cRNA布谷鸟搜索算法的桥式吊车PID控制

为了提高算法的全局搜索能力,受RNA二级结构的启发,设计RNA茎环交叉算子,采用基于进化代数的自适应步长策略,提出RNA交叉操作布谷鸟搜索算法(cRNA-CS).将cRNA-CS算法用于对5个典型测试函数进行寻优.测试结果表明,cRNA-CS算法的搜索能力和寻优精度相对于CS算法和其他改进的CS算法有了明显提高.将cRNA-CS算法用于桥式吊车系统PID控制器参数的优化整定.仿真实验结果表明,与CS算法、单纯形算法和PSO算法相比,采用cRNA-CS算法优化的PID控制器能够实现桥式吊车系统更好的消摆和定位控制.

基于改进布谷鸟搜索的人工神经网络及其性能仿真

布谷鸟搜索(CS)算法是一种新型的基于仿生学原理的元启发式算法,具有很好的全局优化能力,但其存在后期收敛速度慢、计算精度不高等不足。通过将交叉熵(CE)方法嵌入到CS中构建一种改进的CS算法,基准测试函数集的测试结果表明改进算法收敛速度和计算精度都有了明显提高。用改进的算法实现对人工神经网络的训练,实验结果显示新算法训练的神经网络收敛速度更快,能有效避开局部极小。最后用所建立的人工神经网络对中国人口总量进行了预测。

基于Maklink图和布谷鸟搜索算法的施工水域路径规划

为提高船舶在复杂施工水域通行的安全性,提出一种基于Maklink图和布谷鸟搜索(cuckoo search,CS)算法的船舶路径规划方法。利用改进的Maklink图构建施工水域环境模型;设置变量参数并用改进的CS算法对模型进行求解,其中采用基于Dijkstra算法得到的最短路径长度作为种群个体的适应度值;采用3个衡量算法性能的指标——优化性能指标、时间性能指标和动态性能指标,对多种算法进行分析比较。结果表明,采用指数型自适应步长和线性自适应发现概率对CS算法进行改进,能提高其在路径规划中的搜索效率和迭代速度,并可以保证求出一定精度内的近似最优解,显示出该算法的优越性。

改进CS优化RBF神经网络的汽车热舒适性预测

针对汽车驾驶环境热舒适性指标预测平均热感觉(predicted meanvote,PMV)计算复杂、预测精度不高的问题,提出了改进布谷鸟搜索(cuckoo search,CS)算法优化RBF神经网络的汽车热舒适性预测模型(改进CSRBFNN)。采用自适应步长和高斯扰动因子对CS算法进行改进,并用其对RBF神经网络的中心点c和宽度参数b进行优化。将改进CS-RBFNN与CS-RBFNN和PSO-RBFNN模型的预测结果进行对比,结果表明:改进CSRBFNN模型的均方根误差(root meansquareerror,RMSE)值分别降低了9.2%和35.5%,具有更高的预测精度。当RBFNN隐含层神经元个数增加时,预测精度有所提高,但收敛速度降低,运行时间变长。

基于CS-SVR模型的锂离子电池SOH预测

提出基于布谷鸟搜索(CS)和支持向量回归(SVR)的锂离子电池健康状态(SOH)预测算法,通过CS进行SVR参数寻优,得到优化的SVR模型。以单次放电过程的平均电压和温度作为模型输入,得到SOH预测结果并计算预测误差。根据误差、采用CS算法进行模型优化,得到数据集中第5、7号电池预测的误差分别稳定在0.50%和0.75%以内。采用效果较好的基于平方指数和周期协方差函数(SE)的多尺度高斯过程回归(MGPR)算法、基于改进粒子群(IPSO)优化的SVR算法和基于遗传算法(GA)优化的SVR算法作为对比。CS-SVR算法与GA-SVR算法相比,预测结果更加准确,在第5号电池上的平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别下降了0.31%和0.3,在第7号电池上则分别下降了0.14%和0.13。

