改进高斯柯西差分进化算法求解热电联产经济调度

热电联产经济调度(combined heat and power economic dispatch,CHPED)是一类复杂的非线性约束最优化问题,智能优化算法则是近年来求解CHPED的主流方法。针对目前智能优化算法求解CHPED存在易于陷入局部最优、精度不佳等问题,提出了一种改进的差分进化算法,即高斯柯西差分进化(Gaussian-Cauchy differential evolution,GCDE)算法。GCDE算法对标准差分进化算法进行了两方面的改进:一方面采用自适应参数策略来调节算法的控制参数,提升算法的求解稳定性;另一方面采用高斯柯西变异策略来进行局部搜索,增强算法的搜索精度。将GCDE算法应用于求解7台机组和24台机组的CHPED模型,并与现有差分进化算法结果进行了对比,结果表明GCDE算法在求解CHPED问题时具有较好的求解精度和稳定性。

高斯-柯西变异算子优化的LSSVM模型研究

论文针对标准量子粒子群算法易陷入局部极值的问题,提出一种改进的量子粒子优化最小二乘支持向量机的方法。利用高斯变异数的局部开发能力以及柯西变异数的全局搜索能力,在量子粒子群优化算法中,引入高斯-柯西变异算子,帮助算法跳出局部极值。并利用该优化模型进行光伏发电量预测实验,对优化的最小二乘支持向量机模型的预测结果与其他模型预测结果进行比较,结果表明:基于高斯-柯西变异算子的量子粒子群优化的最小二乘支持向量机对光伏发电量的预测具备较好的收敛速度和跳出局部收敛困境的能力。

基于惯性权值和自适应变异改进的麻雀搜索算法

传统的麻雀搜索算法(SSA)在求解复杂优化问题的时候,可能出现陷入局部最优的情况。为改进SSA算法以提高算法的收敛速度与收敛精度,本文在已有研究的基础上提出了基于惯性权值和自适应变异改进的麻雀搜索算法(IASSA)。首先利用改进的Chebyshev混沌初始化种群来增加种群的多样性,提高麻雀个体的遍历性,以期望种群可以尽可能均匀分布搜索空间;其次,增加一种惯性权值来改善发现者的更新位置,以减小过早陷入局部最优的概率;最后,提出一种自适应的选择变异策略使得麻雀在陷入局部最优时能够跳出。通过对10个基准测试函数进行的仿真实验,结果表明,所提算法较原算法有着更好的收敛速度与收敛精度。

多策略改进的蜣螂优化算法及其应用

蜣螂优化算法(DBO)是近年提出的智能优化算法,与其他优化算法一样,DBO也存在收敛精度低、易陷入局部最优等缺点。针对DBO的这些局限性,提出一种多策略改进的蜣螂优化算法(MIDBO)。首先,改进雏球和偷窃蜣螂对局部最优解和全局最优解的接受程度,使其根据自身搜索能力动态变化,既提升了种群质量又保持了适应度高的个体的良好搜索能力;其次,融合麻雀搜索算法中的追随者位置更新机制对算法进行扰动,并用贪婪策略更新位置,提升了算法的收敛精度;最后,当算法陷入停滞时引入柯西高斯变异策略,提高了算法跳出局部最优解的能力。仿真实验基于20个基准测试函数和CEC2019测试函数,验证了3种改进策略的有效性,将所改进算法和对比算法的优化结果进行收敛性分析和Wilcoxon秩和检验,证明了MIDBO具有良好的寻优性能和鲁棒性。将MIDBO运用在汽车碰撞优化问题的求解上,进一步验证了MIDBO在求解实际工程问题中的有效性和可靠性。

基于改进SSA-DBN的质子交换膜燃料电池水故障智能分类方法

为了实现质子交换膜燃料电池(PEMFC)系统水故障的高效快速分类,提出了基于改进麻雀搜索算法(SSA)优化深度置信网络(DBN)的PEMFC故障分类方法。采用归一化处理消除故障数据参数之间量纲不同的影响,使用核主成分分析对数据进行故障特征提取,有效地缩减了原始数据维度,降低了运算复杂度,并避免低贡献度数据对故障分类造成干扰。引入柯西-高斯变异策略改进SSA,并利用SSA对DBN进行参数寻优,确定网络结构,通过优化后的DBN实现对PEMFC水故障的快速分类。对3 000组PEMFC水故障数据进行测试,结果表明:所提方法可以快速准确地识别PEMFC的正常状态、膜干故障、水淹故障3种健康状态;总体的分类准确率为98.67%,运算时间为0.89 s,相比支持向量机、概率神经网络方法,所提方法的故障分类精度分别提升了4%、3.34%,运算时间分别减少了15.35、0.35 s。

