黄金正弦混合原子优化算法

原子优化算法是一种基于分子动力学模型的新型智能算法,针对基本原子优化算法收敛速度慢以及易陷入局部最优的局限性,本文将黄金正弦作为局部优化算子嵌入到基本算法中,提出了黄金正弦原子优化算法.原子个体通过黄金正弦操作可以与最优个体进行充分的信息交流,有效改善基本算法的寻优方式,提高算法的收敛速度和寻优精度.通过实验表明,改进后的原子优化算法具有更好的寻优性能.

融合振幅随机补偿与步长演变机制的改进原子搜索优化算法

针对原子优化算法寻优精度弱且易陷入局部极值的问题,本文从种群多样性、参数适应性和位置动态性角度提出一种融合混沌优化、振幅随机补偿和步长演变机制改进的原子搜索优化算法(improved atom search optimization,IASO),并将其成功应用于分类任务。首先,引入帐篷映射(Tent混沌)增强原子种群在搜索空间中的分布均匀性;其次,通过构建振幅函数对算法参数进行随机扰动并加入步长演变因子更新原子位置,以增强算法全局性和收敛性;最后,再将改进算法应用于误差反馈神经网络(BP神经网络)参数优化。通过与6种元启发式算法在20个基准测试函数下的数值实验对比表明:IASO不仅在求解多维基准函数上具有好的寻优性能,且在对BP神经网络参数进行优化时相较于2种对比算法具有更高的分类精度。

基于自适应ASO算法的微电网优化调度

为了提高微电网的运营经济性和能源利用效率,提出了一种基于自适应原子搜索优化算法(Adaptive Atomic Search Optimization Algorithm,AASO)的微电网优化调度策略。在原子搜索优化算法(ASO)的基础上引入自适应思想,提高算法的收敛速度和精度,加强全局寻优能力。搭建一个包括光伏、风力等多种分布式发电设备的微电网数学模型,以微电网的经济环保性作为优化目标,并在孤岛和并网运行模式下进行算例寻优求解。结果表明,该算法在微电网优化调度上的寻优能力和收敛速度,均强于粒子群优化(PSO)算法,有效提高了微电网运行的经济环保性。

基于原子搜索的自压滴灌系统优化方法与应用研究

本研究基于原子搜索优化算法,建立数学模型,计算单位面积工程建设的综合成本,对自压滴灌系统进行优化,得出以下结论:当田间长宽比为1.2时,自压滴灌系统工程的单位成本最低,说明当该项目的地块形状为正方形时,为最优的自压滴灌系统工程建设方案。滴灌带间距与单位面积成本呈负相关关系,随着滴灌带间距的增大,单位面积的成本逐渐减小,当滴灌带间距为0.60~0.75 m时,单位面积的成本变化量较大。灌水器的设计流量与单位面积成本呈正相关关系,当灌水器设计流量最大时,其对应的单位面积成本最大。灌水器间距与单位面积成线性负关系,随着灌水器间距的增大,其单位面积成本的增量较为稳定。

一种改进的原子搜索算法

原子搜索算法(atom search algorithm,ASO)是模仿自然界中原子运动而提出的一种新型优化算法,针对ASO在求解复杂函数时存在易早熟及收敛速度慢的问题,提出了一种改进ASO算法(improved atomic search algorithm,IASO)。IASO加入了原子个体历史最优解产生的约束力来修正ASO的加速度,增强全局搜索能力。自适应更新2个乘数系数来协调算法的全局搜索和局部开发能力。适时采用高斯变异策略来重新更新原子位置,提高跳出早熟的能力。对14个基准函数进行仿真实验,对比其他算法,IASO在收敛速度、收敛精度方面表现出优越的性能。