基于CS算法改进ELM的时间序列预测

为解决现有时间序列预测模型稳定性差、训练时间长、预测精度低等问题,提出一种基于布谷鸟搜索(CS)算法改进的极限学习机(ELM)的时间序列预测模型。利用CS算法对ELM模型进行改进,自适应调节ELM的隐含层节点数,选取最优的一组输入权值和阈值,提高预测精度和稳定性,减少训练时间。实验结果表明,在单步预测方面,CSELM预测精度高,用时少,在稳定性方面达到了很好的效果,将CS-ELM应用到话务量多步预测中,达到了很好的预测精度。

基于布谷鸟搜索算法的高光谱图像解混算法

将独立成分分析(ICA)算法用于高光谱图像解混时,算法对丰度的独立性要求与实际地物分布相矛盾;同时,采用梯度算法对解混目标函数进行优化时,易收敛到局部极值点。针对上述问题,提出在非负ICA(NICA)模型的目标函数中引入丰度和为一约束(ASC),确保解混出的丰度与实际地物分布一致;同时,采用布谷鸟搜索(CS)算法,利用其优异的全局搜索性能对提出的目标函数进行优化求解。为减少参数维数并缩小CS算法的搜索范围,利用矩阵QR分解理论,将对解混矩阵的搜索转化为对一系列Gives矩阵的识别。仿真数据和真实高光谱图像数据实验结果表明,提出的算法能有效地克服上述问题,在噪声为30dB、像元纯度为0.8时,解混指标光谱角距离(SAD)和均方根误差(RMSE)达到了0.03以下,达到良好解混效果。

基于群智能优化算法的医学图像分割综述

医学图像是医学影像的分析基础,而分割问题是研究的关键步骤。随着智能技术的快速发展,越来越多的人将智能优化算法应用到医学图像分割中,其中群智能优化算法是当今热门的研究课题。群智能优化算法是指人类参考群体生活的昆虫、动物的复杂社会行为而提出的模拟生物系统中群体生活习性的一种新算法。本文主要介绍了包括粒子群算法(PSO)、萤火虫算法(FA)、布谷鸟搜索算法(CS)、蝙蝠算法(BA)在内的几种优化算法及其改进之后在医学图像分割等方面的应用,为学者今后的交流与研究提供参考。

罐笼偏载状态下滑动罐耳与罐道冲击模式识别

针对现有罐道故障诊断仅考虑了罐笼平衡状态,而未考虑在超深矿井中悬挂油缸失效而引起的罐笼偏载 的问题,提出一种罐笼偏载状态下滑动罐耳与罐道正常、凸起、错位3种故障的冲击模式识别方法。以罐笼横向振动信 号小波包分解后各频带能量熵、奇异值、标准差、波形指标作为原始特征集,通过邻域粗糙集约简,去除不相关和冗余 特征以获得敏感特征集,并通过布谷鸟搜索算法(CS)优化后的支持向量机模型进行模式识别。实验研究表明:该方法 比基于遗传算法(GA)、粒子群算法(PSO)、萤火虫算法(FA)优化的支持向量机分类正确率更高,达到91.7 %,对保障提 升系统偏载状态下安全运行具有着重要意义。

一种基于CS-FCM算法的模糊时间序列预测模型

为了发挥模糊理论在不确定性预测中的优势并保留模糊时间序列(FTS)预测模型的可解释性,本文针对目前应用广泛的模糊C均值聚类(FCM)算法进行改进,提出了一种基于布谷鸟搜索的FCM (CS-FCM)算法.将CS-FCM算法用于模糊时间序列模型的非均匀论域划分与数据的模糊化处理,建立一种基于CS-FCM算法的模糊时间序列预测模型.该算法可实现聚类中心的全局寻优,降低传统FCM算法易陷入局部极小值带来的误差,提高模型预测精度.实证分析结果表明,CS-FCM算法的适应度优于FCM算法,本文模型的预测误差小于经典模糊时间序列预测模型,验证了新预测模型的有效性.