改进北方苍鹰优化算法的收敛性及其性能对比分析

针对北方苍鹰优化算法存在易陷入局部最优的问题,提出一种改进北方苍鹰优化算法(INGO)。在种群初始化阶段,引入佳点集方法映射到搜索空间,提高了种群的多样性以及避免了早熟;在位置更新阶段,加入鱼鹰局部勘探位置更新策略和自适应惯性权重因子,增强了全局勘探和局部开发能力同时提升算法的收敛速度和收敛精度;建立INGO算法的北方苍鹰捕猎过程Markov链模型,证明了全局收敛性。通过实验仿真与六种经典智能算法进行对比分析验证INGO算法的有效性,并对INGO算法进行收敛曲线和Wilcoxon秩和检验分析,实验结果表明INGO算法能够有效地避免陷入局部最优,具有较强的收敛精度和鲁棒性。为了进一步描述INGO算法的实际应用能力,将该算法成功应用于工程设计问题中,验证了INGO算法在实际应用中的有效性。

基于改进北方苍鹰优化算法的封闭小区开放决策模型

为减少封闭小区开放过程中安全、环境与噪声等因素带来的影响,考虑小区开放的影响因素与费用值之间的关系,同时考虑小区出口和入口数量对内部交通疏散的影响,建立封闭小区是否开放的多目标优化模型。在北方苍鹰优化算法基础上,优化苍鹰的捕食行为,改进北方苍鹰优化算法对模型进行求解。通过虚拟路网验证模型和改进算法的有效性,计算结果表明,合理设置封闭小区的决策方式,可以减少车辆出行时间和出行总费用值,开放封闭小区能有效缓解交通压力。此外,将改进北方苍鹰优化算法(ENGO)与非支配排序遗传算法和社会工程优化器进行比较,研究结果能表明ENGO具有的优越性,相比其它两种算法,其反世代距离平均上升9.59%,超体积平均上升3.21%,运行时间平均下降5.88%。

基于改进北方苍鹰优化随机配置网络的网络流量预测模型

网络流量预测作为一种关键技术,能帮助实现网络资源的合理分配、优化网络性能以及提供高效的网络服务。随着网络环境的演变和发展,网络流量的多样性和复杂性增加,为了提高网络流量的预测精度,提出了一种基于改进北方苍鹰优化随机配置网络(CNGO-SCN)的网络流量预测模型。随机配置网络作为一种具有监督机制的增量式模型,在解决大规模数据回归和预测问题方面具有良好的优势。但是,一些超参数的选择影响了随机配置网络的准确性。针对这一问题,利用北方苍鹰算法对影响随机配置网络性能的正则化参数和比例因子进行优化,得到最佳数值。而北方苍鹰算法由于初始种群的随机分布导致种群个体质量不佳,因此引入混沌逻辑映射提升初始解的质量。将优化后的模型应用于英国学术网、欧洲某城市核心网网络流量数据集和合作企业搭建的网络协同制造云平台交换机接口的真实流量数据集,并与多种神经网络模型进行对比,以验证所提模型的网络流量预测能力。实验结果表明,该模型对比其他神经网络模型具有更高的预测精度,在实际应用场景中处理复杂数据时具备更加优秀的预测能力,该模型的预测误差下降了0.9%~99.7%。

多策略融合改进北方苍鹰算法的森林冠层图像分割

针对森林冠层图像复杂,分割精度较差等问题,提出一种多策略融合改进北方苍鹰优化算法(Improved Northern Goshawk Optimization,INGO)的冠层图像分割方法。首先,在北方苍鹰初始化引入随机反向学习策略,以增加种群多样性,提高搜索效率;在北方苍鹰探索阶段,添加自适应权重因子提高算法搜索能力,加快算法收敛速度;在北方苍鹰开发阶段,添加非线性收敛因子平衡全局搜索和局部开发能力。其次,采用多阈值Kapur熵作为适应度函数,通过选取8个基准函数对改进的算法进行测试,测试结果表明,改进的算法可以有效提高精度和搜索速度。最后,将所改进的算法对森林冠层图像进行阈值分割试验,并在适应度值、森林图像分割时的峰值信噪比(PSNR)、结构相似性(SSIM)与特征相似度(FSIM)上进行对比分析。试验结果表明,改进的算法可以获得更精确的森林冠层分割阈值和更高的分割精度。

