基于权值分配策略的聚类天牛群优化算法

为改进天牛群优化算法在种群更新阶段存在的社会信息利用不足,及其在多峰函数中易陷入局部极值的情况,提出了一种基于权值分配策略的聚类天牛群优化算法。算法使用k均值聚类算法配合轮廓系数法,将天牛种群分为k个最佳聚类子群;分别选取各子群中适应度值最优的个体,并通过给定策略分配影响权值;最后使用多个最优个体共同决策的方式处理原算法中的社会学习部分,从而降低全局最优个体对种群位置更新的影响。实验选取了15个常用基准测试函数对所提算法进行仿真测试。实验结果表明,所提算法能够适应不同类型的优化问题,相较于天牛群优化算法及3个经典的智能优化算法拥有更好的寻优精度和稳定性。

基于天牛群优化算法的多机PSS参数优化

为抑制多机电力系统的低频振荡,提出将天牛群优化(BSO)算法应用到多机电力系统稳定器(PSS)的参数协调优化中。采用传统的超前-滞后型PSS模型,将PSS参数的协调配置问题转化为一个函数优化问题。首先利用Prony算法对振荡信号进行机电模式辨识,然后通过BSO算法迭代寻优最佳PSS参数。通过MATLAB软件搭建IEEE四机两区域系统,将优化好的参数应用到多机电力系统仿真中测试其准确性。仿真结果表明,相比于粒子群优化(PSO)算法、分层多子群的均匀分布混沌粒子群优化(HUCPSO)算法,BSO算法具有更好的寻优能力,由该算法优化的PSS在改善系统阻尼和小信号稳定性方面具有良好的效果和性能。

基于天牛群优化与改进正则化极限学习机的网络入侵检测

正则化极限学习机(Regularized extreme learning machine,RELM)因其极易于实现、训练速度快等优点在诸多领域均取得了成功应用.对此,本文将RELM引入到入侵检测中,设计了天牛群优化算法(Beetle swarm optimization,BSO),并针对RELM由于随机初始化参数带来的潜在缺陷,提出基于天牛群优化与改进正则化极限学习机(BSO-IRELM)的网络入侵检测算法.使用LU分解求解RELM的输出权值矩阵,进一步缩短了RELM的训练时间,同时利用BSO对RELM的权值和阈值进行联合优化.为避免BSO算法陷入局部最优,引入Tent映射反向学习、莱维飞行的群体学习与动态变异策略提升优化性能.实验结果表明,在机器学习UCI数据集上,相比于RELM、IRELM、GA-IRELM、PSO-IRELM等算法,BSO-IRELM的数据分类性能提升明显.最后,将BSO-IRELM应用于网络入侵检测数据集NSL-KDD,并与BP(Back propagation)、LR(Logistics regression)、RBF(Radial basis function)、AB(AdaBoost)、SVM(Support vector machine)、RELM、IRELM等算法进行了对比,结果证明BSO-IRELM算法在准确率、精确率、真正率和假正率等指标上均具有明显优势.

基于变步长扰动观察法结合改进天牛群优化算法的三步复合光伏最大功率跟踪算法

局部遮阴情况下,光伏系统的功率-电压曲线呈多峰特性,传统算法跟踪最大功率点时易陷入局部最优,智能优化算法跟踪耗时较长。对此,设计了一种变步长扰动观察法(IP&O)结合改进天牛群优化(IBSO)算法的三步复合最大功率点跟踪(MPPT)算法。该算法首先采用IP&O快速跟踪到极大功率点,并利用此点功率值调整电压搜索范围;然后使用IBSO算法在电压搜索范围内进行全局寻优,以保证搜索精度;最终在IBSO算法跟踪到最大功率点附近后,再次切换为IP&O,以加快跟踪速度、减小功率振荡。将所提出算法与IP&O、天牛群优化(BSO)、布谷鸟算法结合变步长扰动观察法(CSA-IP&O)3种算法进行仿真对比,仿真结果表明:所提出算法不易陷入局部最优,能准确快速地跟踪到最大功率点,且跟踪过程中功率振荡更小。

基于改进天牛群优化的DBSCAN聚类算法

针对DBSCAN聚类算法对参数敏感、参数选取依靠经验的问题,文章提出了一种基于改进天牛群优化的DBSCAN聚类(IBSO-DBSCAN)算法。该算法首先提出一种自适应惯性权重更新策略,以平衡BSO算法的全局搜索和局部探索,同时引入正态云模型更新群体位置;然后以评价聚类效果的CS指标作为算法的适应度函数;最后利用改进的天牛群优化算法自适应地选取DBSCAN聚类算法的全局最优参数Eps和MinPts。将算法在3种UCI数据集上进行有效性测试,实验结果表明,所提出的IBSO-DBSCAN算法在聚类效果方面优于对比算法,且具有更强的全局搜索能力。

