参数修正与收敛策略融合的果蝇优化算法

传统的果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)容易陷入局部最优,而且传统果蝇个体味道浓度判定值S是非负数,不能解决最优解是负数的优化问题。针对以上问题,多重改进策略被应用到果蝇优化算法中。为了解决味道浓度判定值不能是负数的问题,对味道浓度公式进行了修正;为了避免高维函数维间互扰问题,迭代优化的过程中对果蝇个体在最优值附近寻优采取逐维扰动的方法;为了避免陷入局部最优,迭代过程中加入了收敛判断因子,如果多次迭代没有改善,说明陷入了局部最优。此时,一部分果蝇个体继续在最优解附近寻优,另外一部分个体在解空间混沌扰动寻找全局最优解。收敛判断因子阈值的取值会影响优化的速度和精度,通过实验确定了收敛判断阈值。通过对测试函数结果验证表明,改进的果蝇算法比FOA算法具有更高的搜索精度和更快的收敛速度。

修正浓度与适应步长的果蝇优化算法

基本果蝇优化算法在寻优求解时浓度值只能为正,无法对浓度为负时达到最优的问题进行寻优。另外基本果蝇算法在寻优求解时,步长是随机的,这就容易使算法早熟,陷入局部最优解,算法的求解精度也不高。针对基本果蝇算法的这些问题,提出了一种修正浓度与适应步长的果蝇优化算法。该算法对果蝇得到的浓度值进行了修正,使味道浓度分布在整个正负寻优区间。在迭代时,充分利用果蝇群体已经进行的全局影响因素,对果蝇个体的搜寻距离进行适应性改变。为了验证该算法的效果,选用了几个常用的测试函数对该算法进行实验验证,结果表明,该算法不仅可以有效避免陷入局部最优,在寻优精度上也有一定提升。

基于修正型果蝇优化算法改进地铁运行定位系统研究

为实现地铁运行列车的精确和实时定位,确保列车运行的安全性,针对传统定位算法存在定位误差大、能耗大和复杂程度高的缺点,提出一种基于修正模型果蝇优化算法改进DV-Hop算法的列车定位算法。通过锚节点比例、节点数和平均定位误差之间关系实验结果可知,MFOA算法、FOA算法和DV-Hop算法的平均定位误差随着节点数和锚节点比例的增加总体呈现下降的趋势,MFOA算法的平均定位误差小于FOA算法和DV-Hop算法的平均定位误差,定位精度优于FOA算法和DV-Hop算法,从而验证了所提算法的优越性和可靠性。

基于MFOA算法的无功优化和控制研究

为降低电力系统有功损耗,在果蝇优化算法的基础上,提出一种基于修正的果蝇优化算法的无功优化和控制算法研究。为了避免FOA算法陷入局部最优问题,将修正因子β引入基本的FOA算法,提出一种修正型的果蝇优化算法。以IEEE 30节点系统为研究对象,与FOA、PSO和内点法相比较可知,MFOA算法在潮流计算结果和收敛速度上均取得了较好的效果,优于FOA、PSO和内点法。

基于MFOA算法的电力系统无功优化和补偿控制研究

基于使用优化算法来计算果蝇,提出了一种修正算法研究,即无功优化和控制算法。这些算法有利于降低电力系统的有功损耗。设β为修正因子,然后代入基础的算法中对这个基础的FOA算法进行修正和优化,从而避免FOA算法容易仅将焦点关注于局部而非整体。采用FOA、PSO、MFOA以及内点法来研究IEEE30节点系统,通过研究对比发现,MFOA相较于其他几种算法,计算结果较为准确,且收敛效率更高。

基于多状态信息修正优化组合的电力设备故障率计算方法

采用多状态修正优化组合预测方法,建立天气因素、材料绝缘老化和设备检修影响的3种状态修正优化组合预测电力设备故障率模型。针对各随机影响因素的特点,依据可拓性原理预测3种天气状态模型的故障率,由3种参数威布尔分布-Copula函数的联合失效概率密度法计算绝缘老化引起的设备故障率,基于Holt-Winters模型来预估设备检修造成的故障率,再采用果蝇算法加权组合优化所求得的各子模型的故障率,算出具有高准确度的预测值。以某地区的电力系统为实例进行分析,所得结果表明所述模型可有效提高设备故障率的预测精度,同时也验证了果蝇优化算法在求解多状态修正优化组合预测问题时的有效性。

