基于改进萤火虫优化算法的BP神经网络目标群威胁判断

以舰艇防空作战目标选择决策和规划需求为背景,针对萤火虫算法求解精度不高且收敛速度较慢的问题,提出可动态调整步长的改进萤火虫优化算法。在改进萤火虫优化算法的基础上,建立基于改进萤火虫优化算法的BP神经网络目标群威胁判断结构模型。通过改进萤火虫算法优化BP神经网络的初始权值和阈值,能够更好地预测测试集。实验结果表明,该方法可快速、准确地实现目标群威胁判断。

改进萤火虫群算法协同差分隐私的干扰轨迹发布

针对历史轨迹加噪发布干扰轨迹时数据集的冗余问题和轨迹形状相似带来的隐私泄露风险,提出轨迹数据先约简后泛化再进行差分隐私加噪的基于改进萤火虫群优化求解的干扰轨迹发布保护机制(IGSO-SDTP)。首先,基于位置显著点约简历史轨迹数据集;其次,结合k⁃匿名和差分隐私对简化后的轨迹数据集分别进行泛化和加噪;最后,设计了兼顾距离误差和轨迹相似性的加权距离,并以加权距离为评价指标,基于改进萤火虫群优化(IGSO)算法求解加权距离小的干扰轨迹。在多个数据集上的实验结果表明,与RD(Differential privacy for Raw trajectory data)、SDTP(Trajectory Protection of Simplification and Differential privacy)、LIC(Linear Index Clustering algorithm)、DPKTS(Differential Privacy based on K-means Trajectory shape Similarity)相比,IGSO-SDTP方法得到的加权距离分别降低了21.94%、9.15%、14.25%、10.55%,说明所提方法发布的干扰轨迹可用性和稳定性更好。

基于改进GSO算法的变电站蓄电池组监测网络优化方法

针对当前现有变电站蓄电池组监测网络在运行中存在监测精度低、监测运行能耗大的问题,引入改进萤火虫群优化(Glowworm Swarm Optimization,GSO)算法,开展变电站蓄电池组监测网络优化方法研究。针对监测网络中的各个节点,计算运行能耗。在变电站蓄电池组监测过程中,以网络运行消耗能量最小为优化目标,完成蓄电池组监测网络优化目标函数与约束条件设计。利用改进GSO算法,对监测网络拓扑结构进行优化。实验证明,利用新优化方法优化后的监测网络的监测精度更高,且网络运行能耗得到显著降低,具有极高的应用价值。

基于目标暴露区的地面防空兵力最佳配置区规划

利用远距离支援干扰存在的目标暴露区,通过优化配置地面防空兵力,可有效降低干扰对我方地面防空作战的不利影响。在“三点一线”干扰模式分析的基础上,利用雷达干扰方程得到目标暴露区,提出了基于目标暴露区的地面防空兵力可配置区及横向、纵向兵力配置间距计算方法,并根据雷达有效干扰扇面,得到地面防空兵力干扰威胁指数计算模型。在此基础上,构建以干扰威胁指数总量最小为目标函数,以兵力可配置区及兵力配置间距为约束条件的远距离支援干扰下地面防空兵力最佳配置规划模型。采用基于线性递减权重函数的改进萤火虫优化(improved glowworm swarm optimization,IGSO)算法对其求解并进行了有效性仿真验证,结果表明所提出的规划模型具有较好的理论价值。

基于混合改进GSO与GRNN并行集成学习模型

针对萤火虫群优化算法(GSO)不稳定、收敛速度较慢与收敛精度较低等问题和广义回归神经网络(GRNN)的网络结构导致预测误差的特性,提出基于混合改进萤火虫群算法与广义回归神经网络并行集成学习模型,应用于雾霾预测.首先构建融合多种搜索策略的混合改进萤火虫群优化算法(HIGSO),并使用标准测试函数验证算法性能.然后结合HIGSO与引入扰动因子的GRNN模型,建立并行集成学习模型,并通过UCI标准数据集验证模型的有效性与可行性.最后将模型应用于北京、上海和广州地区的雾霾预测,进一步验证模型在雾霾预测中的性能.

基于改进GSO-BPNN的变风量空调冷却水控制

为了改善变风量空调冷却水系统控制中存在的能耗和稳定性存在缺陷的情况,提出一种基于BP神经网络和改进萤火虫算法的综合优化控制算法。首先对变风量空调的冷却水系统进行建模,然后利用改进后的萤火虫算法对BP神经网络进行优化,优化对象为初始权值和阈值,从而加快对目标函数的求值,得到最优的结果。最后利用改进后的BP神经网络优化冷却水模型中的变频PID控制器的参数。通过进行仿真对比以后可知,对比于基本萤火虫算法,改进萤火虫算法优化后的BP神经网络有着更好的权值和阈值,系统稳定性得到加强,同时具有良好的鲁棒性,在符合室内负荷的条件下,也有较为明显的节能效果。