多极小波包变换与改进浣熊算法优化的混合核极限学习机径流预测

为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好”,超前3步和超前5步“较好”,超前7步“较差”,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

基于ICOA算法的三维无人机路径规划

针对浣熊算法(COA)全局寻优能力不足的问题,提出改进的浣熊算法(ICOA)。通过SPM混沌映射初始化种群,引入莱维飞行和透镜成像反向学习综合的位置更新策略,提高了算法跳出局部最优解和全局搜索能力。采用基准函数测试,结果表明,ICOA算法与COA算法、麻雀搜索算法(SSA)和算术搜索算法(AOA)相比拥有更优的收敛速度和收敛精度。针对各种地形、威胁和约束三维无人机的路径规划问题,构建丘陵地貌的仿真环境模拟无人机执行古建筑群勘探任务的场景,并使用ICOA算法、COA算法、SSA算法和AOA算法进行路径规划。仿真结果表明,ICOA算法规划路径的适应度值更优,路径距离更短且俯仰角度更小,进一步验证了ICOA算法的有效性及其应用于丘陵地区无人机勘探任务的可行性。