基于改进黏菌优化算法的光伏多峰MPPT控制策略

当光伏阵列在局部阴影遮挡条件下时,传统最大功率点追踪控制策略易陷入局部最优解,降低光伏系统发电效率.为解决该问题,本文提出了一种基于改进黏菌优化算法的最大功率点追踪策略.该策略在黏菌优化算法的基础上,基于光伏阵列特性提出了新的边界条件,减小超出边界黏菌的迭代次数,增大算法的收敛速度;同时,引入了Lévy飞行策略优化其收敛准则,提升算法的随机搜索能力,进一步提高了算法的追踪速度.仿真和实验结果表明,该策略拥有较高的追踪速度和追踪精度,在各个光照条件下均能快速追踪到最大功率点,有效提高光伏系统的发电效率.

基于混合混沌扰动与柯西变异的黏菌优化算法及其应用

针对黏菌优化算法存在自适应能力有限,抗停滞能力弱等不足,提出一种混合混沌扰动与柯西变异的黏菌优化算法。首先,初始化阶段采用折射反向学习策略精英化种群;然后,结合数量自适应调整策略协调算法的全局勘探与局部开发;其次,为降低算法陷入局部极值的缺陷,利用柯西算子对精英个体进行变异,混沌策略对其他个体进行扰动;其次,通过8个基准测试函数和Wilcoxon符号秩检验,结果均表明改进算法具有更好的寻优精度、稳定性;最后改进的黏菌优化算法对核极限学习机进行参数优化,应用于变压器故障故障诊断,实验结果进一步验证了改进策略的有效性。

基于改进黏菌优化算法的混合Seru生产调度研究

随着定制化生产的市场需求日趋显著,Seru生产系统(seru production system,SPS)应运而生,并逐渐成为生产研究领域的热点。文章针对混合Seru生产系统的构建以及调度问题进行研究,即在短生产线生产场景下,基于巡回式Seru单元,建立混合Seru生产系统的数学模型,并以最大完工时间以及总工时建立双优化目标,决策混合Seru的构建顺序。先基于黏菌优化算法,针对其初始化效率低的局限性,引入Tent混沌映射以及精英反向学习策略,得到混沌精英黏菌(chaoticeliteslimemouldalgorithm,CESMA)算法。最后,通过实验,验证了混合Seru生产系统中,混沌精英黏菌算法对于混合Seru生产系统构建实例的优越性。

融合多策略改进的黏菌优化算法

针对黏菌优化算法(Slime Mould Algorithm,SMA)的寻优过程存在收敛效率较低、容易陷入局部最优解等问题,文中提出融合多策略改进的黏菌优化算法(Improved SMA Fused with Multi-strategy,MISMA).引入Halton序列,丰富初始种群的多样性,提升算法寻优的遍历性和收敛精度.融入差分变异思想,改进算法的全局位置更新公式,强化全局探索能力,增强算法的持续寻优性能.糅合改进收敛因子和精英选择机制的局部搜索策略,提升算法的局部开采能力,更好地平衡算法的全局探索与局部开发进程.基于动态边界的透镜成像学习策略改善个体的质量,加强算法反早熟及摆脱局部最优解的能力.在13个基准函数及部分CEC2014测试函数上的数值仿真实验表明,MISMA具有较强的鲁棒性.此外,在光伏电池组件模型参数优化实验上进一步验证MISMA在处理实际工程优化问题时的优越性及适用性.

基于改进黏菌优化算法的光伏MPPT方法

光伏阵列在局部遮荫的情况下会导致光伏系统输出的功率-电压曲线出现多个极值点,具有全局寻优能力的传统群体智能优化算法进行最大功率追踪(maximum power point tracking,MPPT),普遍存在收敛速度慢、易陷入局部最优等问题。该文提出了一种基于改进黏菌优化算法的控制方法。先采用正态分布初始化种群,增加种群的多样性。然后应用莱维飞行策略和螺旋搜索策略,提高算法的全局搜索能力,避免陷入局部最优。经仿真验证,与粒子群算法和普通黏菌算法相比,改进黏菌算法在跟踪速度、稳定性等方面均有更显著的效果。

