基于改进麻雀搜索算法的水质模型多参数反演

水质模型参数取值对模型的模拟精度影响很大,为提高BOD-DO水质模型参数反演精度,首先在DobbinsCamp BOD-DO水质模型的基础上,以BOD和DO浓度计算值与实测值之差的加权平方和最小为目标函数,构建了Dobbins-Camp BOD-DO水质多参数反演模型;然后针对麻雀搜索算法(Sparrow Search Algorithm,SSA)求解精度低、稳定性不足和易陷入局部最优等问题,引入Sine混沌映射和对立学习、转移概率以及差分变异3个策略,分别从提高初始种群多样性、扩大搜索空间以及增强种群跳出局部最优的能力三方面对SSA算法进行改进,提出了一种多策略改进的麻雀搜索算法(Multi-strategy Improved Sparrow Search Algorithm,MISSA),并将其应用于Dobbins-Camp BOD-DO水质多参数反演模型的求解;最后通过数值实验将得到的反演结果与SSA算法、模拟退火算法、粒子群算法、遗传算法四种优化算法进行对比,并探讨了参数初值选取和观测噪声水平对反演结果的影响。结果表明:MISSA算法的计算性能明显优于对照组中的4种算法,且能显著降低初值选取对BOD-DO水质模型参数反演结果的影响,当观测数据的噪声水平不超过5%时,MISSA算法可有效提高反演结果的稳定性。该结果验证了MISSA算法在反演Dobbins-Camp BOD-DO水质模型参数的有效性,为水质模型参数求解提供有益参考。

基于改进麻雀搜索算法的微电网优化调度

针对微电网优化调度问题,提出一种混合策略改进的麻雀搜索算法。首先,将微电网优化调度问题变成多维函数优化问题,并建立约束条件。其次,利用Sin混沌序列初始化种群;然后在位置更新阶段引入学习系数和变异算子;最后引入自适应t分布和动态选择概率,来改善麻雀搜索算法的搜索能力。通过标准测试函数仿真实验和对微电网优化调度模型求解,验证了所提算法具有更高的精度和更快的收敛速度。

具有自适应搜索策略的混合人工蜂群算法

基本人工蜂群算法及其搜索策略侧重探索,为增强算法的开发能力,提出一种具有自适应搜索策略的混合人工蜂群算法。将目标函数值信息和最优解引导信息引入搜索策略,提出具有自适应机制、开发能力强的搜索策略;为防止"早熟"现象,利用三个不同随机食物源和高斯分布,设计出全局探索能力较强的搜索策略。将两个搜索策略在雇佣蜂阶段混合以平衡算法的探索与开发能力,在观察蜂阶段使用具有自适应机制、开发能力强的搜索策略以加快收敛。与基本及具有代表性的改进人工蜂群算法在20个标准测试函数中进行对比实验,结果表明所提算法具有更好的搜索能力和更快的收敛速度。

改进遗传算法在电力系统无功优化中的应用

针对常规遗传算法(GA)的不足,提出了一种改进搜索策略的遗传算法,采取了以下改进措施:在遗传迭代中,根据种群进化过程的个体的适应值大小,对群体进行分级,对级别高的个体进行小范围的搜索,对级别低的个体在大范围内进行搜索,保证群体的多样性的同时,又留住了优良个体。将改进的遗传算法应用于电力系统无功优化,并与常规遗传算法进行了比较,结果表明改进算法在计算速度、收敛性和全局最优搜索能力都有提高。

改进蜂群算法的旅行商问题仿真

为了解决基本蜂群算法求解组合优化问题时收敛速度慢、易陷入局部最优的问题,提出了改进的蜂群算法,并应用于求解旅行商问题。新算法中蜜蜂根据收益比值动态转变角色,凸显精英解,加速收敛;针对大规模基准问题,采用改进局部搜索策略,使旅行商问题的复杂度下降一个数量级。不同规模典型基准问题的仿真结果表明,改进蜂群算法与传统优化算法相比在更短时间内有效的降低了误差。

基于MISSA-SVM模型的边坡稳定性预测及应用

为提高边坡稳定性的预测精度,提出一种基于多策略改进的麻雀搜索算法(MISSA)优化支持向量机(SVM)的边坡稳定性预测模型。选取容重γ、黏聚力c、内摩擦角Ф、边坡角φf、边坡高度H、孔隙压力比ru等6个代表性特征作为模型的预测指标。针对麻雀优化算法(SSA)存在的收敛速度慢、精确度不高、易陷入局部最优等问题,引入一维复合混沌映射、正余弦算法(SCA)、Levy飞行机制和步长因子动态调整等策略进行优化改进,构建基于MISSA-SVM的边坡稳定性预测模型。将MISSA-SVM模型应用到大溪滑坡等9组边坡工程实例进行验证。结果表明:MISSA-SVM模型的准确率、精确率、召回率、F_(1)分数、均方误差(MSE)和曲线下面积(AUC)分别达到96.29%、92.3%、100%、0.96、0.016和0.967,均优于SSA优化的SVM模型和BP模型,预测结果与实际边坡状况完全吻合,表明MISSA-SVM模型具有较强的泛化能力。

