多策略改进麻雀算法在机械臂时间最优轨迹规划中的应用

针对六自由度柑橘采摘机械臂时间最优轨迹规划问题,提出一种多策略改进麻雀算法(Multi-strategy improved sparrow search algorithm, MISSA)的轨迹规划方法。首先,利用改进D-H参数法建立机械臂的运动学模型,并对其正、逆运动学进行求解,然后利用3-5-3多项式插值建立机械臂关节空间的运动轨迹。最后针对普通麻雀算法,利用Logistic混沌映射均匀化种群,并融合改进正余弦策略平衡算法的局部与全局搜索能力后,得到了改进麻雀算法,并利用该算法对机械臂进行时间最优轨迹规划,再与GA、PSO、SSA算法进行对比。结果表明,多策略改进麻雀算法相比于其他3种算法在收敛速度和精度上均有明显提高,关节运行时间缩短46.7%,且优化后得到关节运动学曲线均光滑无突变,验证了算法的有效性。

基于改进麻雀搜索算法的水质模型多参数反演

水质模型参数取值对模型的模拟精度影响很大,为提高BOD-DO水质模型参数反演精度,首先在DobbinsCamp BOD-DO水质模型的基础上,以BOD和DO浓度计算值与实测值之差的加权平方和最小为目标函数,构建了Dobbins-Camp BOD-DO水质多参数反演模型;然后针对麻雀搜索算法(Sparrow Search Algorithm,SSA)求解精度低、稳定性不足和易陷入局部最优等问题,引入Sine混沌映射和对立学习、转移概率以及差分变异3个策略,分别从提高初始种群多样性、扩大搜索空间以及增强种群跳出局部最优的能力三方面对SSA算法进行改进,提出了一种多策略改进的麻雀搜索算法(Multi-strategy Improved Sparrow Search Algorithm,MISSA),并将其应用于Dobbins-Camp BOD-DO水质多参数反演模型的求解;最后通过数值实验将得到的反演结果与SSA算法、模拟退火算法、粒子群算法、遗传算法四种优化算法进行对比,并探讨了参数初值选取和观测噪声水平对反演结果的影响。结果表明:MISSA算法的计算性能明显优于对照组中的4种算法,且能显著降低初值选取对BOD-DO水质模型参数反演结果的影响,当观测数据的噪声水平不超过5%时,MISSA算法可有效提高反演结果的稳定性。该结果验证了MISSA算法在反演Dobbins-Camp BOD-DO水质模型参数的有效性,为水质模型参数求解提供有益参考。

大坝渗压混合预测的STL分解-集成学习模型

针对目前大坝渗压预测研究大多未区分影响因素对渗压不同特征成分贡献的差异,降低了模型的可解释性,且现有的预测模型大多采用单一算法,存在难以区分具有高度非线性和非稳态混合特征的渗流压力序列模式等问题,本文提出一种基于STL分解和集成学习策略的渗压可解释混合预测模型。该模型首先通过时间序列分解(STL)将原始渗压时间序列分解为季节项、趋势项和余项,以避免现有模型在渗流压力预测中模式混淆的不足;然后,不同成分的变化特征可采用多策略改进麻雀搜索算法(MSISSA)优化的核极限学习机(KELM)和卷积神经网络组合门控递归单元(CNN-GRU)组成的集成学习模型来识别;此外,还采用单次单因子法(OFAT)分析影响因素对渗流压力不同特征成分的贡献,从而改变输入因素的权重,以提高模型的可解释性。案例分析结果表明,在确保模型可解释性的同时,所提出的混合模型与基于单一算法的模型相比,预测精度平均提高了48.44%;与其他集成预测模型相比,预测精度平均提高了11.42%,验证了所提模型的有效性,为大坝渗流安全监控提供了新的建模方法。

基于MISSA-SVM模型的边坡稳定性预测及应用

为提高边坡稳定性的预测精度,提出一种基于多策略改进的麻雀搜索算法(MISSA)优化支持向量机(SVM)的边坡稳定性预测模型。选取容重γ、黏聚力c、内摩擦角Ф、边坡角φf、边坡高度H、孔隙压力比ru等6个代表性特征作为模型的预测指标。针对麻雀优化算法(SSA)存在的收敛速度慢、精确度不高、易陷入局部最优等问题,引入一维复合混沌映射、正余弦算法(SCA)、Levy飞行机制和步长因子动态调整等策略进行优化改进,构建基于MISSA-SVM的边坡稳定性预测模型。将MISSA-SVM模型应用到大溪滑坡等9组边坡工程实例进行验证。结果表明:MISSA-SVM模型的准确率、精确率、召回率、F_(1)分数、均方误差(MSE)和曲线下面积(AUC)分别达到96.29%、92.3%、100%、0.96、0.016和0.967,均优于SSA优化的SVM模型和BP模型,预测结果与实际边坡状况完全吻合,表明MISSA-SVM模型具有较强的泛化能力。

基于NRS-ISSA-SVM的砂土液化判别模型

针对砂土液化判别中影响因素与砂土状态间映射关系的不确定性及模糊性等问题,在邻域粗糙集(Neighborhood Rough Set,NRS)因素约简的基础上,利用多策略融合的改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)优化支持向量机(Support Vector Machine,SVM)参数C和g,构建了SVM砂土液化判别模型。以吉林松原地区的42组实例作为总体样本集,其中35组作为训练集,另外7组作为测试集,利用邻域粗糙集对9个影响因素约简得到4个因素,然后输入ISSA-SVM模型进行预测,并进行了约简得到的因素敏感性分析。结果表明:因素约简剔除了冗余属性,降低了模型复杂度;ISSA算法具有极强的探索性、收敛性和局部逃逸能力;相比于其他模型,NRS-ISSA-SVM砂土液化判别模型精度更高,泛化能力更强;建议要判别砂土的液化状态,需要准确查明水位埋深、地震烈度、标准贯入击数,非液化土层厚度这4个因素,尤其是前三个因素。通过易获取的影响因素建立NRS-ISSA-SVM砂土液化判别模型,不仅可准确地判断该区域其余未知点的砂土状态,还可为其他类似问题提供参考借鉴。

基于KPCA-ISSA-SVR的盾构施工诱导地面沉降预测模型研究

为了准确预测盾构施工诱发的地面沉降量,论文提出了核主成分—多策略融合的改进麻雀搜索算法优化支持向量回归机(KPCA-ISSA-SVR)预测模型。以73组地面沉降实例为总体样本集构建训练及测试样本,利用核主成分分析对影响地面沉降的地质因素及施工因素进行特征提取的基础上,采用ISSA算法优化参数C和g,建立KPCA-ISSA-SVR地面沉降量预测模型,并与核主成分-Tent混沌映射改进麻雀搜索算法优化支持向量回归机(KPCA-TentSSA-SVR)、核主成分—麻雀搜索算法优化支持向量回归机(KPCA-SSA-SVR)、麻雀搜索算法优化支持向量回归机(ISSA-SVR)模型进行对比。结果表明:KPCA能够剔除冗余信息,降低模型复杂度;ISSA全局寻优及局部探索能力强,能高效准确地确定模型参数;KPCA-ISSA-SVR预测精度更高,稳定性更强。