海洋捕食者算法的改进及其应用

针对传统的计算方法在求解多约束工程优化问题时存在的不足,提出一种融合多种策略的海洋捕食者算法并应用其中。算法首先采用折射反向学习策略,以增加初始种群的多样性。其次,引入正弦-余弦算法和高斯-柯西变异算子,用于提高求解精度和全局寻优能力。最后,通过6个标准测试函数和2个工程实际案例的应用,表明了新算法的优越性。

改进鲸鱼优化算法在矿用巡检机器人路径规划中的应用

针对矿用巡检机器人在井下搜索误差大、碰撞时间长的问题,将柯西-高斯变异原理引入鲸鱼优化算法(WOA),实现了矿用巡检机器人目标寻优的全局性搜索。经对比验证,该改进鲸鱼优化算法(MWOA)寻优轨迹更加明显,体现了其优越性。

结合小波变换与改进SSA优化小波神经网络的电力负荷预测

电力负荷预测是输电网络扩展和规划及合理电力调度的关键手段;针对电力负荷时间序列的非线性和复杂性特征,提出结合小波变换与改进麻雀搜索算法优化小波神经网络的电力负荷预测模型ISSA-WNN;设计改进麻雀搜索算法ISSA对小波神经网络的关键参数初值寻优,解决梯度调参易陷入局部最优的不足;对标准麻雀搜索算法SSA改进,引入Logistic-Tent混合混沌种群初始化、发现者/警戒者自适应更新、跟随者可变对数螺旋更新和高斯-柯西混合变异策略提升算法寻优能力;利用小波变换对电力负荷样本分解与重构,降低负荷时序的无序性和波动性,在此基础上构建新的电力负荷预测模型ISSA-WNN;实验结果表明,与标准小波神经网络模型WNN和标准麻雀搜索算法优化小波神经网络模型ISSA-WNN相比,预测模型ISSA-WNN的平均绝对百分比误差和均方根误差指标值平均可以降低18.42%和21.21%,其拟合能力更强,预测性能更加稳定。

基于多策略改进COA算法优化ELM的IGBT剩余寿命预测

针对绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor,IGBT)剩余使用寿命的准确预测问题,提出了一种基于多策略改进优化的二维卷积优化算法(Convolution Optimization Algorithm on mixed strategies,COAM)的IGBT剩余寿命预测模型。通过改进和优化极限学习机(Extreme Learning Machine,ELM)参数,利用NASA研究中心公开的IGBT老化加速试验数据集,分析并提取了集射极-发射极阻断电压的失效特征参数,以获取阻断电压尖峰信息。针对COA算法在前期容易陷入局部极值和后期寻优精度不高的问题,首先选择通过Fuch映射序列初始化种群增强初始种群的随机性和变异性,然后采用新的综合位置更新方式来扩展算法的局部搜索能力,并引入高斯-柯西变异机制来改进解质量增强机制。最后,将该算法用于ELM参数的优化,以应用于IGBT剩余寿命的准确预测。通过将COAM-ELM与其他3种优化算法优化ELM方法进行对比分析,结果显示COAM-ELM方法在IGBT剩余寿命预测方面具有高精度的特点。本研究提出的方法可为其他IGBT剩余寿命预测方法提供参考依据。

基于改进秃鹰算法优化LSSVM的变压器故障诊断

为了提高变压器故障诊断正确率,笔者提出一种基于改进秃鹰(improved bald eagle search,IBES)算法优化最小二乘支持向量机(least squares support vector machine,LSSVM)的变压器故障诊断方法。利用高斯-柯西变异算子对最优秃鹰个体进行变异,使IBES算法能够及时局部最优,提高了IBES算法的收敛精度。采用IBES算法对LSSVM的核参数和惩罚参数进行优化,建立基于IBES-LSSVM的变压器故障诊断模型,并与BES-LSSVM、GWO-SVM和GA-BP模型进行仿真实验对比。结果表明,IBES-LSSVM模型的诊断正确率为98.33%,比上述对比模型分别提高了3.50%、7.27%和9.26%,且计算时间最短,验证了该文所提变压器故障诊断方法的正确性和实用性。