基于改进蚁群算法的移动机器人路径规划研究

为了提高机器人路径规划算法的收敛速度和收敛精度,提出了基于改进遗传算法的机器人路径规划方法。介绍了栅格建模方法,分析了传统蚁群算法原理。提出了蚂蚁相遇策略提高了算法搜索效率,提出了蚂蚁回退策略避免陷入U形陷阱,设置了信息素感应阈值扩大了算法前期的搜索范围,改进了信息素残留方法使蚁群能够记忆最优路径,提出了信息素自适应调整方法,兼顾了算法前期的大范围搜索和后期的快速收敛。经仿真实验验证,相比于传统蚁群算法,改进算法具有更快的收敛速度、更优的规划结果,且改进算法的蚁群轨迹更加集中至最优解附近。

基于改进蚁群算法的移动机器人全局路径规划

针对当前传统蚁群算法应用移动机器人全局路径规划中存在搜索效率低下,收敛速度慢,容易陷入局部最优等问题,提出了一种改进蚁群算法。改进的算法修改了传统的蚂蚁路径搜索策略,并将地图目标点信息加入启发函数中,同时基于算法时间信息和地图空间信息来更新信息激素。实验结果表明,在复杂环境中,改进蚁群算法相对于传统蚁群算法不仅能规划出更优的路径,而且收敛速度也更快。

基于改进邻域搜索策略的人工蜂群算法

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.

基于NRS-ISSA-SVM的砂土液化判别模型

针对砂土液化判别中影响因素与砂土状态间映射关系的不确定性及模糊性等问题,在邻域粗糙集(Neighborhood Rough Set,NRS)因素约简的基础上,利用多策略融合的改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)优化支持向量机(Support Vector Machine,SVM)参数C和g,构建了SVM砂土液化判别模型。以吉林松原地区的42组实例作为总体样本集,其中35组作为训练集,另外7组作为测试集,利用邻域粗糙集对9个影响因素约简得到4个因素,然后输入ISSA-SVM模型进行预测,并进行了约简得到的因素敏感性分析。结果表明:因素约简剔除了冗余属性,降低了模型复杂度;ISSA算法具有极强的探索性、收敛性和局部逃逸能力;相比于其他模型,NRS-ISSA-SVM砂土液化判别模型精度更高,泛化能力更强;建议要判别砂土的液化状态,需要准确查明水位埋深、地震烈度、标准贯入击数,非液化土层厚度这4个因素,尤其是前三个因素。通过易获取的影响因素建立NRS-ISSA-SVM砂土液化判别模型,不仅可准确地判断该区域其余未知点的砂土状态,还可为其他类似问题提供参考借鉴。

基于KPCA-ISSA-SVR的盾构施工诱导地面沉降预测模型研究

为了准确预测盾构施工诱发的地面沉降量,论文提出了核主成分—多策略融合的改进麻雀搜索算法优化支持向量回归机(KPCA-ISSA-SVR)预测模型。以73组地面沉降实例为总体样本集构建训练及测试样本,利用核主成分分析对影响地面沉降的地质因素及施工因素进行特征提取的基础上,采用ISSA算法优化参数C和g,建立KPCA-ISSA-SVR地面沉降量预测模型,并与核主成分-Tent混沌映射改进麻雀搜索算法优化支持向量回归机(KPCA-TentSSA-SVR)、核主成分—麻雀搜索算法优化支持向量回归机(KPCA-SSA-SVR)、麻雀搜索算法优化支持向量回归机(ISSA-SVR)模型进行对比。结果表明:KPCA能够剔除冗余信息,降低模型复杂度;ISSA全局寻优及局部探索能力强,能高效准确地确定模型参数;KPCA-ISSA-SVR预测精度更高,稳定性更强。

大坝渗压混合预测的STL分解-集成学习模型

针对目前大坝渗压预测研究大多未区分影响因素对渗压不同特征成分贡献的差异,降低了模型的可解释性,且现有的预测模型大多采用单一算法,存在难以区分具有高度非线性和非稳态混合特征的渗流压力序列模式等问题,本文提出一种基于STL分解和集成学习策略的渗压可解释混合预测模型。该模型首先通过时间序列分解(STL)将原始渗压时间序列分解为季节项、趋势项和余项,以避免现有模型在渗流压力预测中模式混淆的不足;然后,不同成分的变化特征可采用多策略改进麻雀搜索算法(MSISSA)优化的核极限学习机(KELM)和卷积神经网络组合门控递归单元(CNN-GRU)组成的集成学习模型来识别;此外,还采用单次单因子法(OFAT)分析影响因素对渗流压力不同特征成分的贡献,从而改变输入因素的权重,以提高模型的可解释性。案例分析结果表明,在确保模型可解释性的同时,所提出的混合模型与基于单一算法的模型相比,预测精度平均提高了48.44%;与其他集成预测模型相比,预测精度平均提高了11.42%,验证了所提模型的有效性,为大坝渗流安全监控提供了新的建模方法。

基于截尾概率-非概率混合模型的可靠性优化算法

针对工程中截尾概率变量与非概率变量同时存在的情况,给出一种新的截尾概率与非概率混合可靠性模型。在该混合可靠性模型基础上,按照可靠性指标(RIA)法给出双层嵌套可靠性优化模型,并采用改进搜索策略后的ST-Powell优化算法在外层搜索设计变量的最优值,内层采用能保证收敛的改进的有限步长迭代法求解混合可靠性指标。数值算例表明,改进搜索策略后的ST-Powell优化算法的全局寻优性得到显著提升;改进搜索策略后的ST-Powell优化算法与改进的有限步长迭代法相结合求解双层嵌套混合可靠性优化模型的正确性得到验证,且对于非线性程度较高的极限状态函数同样能够得到满足截尾概率与非概率混合可靠性模型指标要求的最优解,并对工程结构算例具有很好的适应性。