基于指数控制和自适应权重的黏菌优化算法

随着人类对动物或细菌等群体行为的深入研究,归纳出了许多基于生物智能的算法,这些算法能够解决一些无法在定义域内直接寻找到最优值的凸优化问题,是目前求解最优化问题的关键方法,但此类算法求解最优值过程中各有不足之处。本文针对黏菌优化算法(SMA)进行改进,引入权重更新和替换反正切函数为指数函数控制算法中关键参数这两种策略,在基准测试函数中得到结论,有效解决 SMA 算法在 3 个不同类型的基准函数中易陷入局部最优、收敛速度慢等瓶颈问题,提高了黏菌优化算法的收敛精度和速度,加强了全局搜索能力,在解决工程实际问题上,具有较高实际应用价值。

基于黏菌优化算法的机械传动行星轮系多目标优化设计

为了优化机械传动中的关键部件行星轮系设计模型,提出改进的黏菌优化算法。该算法通过加权聚合学习机制,使黏菌个体在搜索空间中能够更好地学习和利用其他个体的优秀信息,从而提高收敛速度和优化精度。将行星轮系的传动比、齿轮齿数、模数等关键参数作为优化变量,以变量之间所满足的关系为约束条件,以传动效率、体积、噪音等性能指标作为优化目标。通过构建合适的适应度函数,将行星轮系设计模型优化问题转化为一个多目标优化问题,并将该算法与9个对比算法在函数测试集和行星轮设计模型上进行试验验证。研究结果表明:基于加权聚合学习机制的黏菌优化算法进行行星轮系设计优化效果显著,具有收敛速度快、优化精度高、稳定性好等优点,不仅能够在较短时间内找到全局最优解,而且能够提供更加稳定和可靠的优化结果。

基于黏菌算法的热电联产机组负荷优化分配

针对母管制热电联产机组热电分配不合理、能耗高的问题,提出采用黏菌优化算法,以先汽机侧、后锅炉侧的顺序进行负荷优化分配的方法,并通过某“三炉两机”母管制热电联产机组的实际运行数据,对所提方法进行了验证。结果表明:优化后机组汽耗率降低了0.063 t/(MW·h),煤耗率降低了0.126 kg/t;在满足供热条件的基础上,通过合理的热电负荷分配,可以降低汽机侧汽耗率和锅炉侧煤耗率,从而实现能量利用效率的最大化。

融合随机反向学习的黏菌与算术混合优化算法

黏菌优化算法(SMA)和算术优化算法(AOA)是最近提出的新型元启发式优化算法。SMA算法具有较强的全局探索能力,但迭代后期振荡作用较弱,易陷入局部最优,且收缩机制不强,导致收敛速度慢。AOA算法利用乘除算子进行位置更新,随机性强,具有较好的避免早熟收敛能力。针对上述问题,将两种算法结合并利用随机反向学习策略提高收敛速度,提出一种性能优越且高效的融合随机反向学习策略的黏菌与算术混合优化算法(HSMAAOA)。改进算法保留了SMA全局探索部分位置更新公式,局部开发阶段将乘除算子替换SMA收缩机制,提高算法随机性与跳出局部极值的能力。此外,通过随机反向学习策略增强改进算法种群多样性,提高收敛速度。实验结果表明,HSMAAOA算法具有良好的鲁棒性以及寻优精度,且明显提升了收敛速度。最后,通过焊接梁设计问题与压力容器设计问题,验证了HSMAAOA在工程问题上的适用性与有效性。

精英反向与二次插值改进的黏菌算法

针对基本黏菌算法(slime mould algorithm,SMA)易陷入局部最优值、收敛精度较低和收敛速度较慢的问题,提出精英反向学习与二次插值改进的黏菌算法(improved slime mould algorithm,ISMA)。精英反向学习策略有利于提高黏菌种群多样性和种群质量,提升算法全局寻优性能与收敛精度;利用二次插值生成新的黏菌个体,并用适应度评估更新全局最优解,有利于增强算法局部开发能力,减少算法收敛时间,使算法跳出局部极值。通过求解多个单模态、多模态和高维度测试函数进行不同算法之间的对比,结果显示,结合两种策略的ISMA具有较高的寻优精度、寻优速度和鲁棒性。

透镜成像对立学习的SMA算法及舆情预测应用

网络舆情具有小样本特征,而传统方法预测准确率低,容易得到局部最优。为此,提出一种改进黏菌算法优化支持向量机的网络舆情预测模型ISMA-SVM。引入混沌Circle映射机制提高初始种群的多样性;利用对数非线性调节反馈因子均衡算法全局搜索与局部开发;设计透镜成像对立学习机制对最优个体变异,扩展搜索空间并避免算法陷入局部最优。利用改进黏菌优化算法优化支持向量机模型,构建网络舆情预测模型。以若干舆情热点百度指数作为样本进行实证研究,结果表明,改进模型具有更高的数据拟合度,预测准确度更高。

