基于集合经验模态分解和多目标遗传算法的火-多储系统调频功率双层优化

针对分布于区域电网不同网络节点的多座储能电站参与电网调频功率调度问题,该文提出一种基于集合经验模态分解(EEMD)和多目标遗传算法(MOGA)的火-多储系统调频功率双层优化策略。该策略包含火-储调频功率优化层和多储能电站调频功率优化层:上层计及火-储调配资源各自优势及剩余调频能力,构建火-储调频功率优化分配模型,完成火-储调频功率的分配;下层引入关于调频成本和荷电状态(SOC)的自适应权重系数,以调频成本最低和SOC均衡为优化目标,完成调频功率在多储能电站之间的分配。仿真结果表明,所提策略可以提升区域电网调频效果并降低调频成本,均衡控制多个储能电站的调频成本和SOC,可以防止经济性较好的储能电站长期处于SOC越限边缘状态,提升储能电站参与调频的积极性和可持续性。

基于多元模态分解与多目标算法优化的深度集成学习模型的超短期风电功率预测

针对风电功率预测问题,提出了一种基于多元变分模态分解(multivariate variational mode decomposition,MVMD)、多目标纵横交叉优化(multi-objective crisscross optimization,MOCSO)算法和Blending集成学习的超短期风电功率预测。在数据处理阶段,为了保持各序列间的同步相关性以及分解后得到本征模态函数(intrinsic mode functions,IMF)分量个数和分量频率相匹配,使用MVMD对多通道原始数据进行同步分解。针对单一机器学习模型导致预测的全面性不足,且存在精度和鲁棒性低的问题,提出基于MOCSO算法动态加权的Blending集成学习模型。通过对递归神经网络、卷积神经网络、长短期记忆网络的预测结果进行动态加权集成,并通过MOCSO优化调整权重,以提高模型的预测准确性与稳定性。实验结果表明,所提预测模型不仅有效,且显著优于其他预测模型。

基于动态分解和角度惩罚距离的高维多目标进化算法

多个领域的优化可归纳为高维多目标优化问题,高维多目标进化算法是解决此类问题的有效方法,然而该方法普遍存在收敛性和多样性较难平衡的问题.针对此问题,本文提出一种基于动态分解和角度惩罚距离的高维多目标进化算法.该算法基于动态分解将种群分成多个类,此过程无需预先设定参考向量,可根据种群自身分布信息进行分解.之后,基于改进的角度惩罚距离从每类中选择个体,从而平衡收敛性与多样性.此外,设计基于Pareto支配、拐点、m近邻角度三原则的锦标赛匹配选择机制.本文算法与9种高维多目标进化算法在27例高维多目标优化测试题上进行对比实验.实验结果表明,本文算法能有效解决不同类型的高维多目标优化问题,并且在不同目标个数上具有较好的稳定性.

基于块分解和循环神经网络的海上升压站智能巡检目标时序配准算法

常规海上升压站智能巡检目标时序配准主要依托三角网格表示方法,缺少对图像块能量分布的分析,导致目标配准后离群点的比重较大,配准效果欠佳。为此,提出了基于块分解和循环神经网络的海上升压站智能巡检目标时序配准算法。通过对海上升压站巡检项的分析,采用块分解算法对巡检图像进行分解,检测巡检目标的特征点,并通过提取分解图像块中的高频分量获取图像的能量分布;结合目标特征点的主曲率,计算特征点的标量比例系数,将其与给定阈值相比较,以识别并剔除不稳定极值点;引入循环神经网络求取巡检目标点的质心与特征点之间像元的标准差,由此找出阵列的中心点进行配准。以某实际海上升压站项目为研究背景,对所提方法进行性能验证,结果表明,利用该算法对巡检目标进行时序配准后,得到离群点比重较小,配准效果更好。

融合分解和自适应邻域的多目标离散组合优化算法

为了高效获取现实中大规模多目标优化问题解决方案,实现收敛性、多样性和均匀性的平衡逐渐发展为多目标优化的重要目标之一。针对复杂多目标离散组合优化问题,提出了融合分解和自适应邻域的多目标离散组合优化算法(MOALNS)。该算法在问题分解的基础上为各子问题的寻优进程引入大邻域搜索策略与自适应调整机制,形成一套新型的收敛指导准则突破寻优阻力,进而使各子问题在搜索多维解空间的过程中达到全局搜索与局部搜索的平衡。同时,提出为各子问题配置独立算子积分库可有效地调整各子问题的寻优方向,解决由于目标权重不同而造成的求解方向偏差问题,以此实现更为高效、稳定的多目标优化进程。数值实验表明,提出的新型多目标离散组合优化算法在多组标准测试算例与真实案例中均展现出了在收敛性、多样性、均匀性和延展性等方面的良好性能,相较于其他经典多目标优化算法而言更具优势。