分布式天牛群优化算法在分类中的应用

逻辑回归常用于分类问题中,为了解决传统逻辑回归分类器参数调优问题以及在大数据样本下加快算法的计算速度。首先提出了一种改进的天牛群优化算法(IM-BSO)来优化逻辑回归的超参数,使模型能够自适应地调整参数来达到最优的分类性能。IM-BSO算法采用学习因子与惯性权重的自适应调整策略,每个天牛的惯性权重都不一样,随着适应度值变化而变化。此外,IM-BSO算法融入K-means聚类与拓扑机制,增加了天牛群的多样性。由于IM-BSO算法需要处理的数据量大,计算时间长,随后提出了一种新的分布式改进天牛群优化算法(DIBSO),结合逻辑回归形成了一个新的分类模型:DIBSO-LR模型。最后,利用该模型对推特评论数据集在不同节点数的情感进行分类,比较加速比。实验结果表明,在一定范围内,数据量越大,随着节点数量的增加,加速效果越明显。证明了DIBSO算法在优化逻辑回归参数上的可行性,显著提高了IM-BSO算法的计算性能。

基于天牛群优化算法的转台控制系统研究

人为依据经验确定转台调节过程中的PID参数不仅效率低,而且参数的精度低,难以达到满意的效果。为解决该问题,提出了一种基于天牛群算法的PID参数寻优方法。首先建立了转台的数学模型,其次介绍了天牛群算法的算法流程、目标函数和寻优过程,最后使用IAE准则通过该算法对参数寻优得到一组最优解。通过与依据经验确定的PID参数对比,采用天牛群优化算法得到的PID参数更有依据,而且转台控制系统的阶跃响应稳定时间为1.1s,超调量为7.4%。

基于DBSCAN的三维点云缺失数据分类系数优化仿真

针对三维点云数据质量不理想造成的分类困难问题,提出基于DBSCAN算法的三维点云数据分类优化方法。预处理三维点云数据,填补缺失数据,保证数据完整性。通过直通滤波法剔除远离三维点云主体的无效点,采用K-D tree和KNN算法改进统计滤波,滤除三维点云数据中的离群点,优化原始三维点云数据质量。引入天牛群优化算法改进DBSCAN算法,利用天牛群优化算法选取DBSCAN算法的邻域搜索半径和搜索邻域中包含的最小对象数两个参数,将优化后三维点云数据输入改进的DBSCAN算法中,实现三维点云数据分类。实验结果表明,所提方法C-H系数和轮廓系数更大、D-B系数更小。

基于特征优化和BSO-RBF神经网络的NO_(x)浓度预测模型

针对火力发电厂中燃烧系统运行工况复杂、迟延较大,导致选择性催化还原(SCR)烟气脱硝系统中入口NOx质量浓度难以准确测量的问题,提出了一种基于特征优化和径向基函数(radial basis function,RBF)神经网络的预测模型。将经过特征优化后的变量作为模型的最终输入变量,并使用天牛群优化(beetle swarm optimization,BSO)算法对神经网络超参数进行寻优,建立入口NO_(x)浓度预测模型。结果表明,经过特征优化后的变量放入模型后,其预测结果要优于原始变量:经特征优化及时延处理后的模型其S_(RMSE)减少了44.5%,R^(2)增加了2.3%,经过BSO确定后的神经网络超参数使得模型精度也得到了进一步提升。

改进天牛群搜索算法及其在船舶纵摇运动预测中的应用

【目的】针对天牛群搜索算法易陷入局部最优及搜索精度较低等缺陷,提出一种基于二阶振荡自适应变异的天牛群搜索算法。【方法】该算法引入二阶振荡环节增加算法的全局探索能力和局部开发能力。采用正余弦搜索思想对天牛个体进行位置更新,使得天牛个体可充分的利用自身与最优位置的差值信息逐渐趋近最优解。同时引入自适应t分布变异算子来增加种群的多样性,避免算法陷入局部最优。【结果与讨论】对高维单峰函数、高维多峰函数的仿真实验结果表明,改进的算法有效地提高其搜索精度、收敛速度及鲁棒性,克服其易陷入局部最优的缺陷。将改进天牛群算法应用于BP神经网络权值及阈值优化对船舶纵摇运动姿态进行预测,并于BP网络、BSO-BP网络及PSO-BP网络的预测结果进行比较,精度分别提升85.7%、74.6%和77.2%。改进天牛群搜索算法在实际工程应用中具有一定的优越性。