基于MFOA-SVR露天矿边坡变形量预测研究

为实现边坡危险性及时预警预报,以露天矿边坡变形量为研究对象,提出采用七项影响指标作为边坡位移变形量的响应参数,建立支持向量机回归预测模型(SVR)。引入修正的果蝇优化算法(MFOA)对模型参数进行优化,构建基于MFOA-SVR露天矿边坡变形量协同预测模型,并以实际监测数据进行模型仿真预测。结果表明:该模型平均绝对误差为0.9167mm,平均相对误差为4.2737%,较其他模型预测精度高,综合性能好,将其运用于露天矿边坡变形量预测研究具有较好的适用性和可靠性。

基于MFOA-ELM的水质等级预测研究

为提高水质评价模型的预测精度和适用性,针对极限学习机性能受输入权重W_i和隐含层偏置b_i的影响,提出一种基于修正因子的果蝇算法优化ELM的水质评价模型。选择2012—2017年巢湖水质监测数据为研究对象,与FOA-ELM、PSO-ELM、GA-ELM和ELM对比发现,MFOA-ELM具有更高的预测精度,精度高达98.36%,并且具有更快的收敛速度,可以广泛地应用于水质评价和预测。

基于MFOA和LW的混沌时间序列鲁棒模糊预测

针对含有例外点的混沌时间序列的预测问题,提出了一种基于修正型果蝇优化算法(MFOA)和最小Wilcoxon方法(LW)的混合学习算法来训练T-S模糊模型,以达到准确建模和提高模型鲁棒性的目的。首先采用修正型果蝇优化算法优化模糊前件的高斯型隶属函数参数,利用其编程简单、收敛速度快的优点提高辨识精度和收敛速度。然后采用最小Wilcoxon方法辨识模型的结论参数,在训练数据中出现例外点时,LW方法的强鲁棒性可以有效克服传统最小二乘方法对例外点敏感的缺点。最后以Mackey-Glass混沌时间序列的预测为例进行仿真研究,通过比较不同的优化算法的辨识结果来验证修正型果蝇优化算法的优越性,并在系统存在例外点的情况下验证了所提方法的有效性和鲁棒性。

基于ICEEMDAN能量矩和MFOA-PNN的轴承故障诊断

为了提高滚动轴承故障诊断的准确性,实现对故障的精准定位,提出一种基于改进的自适应噪声的完备集成经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)能量矩和修正型果蝇优化算法-概率神经网络(Modified Fruit Fly Optimization Algorithm-Probabilistic Neural Network,MFOA-PNN)的轴承故障诊断方法。首先利用ICEEMDAN算法对滚动轴承原始序列信号进行预处理,通过能量矩计算公式求取特征值,并将其作为PNN模型的输入;其次运用MFOA搜索PNN模型的最优平滑参数,通过建立MFOA-PNN模型诊断故障类别。实验表明,MFOA-PNN模型相比PNN模型的诊断准确性有所提高,准确率可以达到99.50%,提高了滚动轴承的经济性和安全性。

基于IFOA优化SVM的油浸式变压器故障诊断方法

针对小样本数据的油浸式变压器故障诊断,将修正因子引入果蝇优化算法,提出了一种基于IFOA优化SVM的油浸式变压器故障诊断方法。通过IFOA优化SVM的惩罚因子C和核函数参数g,实现小样本数据的油浸式变压器故障诊断。为了验证该算法的有效性和可靠性,将IFOA-SVM和GridSearch-SVM,FOA-SVM,SVM等算法进行比较。实验结果表明,IFOA-SVM比Grid Search-SVM,FOA-SVM和SVM具有更高的准确率,更加适合油浸式变压器的故障诊断。

耦合神经网络在瓦斯涌出量动态预测中的应用

为了更有效、准确地对煤矿瓦斯涌出量进行预测,保障煤矿生产安全,提出了一种基于改进果蝇算法(MFOA)优化Elman神经网络(ENN)的智能动态预测方法.首先,利用主成分分析法(PCA)对煤矿瓦斯涌出量监测数据进行降维处理;其次,引入果蝇算法以改进的自适应搜索步长进行搜索,以此实现对ENN网络参数的全局寻优,从而建立基于MFOA-ENN的煤矿瓦斯涌出量动态预测模型,并对预测效果进行了验证.实验结果表明:MFOA-ENN模型的平均相对变动值为0.003 7、均方根误差为0.102 6、平均相对误差为1.499%,相比于RBF模型、Elman神经网络模型、SOM-RBF模型以及FOA-ENN模型在煤矿瓦斯涌出量预测控制方面具有更好适应性、精度及泛化能力.