层级引导的增强型多目标萤火虫算法

针对多目标萤火虫算法在求解过程中易产生振荡和聚集现象,导致开发能力较弱、求解精度不佳的问题,提出一种层级引导的增强型多目标萤火虫算法(hierarchical guided enhanced multi-objective firefly algorithm,HGEMOFA)。构建层级引导模型,利用非支配排序获得不同层级个体,用优势层个体引导劣势层个体进化,明确引导方向,解决了进化过程中出现的振荡,减少了聚集现象的出现,增强了算法收敛性;引入莱维飞行扰动最优层个体,增强算法的全局搜索能力;每代进化完成后,对当前种群采用变异机制,增强算法的局部开发能力;把变异后的种群和前一代种群合并进行环境选择,筛选出和前一代种群规模相同的子代,避免优势解丢失。实验结果表明:HGEMOFA能有效增强解的收敛性和多样性。

基于深度学习的无锚框目标检测算法综述

近年来,基于深度学习的无锚框目标检测算法备受关注。为了深入理解无锚框检测算法,对比分析了基于深度学习的无锚框检测算法的原理机制、网络结构、核心特性以及优缺点,归纳总结了无锚框检测算法的核心技术,并在同一数据集上通过性能实验研究上述算法的性能,总结提出基于深度学习的目标检测算法未来的研究方向。

基于改进NSGA-Ⅱ算法的梯级水库多目标优化调度

针对在时间步长较小、计算时段数目较多时,传统智能优化算法在求解梯级水库联合优化调度问题上效率低甚至无可行解的问题,提出了一种改进NSGA-Ⅱ算法。该算法基于NSGA-Ⅱ算法框架,引入参考目标值、潜力目标值、偏移度以及变异引导算子来优化种群进化过程,强化迭代中的种群质量,使获得的解集更加接近真实的Pareto前沿。福建省金溪流域梯级水库多目标优化调度实例验证结果表明,改进NSGA-Ⅱ算法相对其他算法运算效率更高,优化结果更好,具有较好的实用性。

基于改进YOLOv5s的小目标检测算法

针对当前主流目标检测算法对图像中远距离小目标产生的漏检、误检等问题,提出一种改进YOLOv5s的小目标检测算法。在模型训练过程中,通过引入Focal-EIOU定位损失函数,加强边界框的定位精度;在骨干网络中,通过添加小目标检测层,提高小目标的检测精度;在Neck结构中,通过优化上采样算子和添加注意力机制,加强小目标的特征信息。实验结果表明,改进后的算法在VisDrone数据集上与YOLOv5s算法相比,mAP@small提高了3.2%,且检测速度满足实时性的要求,能够很好地应用于小目标检测任务中。

改进多目标蜂群算法优化洗出运动及仿真实验

针对经典洗出算法参数选择不当导致信号缺失,引起失真,影响洗出效果等问题,提出一种改进的多目标人工蜂群算法,利用该算法对经典洗出算法中的滤波器参数进行优化来改善洗出算法的洗出效果。针对传统蜂群算法初始化和局部优化中存在的问题,引入Circle映射和Pareto局部优化算法;建立人体感知误差模型、加速度差值模型、位移模型,将模型函数作为目标函数,用改进后的多目标人工蜂群算法对经典洗出算法进行参数优化;建立仿真模型对优化后的洗出算法进行仿真验证,应用飞行模拟器运动实验平台进行实验验证。结果表明:经优化后的洗出算法,洗出逼真度得到有效提升,降低了误差峰值,改善了相位延迟,节省了运动空间。

基于多目标灰狼算法的漂浮式风电机组浮台内TMD参数优化

针对漂浮式风电机组浮台内调谐质量阻尼器(TMD)参数调优的问题,以5 MW Barge型漂浮式风电机组为研究对象,采用多目标灰狼算法(MOGWO)优化TMD参数配置。首先,基于欧拉-拉格朗日方程建立浮台内含TMD的漂浮式风电机组动力学模型,采用Levenberg-Marquardt(LM)法进行模型未知参数辨识;其次,同时考虑塔顶和塔基控制目标,采用MOGWO算法优化TMD的刚度和阻尼参数;最后,在不同工况下进行仿真分析。结果表明:相对于传统的单目标优化算法,使用MOGWO算法参数优化后的TMD对风电机组具有更好的振动抑制效果。

