改进天牛群算法在柔性作业车间调度中的应用

为解决柔性作业车间调度问题,在模拟自然界中天牛觅食行为的天牛须算法基础上,结合群智能优化理论,提出了一种基于莱维飞行、反向搜索和自适应参数调整混合策略的改进天牛群算法(LRA-BSO)。首先,建立柔性作业车间调度模型;其次,提出了基于Tent混沌映射生成初始种群的方法,以提高初始种群质量;再次,应用莱维飞行策略和反向搜索策略,并通过适应度反馈自适应调整天牛群的搜索步长以及搜索距离,以改善算法全局搜索能力,避免陷入局部极值;最后,为验证改进的天牛群算法的性能,通过6个多维度标准测试函数验证了LRA-BSO算法的寻优能力。通过FJSP的10个标准算例和1个实际案例验证了LRA-BSO算法在FJSP中的适用性。测试结果表明:改进的天牛群算法在8个标准算例中的表现均优于或持平于其他智能优化算法,表现出了较好的寻优能力;在实际案例验证中,改进后的算法相对于原始的天牛群算法,在收敛速度上提升了48%。

基于电力大数据和天牛群算法的直流电能数字化计量方法

为了提高直流电能计量的准确性,基于电力大数据和天牛群算法提出一种直流电能数字化计量方法。利用多周期滤波算法对电力大数据进行处理,提取电压和电流的基波分量。通过谐波计量分析技术识别和分析电力信号中的谐波分量。设计直流电能计量流程,结合自适应梳状滤波器和天牛群算法,实现对电能的精确计量和修正。测试结果表明,采用提出的方法对直流电能进行计量处理时,电能计量相对误差值多数在10 W以下,最低误差值为6.6 W,能够提高直流电能计量的准确性,具备较为理想的计量效果。

引入混沌干扰机制的变异天牛群搜索算法

针对天牛须搜索(Beetle Antennae Search,BAS)算法收敛慢、精度低且容易陷入局部最优等缺陷,提出了一种引入混沌干扰机制的变异天牛群搜索算法(Chaotic Interference Mechanism of Mutation Beetle Swarm Optimization Algorithm,CMBSOA)。首先,应用粒子群(Particle Swarm Optimization,PSO)策略将天牛须搜索算法中的天牛个体扩展为天牛群,扩大算法的搜索范围,提高算法的全局搜索能力;其次,引入Logistic混沌映射机制对天牛群进行混沌扰动,使初始化的种群以随机方式均匀分布,以加快算法的收敛速度;最后,提出变异因子策略进行位置更新,使该算法更易跳出局部最优,增强算法的稳定性与精度。为了验证CMBSOA算法的有效性,将其与天牛群算法(Beetle Swarm Antennae Search,BSAS)及PSO通过2组单峰和3组多峰测试函数进行测试和对比,结果表明,CMBSOA算法具有较强的稳定性,此外还具有更优的精度和较快的收敛速度,且能最大限度地避免产生局部最优解问题。

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。

基于改进天牛群算法的多目标云任务调度

针对云计算的任务调度算法中处理任务时间慢、资源利用率低等问题,提出了基于改进的天牛群算法的多目标优化任务调度算法。该算法通过对天牛群算法中的速度权重因子、步长进行自适应改进提高算法的搜索精度;通过增加骑兵反馈策略提高算法的跳出局部最优能力;利用对群体、个体学习因子适应性调整提高天牛的搜索效率;并且在任务属性中增加了用户偏好选择,使得优化目标更加贴合实际。实验结果表明,当云任务数量不变时,改进天牛群算法收敛速度和精度均优于对比算法;当云任务数量逐渐增加时,改进天牛群算法寻优效率远优于对比算法。本文提出的优化算法使云任务调度拥有更好的收敛速度、精度,能够有效降低任务完成时间、费用,提高资源负载均衡。

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。

基于天牛群搜索算法的配电网故障定位研究

随着不断扩大的配电网规模,其拓扑结构日趋繁杂,使得配电网故障定位的问题越来越复杂,同时也对故障定位技术有了更高的要求。对于传统人工智能算法的不足,引入一种基于天牛群搜索算法(BCAS)的配电网故障定位方案,使得故障定位的容错能力和稳定性得以提高,并通过仿真算例验证了该方案的有效性与可行性。结果表明该算法精度高,收敛速度快,能够准确定位配电网中的故障点,同时在故障信息出现畸变时,仍然可以正确定位,容错能力强。

