基于改进蜂群算法的拱架台车机械臂逆解

拱架台车机械臂为七自由度的冗余机械臂且带有移动关节,其逆运动学求解困难,文中设计了一种基于Levy飞行的混沌蜂群算法(Chaotic Levy Artificial Bee Colony Algorithm,CFABC)。首先利用D-H(Denavit-Hartenberg)法建立机械臂运动学模型,通过正运动学的解建立末端位姿误差目标函数,求取逆运动学的最优解,接着引入混沌映射对蜜源进行初始化,再引入Levy飞行改变搜索策略来提升算法的收敛速度,最后利用Matlab编程进行仿真验证,为拱架台车机械臂逆运动学的求解提供了一种新的途径。结果表明,该算法的收敛速度相较于传统的蜂群算法和混沌蜂群算法求解速度快、稳定性好,证明了算法的可行性。

基于混沌人工蜂群算法优化的SVM齿轮故障诊断

为克服支持向量机中模型参数的随意选择对分类性能造成的不利影响,提出了基于混沌人工蜂群算法的支持向量机(CABC-SVM:Chaotic Artificial Bee Colony algorithm of Support Vector Machine)参数优化方法。该方法采用Logistic混沌映射初始化种群和锦标赛选择策略,对支持向量机的惩罚因子和核函数参数进行优化时以分类准确率作为适应度函数。通过UCI标准数据集实验证明,CABC具有较强的局部和全局搜索能力,其优化的支持向量机可在很大程度上克服局部极值点,从而获取更高的分类准确率,并有效缩短了搜索时间。将该方法应用于实际齿轮故障诊断中,采用小波相对能量作为特征输入支持向量机,分类准确率达到99.4%,验证了该方法的可行性和有效性。

基于混沌量子蜂群优化SVR的多峰MPPT算法研究

针对局部阴影条件下光伏阵列P—V曲线具有多峰特性,而传统的MPPT算法无法有效跟踪其最大功率点的问题,研究了一种多峰MPPT算法。采用混沌搜索和量子计算对传统蜂群算法进行改进,并将改进后的算法应用于支持向量回归机(SVR)的参数寻优,最终实现了基于混沌量子蜂群优化SVR的多峰MPPT算法。通过仿真和实验对算法的有效性进行了验证。实验结果表明:该算法在均匀光照或局部阴影条件下均能够准确跟踪全局最大功率点,有效克服了传统MPPT算法容易陷入局部极值的问题。

基于混沌量子蜂群算法的认知无线电频谱分配

在图论着色模型的基础上,提出了一种基于混沌量子蜂群算法的认知无线电频谱分配方法.该算法基于人工蜂群理论,结合量子计算的高效性和混沌初始化的遍历性来实现频谱分配的优化问题.通过实验仿真比较了此算法与颜色敏感度图论算法、量子遗传算法、量子蜂群算法的性能,结果表明该算法具有更好的收敛性和网络效益.

基于生成时间序列均匀优化的混沌人工蜂群算法

为了优化与初始蜜源和搜索方式相关的时间序列分布,从而提高算法全局开拓性和遍历寻优效率,提出一种基于生成时间序列均匀优化的混沌人工蜂群算法。针对混沌时间序列生成的初始蜜源的分布过于集中的问题,首先依据最大熵原理,对Logistic混沌映射进行均匀化优化,并运用熵谱分析以及NIST随机性测试的方法验证其随机程度,使得由其生成的初始蜜源可以随机且均匀地分布在整个解空间,为算法的全局寻优奠定基础;其次,依据由近及远的搜索策略,改进邻域搜索方式,利用均匀化时间序列查找蜜源最优位置,提高算法的遍历速度和收敛精度;最后,所提算法对9个标准测试函数进行了实验仿真,并与其他改进人工蜂群算法和优化算法从收敛曲线和寻优结果上进行了综合比较,进而将6种算法合理引入到物流配送问题中以寻找最短路径。实验结果表明,所提优化算法不仅加强了初始蜜源的均匀性,而且优化效果更为显著,能跳出局部最优且能准确快速地找到全局最优解。

基于混沌人工蜂群的云计算任务调度算法

任务调度是云计算研究的核心问题之一。为提高云计算资源调度的效率,提出一种基于混沌人工蜂群思想的云计算任务调度算法ICABC。在雇佣蜂阶段、观察蜂阶段和侦察蜂阶段,ICABC算法充分利用混沌思想的遍历性产生新解,使邻域搜索过程具有避免陷入局部极小的能力,并最终获得全局最优解。同时,在观察蜂阶段,引入了基于混沌搜索的锦标赛选择方法,增加了种群的多样性,在一定程度上避免"早熟"现象的产生。最后,在Cloud Sim仿真平台上进行了实验。实验结果表明,改进后的ICABC算法能够改善算法的收敛速度和精度,是一种有效的云计算调度算法。