基于改进蝙蝠算法的多目标移动储能调度

在大规模电动汽车的随机充电等因素的影响下,电网峰谷差等问题突出。首先,计算所需多类型移动储能(电动汽车、移动储能车、氢燃料发电车)调度功率,考虑交通能耗,建立各类移动储能模型。其中,针对电动汽车交通能耗,根据电价对用户参与意愿的影响,建立相应的补贴体系。其余类型则只计及交通能耗成本。然后,建立以的配电网负荷峰谷差、新能源利用率、配电网运行成本为目标,利用超平面的概念自适应地确定不同目标函数的权重,将多目标归一化,建立三类移动储能协调调度模型。而后,使用改进蝙蝠算法求解,得到多类型移动储能协同调度的方案。其中,基本蝙蝠算法引入柯西变异逆累积分布函数等改进,得到改进蝙蝠算法,该算法有效提升优化速度、全局搜索能力。最后,在IEEE33节点系统中,进行仿真验证,结果证明了该调度方案的有效性。

领导者引导与支配解进化的多目标矮猫鼬算法

面对现实中日益复杂的多目标优化问题,需要发展新型多目标优化算法应对挑战。提出一种基于领导者引导与支配解动态缩减进化的多目标矮猫鼬优化算法(MODMO)。领导者引导机制通过引入动态权衡因子以调控侦察猫鼬探寻土丘的搜索半径,同时以非劣解集构建外部存档并根据非支配排序层级确定出领导者,进而引导侦察猫鼬向多目标前沿面推进以改善算法的收敛性;支配解动态缩减进化策略是为克服非劣解外部存档维护过程中的解冗余问题而构建,其以支配关系和拥挤距离动态筛选支配解并存入外部存档,以支配解信息融入种群进化实现多目标潜在前沿的挖掘并增强算法的多样性。在ZDT、DTLZ与WFG基准函数上,与5种代表性比较算法的实验结果表明MODMO算法在收敛性与多样性上均具有显著优势。

高机动目标的改进强跟踪CKF自适应IMM算法

为提升高机动目标跟踪精度,提出了一种改进的强跟踪CKF自适应交互多模型跟踪算法。在IMM算法运动模型集中引入CS-Jerk模型,增强对高机动目标的适应能力,采用奇异值分解(SVD)算法解决模型集中因模型扩维而导致CKF算法无法Cholesky分解的问题;提出了一种改进的强跟踪CKF算法,降低强跟踪CKF算法的计算量;利用模型的后验信息对IMM算法模型转移概率进行自适应调整,提高跟踪精度。仿真结果表明,基于所提算法目标的位置均方根误差均值和速度均方根误差均值较IMM-CKF算法分别降低了22.50%和16.58%,有效提高了目标跟踪精度。

基于多目标狼群算法的机场行李导入系统仿真优化研究

针对民航机场行李导入系统运行过程中旅客行李注入等待时间长、系统能耗高等问题,综合考虑虚拟视窗控制方式、收集带式输送机运行速度、虚拟视窗长度及同时开放值机柜台数量等关键控制参数对机场行李导入系统运行效率的影响,提出一种求解该问题的仿真优化框架。通过分析机场行李导入系统实际运行工况,建立参数化仿真优化模型。以最小化旅客行李注入平均等待时间和系统能耗为优化目标,结合系统设计和运行过程中的实际约束条件,建立该问题的数学模型,并设计了一种多目标自适应并行狼群算法进行求解。该算法针对所提问题特性及经典狼群算法易陷入局部最优和收敛速度慢等不足,提出一种混合整实数单链编码方式,融合反向学习策略生成初始种群,引入自适应游走概率机制和智能行为并行机制,采用局部和全局自适应邻域搜索及启发式保优策略实现狼群算法智能行为搜索,使用Pareto非支配排序进行寻优迭代并获得最优解集。以国内某大型国际航空枢纽机场行李导入系统为例设计不同规模多种算法对比实验,验证了所提方法的有效性和优越性。

