疯狂自适应的正余弦乌燕鸥算法及应用

桥式起重机主梁优化是一个非线性的复杂约束优化问题,现有方法求解此问题时存在收敛缓慢、稳定性差、收敛精度低等问题。为克服此问题,提出一种疯狂自适应的正余弦乌燕鸥混合优化算法(CCASSTOA)。在乌燕鸥算法(STOA)中,引入Logistics混沌映射对STOA算法种群初始化,增加种群个体的多样性和迭代初期收敛速度;将惯性自适应权重和正余弦算法混合搜索策略引入到乌燕鸥位置更新公式中,增强了算法的全局搜索与局部搜索之间的平衡能力。将疯狂算子引入到乌燕鸥最优位置进行扰动,增强迭代后期种群的多样性,避免算法陷入局部最优。采用6个测试函数对CCASSTOA算法性能进行验证,结果表明:CCASSTOA算法优于其他五种元启发式优化算法,收敛精度高,稳定性好和鲁棒性强。将CCASSTOA算法应用在32t/22.5m的桥式起重机主梁轻量化设计中,可实现主梁截面面积减小约为31.45%。因此,CCASSTOA算法可有效地处理此类非线性的约束优化问题。

Lévy飞行的正余弦乌燕鸥混合算法及应用

为解决标准乌燕鸥算法(STOA)易陷入局部最优和收敛速度慢等缺点,提出一种混合正余弦算法(SCA)和Lévy飞行的自适应乌燕鸥算法(SLSTOA)。采用正余弦算法的搜索方式,同时采用非线性递减自适应正弦因子,改进乌燕鸥算法的攻击搜索方式,来增强STOA算法的全局与局部探索能力。乌燕鸥个体和最优个体通过Lévy飞行策略进行变异,来增加种群多样性和扩大搜索空间,以达到提高跳出局部最优和全局探索能力。与四种先进的元启发式算法比较,SLSTOA算法性能通过6个基准测试函数进行评价,结果表明,相比其他四种元启发式算法,SLSTOA算法精度高、稳定性好和鲁棒性强。同时为验证SLSTOA算法的科学性与实用性,将其应用于解决32t/22.5m桥式起重机主梁结构优化设计中。

基于多机制优化螺旋飞行特征的乌燕鸥算法

乌燕鸥优化算法(sooty tern optimization algorithm,STOA)是近年来出现的一种新兴的群智能优化算法,因其独特的螺旋式寻优方式和在实际工程问题中显著的优化效果而备受研究与关注。然而,STOA算法本身也存在着收敛速度较慢,搜索精度较低,并且容易陷入局部最优等缺点。因此,提出了一种融合混沌映射、自适应惯性权重与高斯变异的多机制乌燕鸥优化算法(multi-mechanism sooty tern optimization algorithm incorporating chaotic mapping,adaptive inertia weight and gaussian mutation,GT-STOA),以促进群体多样性并增强算法全局搜索和局部寻优的能力。同时,为验证算法寻优效果的显著性,基于12个具有不同特征的测试函数,选取9种典型的优秀元启发式算法进行对比验证。实验结果表明GT-STOA相较于其他9种算法具有更高的寻优精度和更快的收敛速度,并且易跳出局部最优找到全局最优解。此外,为了研究GT-STOA解决实际问题的能力,对压力容器设计问题进行优化求解,所得实验数据显示GT-STOA较传统STOA算法在求解精度上提升了42.54%。

基于遗传乌燕鸥算法的同步优化特征选择

针对传统支持向量机方法用于数据分类存在分类精度低的不足问题,将支持向量机分类方法与特征选择同步结合,并利用智能优化算法对算法参数进行优化研究.首先将遗传算法(Genetic algorithm,GA)和乌燕鸥优化算法(Sooty tern optimization algorithm,STOA)进行混合,先通过对平均适应度值进行评估,当个体的适应度函数值小于平均值时采用遗传算法对其进行局部搜索的加强,否则进行乌燕鸥本体优化过程,同时将支持向量机内核函数和特征选择目标共同作为优化对象,利用改进后的STOA-GA寻找最适应解,获得所选的特征分类结果.其次,通过16组经典UCI数据集和实际乳腺癌数据集进行数据分类研究,在最佳适应度值、所选特征个数、特异性、敏感性和算法耗时方面进行对比研究,实验结果表明,该算法可以更加准确地处理数据,避免冗余特征干扰,在数据挖掘领域具有更广阔的工程应用前景.

