基于变分模态分解和改进灰狼算法优化深度置信网络的自动转换开关故障识别

自动转换开关(ATSE)是保证系统连续供电的设备,对其进行健康监测和故障诊断对系统的稳定运行具有重要意义。为了实现对ATSE的非侵入式故障识别,该文提出一种基于电流信号变分模态分解(VMD)的特征提取和改进灰狼算法(IGWO)优化深度置信网络(DBN)相结合的故障诊断方法。该方法首先利用样本熵确定VMD分解次数并对故障电流进行分解;其次对分解后得到的本征模态函数进行小波包能量的提取,并利用IGWO对DBN网络结构参数进行优化;最后通过DBN将电流能量特征与ATSE的故障类型建立起映射关系从而完成最终的故障识别。所提IGWO采用了分段调节与非线性递减的衰减因子相结合的策略,以平衡算法全局搜索和局部搜索能力;并采用莱维飞行更新探狼的移动位置,来避免算法陷入早熟收敛。实验结果表明,该算法不仅能显著提高前期对参数寻优的训练速度,后续泛化实验的故障分类准确率也有98.78%的良好表现。

一种求解高维优化问题的改进灰狼算法

为求解高维优化问题,提出基于反向学习和衰减因子的灰狼优化算法(grey wolf algorithm based on opposition learning and reduction factor,ORGWO).设计一种灰狼反向学习模型,模型考虑问题搜索边界信息和种群历史搜索信息,初始种群阶段增加反向学习,增强种群多样性.根据算法各个阶段不同特征引入衰减因子,平衡全局和局部勘探能力.选取8个高维函数和23个不同特征的优化函数对算法性能进行测试,进一步使用收敛性分析,寻优成功率,CPU时间,Wilcoxon秩和检验来评估改进算法,实验结果表明,ORGWO算法在求解高维问题上具有较好的精度,鲁棒性和更快的收敛速度.

基于多特征提取与灰狼算法优化SVM的车内异响识别方法

传统的异响识别方法对测试设备要求较高且易受实验员经验差异影响。针对这种情况,提出一种基于多特征提取与灰狼算法优化支持向量机(Support Vector Machine,SVM)的车内异响识别方法。该方法以采集实验获得的6种车内常见异响作为研究对象,提取短时能量、小波变换优化的梅尔频率倒谱系数(DWT-MFCC)及其一阶差分组成混合特征参数,将灰狼优化算法应用于SVM的参数寻优中,建立异响识别模型并进行识别分类,同时探究选用不同维度的特征或不同算法对识别效果的影响。结果表明,所提取的25维混合特征能有效传达异响信息,该方法在收敛速度与识别准确率方面优势明显,能更好地实现车内异响的识别。

基于改进灰狼优化算法的含光伏配电网动态无功优化

针对光伏并网对配电网造成的电压波动、线损增加,以及光伏和负荷出力的不确定性等问题,本文构建基于二阶锥规划的线性凸优化模型,通过控制有载调压变压器和电容器组动作,以及光伏逆变器和静止无功发生器无功补偿能力约束,对日前日内双时间尺度无功优化模型进行动态分析,在简化求解过程的同时加大找到全局最优解的可能性。提出一种基于混沌学习初始化、非线性收敛因子、最优粒子柯西扰动结合蜘蛛猴算法位置更新方式的改进灰狼优化算法,防止算法陷入局部最优并增强其全局搜索能力。最后,运用改进的灰狼优化算法对含光伏的IEEE 33节点系统进行建模仿真,结果表明该算法具有寻优效率高、收敛速度快的优点,验证了算法的可行性和高效性。

基于改进灰狼算法的舰载机弹药保障调度优化

针对航空母舰飞行甲板上舰载机弹药保障面临的调度效率不高的问题,提出了一种改进灰狼优化(grey wolf optimizer, GWO)算法。根据甲板上多升降机多运输车的场景特点,建立了由多车场出发、向多目标转运的问题模型。融合遗传算法算子交叉思想实现了对灰狼种群初始解的初步优化,并通过直线转运路径中间点定义、整数编码、负整数标志分组等方法实现了对GWO算法求解过程的改进。同时,增加了灰狼个体自由狩猎流程,有效克服了结果陷入局部最优和早熟的问题。最终,通过对场景实例的优化求解,验证了所提方法的有效性和可行性。