基于北方苍鹰优化算法优化长短期记忆神经网络的光伏发电功率短期预测

为提高光伏发电功率短期预测的精度,提出一种结合时变滤波经验模态分解和北方苍鹰优化算法优化长短期记忆神经网络的组合预测方法。首先,利用时变滤波经验模态分解将光伏发电功率分解成多个固有模态函数分量。其次,利用北方苍鹰优化(northern goshawk optimization,NGO)算法优化长短期记忆(long short-term memory,LSTM)神经网络隐含单元的个数、最大训练次数和初始学习率,构建NGO-LSTM预测模型。最后,把每一个固有模态函数分量都输入到预测模型中进行预测,将所有固有模态函数分量的预测结果进行叠加便可得到光伏发电功率短期预测的结果。仿真结果表明,所提的预测模型可以有效提高光伏发电功率的预测精度。

改进粒子群及北方苍鹰复合算法在光伏MPPT的应用

针对局部阴影下输出功率多峰值的情况,传统最大功率点追踪算法易陷入局部最优、智能优化算法追踪时间较长的问题,提出一种基于反向学习的粒子群及北方苍鹰复合算法。利用Tent混沌映射及反向学习策略对初始种群进行优化;针对粒子群算法迭代后期收敛较慢的问题,引入基于种群方差的权重因子调整策略加快迭代后期的收敛速度;对初步确定的最大功率点利用北方苍鹰算法追击阶段进行局部开发,精确、迅速、稳定输出全局最大功率。在不同光照情况下进行仿真,提出的算法比粒子群、灰狼算法在追踪时间上提升明显且输出功率更优。改进粒子群及北方苍鹰复合算法有效加快算法的收敛速度的同时保证了较优的精度。

多策略协同优化的北方苍鹰优化算法及应用

针对北方苍鹰优化算法(Northern Goshawk Optimization algorithm,NGO)存在寻优精度低、收敛速度慢及易陷入局部最优值等问题,本文提出多策略协同优化的北方苍鹰优化算法(BLONGO)。首先,使用最优个体引领策略提高算法的收敛速度与精度;同时,采用增强莱维飞行策略避免种群个体陷入局部最优值;其次,使用小孔成像策略对当前最优值进行扰动,增加种群多样性,进而提升算法寻优精度。通过10个基准测试函数、Wilcoxon秩和检验寻优对比,验证改进算法在寻优精度、收敛速度及鲁棒性上得到了提升。最后,引入2个工程优化问题,进一步说明BLONGO在解决实际工程问题时的有效性与可行性。

基于改进NGO算法优化SVM的变压器故障诊断研究

为解决通过油中溶解气体诊断变压器故障精确度不高的问题,提出了一种改进北方苍鹰优化(INGO)算法优化支持向量机(SVM)的故障分类模型。首先,采用主成分分析(PCA)法对油中溶解气体体积数据降维,去除冗余信息;然后,通过引入Singer混沌映射、改进的野马算法搜索机制、Lévy飞行策略多种方法改进北方苍鹰优化算法,再利用INGO算法对SVM核心参数进行优化;最后,将处理后的数据输入到INGO-SVM故障诊断模型中。结果表明,其诊断平均准确率为93.5%,与NGO、GWO、AO优化SVM相比,诊断平均准确率分别提升了3.34%、7.04%、10.12%。同时,该模型也优于极限学习机(ELM)、概率神经网络(PNN)、随机森林(RF)典型分类模型,验证了所建立的变压器故障诊断模型具有更高的精度和泛化能力。

基于改进北方苍鹰算法优化混合核极限学习机的变压器故障诊断方法

为提高变压器故障诊断精度,提出了一种基于改进北方苍鹰优化算法(improved northern goshawk optimization algorithm,INGO)优化混合核极限学习机(hybrid kernel extreme learning machine,HKELM)的变压器故障诊断方法。首先,利用ReliefF算法对19维变压器故障特征进行筛选降维;其次,引入Logistic-tent混沌映射、柯西变异算子和非线性递增权重三种策略改进北方苍鹰优化算法,提高全局寻优能力;然后使用改进后的INGO算法优化HKELM的初始参数,以提高HKELM的分类准确性和鲁棒性;最后,将经ReliefF优选后的特征作为模型的输入特征,并与不同变压器故障诊断模型进行对比实验。仿真结果表明,INGO-HKELM故障诊断模型相较于其他模型具有更高的故障诊断精度。