基于优化BP神经网络ESA CCI土壤水分重建方法研究

为了获取空间连续的土壤水分遥感产品,提高微波遥感土壤水分产品精度,以青藏高原那曲地区为研究区域,欧洲航天局气候变化倡议(European Space Agency Climate Change Initiative,ESA CCI)土壤水分产品为基础,利用地表温度(LST)、归一化植被指数(NDVI)、反照率(Albedo)和数字高程(DEM)等数据作为辅助数据构建Back Propagation(BP)神经网络反演土壤水分模型,采用原子搜索优化(Atom Search Optimization,ASO)算法对传统BP神经网络进行优化,建立ASO-BP土壤水分重建模型。研究结果与地面实测数据相比,ASO-BP重建的土壤水分整体相关系数R值(0.80),高于传统BP神经网络模型重建土壤水分的R值(0.72),且RMSE值0.029 cm^(3)·cm^(-3)低于传统BP神经网络模型重建土壤水分的RMSE值0.034 cm^(3)·cm^(-3),结果精度均得到提高。在低植被覆盖度区域,精度提高更为明显,表现出更好的适用性。

自压滴灌系统田间管网工程建设规模优化研究

【目的】合理划分多级枢纽自压滴灌系统田间管网工程建设规模,使工程综合成本费用最小化。【方法】以考虑工程使用年限的单位面积综合成本费用最低为目标,以管网布置、管径、流量、压力为约束条件,建立了多级枢纽自压滴灌系统田间管网工程建设规模优化数学模型,并采用原子搜索优化算法进行求解。【结果】以新疆某两级枢纽自压滴灌工程为例,采用该方法对其田间管网工程规模进行优化,当田间管网工程规模为89 hm^(2)时,单位面积综合成本费用最低,田间管网工程规模为74~98hm^(2)范围时较优。同时,计算分析不同灌水器间距、毛管间距及灌水器设计流量下的最优工程规模,三者组合方式不同最优规模不同,对应的田间长宽比范围为1.00~1.30,且最优规模对应的单位面积综合成本费用随着灌水器间距或毛管间距的增大而减小,随着灌水器设计流量的增大而增大。【结论】该方法可对多级枢纽自压滴灌系统的田间管网工程规模进行优化,另外,原子搜索优化算法稳定,计算速度较快,计算精度高,该方法对自压滴灌系统的优化设计具有一定的应用价值。

基于ASO-BP神经网络的屈服强度预测技术研究

针对传统屈服强度预测模型通用性较差的问题,提出一种采用原子搜索优化算法优化BP神经网络,建立多类型合金屈服强度预测模型的方法。以Kaggle公开数据为研究对象,对89种钢合金建立ASO-BP神经网络屈服强度预测模型,同时与PSO-BP,GA-BP,BP神经网络模型对比。结果表明:ASO-BP预测模型平均绝对百分比误差(MAPE)为6.98%,相关系数达到0.98716,效果优于其他对比模型。验证了预测多种类型合金屈服强度的合理性和可靠性,为工程实际应用和合金屈服强度检测提供较好的辅助判断。

基于ASO-BP神经网络的生物量反演模型研究

本文选择六盘山森林区为论文研究区域,光学数据选择Landsat 8 OLI,微波雷达数据选择具有L波段的ALOS-2 PALSAR-2,并结合森林资源清查数据作为六盘山森林AGB的反演模型研究数据源,对选择的两种数据源的相关特征变量进行提取、分析、筛选,基于经典及改进算法构建六盘山森林AGB反演模型。利用原子优化算法(ASO)优化BP神经网络模型构建新的森林地上生物量反演模型——基于原子优化算法改进的BP神经网络(ASO-BP)森林AGB反演模型,通过对两种生物量反演模型精度的对比与评价,最终选择精度最高的ASO-BP反演模型比较适用于六盘山森林地上生物量反演,完成六盘山森林地上生物量的估算和分析。

基于LCASO-BPNN模型的单质硫溶解度预测

使用智能算法对硫溶解度进行预测是分析解决硫沉积问题的重要路径之一。为提高算法精度,提出一种采用基于混沌理论与Logistic映射改进的原子搜索优化算法对BP神经网络的权值和阈值进行优化的LCASO-BPNN预测模型,考虑温度、压力及CH_(4)、H_(2)S、CO_(2)摩尔分数5个影响硫溶解度的因素,选用224组实验数据对模型进行训练与预测,使用EAARD(平均绝对相对偏差)、ERMSE(均方根误差)、ESD(标准偏差)和测定系数R^(2)这4个评估参数对模型进行评估。模拟结果表明:提出的LCASO-BPNN预测模型的EAARD为4.60%,ERMSE为0.0367,ESD为0.0689,R^(2)为0.9978。较之前的研究,LCASO-BPNN模型具有预测精度高、误差小、模型简便的优势,可应用于实际工程。