基于变异珊瑚礁算法的永磁同步电机参数辨识

永磁同步电机参数的高精度辨识是进行控制器设计的基础。针对传统的珊瑚礁算法在辨识电机参数时速度慢,误差大的缺点,提出了一种基于柯西和高斯变异的改进珊瑚礁算法,并将其应用于永磁同步电机的多参数辨识。在dq坐标系下建立永磁同步电机参数辨识模型,将柯西与高斯变异混合入珊瑚礁算法产生子代的过程中,分别将改进前后的珊瑚礁算法应用于求解永磁同步电机参数辨识问题,并在Matlab/Simulink中进行了对比验证。实验结果表明变异珊瑚礁算法能同时辨识定子电阻、d轴电感、q轴电感、转子磁链等电磁参数并且具有较好的收敛精度。

改进离散麻雀搜索算法求解柔性作业车间调度问题

针对最小化最大完工时间的柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP),提出了一种改进离散麻雀搜索算法(Improved Discrete Sparrow Search Algorithm,IDSSA)。首先,采用了两段式编码方式,针对两段编码分别设计了有效的编码转化方式,实现了麻雀搜索算法(Sparrow Search Algorithm,SSA)连续搜索空间与FJSP离散决策空间之间的映射。其次,设计了一种随机与组合启发规则相结合的初始化方法,在保证了麻雀初始种群分散广度的同时提高了麻雀个体的质量,加快麻雀搜索算法的收敛速度。再次,融合一种基于关键路径的变邻域搜索策略,对发现者进行深度发掘,提高种群引领者的质量。此外,为了维持SSA种群多样性,设计了自适应柯西高斯变异策略,提升算法全局搜索能力和跳出局部极值的能力。最后,使用Kacem和Brandimarte系列12个基准算例与多种算法进行仿真实验,实验结果证明了IDSSA的有效性和求解FJSP的优越性。

基于多策略融合未来搜索算法的林火图像分割

为解决林火图像传统阈值分割方法时效性差、分割精度低等问题,提出一种基于多策略融合未来搜索算法(IFSA)的多阈值林火图像分割方法。在提升算法的性能方面,采用帐篷映射(Tent映射)初始化种群中的个体,引入自适应权重与认知因子增强种群内部信息交流,并对最优位置引入柯西分布与高斯分布结合的变异机制提高算法的收敛精度。利用改进算法对森林火灾图像进行分割,并选取最佳适应度、峰值信噪比和结构相似度作为评价指标,与粒子群优化算法、灰狼优化算法等进行对比分析。研究结果表明,改进的未来搜索算法(Improved Future Search Algorithm,IFSA)的适应度曲线收敛效果明显优于其他对比算法,峰值信噪比、结构相似度取得最优的实验次数分别占总实验次数的100%与91.67%,证明基于IFSA的图像分割方法能有效改善林火图像分割效果,为林火特征的提取与分析建立依据。

多策略融合的改进天鹰优化算法

为了解决天鹰优化算法(Aquila Optimization algorithm,AO)易陷入局部最优及收敛速度慢的问题,本文提出一种多策略融合的改进天鹰优化算法(Multi-Strategy Integration Aquila Optimization algorithm,MSIAO).该算法采用结合Tent混沌映射的折射反向学习初始化种群以提高算法前期的搜索效率,根据种内互助及优化策略解决算法寻优停滞的缺陷,并通过基于Bernoulli混沌序列的自适应权重策略提高算法的收敛速度,引入了柯西-高斯变异算子增强算法迭代后期逃逸局部极值的能力.本文对10个基准函数、部分CEC2014测试函数集进行实验,并将MSIAO用于2个工程设计优化问题.结果表明,对于高维单峰、高维多峰以及固定维复杂多模态函数,MSIAO比AO具有更高的收敛精度和更快的收敛速度;MSIAO对压力容器与焊接梁优化设计的经济成本较AO分别节约4.62%、0.77%,验证了MSIAO对于处理机械工程问题的实用性和优越性.

基于量子遗传模糊推理系统的煤与瓦斯突出预测模型

为提高煤与瓦斯突出危险程度预测的准确性,提出一种基于自适应神经模糊推理系统(ANFIS)结合改进实数编码量子遗传算法(IRQGA)的预测模型IRQGA-ANFIS。用基于数据驱动的方法从样本数据直接提取模糊规则,建立煤与瓦斯突出ANFIS预测模型。针对ANFIS预测准确率较低以及模糊推理系统参数量大的特点,采用IRQGA对模糊推理系统进行训练。IRQGA引入秃鹰算法的阿基米德螺线空间搜索机制更新个体;用差分变异策略更新种群最差个体,保持种群多样性;用高斯-柯西变异策略扰动优秀个体使其快速脱离局部极值区,加快算法收敛速度。实验结果表明,IRQGA在高维复杂问题优化中比实验对比算法具有更好的优化性能;IRQGA-ANFIS模型的预测准确率达94.44%;所建模型30次独立运行的MAE均值相较对比模型分别降低了0.0245和0.1184,MSE均值分别降低了0.0162和0.1849,RMSE均值分别降低了0.0172和0.1721。IRQGA-ANFIS具有更高的预测准确率和更好的预测能力。

