基于改进樽海鞘群算法的船舶避碰决策及仿真实验

文中针对多船会遇避碰决策中过渡依赖单一寻优决策的问题采用了加入自适应权重的樽海鞘群优化算法(weight salp swarm algorithm, WSSA),在算法中融入国际海上避碰规则(convention on the international regulations for presenting collisions at sea, COLREGs)和良好船艺的要求.使用速度障碍法判断船舶的碰撞危险度并将多船会遇避让的过程中避让的安全性、经济性以及船舶领域侵入程度作为建立避碰决策的目标函数.算法测试的结果中,WSSA与原始樽海鞘群算法(SSA)以及经典粒子群算法(partide swam optimization, PSO)相比较,WSSA算法在收敛的精度和速度方面都明显优于SSA和PSO算法.结果表明:WSSA在寻找最优碰撞路线的过程中迭代的次数更少,精度更高.

基于改进樽海鞘群算法的含瓦斯煤破裂过程信号特征识别

针对标准樽海鞘群算法存在的计算精度不足、易陷入局部停滞等缺陷,提出一种多策略融合的樽海鞘群算法。在初始化阶段,引入线性同余法随机发生器;利用野马算法优化樽海鞘领导者位置;采用金豺算法改进樽海鞘种群追随机制。通过测试函数寻优对比实验,证明多策略融合的樽海鞘群算法相比于其他智能算法在鲁棒性与稳定性方面均有显著提升。将多策略融合的樽海鞘群算法应用到含瓦斯煤破裂过程信号特征识别,实验结果表明:提出的含瓦斯煤破裂过程信号特征识别模型具有更好的表现,准确率可达93.33%,相比其他识别模型,识别率更高。

路径规划问题的多策略改进樽海鞘群算法研究

针对移动机器人寻找最优路径问题,提出了一种融合无标度网络、自适应权重和黄金正弦算法变异策略的樽海鞘群算法BAGSSA(Adaptive Salp Swarm Algorithm with Scale-free of BA Network and Golden Sine)。首先,生成一个无标度网络来映射跟随者的关系,增强算法全局寻优的能力,在追随者进化过程中集成自适应权重ω,以实现算法探索和开发的平衡;同时选用黄金正弦算法变异进一步提高解的精度。其次,对12个基准函数进行仿真求解,实验数据表明平均值、标准差、Wilcoxon检验和收敛曲线均优于基本樽海鞘群和其他群体智能算法,证明了所提算法具有较高的寻优精度和收敛速度。最后,将BAGSSA应用于移动机器人路径规划问题中,并在两种测试环境中进行仿真实验,仿真结果表明,改进樽海鞘群算法较其他算法所寻路径更优,并具有一定理论与实际应用价值。

改进樽海鞘算法求解带时间窗的应急选址路径问题

目的为使应急物资及时高效地送到灾区,针对多目标应急选址-路径问题,在考虑灾区的时间窗及物资运输过程中道路安全的情况下,以最小化经济成本、最小化时间惩罚成本及最大化道路安全性为目标,构建多目标优化模型。同时,设计改进的樽海鞘算法求解问题,以验证模型的可行性和算法的有效性。方法根据模型的特征对樽海鞘算法进行改进,运用随机生成和贪心算法相结合的方式生成初始解,利用交叉算子和邻域搜索算子改进原始算法的位置更新操作,引入非支配排序遗传算法(NSGA-Ⅱ)的精英保留策略,以提高算法的性能。结果经过多个算例测试,该算法能快速获得一簇Pareto解,与基本樽海鞘算法进行对比后可知,改进后的算法性能更优越。结论对于灾后及时响应的应急选址路径问题,采用改进的樽海鞘算法具有一定优越性,并在多个目标权衡的情况下,可供决策者根据目标的偏好找到较满意的解,对于研究应急选址路径问题具有一定的参考价值。

趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法

针对蝴蝶优化算法(butterfly optimization algorithm,BOA)易陷入局部最优,且收敛速度慢和寻优精度低等问题,提出了一种趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法(hybrid optimization algorithm for salp swarm and butterfly with reverse mutation towards optimization learning,OMSSBOA)。引入柯西变异对最优蝴蝶个体进行扰动,避免算法陷入局部最优;将改进的樽海鞘群优化算法(salp swarm algorithm,SSA)嵌入到BOA,平衡算法全局勘探和局部开采的比重,进而提高算法收敛速度;利用趋优变异反向学习策略扩大算法搜索范围并提升解的质量,进而提高算法的寻优精度。将改进算法在10种基准测试函数上进行仿真实验,结果表明,改进算法具有较好的寻优性能和鲁棒性。

