改进布谷鸟算法在装配序列规划中的应用研究

针对装配序列规划问题,建立考虑装配序列的几何可行性、稳定性、聚合性、重定向性的装配关系模型以及基于适应度函数的装配序列优化数学模型。提出一种改进布谷鸟算法对装配序列规划问题进行求解,采用随机键和最小位置规则的方法设计基于零件编号、装配方向、装配工具的3层编码方案;设计基于最小装配成本的初始化策略与随机初始化策略相结合的混合种群初始化策略,提高种群质量;改进种群进化和搜索方式,将种群分为3个子群,并分别采用自适应步长飞行、标准步长飞行和交叉、变异的方式进行种群更新,提高算法的收敛速度和求解精度。最后通过实例应用及与其他算法的比较,验证了所提出的改进布谷鸟算法在求解装配序列规划问题上的有效性和优越性。

基于改进布谷鸟搜索算法的光伏MPPT控制

复杂阴影情况下,光伏阵列的P-V特性曲线会出现多个峰值,传统的MPPT算法因不能准确识别局部峰值和全局峰值,而无法进行复杂阴影情况下的最大功率点跟踪。针对传统布谷鸟搜索(Cuckoo Search,CS)算法因鸟窝之间缺乏交流能力导致可能陷入局部最优的问题,提出了一种多策略改进布谷鸟搜索(EGICS)算法。将传统CS算法中发现概率值的选择自适应变化,提高算法的搜索能力;将步长因子自适应化,提高算法的收敛速度;引入高斯扰动和精英反向学习策略,增加种群多样性,避免算法陷入局部最优。对EGICS算法在单峰和多峰函数中进行性能测试,并将其应用于光伏系统MPPT控制中进行仿真验证。仿真结果表明,EGICS算法在收敛速度、跟踪精度以及动态稳定三个方面有更好的效果。

一种基于改进的布谷鸟搜索算法的无人机三维航路规划算法

针对布谷鸟搜索算法收敛速度慢且易陷入局部最优等缺点,对标准布谷鸟搜索算法进行改进,提出一种改进的布谷鸟搜索算法。受其他群智能算法启发,在获取新鸟巢的过程中,通过轮盘赌选择某个鸟巢并在最优解附近进行搜索;以一定概率执行类似狼群算法奔向最优解的操作,较好地平衡了局部和全局搜索能力;最后在弃巢的过程中保留了最优解,提高了算法的搜索效率。四个标准测试函数及无人机三维航路规划的实验结果表明,改进布谷鸟搜索算法在求解精度和鲁棒性方面效果显著,航路规划用时少且更优。

基于改进布谷鸟搜索算法的光伏最大功率点跟踪策略

实际工程中,光伏阵列在随机变化的环境中会出现局部遮光的情况,从而导致光伏阵列的功率-电压特性曲线会呈现多峰值状态,传统的最大功率点跟踪(maximum power point tracking, MPPT)算法易陷入局部最优解,追踪速度和精准度无法得到满足。针对这一问题,提出一种基于布谷鸟搜索算法(cuckoo search algorithm, CS)和电导增量法(conductivity increment method, CI)结合的光伏MPPT算法,在算法前期利用布谷鸟搜索算法将大步长和小步长交替使用使得全局搜索能力增强,找到全局最大功率点所处区域附近;在后期,采用步长小、控制精度高的CI进行局部寻优,快速准确地锁定到最大功率点。在MATLAB/Simulink中搭建仿真模型,并与原始布谷鸟搜索算法和粒子群优化(particle swam optimization, PSO)算法进行比较。仿真结果表明,将CS与CI结合的算法使得收敛速度更快,精度更高,稳定状态时功率曲线的波动更小。

混合自适应布谷鸟算法的物流配送路径优化

为了有效解决多仓库多配送点物流配送时间长和路径远等问题,提出一种多仓库多配送点物流配送路径优化算法。为了满足多仓库多配送点物流配送需求,将最少调用车辆数量和最短配送总距离为目标,确定目标函数及其约束条件,建立多仓库多配送点物流配送路径优化模型。改进布谷鸟算法和粒子群算法,将改进后的算法结合,利用混合自适应布谷鸟算法求解优化模型,同时对混合自适应布谷鸟算法离散化处理,获取最优物流配送路径。仿真实验结果表明,所提算法可以在较短的时间内完成物流配送,且物流运输路径较短,覆盖率更广,能够获取更加满意的物流配送方案。