基于改进天牛群算法优化的BP神经网络的入侵检测

针对传统BP神经网络在入侵检测中,BP神经网络模型存在容易陷入局部最优、收敛速度慢、初始值随机性较大等缺点,提出改进天牛群算法(beetle swarm optimization,BSO)用于优化BP神经网络的权值与阈值,并采用可变的感知因子及导向性的学习策略,以增强算法跳出局部最优的能力,提升算法全局寻优能力。利用天牛群算法群体智能的特点,提高BP神经网络的收敛速度。并将天牛群优化的BP神经网络模型应用于入侵检测。仿真实验结果表明,优化后的BP神经网络模型能够显著提高模型的收敛速率和对入侵数据的检测率,降低误报率。

基于天牛群优化算法的灌区渠系配水研究

【目的】验证改进后的天牛群优化算法在渠系配水领域的科学性与适用性。【方法】以2020年大功灌区某次灌水过程为基础数据,以西一干渠干、支二级渠系输水过程中渗漏损失水量为优化目标,各渠道运行时间及下级支渠输水流量为决策变量,构建渠系配水模型,采用天牛群优化算法进行模型优化求解,并与天牛须搜索算法、粒子群算法等求解结果进行对比分析。【结果】采用天牛群优化算法求解得到的总配水量为391.85万m^(3),渗漏总水量为22.87万m^(3),配水总时间为7.30 d,相较于天牛须搜索算法计算的配水结果均有较大提升,与粒子群算法求解结果接近,但天牛群优化算法得出的渠系配水方案更为合理。【结论】改进后的天牛群优化算法能够较好满足灌区渠系水资源优化配置要求,为灌区水资源管理提供新的配水方法与科学建议。

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。

基于改进天牛群算法的微电网优化调度

为了使微电网在运行中能够按照经济效益和环境效益最优化进行调度,同时要求满足负荷的出力需求,建立了包括风力发电机、光伏发电系统、柴油机、微燃机、燃料电池和蓄电池的独立微电网多目标运行优化模型。使用传统智能算法来解决关于微电网的的多目标优化调度问题容易陷入局部最优,难以找到全局最优解,因此提出基于分组思想的混合天牛群算法(beetle swarm optimization,BSO),使用BSO算法作全局搜索、TS算法作局部搜索,并加入Kent混沌机制,对该算法进行了验证,并与粒子群算法进行了对比,结果证明该方法能具有较好的全局收敛性和局部搜索能力。

基于混沌天牛群算法的大地电磁反演

大地电磁反演是非线性问题,传统的大地电磁反演采用线性反演,结果往往会陷入局部最优,为此,在标准BAS算法的基础上,引入混沌种群概念、指导性学习策略及竞技场策略,实现带学习和竞争机制的混沌天牛群搜索算法(LCCBSA)。利用LCCBSA算法、粒子群算法和遗传算法分别对测试函数试算,结果表明该算法与其他算法相比具有较快的收敛速度和寻优能力。大地电磁理论地电模型的反演试算表明,LCCBSA算法能够较好地寻找到全局最优解,并且通过与多尺度反演结果对比检验了该算法恢复地下深部低阻层的能力。最后,利用该算法反演了塔里木盆地的实测数据,反演剖面和Bostick反演结果基本一致,说明LCCBSA算法可以用于处理大地电磁实际资料,是一种可行的非线性反演方法。

一类带学习与竞技策略的混沌天牛群搜索算法

为解决单个体天牛须搜索算法在多维问题寻优时存在收敛慢的问题,提出了一种带有群体学习行为与竞技场竞争机制的天牛群搜索算法。首先,算法嵌入混沌序列生成天牛群体,使个体在移动中动态学习群体经验,以提高算法的收敛速度。其次,在一部分聚集度过高的个体中引入竞技场机制,规则性转移劣败个体,以增强算法后期的探索能力,有效避免了局部寻优的问题。最后,对多维优化函数进行测试,并与粒子群算法和实数遗传算法进行对比。仿真结果表明,所提算法具有较快的收敛速度和较好的寻优能力,是一类有价值的新型群智能优化算法。