改进灰狼优化算法的草坪修剪机器人路径规划

为解决传统灰狼算法(GWO)用于全覆盖路径规划草坪修剪作业时易陷入局部最优、收敛速度慢、迭代次数高、除草效率低等问题,提出了启发式混沌算子灰狼优化算法(CGWO)。通过对GWO算法融入启发式思想与Tent混沌映射后,加入自适应的参数调节策略,调节加速因子及不同控制参数以增加搜索过程中的随机性,帮助算法跳出局部最优解,获得更好的全局搜索能力。仿真分析发现:改进后的灰狼优化算法即CGWO算法比GWO、PSO(粒子群算法)算法的路径成本、迭代次数、耗时更优,且路径更平滑。在3种草坪环境下,进行实车试验。结果表明:CGWO算法提高了全覆盖效率和除草效率,试验结果优于GWO和PSO算法。

渐进式分组狩猎的灰狼优化算法及其工程应用

针对灰狼优化算法(GWO)在求解复杂优化问题时存在后期收敛速度慢、易陷入局部最优的不足,提出了一种渐进式分组狩猎的灰狼优化算法(PGGWO)。首先,设计了非线性多收敛因子以增强全局勘探能力、避免局部最优;其次,提出了渐进式位置更新策略,该策略引入长鼻浣熊的包围策略和动态权重因子,前者在提高收敛精度和速度的同时避免局部最优,后者则动态地提升算法的收敛速度及全局寻优性能;最后,通过与标准GWO、4个GWO先进变体以及4个竞争力较强的新型进化算法对比,验证了PGGWO的有效性和先进性。在24个Benchmark函数和3个实际工程优化问题上的实验结果表明,PGGWO在收敛精度和收敛速度上具有明显优势,并且对约束优化问题也是有效的。

基于多目标灰狼优化算法与RBF神经网络的真空灭弧室触头结构优化设计

在真空灭弧室触头开断过程中,合适的磁场分布有利于提高其开断性能;在合闸过程中,动、静触头间存在的电动斥力会导致触头出现弹跳现象。针对以上问题,首先建立了带铁芯式杯状纵磁触头的三维模型,进行了磁场分布与电动力的计算;为了进一步提高触头的性能,然后构建了以触头片开槽长度、开槽宽度、径向偏转角度、杯座斜槽高度及单个斜槽上下旋转角度为输入,电流峰值时刻触头间隙中心平面纵向磁场强度最大值、过零时刻中心点处磁滞时间、合闸时动静触头间的电动斥力分别为输出的RBF神经网络模型;最后结合RBF神经网络模型与多目标灰狼优化算法(MOGWO)对触头结构进行了优化。结果表明:与初始结构参数相比,当触头片开槽长度为19.74mm、宽度为3.94mm、径向偏转角为19.9°、杯座斜槽高度为18.0mm、斜槽上下旋转角为119.2°时,触头具有更好的磁场分布特性,且动、静触头间的电动斥力明显减小,有利于提高触头的工作性能。

基于改进灰狼优化算法的柔性作业车间分批调度问题研究

针对以最小化最大完工时间为目标的柔性作业车间分批调度问题(Flexible Job shop Batch Scheduling Problem,FJBSP),提出了一种改进灰狼优化(Improved Grey Wolf Optimization,IGWO)算法,优化对象为工件的分批方案。首次将流体模型应用于FJBSP的求解,提出了一种基于流体模型的解码方法,用于获得更好的子批调度方案;然后改进了狼群的等级制度,避免了算法过早收敛;其次设计了一种全新的适应可变长编码的交叉方法,深入交流2个个体之间的分批信息,增强了算法的搜索能力和稳定性;再次,提出了能够动态更新个体游走率的自适应灰狼游走策略,兼顾了算法的搜索质量和收敛速度;此外,对领头狼使用自适应邻域搜索动态调整每种工件选择各邻域的概率,提高算法的局部搜索能力;最后,设计了9个算例和3组实验,验证了所提出的IGWO算法的有效性和优越性。

融合多策略改进的灰狼优化算法

求解复杂优化问题时,灰狼优化算法存在收敛速度慢、容易陷入局部极值的缺点。针对此问题,提出了一种融合多策略改进的灰狼优化算法。首先采用混沌序列产生在解空间均匀分布的初始种群;然后结合精英反向学习机制进行最优解的搜索,引入收敛停滞监测策略,提升算法整体抗停滞能力,保持种群多样性;最后提出一种收敛因子非线性动态调整策略,提高算法的全局收敛速度和稳定性。对10个经典高维测试函数进行仿真实验,结果表明,改进算法能有效摆脱局部极值点,其全局优化性能优于标准灰狼优化算法。

