问题多了一道装配阶段,故其存在前后工序相互制约和多机并行现象,问题求解也更加复杂。针对该问题,提出了一种基于离散变邻域蜉蝣优化算法(Discrete Variable Neighborhood Mayfly Algorithm,D-VNMA)的调度方法,主要工作如下:1)采用符合Lamarkian特性的编码解码机制,实现个体有效信息的迭代继承;2)使用Circle映射融合常见启发式算法初始化蜉蝣种群,保证种群的多样性;3)加入新的邻域探索策略,采用多种不同的邻域结构和搜索策略的差异组合,增加搜索方案的多样性,提高寻找局部最优解的搜索效率;4)提出改进的雌雄蜉蝣交配策略,提高算法全局探索能力,加快算法整体收敛速度。在实验过程中,通过试验设计(Design of Experiment,DOE)方法获得D-VNMA的最佳参数设置,并在不同规格AJSSP算例数据上将D-VNMA和其他算法进行比较。实验结果表明,D-VNMA得到最优解的概率提升了30%,且收敛效率最高可提升62.15%。

基于蜉蝣算法的负荷传感器优化机理研究

弹性体是负荷式传感器的核心部件,对其合理的设计是确保传感器性能优异的关键。为了研究负荷式传感器弹性体优化机理,首先,运用有限元法(FEM)分析不同结构参数对传感器灵敏度的影响,并用最小二乘法(LSM)将分析数据进行拟合,得到灵敏度和结构参数的数学模型;其次,将弹性体许用应力和尺寸范围作为约束条件,运用惩罚函数(SUMT)法,将约束条件融合到数学模型中,得到具有约束限制的数学模型;最后,用蜉蝣优化算法(MOA)对模型函数进行寻优,确定了弹性体最佳结构。将本文方法优化后的结果与FEM的优化结果进行对比,发现应用该方法优化后的弹性体灵敏度比FEM优化的灵敏度高6.83%,具有较高的应用价值。

基于混沌理论与蜉蝣优化K-means算法的变压器绕组松动故障特征分析方法

为了更加准确有效地对变压器绕组状态进行分析,提出了一种基于混沌理论与蜉蝣优化K-means算法的变压器绕组松动故障特征分析方法。首先,运用C-C法重构变压器振动信号的相空间,分析变压器振动信号的混沌特性,得到关联维数、Kolmogorov熵作为混沌特征。然后,将蜉蝣优化算法引入K-means聚类分析中,对高维相空间轨迹的簇中心选取进行优化,得到相轨迹的簇中心矩之和、矢径偏移,并作为几何特征。实验结果表明:变压器振动信号的最大Lyapunov指数均大于0,适用于混沌特性分析;由变压器振动信号计算出的混沌特征能够表征变压器绕组的松紧程度;同时,经蜉蝣优化的K-means算法得到的簇中心能够作为特征点提取整个相空间轨迹的几何特征,也能够区分绕组的松动故障;将两种特征结合能够实现变压器绕组状态的准确监测,从而为变压器绕组在线检修提供了一种理论依据。

基于KD树和混沌蜉蝣优化的并行谱聚类算法

针对大数据环境下并行谱聚类算法存在的节点负载不均衡、冗余计算、矩阵相乘时间开销大以及初始簇中心敏感等问题,提出了基于KD(k-dimension)树和混沌蜉蝣优化算法的并行谱聚类算法(PSC-MO)。首先,提出基于采样的KD-tree数据分区策略(DPS)划分数据,保证了节点间负载均衡;其次,在构建稀疏相似矩阵过程中,提出优化的分区分配策略(OPA)和基于三角不等式的KD树剪枝策略以进行跨分区的t近邻搜索,避免了过多的冗余计算;然后,提出正规化定理,通过元素对应相乘的方式代替矩阵相乘以优化Laplacian矩阵正规化过程,有效地减少了时间开销;最后,提出混沌蜉蝣优化算法(CMO),得到最佳位置作为初始簇中心后进行k-means并行聚类,解决了算法对初始簇中心敏感的问题。实验表明,PSC-MO算法不但具有良好的聚类效果,而且在大规模数据集上表现出了良好的数据和系统可扩展性。