基于优化MCKD-VMD与互相关谱的轴承复合故障诊断

针对强背景噪声下轴承复合故障诊断困难的问题,提出一种优化最大相关峭度解卷积(MCKD)和变分模态分解(VMD)并结合互相关谱的轴承复合故障诊断方法。首先,通过黏菌优化算法(SMA)优化MCKD的参数,实现故障信号解卷积及故障特征增强,完成复合故障特征分离;其次,对分离的解卷积信号进行互相关谱分析,对故障特征不明显的解卷积信号使用VMD进行降噪;最后,对降噪的解卷积信号进行互相关谱分析,进一步降低噪声的影响,提取故障特征完成故障诊断。仿真和实验结果表明,所提方法克服了仅使用MCKD或包络谱的缺点,能够有效降低噪声的影响,复合故障诊断效果较好。

基于ASMA算法的直流配电网故障定位方法研究

针对直流配电网故障测距中算法收敛速度慢、易陷入局部极小、收敛精度低的问题,采用改进的人工蜂群黏菌优化算法(slime mold optimization algorithm,SMA)解决此问题。在SMA算法的基础上,引入自适应可调反馈因子,提高收敛速度,形成自适应黏菌算法(adaptive slime bacteria algorithm,ASMA)。首先,基于六端直流配电网拓扑结构,以G-VSC和W-VSC之间发生的故障为例,建立了双极短路故障的数学模型。然后,介绍了改进ASMA算法的原理,并建立了适合于直流配电网故障定位的适应度函数。最后,通过仿真试验,对优化搜索得到的故障点进行分析,并与实际值进行比较,验证了算法的准确性。此外,通过比较进一步验证了ASMA算法的有效性和鲁棒性。

改进贝叶斯网络在变压器故障诊断中的应用

针对变压器故障诊断精度低的问题,文中提出一种基于改进黏菌优化算法(Improved Slime Mould Algorithm,ISMA)优化贝叶斯网络(Bayesian Network,BN)的变压器故障诊断方法。通过爬山算法对定向最大支撑树搜索得到贝叶斯网络初始结构即初始种群,在改进黏菌优化算法中引入反向学习策略,增加种群多样性。添加正弦-余弦算法(Sine Cosine Algorithm,SCA),更新解的位置以避免种群陷入局部最优。根据改良的无编码比值法选取变压器故障状态的特征,利用改进黏菌优化算法优化贝叶斯网络结构,提高基于贝叶斯网络的变压器故障诊断的准确率,并利用不同种类的测试函数验证了改进黏菌优化算法具有收敛速度快、收敛精度高的优良性能。仿真结果表明,ISMA-BN诊断模型的训练集和测试集准确率分别为98.2%和97.14%,具有一定的研究价值。

基于ISMA-BP神经网络的光伏发电储能双向DC-DC变换器控制

通过对光伏发电储能双向DC-DC变换器抗干扰问题进行研究,提出一种基于ISMA-BP神经网络的光伏发电储能双向DC-DC变换器控制方法。首先,建立双向DC-DC变换器双闭环模型,采用模糊神经网络优化后的PID控制器对电压外环进行控制。其次,设计多子种群多进化策略黏菌优化算法(Slime Mould Algorithm,SMA),以提高算法全局寻优精度。采用改进的SMA(improved SMA,ISMA)初始化BP神经网络参数,以提升BP神经网络控制稳定性。最后,利用ISMA-BP神经网络实时动态调整PID控制器参数,实现变换器输出电压稳定控制。仿真结果表明,所提双向DC-DC变换器控制方法稳定性较好、抗干扰能力较强。

一种旋转机械综合故障检测和模式识别模型

针对传统故障诊断方法只关注故障检测部分,而对样本是否存在故障的研究较少的问题,提出了一种基于自适应噪声完备经验模态分解(CEEMDAN)-注意熵(AE)和黏菌算法优化极限学习机(SMA-ELM)的旋转机械综合故障诊断模型。首先,针对正常样本和故障样本的复杂性差异,建立了注意熵阈值,计算旋转机械的AE,并将其与阈值进行了比较,若熵值小于该阈值则表明样本存在故障,反之样本是健康的;然后,利用CEEMDAN对故障样本的振动信号进行了分解,提取前6阶分量的AE值;最后,将故障特征输入至SMA-ELM模型中进行了故障识别,利用3种旋转机械故障数据集对该综合故障诊断模型的可靠性进行了研究。研究结果表明:该阈值设置方法可以100%准确地检测样本是否存在故障,后续的故障诊断模型能够准确地检测出样本的故障类型,识别准确率分别达到了99.44%、100%和98%。该综合故障诊断模型能够避免正常样本被误判为故障样本,为旋转机械的故障检测提供了一种可行的思路。