面向林业资源防护的CGPSO算法UAV航迹优化应用研究

针对传统PSO无人机航迹规划算法在林业资源防护任务中存在收敛速度慢、易陷入局部最优的问题,提出了一种基于CGPSO的无人机航迹优化算法(cauchy gauss particle swarm optimization, CGPSO)。借助雷达传感器对林间环境进行预检,构建了无人机飞行任务环境模型;引入了自适应惯性权重和融合柯西-高斯变异算子调整粒子群算法,平衡全局-局部收敛速度,优化局部极值问题;综合分析了无人机航迹长度代价、障碍物碰撞代价和高程范围代价,建立了航迹规划适应度函数。仿真结果显示,所规划算法适应度标准差达到了0.148 6,用时54.34 s,相比PSO算法,收敛代价值减少了42%,用时提升了25%,与所有算法相比,整体航迹具有较强的鲁棒性,对环境的适应性更优。因此,采用新规划航迹算法在林区进行林业资源防护工作是可行的。

改进竞争粒子群算法及其应用

为平衡种群的探索与开发,提出一种改进的竞争粒子群算法(CGCSO)。通过柯西高斯变异更新胜利者的位置,提高种群的开发能力;利用环形拓扑结构信息传递速度慢的特点,将其用于胜利者的学习过程,增强种群的多样性;采用可行解优先的约束处理技术,使该算法能够处理约束优化问题。进行8个标准测试函数的仿真实验,并研究比较其它算法,该算法在优化精度和收敛性上表现较好。将该算法应用于处理汽油调和配方在线优化问题,仿真取得了较好的结果,进一步验证了该算法的有效性。

改进哈里斯鹰优化算法求解作业车间调度问题

针对哈里斯鹰优化(harris hawks optimization,HHO)算法在解决以最小化最大完成时间为目标的作业车间调度问题,存在收敛后期陷入局部最优和早熟的缺陷问题,提出一种改进哈里斯鹰优化算法。在哈里斯鹰算法中引入变邻域搜索,更好地深入探索最优哈里斯鹰个体的邻域,提高算法的局部开发能力;当算法的最优解停滞更新时,采用逐维柯西高斯变异策略产生新的候选解,增强种群的多样性和跳出局部最优的可能性;引入逐维自适应变异策略,扰动最优解,避免算法过于早熟。求解作业车间调度问题的仿真结果表明,改进哈里斯鹰优化(IHHO)算法实验结果优于哈里斯鹰优化(HHO)算法、灰狼优化(GWO)算法以及鲸鱼优化算法(WOA),有效地避免了哈里斯鹰优化算法早熟,陷入局部最优的问题。

嵌入极值优化的混合粒子群优化算法

针对标准粒子群算法容易陷入局部极值和精度低的问题,提出一种嵌入极值优化算法的粒子群优化算法。在线性下降的惯性权重粒子群算法运行过程中,间隔一定迭代次数与极值优化算法相结合,利用其波动性增加种群的多样性,并有效结合粒子群算法较强的全局探索能力和极值优化算法精细的局部搜索性能,以较高精度收敛到全局极值。仿真实验结果表明,该混合算法是一种求解高维多峰连续函数极值的有效方法。

基于改进蝙蝠算法机器人避障研究

针对避障研究中,基本蝙蝠理论过早收敛,容易达到局部极值点的问题,对其进行改进。改进方向主要在算法中以线性渐变方式调节响度和脉冲发射率,通过脉冲发射率的大小控制蝙蝠进行全局搜索或局部精确搜索,优化了收敛速度慢的问题。在局部寻优阶段融合高斯柯西变异策略,前期利用柯西函数两翼高概率特性产生广范围随机数,扩大算法搜索范围,后期利用高斯函数中间概率高,两端概率低的特性进行精准定位。同时采用边界再分配机制,优化了蝙蝠在边界聚集,带来的种群多样性不足问题,提高收敛效率。最后,利用三次样条插值法将拐点平滑,形成一条光滑曲线。仿真表明,改进后的蝙蝠算法相较于基本蝙蝠算法各项指标得以提升,对机器人工作运行更为有利。