改进北方苍鹰算法在光伏阵列中应用研究

针对北方苍鹰优化算法(NGO)存在收敛精度低和易陷入局部最优等问题,提出一种改进北方苍鹰算法(INGO),并应用于光伏阵列故障诊断。首先,利用Circle映射、自适应权重因子和Levy飞行策略改进了北方苍鹰优化算法,结合高斯检测机制和混合核极限学习机(HKELM)搭建INGO-HKELM故障诊断模型。其次,将INGO算法与NGO、粒子群算法(PSO)、鲸鱼算法(WOA)在测试函数上进行比较,表明在寻优能力、稳定性等方面具有优越性。然后,分析不同运行状态下光伏阵列运行特征,提出一种5维故障特征向量,作为数据的输入。最后,将4种算法分别对HKELM的核参数进行优化并实现故障分类。结果表明,所提方法能够准确地检测出光伏组件发生的异常状态,INGO-HKELM模型准确率达到93.74%,验证了所提算法的有效性和可行性。

基于改进NGO算法的煤体应力反演

大直径钻孔卸压是防治煤矿冲击地压的有效手段之一,研究钻进过程煤体应力的变化情况对防止冲击地压有重要意义。目前关于钻进参数与煤体应力的关系模型研究较少且精度有限,对此提出一种基于北方苍鹰优化算法(northern goshawk optimization,NGO)与支持向量回归(support vector regression,SVR)的PSO-NGO-SVR煤体应力反演模型。首先,该模型在NGO种群初始化阶段引入Tent混沌映射,并将粒子群算法(particle swarm optimization,PSO)的优势融入到北方苍鹰算法中,使改进后的北方苍鹰算法拥有更好的性能;接着,使用改进后的北方苍鹰算法对支持向量回归中的超参数迭代寻优;最后,以迭代后的最优超参数建立模型。结果表明:改进后北方苍鹰算法的敛速度和收敛精度有较大提升,PSO-NGO-SVR煤体应力反演模型拥有较高精度。

多策略改进的NGO算法在大坝参数反演中的应用

为解决混凝土坝参数优化反演存在的问题,包括寻优性能不佳、精度不足和效率低下等,提出了一种基于多策略改进北方苍鹰算法(MSNGO)的混凝土坝参数优化反演策略。首先,采取多个策略改进北方苍鹰算法,以提高原始算法的寻优能力。接着,结合有限元正分析,构建计算与实测值之间合适的目标函数,利用MSNGO构建智能优化反演模型,并通过并行策略提高反演效率,搜索得到参数反演最优值。通过两个算例对该方法进行验证,并与基准优化算法比较计算结果。结果表明,MSNGO反演策略比其他优化算法收敛速度快、且能跳出局部极值使反演参数结果更为准确,测点计算值与实测值有良好的吻合度,表明该智能优化方法可在混凝土坝参数反演的实际问题中进行应用。

基于NGO-VMD和改进GoogLeNet的齿轮箱故障诊断方法

目前的齿轮箱故障诊断方法,在多转速工况及噪声干扰下,存在过拟合及诊断效果不佳的问题。针对此问题,提出一种北方苍鹰(NGO)算法优化变分模态分解(VMD)结合改进GoogLeNet的齿轮箱故障诊断方法。使用NGO对VMD进行参数寻优,利用优化后的VMD去除故障信号中的噪声;对原始GoogLeNet的结构进行合理删减,并利用延迟丢弃法、可训练的ReLU函数(TReLU)对其改进;最后,将去噪后的故障信号转换为二维图作为改进GoogLeNet的输入数据进行网络的训练及分类,得到故障诊断结果。实验结果表明:与其他降噪方法相比,NGO-VMD方法的降噪效果明显,能显著提高故障诊断的准确率;与常见的卷积神经网络相比,提出的改进GoogLeNet能进一步提高故障诊断的准确率,达到了97.2%。

基于TF-NGO算法的CFB锅炉床温系统建模研究

床温是循环流化床(CFB)锅炉重要的运行参数之一。针对床温耦合性强、干扰因素多、控制复杂的问题,亟需建立床温的数学模型,以实现床温控制,从而保证CFB锅炉安全、平稳地运行。为此,首先引入了混沌映射、切线飞行(TF)和柯西变异策略改进北方苍鹰优化(NGO)算法,并用实际工况的系统模型测试TF-NGO算法。测试结果表明,TF-NGO算法拥有更快的收敛速度和更高的寻优精度。其次,采集并预处理山西某电厂350 MW超临界CFB锅炉的现场运行数据。最后,采用TF-NGO算法对所建模型的参数进行辨识,并用实际工况数据进行模型验证。辨识和验证结果表明,由TF-NGO算法辨识的床温模型与实际输出拟合度高,能有效反映床温的动态特性,证明所建模型的有效性。该研究为后续对350 MW超临界CFB锅炉床温的优化控制研究奠定了基础。

