改进海马优化算法的永磁同步电机多参数辨识

为解决永磁同步电机参数辨识速度慢、精度不足等问题,提出一种融合云模型和混沌变异的海马优化算法。该算法以海马优化算法为基础,引入混沌映射和随机反向学习策略,改善种群初始空间分布;采用自适应云模型,解决算法收敛精度低和减少陷入局部最优情况;加入混沌映射和高斯变异调节种群分布,以提高算法全局和局部开发能力。通过采集电机电压、角速度等信息,在永磁同步电机辨识模型中,使用改进后的算法对电机参数进行辨识。由仿真和实验对比,验证改进后算法在永磁同步电机电气和机械参数辨识上,具有更快速、稳定和准确的辨识效果,且辨识误差均在1.4%以内。

一种混合正余弦算法的改进海马优化器

海马优化器是一种模拟海马移动、捕食和繁殖行为的元启发式算法,具有控制参数少、易于部署等优点。为了克服海马优化器在某些复杂情况下收敛速度较慢且易陷入局部最优的不足,本文提出一种混合正余弦算法的改进海马优化器,记作HSCASHO。首先,通过调整参数对海马优化器的数学模型进行修正,更好地平衡全局探索和局部开采;其次,引入一个基于适应度值的权重,并为原始正余弦算法设计一个新的搜索公式,加快收敛速度;最后,增强变异过程种群多样性,有助于算法跳出局部最优。综合两种算法的优点,HSCASHO在前3/4次迭代使用进行参数调整的海马优化器,后1/4次迭代使用更新搜索公式的正余弦算法。将HSCASHO算法与4种算法在10个基准函数上进行对比实验,表明该算法明显优于其他算法。

基于改进海马优化算法的PID参数优化

为了解决传统海马算法(SHO)在PID参数整定中存在全局寻优能力差且收敛速度慢的问题,提高PID参数优化质量,提出一种改进的海马优化算法(ISHO)。通过Tent混沌映射增加海马种群初始化多样性提高收敛速度;引入逃逸能量调控策略改进算法全局搜索与局部开发的转换机制,从而提高算法的全局寻优能力。将改进海马优化算法与传统海马算法、Z-N临界比例法、灰狼优化算法和粒子群优化算法进行比较,仿真结果表明:改进的海马优化算法优化PID参数具有调整时间更短、系统控制精度更高和收敛速度更快等优点,为PID控制系统的参数优化提供了参考。

改进SHO求解自动化立体仓库能耗优化调度问题

针对带有完工时间约束的自动化立体仓库任务调度问题,提出一种货位再分配策略,对货物进行合理的货位分配,并产生任务先后约束,建立以堆垛机总能耗最低为优化目标的数学调度模型,并引入相应的惩罚函数,采用一种改进的海马优化算法(improved sea-horse optimizer,I-SHO)作为全局优化算法并进行求解。在原始海马优化算法(sea-horse optimizer,SHO)的基础上,融合混沌映射与对立学习策略,提高了初始解的质量。引入自适应t分布变异策略,避免陷入局部最优,并且设置修正机制,使解满足任务先后约束。引入混合种群寻优策略,进一步优化算法的搜索能力。最后通过实验进行验证,将海马优化算法、遗传算法(genetic algorithm,GA)和粒子群算法(particle swarm optimization,PSO)作为对比算法,验证了I-SHO在求解自动化立体仓库能耗优化调度问题上的有效性。

基于人工智能算法的氯盐侵蚀混凝土预测模型

本文基于机器学习算法建立了输电塔桩基混凝土氯离子浓度预测模型,通过相关系数、均方根误差、绝对平均误差和方差比对模型进行检验,并根据蒙特卡洛模拟对模型的稳健性进行分析,同时基于海马优化器对模型进行优化。结果表明,支持向量机(SVM)模型、随机森林(RF)模型和梯度提升树(GBDT)模型都可以准确预测输电塔桩基混凝土中氯离子浓度,相关系数R^(2)均大于0.880,均方根误差小于0.009,绝对平均误差小于0.006,方差比大于0.890。根据误差和稳健性分析结果,建议混凝土中氯离子浓度的预测计算优先使用GBDT模型和SVM模型。根据优化结果,海马优化器能显著提升模型的性能。