多融合策略改进灰狼优化算法的图像分割

本文提出了一种多策略融合改进的灰狼优化算法的图像分割。首先,针对灰狼优化算法的收敛速度慢,易陷入局部最优解等问题分别采用Tent混沌映射优化、收敛因子非线性调整、透镜成像反向学习、修改位置更新方程策略来提升了灰狼算法的搜索性能和收敛速度,并通过不同的基准测试函数验证了改进算法的优越性。其次,通过改进的灰狼优化算法获取K均值聚类算法的初始聚类中心,并应用于图像分割当中从而进一步提高图像分割效率。最后,将所提出的方法应用于医学图像进行实验。实验结果表明,与传统的图像分割算法和其他优化算法相比,本文提出的方法明显提高了图像分割的质量和效果,且具有更好的鲁棒性和稳定性。

一种基于算术运算和透镜成像学习策略的改进灰狼优化算法

针对基本灰狼优化算法收敛速度慢,易陷入局部搜索的情况,提出一种基于算术运算和透镜成像学习策略的改进灰狼优化算法。该算法在基本灰狼优化算法的基础上,引入算术优化算法的乘除算子,利用带透镜成像的反向学习策略增强最优个体的多样性,增强算法的全局探索能力,提高收敛速度。对比实验结果表明,改进的灰狼优化算法具有收敛速度快、易跳出局部寻优状态,在30个基准测试函数的求解中获得了28个测试函数的最优均值,并且求解质量及普适性均优于最新的几种对比算法。

结合灰狼优化算法和动态邻域的三支密度峰值聚类算法

针对密度峰值聚类算法聚类效果受截断距离dc的取值影响较大以及传统二支聚类处理不确定数据强制划分带来的决策错误,提出结合灰狼优化算法和动态邻域的三支密度峰值聚类算法。首先,为解决截断距离dc的选取难问题,将聚类内部指标Silhouette指标作为目标函数,利用灰狼优化算法(GWO)的全局寻优能力求解最优的截断距离dc;为了使不确定数据的划分更加合理,结合动态邻域的思想,利用K近邻算法将二支聚类结果转化为三支聚类结果。通过在人工数据集以及UCI真实数据集的实验验证,该算法的聚类精度和总体性能优于其他5种对比算法。

基于改进灰狼优化算法的QFN芯片图像多阈值分割方法

在QFN芯片封装缺陷检测中,增加图像分割环节可有效提高缺陷检测准确性与检测效率。针对图像分割中传统算法效率低、智能优化算法分割精度低稳定性差的问题,本文提出一种基于改进灰狼优化算法(IGWO)的图像多阈值分割方法。首先,改进原始灰狼优化算法非线性因子,平衡算法搜索效率与挖掘能力;其次,引入反向学习策略提高种群整体质量,引入正弦函数、调整头狼权重以改进灰狼更新策略,增强算法多样性与挖掘能力;然后,提出头狼靠拢与种群变异交替进行的位置更新策略,平衡算法收敛性能与跳出局部最优能力;最后,以Kapur熵为适应度函数,求解最优分割阈值。将本文提出的改进灰狼优化算法的多阈值图像分割方法,与灰狼优化算法(GWO)、基于翻筋斗觅食策略的灰狼优化算法(DSF-GWO)、基于莱维飞行的樽海鞘群优化算法(LSSA)、改进北方苍鹰算法(INGO)的图像分割方法进行实验对比,结果表明:本文方法在分割用时方面,约为DSF-GWO的1/2,INGO的1/4;在分割精度与稳定性方面,在进行QFN芯片缺陷图像的连续30次分割时,本文方法具有最大Kapur熵平均值、最小标准差与最短分割时间。因此本文方法可实现高精度、高稳定性与高效率的QFN芯片图像多阈值分割。

基于改进灰狼优化算法的舰载机着舰调度

针对第一类着舰模式下的舰载机着舰调度问题进行了研究,建立着舰调度模型,以最小化加权着舰延误时间和、着舰完成时间为优化目标,考虑舰载机战损程度、剩余燃油量的影响。为减轻人工调度的负担,提出一种改进灰狼优化(IGWO)算法对调度模型进行优化求解,在灰狼优化(GWO)算法的基础上,改进算法选择历史最优解灰狼个体为α狼,引入混沌算子,设置算法参数更新控制变量,以应对GWO算法后期收敛速度慢、可能陷入局部最优解的缺点。通过不同规模着舰调度案例仿真和算法对比,验证了IGWO算法的有效性,所提算法在30、60、90机规模着舰调度案例中的优化效果均优于对比算法,证明其具备一定工程应用价值。