基于布谷鸟算法的风电机组装配序列优化

装配序列规划(ASP)是风电机组制造的重要技术。ASP是一个组合优化问题,风电机组最优装配序列的搜索空间和计算量均很大。提出基于布谷鸟算法的风电机组装配序列优化方法。首先,从三维装配体模型中提取多种装配约束信息并表示成装配约束矩阵,以降低最优装配序列的搜索空间;继而构造装配序列目标函数,建立装配序列规划模型,方便算法计算出最优装配序列;对离散布谷鸟算法(DCA)改进,求解ASP模型,获得风电机组产品的最优装配序列。最后通过实验验证了ASP模型的有效性和DCA的优良性能。

基于变分模态分解-布谷鸟搜索-支持向量回归的变压器油中溶解气体浓度预测方法

针对电力变压器油中溶解气体浓度预测过程中存在的时间序列内部复杂和预测困难等问题,研究了时间序列分解预测重构方式,提出变分模态分解,结合布谷鸟搜索-支持向量回归组合预测方法。首先采用VMD将原始溶解气体浓度分解成为一组平稳的模态分量,降低了预测的复杂度。之后利用预测性能较好的SVR对各个模态分量分别进行预测。最后使用CS开展全局搜索对SVR参数进行优化选取,将得到的溶解气体浓度预测结果进行叠加重构。通过对油中溶解气体中H_(2)的仿真实验,得到VMD-CS-SVR组合模型预测结果的均方根误差为0.124μL/L,平均绝对百分比误差为1.19%,有效提升了预测精度。通过对CO和C 2H 4建模预测,进一步验证了本文所提模型的有效性。

融合柯西扰动与种群优化的布谷鸟算法

针对传统布谷鸟算法存在的初始种群多样性差、面对高维复杂问题极易陷入局部最优解的问题,采用Tent混沌映射优化初始种群,使初始种群具有更好的便利性,对多次迭代中当代最优值不变的种群进行柯西扰动,提高算法跳出局部最优解的能力。采用7种不同类型的测试函数与CS、PSO、DE3种对比算法,验证改进算法的寻优能力。结果表明,对于不同类型的测试函数,改进的算法较传统算法在寻优速度与精度方面均有所提高。

基于改进布谷鸟算法的PCB板焊接路径优化

针对印制电路板焊接过程中路径规划问题,提出一种改进的布谷鸟算法。在经典布谷鸟算法中添加2opt邻域搜索策略,在原算法搜索产生新解后,对新解进行2opt邻域搜索操作,通过搜索判断附近是否有更好的解进行替换,以此提升算法的局部搜索能力和求解精度。为了验证改进算法的有效性,针对孔数量及孔分布复杂度不同的3种PCB板进行仿真实验,并将经典布谷鸟算法、参考文献[28]算法以及本文改进的算法进行优化效果对比,实验结果表明,本文的改进算法在3种PCB板中不仅优化路径距离最短,而且求解精度也最高,收敛速度也得到了提升;当孔数量增多和孔分布复杂度提高时,本文改进算法相比于其他2种算法在路径优化效果方面体现出更大的优势。综上所述,本文改进的布谷鸟算法在优化PCB板焊接路径方面具有一定效果,具有搜索能力强、求解精度高、收敛速度较快的优点。

基于改进布谷鸟算法的物流配送中心选址研究

近年来,物流行业不断发展壮大,配送中心作为物流系统中承上启下的关键节点,在减少物流配送成本、提高服务响应效率上具有十分重要的战略价值。针对供应链环节中因多源多点造成的配送成本增加、库存周转率低等痛点,文中提出了一种改进的布谷鸟算法用于解决物流配送中心选址问题。该算法在传统的布谷鸟算法的基础上,引入粒子群优化算法,将两者有效地组合起来进行求解,并在求解过程中增加自适应参数,以避免出现局部最优现象,增加全局搜索能力。实验表明,相较于其他启发式算法,在解决配送中心选址问题上,改进布谷鸟算法能够有效降低物流配送成本,加快求解速度,提高库存周转次数,为企业物流的预算方案提供参考依据。

基于改进布谷鸟算法的永磁同步电机参数辨识

针对永磁同步电机中参数辨识精度不足以及速度较慢的问题,文章提出一种改进的布谷鸟算法实现对永磁同步电机的参数辨识。首先,采用Tent映射初始化种群;其次,采用动态发现概率调整布谷鸟蛋被发现的概率;最后,引入逐维反向学习策略,增强了算法的局部和全局寻优能力,同时加快了收敛速度。仿真分析表明,改进的布谷鸟算法相比于原算法,能更加有效地辨识永磁同步电机的电机参数。