混合多策略改进的樽海鞘群算法及其应用

针对标准的樽海鞘群算法(salp swarm algorithm, SSA)在寻优过程中易出现局部最优和收敛速度慢等问题,提出一种混合多策略改进的樽海鞘群算法(ISSA)。利用佳点集策略生成初始种群,使个体均匀分布于搜索空间;将反向学习的思想融入到领导者位置更新中,提高算法的搜索精度;加入自适应t分布,利用迭代次数iter作为其自由度参数,改善算法的全局探索能力;引入精英反向学习,筛选更好的种群,避免陷入局部最优。通过一组基准函数和Wilcoxin秩和检验来检测改进算法的性能,实验结果表明,改进算法的探索能力和优化精度都得到明显改善且算法之间存在显著差异,通过实际机械设计案例进一步验证ISSA算法的有效性。

樽海鞘群算法基于动力学模型的改进

针对樽海鞘群算法(salp swarm algorithm,SSA)中参数含义不明确、收敛性不确定的问题,构建了SSA的差分动力学模型,定义了领导者选择机制、领导者游走机制、跟随者偏序学习机制,重点针对跟随者偏序学习机制分析了系统的收敛性,面向领导者游走机制与跟随者偏序学习机制提出了算法全局最优收敛的充分条件。基于动力学分析结果提出了樽海鞘群异质定常跟随率与偏序多驱动机制的改进方法,仅对算法结构与参数进行了调整,在未增加计算量的情况下提高了算法的性能,通过仿真分析验证了改进的有效性。

基于模拟退火和樽海鞘群优化的DV-Hop定位算法

针对无线传感器网络(WSNs)中传统DV-Hop算法定位误差较大等问题,提出基于模拟退火和樽海鞘群优化的DV-Hop定位算法。该算法分别引入RSSI和修正因子来量化最小跳数以及校正平均跳距,在未知节点估计过程中,采用改进的樽海鞘群优化算法代替最小二乘法,并且与模拟退火算法相结合,缓解了樽海鞘群优化算法在寻优过程中容易陷入局部最优的缺点。仿真结果表明:改进后的DV-Hop算法相比于传统DV-Hop定位算法以及其他智能优化算法,定位精度得到明显改善。

基于樽海鞘群极限学习机的进/发一体化性能寻优控制模型研究

为充分发挥航空推进系统的性能,提高性能寻优控制的实时性,将樽海鞘群算法(SSA)与极限学习机(ELM)相结合,基于进/发一体化部件级模型建立数据集,提出一种基于SSA-ELM的数据驱动模型。将该建模方法与广义回归神经网络(GRNN)、BP神经网络(BPNN)和极限学习机(ELM)比较,结果表明,相比于BPNN,ELM,GRNN,SSA-ELM用于预测可以使安装推力的均方根误差(RMSE)分别降低7.41%,17.01%,72.57%,安装油耗的RMSE分别降低4.32%,19.41%,66.77%,具有更高的预测精度。将基于SSA-ELM的数据驱动模型作为机载模型应用到性能寻优控制,结果表明,该机载模型能够维持理想的寻优效果。针对最大安装推力模式开展实时性分析,该机载模型相比于进/发一体化部件级模型,平均计算时间由184.05 ms缩短至1.357 ms,实时性得到显著改善,大大提高了寻优效率。

具有混合策略的樽海鞘群特征选择算法

近年来,随着计算机和数据库技术的快速发展,大规模数据集迅速增长,利用特征选择技术来筛选信息量大的特征已经变得非常重要。本文提出了一种具有混合策略的樽海鞘群特征选择算法(salp swarm feature selection algorithm with hybrid strategy,HS-SSA)。首先,本文生成一张基于互信息的排序表,并由排序表提出了新的初始化策略。其次,提出一个新颖的并且有条件调用的动态搜索算法。最后在位置更新上结合瞬态搜索算法(transient search algorithm,TSO),改进勘探和开发步骤的效率,增加解空间的灵活性和多样性,从而使算法能够快速定位到全局最优位置。为了验证算法的性能,实验选取14个UCI的数据集,并且与樽海鞘群算法(SSA)以及近几年樽海鞘群的改进算法等多种优化算法进行比较,结果表明HS-SSA在特征选择上具有更强的竞争力。