基于改进天牛群算法优化SVM的个人信用评估

由于支持向量机(SVM)的分类性能受参数影响较大,为了提高SVM在个人信用评估中的精度,提出基于改进天牛群算法优化SVM的个人信用评估方法。在对天牛的速度更新时加入天牛的自身判断,更加贴合生物觅食本性;通过改进收缩因子来优化学习因子,更好地协调局部与全局搜索之间的平衡;引入正态分布函数,自适应调整步长,改善算法收敛速度慢且易陷入局部极值的缺点。利用获取的较优参数来构建分类模型,进而提高SVM的分类性能。采用UCI中的4个数据集,并与其他参数优化方法进行对比,实验证明IBSO-SVM具有较高的寻优性能。为了验证改进模型在信用评估方面的性能,首先通过随机森林对信用数据German的特征进行了筛选,随后对处理过的数据进行实例分析,结果证明了混合模型的有效性。

基于天牛群算法优化SVM的磨煤机故障诊断

在最小二乘支持向量机基础上建立磨煤机的故障诊断模型,采用该模型进行故障诊断时,支持向量机受到核函数参数和惩罚因子的影响较大,针对这一问题,采用天牛群(BSO)算法对模型参数进行优化,提出了一种基于支持向量机(SVM)的磨煤机故障诊断方法。首先,通过引进天牛须搜索策略,对粒子群算法的位置更新规则进行了改进;然后,通过偏互信息方法对故障特征进行了筛选,结合某电厂实测数据,利用改进的算法对支持向量机核函数参数和惩罚因子进行了优化;最后,分别使用天牛群算法优化支持向量机模型(BSO-SVM)、粒子群算法优化支持向量机模型(PSO-SVM)、遗传算法优化支持向量机(GA-SVM)模型和支持向量机模型对磨煤机进行了故障诊断,并将其与实际故障类型进行了对比;对4个模型分别添加了不同级别的噪声干扰,并测试了模型的稳定性。研究结果表明:BSO-SVM模型的分类准确率最高,达到了96.88%;在5个级别的噪声干扰下,BSO-SVM模型的评价指标F1_(ave)均能够保持最高水平;与SVM、PSO-SVM、GA-SVM模型相比,BSO-SVM可以更稳定、更准确地识别故障,为磨煤机故障诊断提供实际参考。

基于混沌迁移的社会学习天牛群算法

针对天牛须算法搜索精度较低和易陷入局部最优的缺陷,提出了社会学习天牛群算法(SLBSA)。首先,采用拉丁超立方抽样(LHS)产生多样性较好的天牛群;其次,将迭代过程类比生物觅食的过程,采用基于相似度的混沌迁移策略,避免天牛群陷入局部最优;最后,在天牛群中引入社会学习策略保证天牛群在更新时能进行充分高效的信息交换。为了验证SLBSA的有效性,将其与天牛群算法(BSO)及粒子群算法(PSO)通过标准测试函数进行测试和对比,验证了SLBSA具有更快的收敛速度和更强的全局搜索能力。

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。

基于量子天牛群算法的高桩码头横向排架结构损伤识别

针对高桩码头损伤识别问题,引入量子行为优化天牛群(BSO)算法,利用结构模态参数(固有频率和振型)的差别构造目标函数,提出了一种基于量子天牛群(QBSO)算法的损伤识别方法。采用所提方法对一高桩码头模型单直桩、单叉桩的单损伤,双直桩、双叉桩、直桩+叉桩的双损伤进行了计算,并与天牛群(BSO)算法与粒子群(PSO)算法进行对比;对振型添加噪声后单叉桩的单损伤进行了计算。结果表明:所提方法计算效率高、收敛速度快,具有较强的稳定性和抗噪性,能够快速精准地识别出损伤位置与损伤程度。

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。

基于离散天牛群算法的高桩码头传感器优化布置

天牛须搜索(BAS)及其优化算法天牛群(BSO)算法是近两年新兴的一种生物启发式算法,具有易实现、收敛速度快等特点,但其仅适用于连续函数优化问题。目前高桩码头结构健康监测系统中传感器优化布置研究较少、布置方法存在盲目性。针对高桩码头传感器优化布置这一具体的离散问题,采用"0-1"编码的方法,引入位置变换概率的思想和离散化天牛群算法,基于模态置信度准则,提出了一种基于离散天牛群(BBSO)算法的高桩码头传感器优化布置方法。以某高桩码头为例,研究了该方法的应用,并与传统的离散粒子群(BPSO)算法进行了比较。结果表明,该方法比传统的BPSO算法更适合和有效。