基于改进布谷鸟算法的局部遮阴MPPT研究

为解决光伏阵列在局部遮阴条件下输出的功率-电压(P-U)特性曲线会呈多峰状态进而影响发电效率这一问题,提出了一种复合优化算法,将布谷鸟算法与小步长扰动观察法相结合,并加入种群初始优化策略,加强了算法的追踪速度和精度,提升光伏阵列整体输出功率。并在MATLAB/Simulink进行了仿真,与改进前布谷鸟算法进行对比,验证了该复合优化算法较比原算法性能上的整体提升。

基于自适应布谷鸟优化特征选择的K-means聚类

K-means聚类算法随机确定初始聚类数目,而且原始数据集中含有大量的冗余特征会导致聚类时精度降低,而布谷鸟搜索(CS)算法存在收敛速度慢和局部搜索能力弱等问题,为此提出一种基于自适应布谷鸟优化特征选择的K-means聚类算法(DCFSK)。首先,为提升CS算法的搜索速度和精度,在莱维飞行阶段,设计了自适应步长因子;为调节CS算法全局搜索和局部搜索之间的平衡、加快CS算法的收敛,动态调整发现概率,进而提出改进的动态CS算法(IDCS),在IDCS的基础上构建了结合动态CS的特征选择算法(DCFS)。其次,为提升传统欧氏距离的计算精确度,设计同时考虑样本和特征对距离计算贡献程度的加权欧氏距离;为了确定最佳聚类数目的选取方法,依据改进的加权欧氏距离构造了加权簇内距离和簇间距离。最后,为克服传统K-means聚类目标函数仅考虑簇内的距离而未考虑簇间距离的缺陷,提出基于中位数的轮廓系数的目标函数,进而设计了DCFSK。实验结果表明,在10个基准测试函数上,IDCS的各项指标取得了较优的结果;相较于K-means、DBSCAN(Density-Based Spatial Clustering of Applications with Noise)等算法,在6个合成数据集与6个UCI数据集上,DCFSK的聚类效果最佳。

基于布谷鸟搜索算法的机动化箔条幕布放方法研究

雷达导引头采用动目标显示、边搜索边跟踪等抗干扰技术,导致传统质心、冲淡、幕墙式箔条干扰方法干扰效能降低。对此,提出一种机动化箔条幕布放方法,通过无人机和舰船协同布放箔条弹,使幕墙能量质心随时间不断移动,保证舰船在有效时间内成功逃离雷达波束。首先,基于机动化箔条幕干扰机理,构建箔条幕布放模型,具体包括雷达导引头运动模型、舰船运动模型、箔条幕形态模型和箔条幕运动模型。随后,根据机动化箔条幕模型求解特点,确定采用布谷鸟搜索算法求取布放方案;据此提出总体求解思路,并构建布放效能条件(目标函数与约束条件);采用Logistic混沌机制改进布谷鸟搜索算法,建立补弹策略。最终,通过仿真案例对机动化箔条幕布放模型的有效性进行分析验证。结果表明,与常规箔条幕布放方法相比,机动化箔条幕布放方法能够有效减小舰船逃逸时间,降低箔条弹消耗量,同时具备较强的应对不同风速风向的能力。

基于改进布谷鸟算法结合电导增量法的最大功率点追踪

动态遮阴下,光伏阵列的输出P-U曲线会出现多个功率极值点,传统最大功率点追踪会陷入局部最优。为此,提出基于自适应差分进化的改进布谷鸟搜索(improved cuckoo search,ICS)算法与电导增量法(incremental conductance,INC)相结合的复合算法(ICS-INC)。该算法在前期提出自适应的抛弃概率和随机步长因子,结合差分变异进行随机偏好游走,使算法的搜索开发能力得到提升,有效跳出局部最优。通过改进Lévy飞行公式减小其随机性,减小算法的迭代次数来缩短跟踪时间,实现快速高效定位最大功率点区域,在后期由INC实现局部快速搜索,稳定输出最大功率。在MATLAB/Simulink中建立了仿真模型,对多种算法进行实验,仿真结果表明该算法的追踪速度、全局搜索性以及环境变化的适应能力均得到提升。