基于改进原子算法的核极限学习机热耗率预测

针对发电汽轮机热耗率模型难以精准预测的问题,提出一种改进原子算法与核极限学习机综合建模的预测方法.首先,通过提出一种动态调整搜索策略,针对原子算法全局勘探能力和局部开发能力不平衡的问题进行改进.其次,引入疯狂因子和教学策略,提高原子算法的全局搜索精度和搜索速度,避免算法早熟收敛.最后,通过某电厂汽轮机实际运行数据建立汽轮机热耗率模型,通过改进原子算法优化后的核极限学习机对热耗率模型进行预测,同时将预测结果与其他几种预测方法的预测结果进行对比验证.实验结果表明,改进后的原子算法有效提高了核极限学习机的泛化能力,提高了汽轮机热耗率的预测精度.

基于GSASO的局部阴影下光伏最大功率追踪

光伏系统在局部阴影遮挡条件下其输出功率会大幅度减少,同时其光伏功率特性曲线出现多峰现象,其最大功率追踪过程的复杂性也会加大。将黄金正弦(Golden-SA)作为局部优化算子嵌入到原子搜索优化算法(ASO)中,解决其收敛速度较慢并且容易陷入局部最优的缺陷;构造出一种新的算法——黄金正弦原子搜索优化算法(GSASO),原子个体通过黄金正弦操作与最优个体进行充分的信息交流,能够更加快速准确地收敛到最大功率点。设置了多种光照情况进行仿真,将其与原子优化算法和粒子群方法进行对比,结果表明,所提出的方法在局部遮阴环境条件下能准确快速地跟踪最大功率点。

基于ASO-BP神经网络的海底油气管道腐蚀速率预测

随着我国海洋油气管网的发展与建设,管道数据采集量随之增大,优秀的预测模型可以应对大量数据,准确预测管道腐蚀速率,对保障管道安全健康运行具有重大意义。将原子搜索优化算法(ASO)思想引入BP(Back propagation)神经网络,构建ASO-BP神经网络用于海底油气管道腐蚀速率的预测。以50组现场数据为例,使用Matlab进行模拟仿真计算,分别构建具有代表性的BP、GA-BP和ACO-BP模型作为对比,对海底油气管道腐蚀速率数据进行训练和预测,结果表明ASO-BP模型预测精度较高,其平均绝对百分比误差(MAPE)为3.16%,预测结果优于BP、GA-BP和ACO-BP,验证了其可靠性以及良好的预测性能,为海底管道腐蚀速率预测研究提供了新的方法和思路。

The optimal time-frequency atom search based on a modified ant colony algorithm

this paper, a new optimal time-frequency atom search method based on a modified ant colony algorithm is proposed to improve the precision of the traditional methods. First, the discretization formula of finite length time-frequency atom is inferred at length. Second; a modified ant colony algorithm in continuous space is proposed. Finally, the optimal time- frequency atom search algorithm based on the modified ant colony algorithm is described in detail and the simulation experiment is carried on. The result indicates that the developed algorithm is valid and stable, and the precision of the method is higher than that of the traditional method.

基于改进MED-SSD的齿轮箱复合故障诊断方法

针对齿轮箱在强噪声环境下复合故障信号微弱、故障特征难以提取等问题,本文提出了一种改进的最小熵反褶积(MED)与奇异谱分解(SSD)结合的方法。首先,构建边际功率谱峰度指数(MPSK),利用MPSK对MED进行参数优化;为弥补SSD的不足,将改进的MED作为SSD的前置滤波器;然后利用相关系数分析法选择有意义的奇异谱分量(SSC);最后对信号进行频谱分析,确定具体的故障模式。采用仿真信号与齿轮箱试验台的复合故障信号对所提方法进行了应用,验证了方法的有效性和优越性。