面向高质量发展的缺水地区水资源优化配置模型及应用

科学合理的水资源配置方案是实现北方缺水地区高质量发展的重要基础。在系统梳理相关研究成果的基础上,分析北方缺水地区水资源特点和未来配置需求,提出面向高质量发展的北方缺水地区水资源优化配置模型框架。从目标函数、约束条件、参数设置、算法设计等方面开展系统建模,并从惯性权重与学习因子两个角度对传统粒子群算法进行改进和有效性检验。最后,将模型和算法应用于北方典型缺水城市阳泉市的水资源配置方案研究。结果表明:阳泉市工业和生活用水具有较大节水潜力,平定县是最大用水户;规划水平年节水情景显著提升了缺水地区的需水满足程度和水生态环境承载能力;构建的高质量发展目标和北方缺水地区关键约束的水资源优化配置模型具有可行性。

基于小波阈值降噪算法的滚动轴承故障诊断

滚动轴承因平稳的运行特性广泛用于工业生产领域,其安全稳定运行对工业生产有重要意义.针对滚动轴承的故障诊断问题,提出基于小波阈值降噪(wavelet threshold denoising,简称WTD)算法.研究结果表明:相对于其他3种算法,WTD算法具有较强的故障诊断能力.因此,WTD算法具有有效性.

基于NGO-SSA优化SVM算法的抽水蓄能水泵故障诊断预测模型研究

为提高抽水蓄能水泵故障预测的准确性,提出一种基于北方苍鹰优化算法(Northern Goshawk Optimization,NGO)与麻雀搜索算法(Sparrow Search Algorithm,SSA)融合(NGO-SSA)优化支持向量机(Support Vector Machine,SVM)的水泵故障智能诊断模型。方法通过编码优化SVM模型参数,应用NGO-SSA算法全局搜索与局部优化,获得全局最优SVM参数组合。训练优化后的SVM分类器,构建故障诊断模型。仿真结果显示,相比SVM和单一优化算法,该方法可以显著提升准确率、降低误报率、增强正负样本识别能力。研究为抽水蓄能水泵健康监测提供了高效智能诊断思路,有助提高水泵故障预测性能。

改进遗传算法在城市多水源供水联合优化调度中的应用

基于改进的遗传算法构建城市多水源联合优化调度模型,对北方某典型干旱城市供水方案进行优化调度。结果表明:改进遗传算法符合城市供水特征,可分时段进行优化调度,优化调度后,城市供水资源利用率提高25%～30%。研究成果对于城市供水紧缺区域的优化调度具有重要参考价值。

基于参数优化的VMD-SVD和LSTM的输电杆塔倾斜状态识别

针对输电杆塔结构状态信息提取难度大、精度低等问题,提出了一种基于北方苍鹰算法优化的变分模态分解(northern goshawk optimized variational mode decomposition,NGO-VMD)与长短期记忆(long shortterm memory,LSTM)神经网络的输电杆塔倾斜状态识别方案。通过北方苍鹰优化算法解决了变分模态分解参数难确定的问题,并且证明其分解的各阶本征模态分量(intrinsic mode function,IMF)可以有效提取出杆塔结构的模态信息。为了使信息特征更为明显,对IMF分量进行奇异值分解(singular value decomposition,SVD),发现各阶分量的奇异值在杆塔不同状态下有较为明显的区别。最后引入LSTM神经网络进行特征分类,形成故障诊断模型。依托某110kV猫头塔对模型进行试验验证,结果表明:所提方法对杆塔倾斜状态的识别准确率为96.68%,与其他方法相比,具有效率更高、稳定性更强、更加精准的优势。

基于改进变分模态分解和小波阈值法的单相接地故障电流降噪

针对电力系统输配电线路发生单相接地故障时,电气设备间的电磁环境复杂,现场环境干扰严重导致故障录波装置采集到的故障零序电流信号含有大量噪声,影响后续选线准确率的问题,提出了一种改进变分模态分解(variational mode decomposition,VMD)和小波阈值法联合的单相接地故障的零序电流降噪方法,通过北方苍鹰优化算法优化改进VMD对零序电流信号分解,引入自适应相关阈值对分解后的分量进行筛选,对噪声分量进行小波阈值法降噪,最后将信号进行重构。通过搭建模型进行仿真实验,所提算法比传统VMD降噪算法信噪比提高了5.52%~35.99%,均方根误差降低了12.78%~30.88%,与小波阈值降噪方法、经验模态分解(ensemble empirical mode decomposition,EEMD)-小波阈值降噪方法、完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-小波阈值降噪方法相比,也都有明显的优势,并且在标准测试信号Heavy Sine信号和Bumps信号中进行实验,验证了算法的适用性。