基于混沌反馈乌燕鸥优化算法的随机配置网络参数优化

为了解决随机配置网络(stochastic configuration network,SCN)隐含层参数的选择与分配会影响其预测精度的问题,提出一种基于混沌反馈乌燕鸥优化算法(chaotic feedback sooty tern optimization algorithm,CFSTOA)的SCN参数优化方法。首先,利用Tent映射、线性因子调节策略、劣势种群反馈原则来改进乌燕鸥优化算法(sooty tern optimization algorithm,STOA),以增强算法的局部搜索能力,得到一种具备更快收敛速度和更高收敛精度的CFSTOA;然后,将CFSTOA用于优化SCN的正则化参数和权重偏差的尺度因子,从而得到最优的隐含层参数;最后,利用10个基准函数和4个标准回归数据集分别对CFSTOA的性能进行了测试。结果表明,CFSTOA具有更快的收敛速度且不易陷入局部最优,可以提高SCN算法的预测精度和训练速度。

多策略改进的乌燕鸥算法及应用

乌燕鸥算法(STOA)存在收敛缓慢、稳定性差、收敛精度低等问题,鉴于此,提出一种多策略改进的乌燕鸥算法(MISTOA)。首先,为增强初始种群的多样性,采用Cat混沌映射对STOA算法种群进行初始化。其次,将自适应权重因子和高斯函数改进了算法的迁徙位置更新方式,增强了算法的全局搜索能力。同时,结合自适应权重因子和邻代交叉学习策略改进了算法的攻击位置的更新方式,增强了算法跳出局部最优的能力。最后,采用高斯变异策略对乌燕鸥最优个体进行扰动,提高算法的全局搜索与局部搜索之间的平衡能力。利用7个测试函数和主梁轻量化设计对MISTOA算法收敛性能和工程实际应用能力进行了验证。结果表明:与其他5种先进的算法,MISTOA算法收敛性能更优,稳定性较好和鲁棒性较强。MISTOA算法可实现桥式起重机主梁质量减重率约为20.76%,优化结果优于已有的方法,因此,MISTOA算法可以高效地处理复杂的非线性约束的现实问题。

Lévy飞行和热交换的混沌乌燕鸥算法及应用

为解决乌燕鸥算法对抗局部最优能力和寻优能力较低的问题,提出了一种混合Lévy飞行和热交换混沌乌燕鸥算法(LTCSTOA)。首先,采用Hénon混沌映射对算法种群初始化,保证算法种群多样性。其次,采用混合Lévy飞行和热交换算法的搜索策略,并在不同算法搜索阶段,引入自适应因子γ和自适应惯性权重,提高了算法的跳出局部区域的能力和收敛精度。最后,采用热交换算法对最优乌燕鸥个体进行扰动,提高算法的全局寻优能力。选用7个测试函数验证了不同改进策略的算法有效性,仿真结果表明:与其他算法相比,LTCSTOA算法收敛性能更优,具有较高的收敛精度、稳定性和鲁棒性。将LTCSTOA算法应用于二级斜齿圆柱齿轮传动机构可靠性轻量化设计,优化结果表明:与原设计相比,LTCSTOA算法获得的体积和重合度分别降低了约为51.86%和18.6%,实现了齿轮传动机构轻量化设计的目的。

基于改进乌燕鸥算法的移动音乐机器人路径规划

移动音乐机器人最短路径规划是一个带有复杂约束和高维的非线性规划问题,标准的乌燕鸥算法求解此问题时,存在局部停滞不足导致其获得的最短路径精度较低。为此,设计一种改进的乌燕鸥算法。引入一种新颖的改进Logistic混沌映射种群初始化策略,增强算法迭代初期的寻优能力;采用非线性自适应Lévy飞行攻击位置更新方式,协调算法的全局搜索和局部开发能力之间的动态平衡;采用Lévy飞行和黄金正弦混合扰动策略,提高算法的全局寻优能力。仿真结果表明:与其他著名算法相比,该算法路径规划结果更优,寻优能力和搜索效率更强,可高效地处理复杂的移动音乐机器人路径规划问题,具有较强的适用性。

云南省鸟类分布新纪录——乌燕鸥

2022年8月27日,云南省玉溪市元江县(23.599059°N,102.001358°E,海拔:395 m)群众救护到一只体型较大、通体黑灰色的的鸥科鸟类,通过对其形态辨识并查阅相关资料文献,确定其为乌燕鸥(Onychoprion fuscatus),是云南省鸟类新纪录。