基于改进混合樽海鞘群算法的航空发动机模型求解方法

针对传统智能优化算法在求解航空发动机模型非线性方程组时收敛速度慢、精度低的问题,提出采用樽海鞘群优化算法(salps swarm algorithm,SSA)。为了提升标准SSA求解复杂发动机模型的随机搜索能力,采用了混沌映射、正余弦算法、自适应权重、逐维变异策略对SSA进行改进,并且更进一步调整了算法流程(Process improved SSA),提高算法收敛概率,最终将Process improved SSA与Newton-Raphson算法结合为混合算法,并以适应度值作为算法切换的判断条件以提升混合算法的计算效率。仿真实验验证了Process improved SSA求解航空发动机模型的有效性。仿真结果表明混合算法能够实现全局收敛并提升收敛速度,且能够在模型输入强瞬变仿真时实现快速收敛。

基于樽海鞘群算法的床温多变量系统辨识研究

针对热工系统具有多输入多输出的特点,介绍将多输入多输出系统简化为多个多输入单输出系统的具体过程。利用机组的实际运行数据,建立在50%负荷运行工况下,以给煤量、煤泥量和一次风量为输入,以床温和主蒸汽压力为输出的多变量系统模型。为提高模型参数辨识的精度,采用樽海鞘群算法(SSA)对多变量系统的模型参数进行寻优。该算法采用一种新的群体更新模型,算法流程简单。仿真结果表明,相比于传统粒子群算法(PSO),樽海鞘群算法运算速度明显提高,可以获到更优的辨识模型。

鲁迅藏拓南阳汉画樽的图像探析

鲁迅藏拓的南阳汉画有42幅原石已经散佚,显得弥足珍贵。鲁迅藏拓南阳汉画中的樽,共有6幅图像,显示了汉代樽的形制和使用场合及礼仪等社会生活情况。其中已经散佚的两幅拓片中的樽为研究汉代樽提供了新证据:图054号拓片显示的盆形樽,为南阳汉画所仅存;图171号显示的樽,明显有弧形盖,为研究汉代樽上倒立等提供了新证据。

樽海鞘算法优化支持向量机的RC柱抗侧移承载力预测

现有钢筋混凝土(RC)柱抗侧移承载力预测模型缺乏泛化性能,延性柱抗弯承载力的预测模型不能用于非延性柱的抗剪承载力,反之亦然。机器学习(ML)方法能够解决这一问题,但由于无法自动剔除冗余和不相关特征,使得ML模型复杂度高且容易过拟合。为此,提出一种樽海鞘算法优化支持向量机(SSALS-SVM)方法,基于给定的数据集,SSALS-SVM能利用樽海鞘优化算法(SSA)自动剔除冗余和不相关的特征,筛选最具代表性且各特征之间相关性弱的特征子集形成最优特征组合,同时对控制模型非线性拟合能力的超参数进行优化。优化后的模型既能识别出影响延性和非延性RC柱抗侧移承载力的设计变量,又能反映最优特征组合与抗侧移承载力间的非线性映射关系。为了验证SSALS-SVM方法的泛化性能,基于248个RC柱抗侧移承载力试验数据,分别与现有的RC柱抗侧移承载力预测模型进行对比,结果表明,SSALS-SVM比现有预测模型的泛化性能最高提升了83%。

基于改进樽海鞘算法的微电网优化调度运行

微电网系统中包括多种微电源,需要满足大量的约束条件,传统的优化算法求解易陷入局部最优,难以得到最优解。针对此类问题,提出一种多策略协同优化樽海鞘算法(MSSSA),在同时考虑运行与环境污染的情况下,以综合成本为目标函数,设定功率平衡、爬坡率、联络线交互功率极值等约束条件,然后利用MSSSA对微电网调度模型进行求解。通过对比仿真结果,验证了MSSSA较其他算法的优越性和对微电网系统优化的合理性。

