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。

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。

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。

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。

多策略融合的改进樽海鞘群算法

为解决传统樽海鞘群算法(SSA)收敛精度低、难以跳出局部最优等问题,提出了一种多策略融合的改进樽海鞘群算法(ISSA)。首先,提出了一种新的融合中垂线算法收敛策略的追随者位置更新方法,以解决传统SSA追随者位置更新方法的不足;为提升SSA跳出局部最优的能力,提出一种基于中垂线算法收敛策略的自扰动策略。其次,通过分析传统SSA领导者位置更新策略存在的不足,提出了一种新的领导者位置更新策略,并针对SSA的固定种群顺序,提出了以适应度为指标重构樽海鞘群体排列顺序的方法以提升算法性能。最后以仿真实验对ISSA的性能进行了验证,结果表明ISSA解决了SSA收敛精度低和难以跳出局部最优的问题,提升了SSA的收敛速度和稳定性。通过与其他改进SSA的对比实验,证明了ISSA的优越性。

基于双精英进化樽海鞘群算法优化ELM的焦炭价格预测

焦炭是焦化企业生产的重要工业原料之一,准确地预测其未来价格趋势对焦化企业制定排产计划具有重要意义。极限学习机(ELM)泛化能力强,计算速度快,适合作为焦炭价格预测的模型,但ELM的预测性能受模型关键参数影响较大,故需对其参数进行优化。基于此,文中提出了基于双精英进化樽海鞘群算法的ELM焦炭价格预测方法。首先,采用Logistic混沌映射、改进的收敛因子、自适应惯性权重和双精英进化机制来改进樽海鞘群算法,提出了双精英进化樽海鞘群算法(MDSSA),提高算法的搜索能力;其次,运用MDSSA优化ELM的连接权值与阈值,找到ELM的最优参数组合,构建MDSSA-ELM焦炭价格预测模型;最后,在8个基准测试函数上测试MDSSA的收敛性能,在实际焦炭价格数据集上对MDSSA-ELM模型的预测性能进行实验,实验结果表明,MDSSA-ELM相比其他方法预测能力更优,MDSSA相比其他群智能算法搜索能力更强,为焦化企业实现焦炭智慧排产提供了有效的预测工具。

基于改进樽海鞘群算法的特征选择方法

针对樽海鞘群算法求解精度不高、收敛速度慢、容易陷入局部最优等问题,提出融合多种策略的改进樽海鞘群算法CESSA。在初始化种群时引入无限折叠混沌映射,增加初始种群的多样性;在领导者位置更新处融入非线性收敛算子,提高算法全局勘探收敛速度,增强解的精度;根据适应度值的优劣对追随者位置分别采用收敛算子和随机数扰动方式进行更新。改进算法CESSA与K近邻分类器结合构成特征选择模型CESSAFS并用于数据分类。在8个基准函数和10个UCI数据集上分别对CESSA和CESSAFS算法进行测试,其结果表明,改进算法性能更优。

一种改进樽海鞘群算法及其多目标云工作流调度应用

为了优化云工作流应用的调度效率与代价,提出基于改进樽海鞘群算法的工作流调度策略。建立截止时间与预算约束的多目标优化模型,利用樽海鞘觅食的位置变化对工作流调度进行编解码,设计融合执行跨度与执行代价的权重适应度函数。为了增强樽海鞘群的寻优性能,引入基于疯狂算子的领导者更新模式,通过疯狂变量,减少领导者更新的停滞早熟现象;引入遗传算子的追随者更新模式,利用个体交叉和变异使樽海鞘群具有更均衡的搜索全局性和个体多样性,避免陷入局部最优。结果证明,改进樽海鞘群算法可以有效提升计算精度和收敛速度;应用于工作流调度求解后,其调度解收敛性更好,调度解集空间分布更加一致。

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。

基于改进樽海鞘群算法的提梁机主梁轻量化设计方法

针对樽海鞘群算法在优化过程中存在收敛速度慢、求解精度低、易于陷入局部最优解等缺点,提出了基于柯西和高斯混合变异的一种自适应变异策略的樽海鞘群算法,该算法通过选出适应度值最好的前S个个体进行自适应变异,可避免算法陷入局部最优解.通过柯西和高斯变异动态调整参数的变化提高算法的局部搜索能力和收敛速度.选取10个测试函数分别对樽海鞘群算法及改进樽海鞘群算法进行测试比较.数值分析表明,改进的樽海鞘群算法收敛速度快,寻优能力强且精度高.将改进后的算法用于提梁机主梁结构的优化设计中,该结构在满足强度、刚度、稳定性等设计要求条件下,主梁的截面积减少了13.58%,轻量化效果显著,表明该算法具有良好的工程应用价值.