基于LE-ISTOA-SVM的聚合釜化工过程故障诊断

聚合釜是制备高分子化合物的最主要设备,其能否稳定的运行关系到产品的质量以及人员、设备的安全。但是,现代化工生产流程非常复杂,化工过程诊断数据具有高维非线性的特点。提出了基于LE-ISTOA-SVM的聚合釜化工过程故障诊断方法。首先,使用拉普拉斯特征映射算法(Laplace Feature Mapping Algorithm,LE)对故障数据进行降维。然后,使用改进乌燕鸥优化算法(Improved Sooty Tern Optimization Algorithm,ISTOA)优化SVM(Support Vector Machine,SVM)的参数来提高其性能。最后,利用聚合釜的实验数据做仿真测试。测试结果表明,该方法有较好的诊断效果。

基于STOA-XGBoost的风电机组滚动轴承故障诊断

为保证风电机组的正常运行,提高风电机组滚动轴承故障诊断的可靠性,提出了一种基于STOA-XGBoost的风电机组滚动轴承故障诊断方法,提取振动信号时域特征作为故障特征,使用乌燕鸥优化算法对极端梯度提升树的超参数进行优化,提高模型的泛化能力和预测精度,利用训练好的模型进行故障诊断。实例表明,此诊断模型可以更加高效地识别风电机组滚动轴承故障。

基于多尺度模糊熵和STOA-SVM的风机轴承故障诊断

针对风机轴承振动信号故障特征提取困难的问题,提出了一种基于多尺度模糊熵(MFE)特征提取,并结合乌燕鸥优化算法(STOA)优化支持向量机(SVM)的风机轴承故障诊断方法。首先采集原始振动信号并计算其多层次模糊熵,其次构造故障特征向量集合作为SVM的输入,最后采用STOA优化SVM对轴承故障进行分类诊断。通过凯斯西储大学轴承振动数据进行仿真,结果显示轴承故障诊断准确率达到了99.3%,证明了所提方法具有较高的准确度和有效性。

基于STOA-VMD的串补输电线路故障测距

由于串补电容的存在,串补输电线路中发生故障时,故障行波过程十分复杂,行波波头检测困难;故障行波信号中存在较大噪声时,传统的故障特征提取方法无法准确提取故障行波的特征信号。为此在串补线路中故障行波信号存在噪声条件下,提出一种基于乌燕鸥优化算法(sooty tern optimization algorithm,STOA)对变分模态分解(variational mode decomposition,VMD)优化的故障行波特征提取方法。该方法利用最大峭度准则对STOA的目标函数不断优化,从而选取VMD中更合适的模态量和惩罚因子值,避免人为设定模态量和惩罚因子值时,VMD对故障行波信号的分解不足或分解过剩造成的故障定位误差。通过对称差分能量算子(symmetric differential energy operator,SDEO)提取VMD后最佳的模态分量的能量突变点,结合双端行波测距方法,实现故障测距。仿真结果表明,所提方法能够实现串补输电线路的故障测距,测距精度高,且不受故障类型、过渡电阻的影响。

基于参数优化变分模态分解的电缆故障点中点行波测距

针对传统的电缆行波测距方法中由计算得到的行波速度与实际速度间存在误差及行波波头标定不准确的问题,提出了一种新的相模变换来获取行波模值分量,并采用了中点行波测量法,使用乌燕鸥优化算法优化的变分模态分解对行波特征进行分解,用Teager-Kaiser能量算子来进行波头标定。在MATLAB/Simulink仿真模型中进行测试,所提方法与小波变换及经验模态分解相比,在一定的噪声范围内均具有优异的准确度。

基于STOA-VMD结合相关峭度及2.5维谱的行星齿轮箱磨损故障诊断

针对行星齿轮箱振动信号的非线性特征明显、故障特征难以识别的问题,提出了一种基于乌燕鸥算法(sooty tern optimization algorithm, STOA)优化变分模态分解(variational modal decomposition, VMD),并结合相关峭度以及2.5维谱的故障诊断方法。由于变分模态分解的分解能力取决于二次惩罚因子α和本征模态分量个数K两个参数,所以首先运用乌燕鸥算法对VMD参数进行优化,确定最优的参数,然后以相关峭度为依据重构本征模态分量,最后利用2.5维谱对重构信号进行分析。搭建了行星齿轮箱磨损故障加速疲劳寿命试验台,获得了故障数据,运用STOA-VMD结合相关峭度及2.5维谱的方法对故障数据进行分析。结果表明该方法能够准确提取磨损故障特征频率。

十万个冷知识

乌燕鸥在离开自己的出生地后,会在长达7年甚至更久的时间里,一直飞在空中不着陆。它们在空中进食和睡觉。