基于改进北极熊算法的多租户数据中心电力成本优化方法研究

为了满足电力需求响应,通过改进北极熊算法提出了一种面向多租户数据中心的成本优化算法。首先采用一对多的逆向拍卖模型建立租户及运营商的关系,激励租户主动参与拍卖并提交相应的节能方案和期望奖励;接着通过改进现有的北极熊算法,来求解最优租户组合和最小成本,其中采用了sigmoid函数对坐标进行离散化处理;同时为了增强算法跳出局部最优的能力在算法中融入了变异策略,并且为提高算法的寻优能力,采用自适应视野代替固定视野来动态调整局部搜索的范围,进一步降低算法陷入局部最优解的概率。最后将提出的方法分别与经典的算法进行比较,实验结果表明在满足需求响应的情况下,提出的方法不仅花费成本最低,而且具有更高的效率。

国外新型智能优化算法--北极熊算法

北极熊算法(Polar Bear Optimization,PBO)是2017年由David等人提出的一种受自然界启发的优化算法,算法的灵感来自于北极熊赖以在北极严酷的环境下生存下来的捕猎方式;由于PBO是近年才提出来的新颖智能优化算法,中文文献中关于PBO算法的描述和应用微乎其微;还原了PBO的开发背景,介绍了算法的相关运算算子和算法的详细执行步骤,展现了PBO算法在现实世界中的应用领域和实际效果。

基于改进北极熊算法的制造云服务组合优化

为了提高云制造环境下制造服务组合优化的效率,提出了一种基于改进北极熊算法的制造云服务组合优化方法。该方法对制造服务进行实数编码,并以服务功能和服务质量为评价指标,使用改进的北极熊算法对制造云服务组合优化问题进行求解,得到最优的服务组合方案。同时通过引入动态视野,对算法的局部搜索进行调整,并与遗传算法中的变异策略相结合,以提高求解多目标问题的效率,同时降低因初始参数影响而导致算法陷入局部最优的可能。算例分析表明,改进的北极熊算法在求解制造云服务组合优化问题上比原始北极熊算法、标准遗传算法、改进的灰狼优化算法和改进的粒子群优化算法具有更高的效率。

基于PBO与CNN的电梯轴承故障检测

电梯在生活中已经变得随处可见。而电梯轴承作为重要的部件之一,当出现故障时会造成财产损失,严重的会发生危及生命的事件。卷积神经网络(Convolutional Neural Network,CNN)具有强大的特征学习能力,能够根据电梯轴承在运行的过程中产生的振动信号来检测电梯轴承是否发生故障。文中结合了北极熊算法(Polar Bear Optimization,PBO)对卷积神经网络的参数进行优化。PBO作为自然界的一种启发式优化算法,采用PBO和卷积神经网络相结合的故障诊断方法,对轴承故障识别率达到了99.6%,高于传统的卷积神经网络对电梯轴承的振动产生的特征信号进行故障诊断的识别率。