基于改进灰狼优化算法的矿井最短逃生路径规划研究

矿井作业环境复杂,各类地质灾害以及水害极易影响井下安全生产,因而预先对灾害发生时的人员逃生路径进行规划很有必要。为获取矿井最短逃生路线,提出了一种改进灰狼优化算法的路径规划方法。该方法针对灰狼优化算法(Grey Wolf Optimization,GWO)早熟收敛和易陷入局部最优解的不足,提出了一种基于Logistic映射和Tent映射组合的改进灰狼算法(LT-GWO),提高其全局搜索能力。结合矿井实际工作环境,将改进算法应用于井下逃生路径规划,并通过设定合理路径约束和限制条件,获得了较好的路径规划结果。研究表明:所提算法在平均路径长度、路径长度标准差、平均迭代次数和平均寻优耗时等指标上显著优于已有算法,并且具有较好的鲁棒性。所提算法对于矿井灾害等应急场景下的路径规划问题研究有一定的参考价值。

融合多策略改进的灰狼优化算法及其在汽轮机转子应力监测上的应用

针对灰狼优化算法求解精度低和易陷入局部最优的缺陷,提出一种融合多策略改进的灰狼优化算法(improved grey wolf optimization algorithm,IGWO)。首先采用混沌映射规则生成初始解,以增强初始种群的均匀性和遍历性;其次加入狼群交叉变异过程,以增加种群的多样性,避免陷入局部最优;最后引入动态惯性权重对灰狼位置进行更新,加快迭代过程的收敛。将IGWO与其它相似算法进行实验对比分析,结果表明:IGWO在6个标准函数的测试中优化性能表现最优,验证了其求解精度更高,泛化能力更强;将IGWO应用到某300MW级火电机组的汽轮机转子应力监测问题上,采用IGWO优化支持向量回归(support vector regression,SVR)建立的预测模型相对误差处于[-1.33%,1.88%],平均相对误差为0.64%;相较于其它预测方法,IGWO-SVR具有较高的求解精度和稳定性,验证了改进措施可有效提高IGWO的寻优性能,相关研究结论可为GWO的改进和汽轮机转子应力监测提供参考。

基于数据增强和特征注意力机制的灰狼优化算法-优化残差神经网络变压器故障诊断方法

为提高变压器故障诊断的准确性,提出一种基于数据增强和特征注意力机制的灰狼优化算法(grey wolf optimization,GWO)-残差神经网络(residual neural network,ResNet)故障诊断方法。针对变压器不平衡数据集对故障诊断模型产生的影响,利用带梯度惩罚的Wasserstein生成对抗网络(generative adversarial network with gradient penalty,WGANGP)对变压器数据进行数据增强。其次,在诊断模型的输入侧引入特征注意力机制,提升模型对平衡数据集中关键特征的敏感性。然后,为加速模型的收敛性,在训练的早期利用GWO-ResNet。最后基于某实测变压器数据集对所提出WGANGP-ATT-GWOResNet故障诊断模型的有效性进行验证。

基于灰狼优化算法的PCNN中药材显微图像分割

为有效分割中药材显微图像的目标信息,提出了一种基于灰狼优化算法(Gray wolf optimization,GWO)的改进型脉冲耦合神经网络(Pulse coupled neural networks,PCNN)中药材显微图像自动分割方法。首先,从适应处理显微图像的角度出发对传统PCNN模型进行简化与改进;其次,在训练图像中提取香农熵值作为GWO的适应度函数来自适应调节PCNN关键参数——链接系数β,进而实现图像目标的最优分割;最后,将所提算法与聚类分割法、OTSU法、传统PCNN法进行了实验比较,并用骰子系数、体积重叠误差、相对体积、精确度和交并比等常用医学图像分割评判标准对4种处理方法做了客观评价。实验结果表明,所提方法能够实现图像的自适应分割,较好地保持了图像细节、纹理及边缘等信息,对不同显微图像分割准确度高,改善了图像的分割性能,具有较强的适用性。

基于灰狼算法优化支持向量机的变压器故障预测

为提升变压器故障预测的准确性,提出了一种基于灰狼(Grey Wolf Optimization,GWO)算法优化支持向量机(Support Vector Machine,SVM)的变压器故障预测方法。采用GWO算法对SVM进行优化,建立了基于GWO-SVM变压器油中溶解特征气体预测模型,根据油中溶解特征气体随时间变化的特点,通过求取嵌入维数确定模型输入量。文章采用实际运行变压器的油中溶解气体分析(Dissolved Gas Analysis,DGA)数据进行仿真分析,并与其他预测方法对比,结果表明,GWO-SVM模型对H 2预测平均相对误差和均方根误差分别为4.38%和9.48μL/L,预测精度高于其他方法。在变压器油中溶解特征气体含量预测的基础上,利用IEC三比值法进行变压器故障诊断,诊断结果与变压器实际故障一致,验证了变压器故障预测方法的实用性和有效性。