基于CNN-LSTM和海马优化算法的二阶拉曼光纤放大器设计方案

随着通信系统向高速率、超带宽不断发展,适应这种发展的高性能拉曼放大器的设计逐渐成为研究重点。然而,由于输出拉曼增益、噪声和泵浦参数之间复杂的非线性关系,设计高性能的拉曼放大器具有挑战性。传统的数值优化方法在解决这个问题上效率不佳。为了解决这个问题,本文提出了一个使用卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long-short term memory,LSTM)的二阶拉曼光纤放大器(Raman fiber amplifier,RFA)增益和噪声预测模型。研究了不同预测模型性能对设计拉曼光纤放大器的影响,并利用海马算法优化模型,以准确反映泵浦参数、光纤长度和目标增益和噪声分布之间的映射关系。实验结果表明,本文提出的模型在增益和噪声预测方面的均方根误差分别只有0.0431和0.0224 dB,预测值和目标值之间的误差小于0.25 dB,平均耗时小于0.1337 s。该设计方案为未来RFA的快速设计提供了方法和思路。

面向人脑功能划分的人工水母搜索优化算法

人脑功能划分是揭示人脑功能分离性的重要方式。然而,现有的大多数划分方法因不能较好地处理功能磁共振影像(fMRI)数据的高维性和低信噪比性,表现出搜索能力较弱和划分结果较差的问题。为了减轻此问题,提出一种基于人工水母搜索优化(AJSO)的人脑功能划分方法。该方法首先基于预处理的fMRI数据计算功能相关矩阵,并将其映射到低维空间。然后将食物编码为由多个功能簇中心构成的聚类解,利用改进型人工水母搜索优化算法搜索更优的食物,采用融入迭代停滞的时间控制机制调控人工水母执行主动运动或被动运动,以提高全局搜索能力;针对主动运动设计适应度引导的步长确定策略,增强人工水母搜索的科学性和针对性。最后根据最小距离原则得到相关矩阵中每行数据的簇标,并将其映射到相应的体素上。在真实fMRI数据上的实验表明:与其他一些划分方法相比,新方法不仅拥有较高的搜索能力,而且可得到具有更好空间结构和更强功能一致性的划分结果。这项研究将人工水母搜索优化算法应用于人脑功能划分,提供了一种更有效的人脑功能划分方法。

基于用户密度和平均访问时间的边缘服务器放置方法

为解决边缘服务器放置过程中资源浪费和延迟增加的问题,对边缘服务器放置方案的用户密度和平均访问时间进行分析建模,将其描述为多目标优化问题。设计了一种基于用户密度和平均访问时间的边缘服务器放置方案,并提出了一种多目标海马遗传算法(MOSGA)解决该问题。MOSGA首先使用多目标优化算法的思想对海马优化(sea horse optimizer,SHO)算法进行改进,使SHO算法能够适用于多目标优化问题,并在此基础上使用遗传算法改进SHO算法的繁殖操作,使MOSGA能更好地跳出局部最优解,加速问题的求解。该算法在上海电信数据集上进行了实验验证,仿真实验结果表明,MOSGA明显优于RA、K-means、NSGA、LMM,不仅有效解决了服务器资源浪费的问题,同时大大降低终端设备访问服务器的时间。

基于SHO-VMD分解和多特征参数的变工况滚动轴承故障诊断

风机在多种工况条件下运行时,利用轴承的振动监测系统所检测到的信号难以实现故障诊断,而大量文献研究的轴承故障诊断多是在恒定转速下进行的。针对变工况下运行的滚动轴承,提出一种基于SHO-VMD分解和多特征参数融合的特征提取方法,使用t-SNE降维可视化,提取出振动信号的故障信息与转速变化信息。变分模态分解(VMD)方法的分解效果取决于分解个数和惩罚因子的取值,采用自私羊群优化算法(SHO)对参数进行优化,将振动信号分解为一些本征模态分量,再对每组分量进行特征参数提取,基于奇异值特征、能量熵、样本熵特征进行多特征量融合,使用t-SNE降维来提取轴承故障信息以及速度变化信息,实验结果表明:提出的方法可以有效提取出轴承的故障和速度信息。