基于改进层次基本熵融合SMA-SVM模型的轴承故障诊断方法

针对煤矿机械轴承的故障特征提取和故障状态识别问题,提出了改进层次基本熵(IHBSE)特征提取融合黏菌优化(SMA)—支持向量机(SVM)分类模型的煤矿机械轴承故障诊断方法。首先,引入了能够同时分析信号低频和高频信息的IHBSE方法,并将其用于捕捉不同状态下,煤矿机械轴承振动信号中的多维故障特征,构建了特征向量;然后,采用具有优异全局寻优性能的黏菌算法,对支持向量机的惩罚系数和核函数的最佳值进行了搜索,提出了黏菌算法—支持向量机(SMA-SVM)模型;最后,利用部分特征样本对诊断模型进行了训练,并采用训练完毕的具有最佳参数的SMA-SVM分类器,进行了轴承故障类型和严重程度的判断。研究结果表明:所提出的煤矿机械轴承故障诊断方法可以有效地识别煤矿机械轴承的运行状态,分类准确率达到了1,而在多次实验下的平均准确率也高于0.98,对实际工程应用具有一定的参考价值。

SMA-LSTM模型在径流预报中的适用性研究

径流预报对于防洪、发电和生态调度等具有重要意义。以大渡河丹巴以上流域为研究区域,采用黏菌优化算法(SMA)对长短期记忆神经网络(LSTM)的隐藏层输出维度进行优化,构建SMA-LST M模型对未来10日径流过程进行预报,以探讨深度学习方法对流域径流预报的适用性。基于2012-2017年的日降雨量和日流量资料,构建了预见期为10天的逐日径流SMA-LSTM预报模型,以2018-2019年的资料进行模型验证;采用最大1日径流量相对误差和10日总径流量相对误差作为SMA-LSTM模型精度的评价指标,并与未优化的LSTM模型和新安江模型结果进行对比。结果表明:SMA-LSTM模型具有较高的模拟和预报精度,无论是在率定期还是验证期,两种指标均控制在±10%以内,且两种指标的绝对值平均都不超过7%;整体而言,SMA-LSTM模型精度更高,预报的径流过程与实测过程更为贴近。研究成果可供流域径流预报实际工作参考。

基于MOSMA-SVR的油气管道腐蚀深度预测模型研究

为提高埋地油气管道腐蚀深度预测精度,使用支持向量回归(SVR)对各腐蚀影响因素与最大腐蚀深度进行仿真建模。采用一种新型元启发式算法——多目标黏菌优化算法(MOSMA)对SVR的损失函数进行优化,构建了一种高效智能混合模型MOSMA-SVR来预测埋地油气管道最大点腐蚀深度。将模型预测结果与WOA-SVR、GWO-SVR、AOA-SVR 3种混合模型预测结果进行对比。结果表明:构建的基于MOSMA-SVR的腐蚀深度预测模型在测试集得到均方误差仅为0.002,平均绝对百分比误差为3.659%,模型的决定系数R2达到0.999,各评估指标均优于其他混合模型,具有较高的精度和较好的泛化性,可为管道腐蚀控制提供决策参考。

基于SMA-Elman的IGBT寿命预测研究

绝缘栅双极晶体管(insulated gate bipolar transistor,IGBT)作为功率变换器的重要组成部分,其剩余使用寿命的预测极为重要.针对IGBT的剩余使用寿命问题,提出了利用黏菌优化算法(slime mould algorithm,SMA)优化Elman神经网络实现权值和阈值的自适应选择,并将其用于IGBT的寿命预测.首先,对NASA研究中心老化试验数据集中的栅射极关断电压尖峰峰值进行平滑处理.其次,对处理后的数据进行时域特征提取.再次,用核主成分分析(kernel principle component analysis,KPCA)进行优选降维。最后,利用SMA-Elman神经网络模型实现IGBT的寿命预测.结果表明,提出的SMA-Elman神经网络模型相比Elman、BP神经网络及SVR模型具有更优的性能,均方误差为0.021%,均方根误差为0.014,拟合度为0.998,可以更好地实现IGBT剩余使用寿命的预测.