基于自适应t分布与动态权重的樽海鞘群算法

针对樽海鞘群算法寻优精度低、收敛速度慢和易陷入局部最优等缺点,提出一种基于自适应t分布与动态权重的樽海鞘群算法。首先,在领导者位置更新中引入蝴蝶优化算法中的全局搜索阶段公式,以此来增强全局探索能力;然后,在追随者位置更新中引入自适应动态权重因子来加强精英个体的引导作用,从而增强局部开发能力;最后,为了避免算法陷入局部最优,引入自适应t分布变异策略对最优个体进行变异。通过对12个基准测试函数进行求解,根据平均值、标准差、求解成功率、Wilcoxon检验和收敛曲线分析,表明所提出的算法要优于标准樽海鞘群算法,以及参与比较的其他改进樽海鞘群算法和其他群智能算法,说明了其在寻优精度和收敛速度方面都有显著提升,并且具备跳出局部最优的能力。通过将其应用在脱硝入口浓度最低点寻找上,验证了算法的有效性。

自适应樽海鞘群算法求解考虑运输时间的柔性作业车间调度

针对考虑运输时间的柔性作业车间调度问题,以最小化最大完工时间为优化目标,提出自适应樽海鞘群算法.设计基于随机密钥方法的3层编码方案,将编码的离散解空间连续化.引入惯性权重评价跟随者之间的相互影响程度,增强算法的全局探索与局部搜索能力.提出自适应更新领导者-跟随者种群数量策略,根据种群迭代状态对领导者和跟随者的数量进行自适应调整.在邻域搜索中引入禁忌搜索策略,防止算法陷入局部最优.通过基准算例测试,验证了算法的有效性和优越性,发现AGV数量对完工时间的影响符合边际效应递减的规律.

基于樽海鞘群优化差分进化算法的实验室预约模型

为了提高实验室预约工作的效率,采用动态差分进化算法进行预约方案生成,并通过樽海鞘群算法对动态差分进化算法进行改进,从而增强方案对不同预约规模的适应度。首先,输入实验室设备、实验室时间、预约者申请使用记录等样本特征,构建多个预约样本个体。然后,建立动态差分进化算法实验室预约模型,以实验项目满足度作为适应度。通过交叉和选择操作不断更新个体适应度,并采用樽海鞘群算法对差分进化算法的缩放因子进行优化求解。通过樽海鞘个体的领导者和跟随者在设定运动范围内的位置更新来获得最优缩放因子。最后,采用最优缩放因子对应的动态差分进化算法进行实验室预约方案求解,输出最优受益面指标预约解。实例仿真结果表明,通过合理设置樽海鞘群算法参数,在不同预约者规模情况下,基于樽海鞘群改进的动态差分进化算法均能够获得较高受益面指标的预约方案。

基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法

针对蝴蝶优化算法(BOA)收敛速度较慢和过早收敛到局部解的问题,提出一种基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法(HSSBOA)。首先,将樽海鞘群算法(SSA)引入BOA中,使算法快速处理局部搜索阶段,并更新种群位置,从而更有效地完成寻优过程,避免算法陷入局部最优;然后,引入邻域重心反向学习以便更好地帮助算法在邻域内进行小范围精确搜索,从而提高算法的精度;最后,引入动态切换概率以改善搜索中全局与局部的比重,从而加快算法的搜索速度。选取10个标准检测函数进行测试,将HSSBOA与几个先进的优化算法从收敛精度、高维度数据、收敛速度、Wilcoxon秩和检验和平均绝对误差(MAE)五个方面进行对比分析。研究结果表明,相较于其他算法,HSSBOA取得了更优的结果。消融实验进一步验证了各项改进均为正向作用。实例问题上的表现表明相较于其他方法,在求解有约束的复杂问题时,HSSBOA能够更有效地搜索出最优解。可见HSSBOA在寻优精度、稳定性和收敛效率等方面取得了一定的优势,并且能够求解复杂的现实问题。