太赫兹光谱在转基因菜籽油鉴别中的应用:基于改进蜉蝣算法的支持向量机模型

为实现对转基因和非转基因菜籽油的快速准确鉴别,结合太赫兹时域光谱技术,提出了一种基于改进蜉蝣优化算法的支持向量机模型.以两种转基因和两种非转基因菜籽油为研究对象,应用太赫兹时域光谱技术获取其光谱信息,发现相比于非转基因菜籽油,转基因菜籽油在太赫兹波段具有更强的吸收特性,同时它们的吸收光谱极为相似,难以通过观察法进行准确区分.为此,提出一种基于改进蜉蝣优化算法的支持向量机模型,通过采用蜉蝣优化算法对支持向量机参数进行寻优,并引入自适应惯性权重和Lévy飞行两种策略改进蜉蝣优化算法在寻优过程容易陷入局部最优解的问题,增强蜉蝣优化算法的全局搜索能力和稳健性.实验结果表明:改进后的蜉蝣优化算法能够更有效地寻找到支持向量机的最优参数组合,提升鉴别模型的整体性能,该模型对4种菜籽油的识别精度为100%.因此,本研究为转基因菜籽油的类型鉴别提供了一种快速有效的新方法,也为其他转基因物质的鉴别提供了有价值的参考.

具有稚虫迁徙机制的S型自适应混沌蜉蝣算法

针对蜉蝣优化算法(MA)全局搜索能力较弱,对子代优秀个体有效信息利用不够充分的缺点,以及在计算中后期易陷入局部收敛,进而影响优化效果的问题,提出一种具有稚虫迁徙机制的S型自适应混沌蜉蝣优化算法(S-AMA)。S-AMA算法首先采用Logistic混沌映射产生蜉蝣种群,增加算法初期种群的多样性;随后,将蜉蝣生命周期进行数学建模,并引入S型生命系数替换原有的重力惯性系数,动态调整算法探索能力和开发能力间的平衡性;最后,根据蜉蝣在缺氧环境下的种群活动,引入稚虫迁徙机制强化子代优秀个体摆脱局部最优的能力,进而更加充分地搜索最优解附近的区域,以增强算法的收敛精度。实验部分将S-AMA应用于标准函数测试集,并分别进行优化对比实验、Wilcoxon秩和检验。结果表明:与对比算法相比,S-AMA算法具有更好的寻优能力、收敛速度及鲁棒性。

改进蜉蝣算法求解认知车载网络频谱分配问题

针对传统认知车载网络频谱分配效率低、速度慢的问题,提出基于改进蜉蝣优化算法的频谱分配算法。以反向学习、动态惯性权重、多阶段动态扰动及正余弦优化交配机制提升标准蜉蝣优化算法的寻优性能;将频谱分配变量映射为蜉蝣个体位置信息,将网络吞吐量和接入公平性作为评估蜉蝣位置的适应度函数,利用改进蜉蝣算法搜索最优频谱分配方案。实验结果表明,改进算法的搜索精度和收敛速度都有所提升,能够更快得到频谱分配方案,车载用户收益和分配公平性方面也更有保障。

改进蜉蝣算法的移动机器人路径规划研究

针对传统蜉蝣算法在机器人路径规划领域应用时存在收敛速度较慢、精度差、稳定性不足等问题,提出了一种改进的蜉蝣算法。该算法引入了一种动态参数调整策略,使算法局部搜索与全局搜索能力达到更好的平衡,并融合了莱维飞行策略与跳出策略,避免了算法陷入局部最优。在20×20的地图环境下对改进的蜉蝣算法进行20次随机仿真实验,仿真表明本算法在求解精度和求解速度上均有较显著提升。同时,为进一步验证本文改进蜉蝣算法的可靠性和有效性,在30×30的栅格地图环境下对改进蜉蝣算法进行20次随机仿真实验,结果表明改进蜉蝣算法在可靠性和稳定性上也有所提升。

基于MA-RF的混凝土坝变形预测模型及其应用

针对传统随机森林算法在参数寻优及性能验证方法方面的不足,提出了一种基于蜉蝣优化算法和随机森林(MA-RF)的混凝土坝变形预测模型。以某混凝土重力坝变形监测为例进行建模分析,发现在参数寻优方面,MA算法的寻优精度明显优于经验法和PSO算法,且收敛速度更快;在预测性能方面,相比EM-RF、PSO-RF、LSTM、SVM,MA-RF模型的预测精度更高、稳定性更强,为高精度预测大坝变形提供了一种新方法。