基于变分模态分解与鲸鱼算法优化回声状态网络的风速预测模型

风速受多种因素影响常伴随着随机性和非平稳性,给风电接入电网造成了相当大的困难,准确的风速预测对风力发电有着极大的研究意义。将变分模态分解算法与鲸鱼算法优化回声状态网络模型相结合,提出了一种风速预测模型。首先通过变分模态分解算法将风速序列分解成多个分量以减少风速内部信号间的耦合性,降低建模难度。然后对这些分量分别建立对应的回声状态网络预测模型。针对回声状态网络模型性能受储备池参数影响较大的问题,采用鲸鱼优化算法对储备池参数进行优化。风速的最终预测值由分解后各分量预测值相加得到。最后,将实际采集的短期风速数据作为研究对象,通过与其他4种预测模型的对比分析表明提出的风速预测模型具有更高的预测精度,能够更好地对风速的变化趋势进行预测。

混合灰狼-自适应蝴蝶算法下的多目标无线传感器网络覆盖研究

为提高无线传感器网络的覆盖率、减少二次部署中节点移动的能量消耗以及减少牵涉节点数目,提出了一种混合灰狼-自适应蝴蝶算法.首先,通过将灰狼算法与蝴蝶算法融合寻找最优解,在种群间优化中加入种群内部优化,提升算法的寻优能力,提高算法收敛速度;其次,在蝴蝶算法中改进自适应开关概率,根据当前迭代情况决定寻优方式,加快搜索速度;最后,在算法中融入反馈机制,引入随机蝴蝶进行漫步,防止陷入局部最优.从最优覆盖、最小冗余、最低能量消耗3个方向综合考量,建立函数模型,进行覆盖优化.实验结果表明,与其他6种算法相比,本文算法在多种场景下,有效地提高覆盖率,降低节点冗余,减少节点使用数目,降低能量消耗.

基于自适应网格多目标鲸鱼算法的火力分配问题研究

传统多目标优化算法在解决多于两个目标函数的火力分配问题时收敛效果不佳,多样性差,耗时过大。基于此,提出了一种自适应网格多目标鲸鱼优化算法(AG-MOWOA)来解决以震塌比例、弹药成本和自身剩余价值为目标函数的火力分配问题。该算法引入混沌映射和外部Pareto存档进化策略提高了种群的多样性,通过自适应网格选取最优个体的方法极大地减少了算法运行时间。仿真实验结果表明,该算法较其他算法收敛速度更快、收敛质量更高、解集分布更多样,能够有效解决火力分配问题。

基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法

在复杂道路场景中检测车辆、行人、自行车等目标时,存在因多尺度目标及部分遮挡易造成漏检及误检等情况,提出一种基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法。首先,利用深度可分离卷积替换部分普通卷积,减少模型的参数量以提升检测速度。其次,在特征融合网络中引入基于感受野模块(receptive field block,RFB)改进的RFB-s,通过模仿人类视觉感知,增强特征图的有效感受野区域,提高网络特征表达能力及对目标特征的可辨识性。最后,使用自适应空间特征融合(adaptively spatial feature fusion,ASFF)方式以提升PANet对多尺度特征融合的效果。实验结果表明,在PASCAL VOC数据集上,所提算法检测平均精度均值相较于YOLOv5s提高1.71个百分点,达到84.01%,在满足自动驾驶汽车实时性要求的前提下,在一定程度上减少目标检测时的误检及漏检情况,有效提升模型在复杂驾驶场景下的检测性能。

基于改进鸟群算法的多目标微电网优化调度研究

为克服传统智能算法在微电网多目标优化调度中存在局部最优、过早收敛等问题,提高微电网调度的准确性、稳定性和收敛速度,提出了1种基于改进鸟群算法的多目标微电网优化调度策略。首先,分析了微电网多目标调度的影响因素,建立了基于最低经济成本及最小环境影响的微电网调度模型。其次,通过随机均匀分布自适应选择惯性权重系数,运用线性调整策略及学习系数平衡全局和局部搜索能力,提高鸟群算法的收敛速度和搜索精度,并基于Lévy飞行策略更新鸟类群体的空间位置,扩大搜索范围、丰富种群多样性,从而使所提方法跳出局部最优实现精准收敛。最后,通过搭建并网运行条件下的典型微电网场景进行仿真实验,并使用典型的测试函数将所提方法与其他成熟算法进行对比分析。实验结果表明,所提方法的全局优化性能、收敛精度、稳定性和收敛速度均优于其他对比方法,且具有良好的经济性和环境友好性,能够实现良好的多目标优化平衡。