基于天牛群算法的虚拟同步发电机最优控制策略研究

依据经验,人为确定虚拟同步发电机(VSG)中的虚拟惯量和阻尼参数不仅缺乏科学依据,而且对微网的稳定运行也会造成影响,降低电能质量。为了实现参数的最佳配比,以及微网能够运行在最优状况下,提出一种应用于虚拟惯量和阻尼参数优化的多目标天牛群优化算法。首先,通过理论分析了虚拟惯量和阻尼对系统频率及和电压的影响;其次,在考虑系统稳定性和暂态特性下,确定了虚拟惯量和阻尼的取值边界;最后,通过天牛群优化算法,对参数寻优获得一组符合实际需求的最优解。仿真结果表明,该算法可以有效地降低负荷发生波动时对电网的冲击和储能功率界限要求,可以在提高频率响应时间条件下维持系统频率的稳定。

计及储能调节特性的直流微电网优化调度研究

具有分布式电源及储能系统的独立直流微电网在提高供电可靠性方面发挥着重要的作用。探讨了不同运行模式下的直流微电网的能源调度优化问题,包括柴油发电机、燃料电池、微型燃气轮机以及光伏、风电等典型的分布式电源以及电力负荷需求。根据系统模型的运行和维护成本、燃料成本、能源的污染物排放成本以及储能运行成本,以系统总运行成本最小为目标建立了优化调度模型。采用一种基于天牛群搜索算法的改进智能算法对模型进行求解。通过对含储能设备和不含储能设备两种工作环境进行优化测试,验证了储能的调节特性对于优化微电网运行以及减小成本方面的重要意义,同时也证明了所提出调度模型的有效性和优越性。

基于分区匹配和MBAS-RFR的定位算法

针对井下环境复杂及信号波动大导致定位精度低、稳定性差的问题,提出一种基于改进欧氏距离结合余弦相似度分区匹配模型和多任务天牛群优化随机森林(MBAS-RFR)的井下人员定位算法,离线阶段根据AP节点对巷道进行分区处理并选择区域中心点。在线阶段利用改进分区匹配模型对测试点进行区域划分,最后利用MBAS-RFR模型具体定位。仿真结果表明,改进模型平均定位误差为1.55m且在1.5m以内的置信概率为66%,与其它算法相比,上述算法定位精度高,定位稳定性好。

原子力显微镜中PID参数最优控制策略研究

原子力显微镜(AFM)中PID参数对系统的性能起到决定性作用,选取较好的PID参数会提高系统整体稳定性和准确性。针对AFM系统中PID参数调节不准确问题,提出一种基于天牛群优化算法的PID最优控制策略。采用继电反馈对AFM系统进行分析,获取PID参数稳定运行区域,在约束范围下通过天牛群优化算法得到最优控制器参数及最佳性能指标,可以减少AFM系统中参数调节的不准确性和大量的调参工作,并且可根据实际需求改变性能指标获取相应的最佳参数值。仿真结果表明该控制策略可显著提高AFM系统扫描的稳定性、精度,并且有效避免探针超调振荡引起的样品破损。

基于BSO的局部阴影下光伏最大功率点追踪

为了减小局部遮阴情况PSC(partial shading condition)下光伏系统的功率失配损失,提高最大功率点追踪MPPT(maximum power point tracking)的追踪速度和准确性,提出了基于天牛群优化BSO(beetle swarm optimiza?tion)算法的MPPT控制方法.把由天牛须搜索BAS(beetle antennae search)借鉴粒子群的群体优化思想而得到的BSO方法应用到MPPT控制,利用天牛的个体进化和群体学习等优势来提高MPPT的追踪速度和精确度.设置了多种光照情况来作仿真验证,并用粒子群方法进行比较分析.结果表明,所提的方法追踪速度更快、精确度更高,且追踪过程更稳定、功率波动较小.

BSO-MCKD在高速列车齿轮箱轴承早期故障诊断中的应用

齿轮箱轴承是高速列车传动系统中的重要零件之一,其故障检测对保障列车的正常运行具有重要意义。针对强背景噪声环境下高速列车齿轮箱轴承早期故障信号微弱难以检测的问题以及最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)方法受滤波器阶数、冲击信号周期和移位数影响的问题,提出了基于天牛群优化算法(Beetle Swarm Optimization Algorithm,BSO)改进的自适应MCKD的轴承早期故障诊断方法。该方法首先采用天牛群优化算法自适应的确定MCKD的影响参数,实现最佳反褶积,然后利用最优参数相对应的MCKD对振动信号进行滤波处理,消除信号中的噪声,突出由轴承故障激发的连续脉冲,最后依据连续脉冲的周期来诊断轴承。根据轴承外圈和滚动体故障试验数据分析表明:该方法能实现高速列车齿轮箱轴承早期故障的精确诊断,且故障诊断效果优于互补经验模态分解方法和最小熵解卷积方法。