基于樽海鞘算法优化支持向量机的连续梁桥损伤识别

为了能够更加准确、高效地判断桥梁结构损伤位置和程度,本文提出了基于樽海鞘群优化支持向量机(SSA-SVM)方法进行连续梁桥损伤识别的方法。该方法以敏感性较高的曲率模态差作为损伤识别指标,利用樽海鞘群(SSA)算法寻找支持向量机(SVM)最优参数,建立SVM预测模型,通过建立一座三跨连续梁桥有限元模型,以桥梁易损区域作为损伤识别对象进行数值模拟。结果表明:以曲率模态差作为损伤识别指标,能够有效地识别并定位单点或多点的损伤状况,同时准确评估损伤的严重程度。与传统SVM模型比较,SSA-SVM模型实现了参数的自动优化,同时也拥有了更为精准的预测能力。

基于改进樽海鞘群算法的测试数据自动生成

为了提高软件测试数据自动生成的可靠性,研究了一种改进的樽海鞘群算法自动生成测试数据。首先对樽海鞘群算法引入了人工鱼群算法中的随机行为,改善了樽海鞘个体容易陷入局部最优的问题,充分平衡迭代过程中的探索行为与开发行为;然后根据樽海鞘个体寻优结果引入末位淘汰机制,选择性舍弃适应度值最低的个体,并在搜索空间内随机生成一个新的个体进行种群补充;最后将改进后的樽海鞘群算法应用于基准程序的测试数据自动生成。实验结果表明,改进后的算法能够有效改善个体容易陷入局部最优的问题,正确搜寻到满足测试条件的数据,具有一定的优越性。

融合信息反馈共享与蜉蝣搜索机制的樽海鞘群算法

针对樽海鞘群算法(SSA)收敛速度慢和易陷入局部最优的问题,提出了一种融合信息反馈共享与蜉蝣搜索机制的改进樽海鞘群算法。使用Piecewise映射的方法进行种群初始化,使初始樽海鞘种群更均匀的覆盖可行域空间;采用信息共享机制,提出辅助领导者策略,改进领导者位置更新公式,增强全局搜索能力;利用进化学说以及正负反馈调节的思想,通过变异操作和自然选择原则选取更优领导者,从而提高搜索精度;最后,提出蜉蝣搜索机制,选取蜉蝣算法的交配公式,优化追随者位置迭代公式,使算法在后期更快收敛。通过在12个基准测试函数的多个维度以及17个CEC测试函数的实验,证明了改进樽海鞘群算法的综合性能,并通过消融实验验证了改进策略的有效性,实验结果表明,改进算法在收敛速度以及搜索精度上具有明显的优势。

基于黄金正弦与重启机制的二进制樽海鞘算法

针对樽海鞘算法在解决优化问题时存在收敛速度慢,易陷入局部最优解等问题,提出一种基于黄金正弦与重启机制的二进制樽海鞘改进算法.利用佳点集策略进行种群初始化,提高种群多样性;使用黄金正弦算法对樽海鞘领导者位置进行二次更新,提升算法的收敛速度和精度;在追随者位置更新过程中引入重启机制,防止算法陷入局部最优.为验证改进算法的性能,选取8个经典基准函数进行仿真实验,通过标准差评估、Wilcoxon检验及收敛速度对比等方法进行对比分析,结果表明,与现有5种二进制群优化算法相比,改进算法的收敛速度和寻优精度均有明显提升.

一种改进樽海鞘群算法优化K-Means的小麦覆盖度提取方法

针对K-Means算法对初始聚类中心的依赖性较高,容易出现局部最优停滞的问题,提出一种改进樽海鞘群算法优化K-Means的小麦覆盖度提取算法。首先,将小麦图像转换到HSV色彩空间;然后,用改进樽海鞘群算法进行全局寻优,以获得全局最优值作为K-Means算法的初始聚类中心,接着运用K-Means算法进行局部寻优,直到迭代完成;最终,输出经过分割的小麦图像。为了评估算法性能,使用12个基准函数对ISSA及其他智能优化算法进行对比测试,同时将改进樽海鞘群算法优化K-Means应用于小麦覆盖度提取。结果表明,ISSA算法在优化精度和收敛速度上均超越其他算法,鲁棒性也得到了显著提高。与其他算法相比,ISSA-K算法分割后的小麦图像纹理比较清晰,效果更佳,同时具有更加高效的优势,可用于小麦覆盖度的提取,具有较强的实用性。