基于布谷鸟算法的数控系统加减速参数规划

针对传统加减速参数规划算法只适用于其对应加减速模型,移植性差以及求解动力学参数效率低的问题,提出一种适用于加减速段加加速度曲线中心对称模型的加减速参数规划算法。首先,构建加减速段加加速度曲线中心对称的模型,同时基于时间最优的原则,将模型内动力学参数规划问题转变为求解最优化问题;其次,具体化加减速段内加加速度首段曲线,构建最大速度与最短运动时间之间的映射关系;最后,设计布谷鸟算法内适应度函数,迭代寻找最优解。仿真实验证明,所提出算法能够适用于三阶、四阶S形以及正弦模型等复杂模型,求解效率较传统二分算法以及牛顿迭代法分别有65.8%、36.5%的提升,同时证明算法有效性、可靠性。

改进布谷鸟算法优化粒子滤波的多目标跟踪方法

标准粒子滤波器的重采样会造成粒子贫化,影响跟踪系统的精度。为克服这一缺陷,提出了一种改进布谷鸟搜索算法优化粒子滤波的多目标跟踪方法。将粒子作为布谷鸟宿主鸟巢,模拟布谷鸟寻找宿主鸟巢位置的行为,通过全局搜索和局部搜索两个阶段使粒子向高似然区域移动。同时,改进布谷鸟搜索算法的寻优机制,提出动态搜索步长和强化局部搜索的方法,加强了算法的全局搜索的收敛速度。此外,改进算法结合了联合概率数据关联,用于解决多机动目标跟踪问题。本文设置了一维环境和二维环境两组实验,对比优化后的粒子滤波算法与标准粒子滤波算法的目标跟踪性能。实验结果表明,本文提出的算法不仅全局收敛速度更快,而且提高了多机动目标跟踪的精度;与标准布谷鸟搜索优化粒子滤波算法相比,全局收敛迭代速度提高了28.5%;与粒子滤波联合概率数据关联和粒子群优化粒子滤波联合概率数据关联算法相比,估计精度分别提高了24.7%和11.81%。

基于改进布谷鸟搜索算法的WSN覆盖优化策略

针对传感器节点分散不均、覆盖程度低及汇聚层Sink节点冗余等问题,设计了一种双层无线传感器网络覆盖优化方法,该方法对传统布谷鸟搜索算法进行了改进。首先,在种群初始化过程中采用了量子位Bloch球面坐标,可以保持较高的多样性;其次,针对布谷鸟搜索算法的Levy飞行寻优阶段,改进候选解更新方法,随机生成每个纵向维度的新候选解;最后,基于逐维更新贪婪评价策略进行随机游动选择。通过这些改进方式提升了布谷鸟搜索算法的迭代速度和精度,避免相同维度间的干扰。实验结果表明,该改进算法与传统布谷鸟搜索算法、外推人工蜂群算法相比,传感器节点覆盖率分别提高了1.79%和9.87%,汇聚层Sink节点冗余率降低5.13%和21.28%。

基于离散布谷鸟算法的综合能源系统电气互联鲁棒状态估计方法

受量测装置采样时间单位不统一影响,GEIES量测数据误差较大,为提升GEIES状态估计精度,将离散布谷鸟算法应用至综合能源系统状态估计中,提出一种新的GEIES状态估计方法。建立贝叶斯量测模型获取气网和电网状态估计量测数据,增加量测数据集的完备性,为保证GEIES状态估计结果不受噪声因素影响,设置高斯噪声方差。将量测结果代入至GEIES状态估计中,分别建立电网状态估计模型和气网状态估计模型,并将二者结合建立综合能源系统电气互联鲁棒状态估计模型,通过离散布谷鸟算法求解该模型,获取状态估计最优解。算例结果表明,不论是无噪声环境还是有噪声环境,所提方法的状态估计结果精度均较高,且能够起到坏数据辨识的作用,说明其状态估计效果较好。

基于改进布谷鸟算法的主动配电网优化调度

为了解决主动配电网优化运行问题,给出了一种基于改进布谷鸟(Improved Cuckoo Search,ICS)算法的主动配电网(Active Distribution Network,ADN)优化调度方法。以ADN运行总成本最小为目标函数,综合考虑ADN系统运行约束,建立了ADN优化调度模型。利用动态调整发现概率和反向学习扰动策略对布谷鸟(Cuckoo Search,CS)算法进行改进,得到了搜索性能更强且求解精度更高的ICS算法。采用ICS算法对ADN优化调度模型进行求解,并与CS算法、粒子群(Particle Swarm Optimization,PSO)算法和遗传算法(Genetic Algorithm,GA)的收敛性能进行比较,结果表明,ICS算法的收敛迭代次数、收敛时间及ADN运行总成本分别为32次、7.2秒和100659.24元,均优于CS算法、PSO算法和GA算法等几种对比算法,验证了所提ADN优化调度方法的正确性和实用性。