混沌蜂群与单纯形搜索融合的低维复杂函数优化

在当前各种智能优化算法应用于函数优化问题中,鲜有专门讨论低维复杂函数优化的问题,因此针对低维复杂函数提出一种混合混沌蜂群全局搜索与单纯形局部搜索的优化算法.对基本的单纯形算法进行改进,以提高其局部寻优能力,对基于混沌搜索和排名映射概率的蜂群算法(ABC-HC)进行修改以便更能维持种群的多样性避免陷于局部最优更有利于获得全局最优解并将修改的ABC-HC算法与改进的单纯形算法融合获得更好的全局最优精确解.14个低维复杂函数仿真结果表明,提出的算法更能有效地找到低维复杂函数的全局最优解、而且优化精度更高,优于ABC-HC算法、改进的EP算法和OXBBO算法.

基于改进ABC与LS-SVM算法的电力负荷预测的研究

为了解决电力负荷的非线性等问题和帮助电力企业迅速地制定电力的预计交易量,提出一种建立在最小二乘支持向量机算法基础上的电力负荷预测方法。采用改进的ABC算法优化惩罚因子C和核系数σ,再将最优解赋给LS-SVM用以预测。仿真结果证明:基于改进ABC与LS-SVM算法的电力负荷预测方法具有较高的预测精度,更小的误差,是一种有效的预测方法。

DBC优化算法在瓦斯突出预测中的应用

针对煤矿瓦斯突出因素的复杂性,提出一种新的智能优化算法-双混沌搜索蜂群(DBC)优化算法,应用于煤矿瓦斯突出的预测中.DBC优化算法对人工蜂群算法进行有效改进,在人工蜂群算法的基础上,将混沌优化机制引入蜂群的寻优过程中,利用混沌序列初始化食物源,以提高食物源的质量,防止算法的早熟收敛;同时利用混沌搜索机制进行局部搜索,以改善蜂群的区域搜索能力,解决算法易陷入局部极小值的问题.最后,利用DBC对MLPNN进行训练,建立瓦斯突出预测模型.实验结果表明,该方法对瓦斯突出具有较好的预测结果.

基于CABC-SVM算法的心律失常数据诊断研究

心脏病是常见的心血管疾病,同样是造成人类死亡的第一原因。心律失常的准确、快速识别对心脏病的诊断与治疗有着重要意义。提出一种将混沌人工蜂群算法(CABC)与支持向量机(SVM)结合的组合算法模型,对心律失常的四种心拍进行识别。用MIT-BIH中的数据进行训练与测试后,训练集的准确率高达99.72%。对比不同的群优化算法后表明,该方法在心律失常诊断研究中准确率较高,速度较快。

基于CABC-BP模型的供热管网泄漏诊断研究

针对人工蜂群算法(artificial bee colony algorithm,ABC)在供热管网泄漏检测中收敛速度慢,且易陷入局部最优解的问题,利用混沌算法遍历性、规则性的特点,采用Logistic混沌映射对人工蜂群算法初始蜜源的选择策略和侦查蜂的搜索策略进行优化改进,提出了一种基于混沌蜂群算法(chaotic artificial bee colony algorithm,CABC)优化BP神经网络的供热管网泄漏诊断模型。通过对4个标准测试函数进行仿真验证,并与ABC算法相比,验证了其可行性。将CABC算法用于供热管网泄漏故障诊断中,采用该算法优化BP神经网络的权值和阈值,利用BP神经网络自学习的特点确定泄漏的具体管段以及泄漏点具体位置。实验结果显示,相对于ABC-BP模型和传统BP模型,CABC-BP模型对供热管网泄漏诊断精度显著提高,一级网络诊断准确率为98.33%,二级网络诊断准确率为95.83%,诊断误差均在5%以内。

基于扩展Shearlet变换、Krawtchouk矩和SVM的储粮害虫分类

为了进一步提高储粮害虫的识别精度,以便更有效地防治储粮害虫,提出了一种基于纹理和形状综合特征及全局混沌蜂群优化支持向量机(SVM)的储粮害虫分类方法。首先对储粮害虫图像进行扩展Shearlet变换,利用变换系数得到能量分布均值,加权后的能量分布均值构成纹理特征向量,用Krwtchouk矩不变量描述储粮害虫的形状特征;然后将纹理特征向量和形状特征向量分别归一化,两者结合构成储粮害虫的综合特征向量;最后用全局混沌蜂群算法优化SVM的核参数与惩罚因子,并应用参数优化的SVM进行分类。结果表明:与基于Gabor小波和支持向量机方法、基于Krawtchouk不变矩和支持向量机方法相比,本方法提取的储粮害虫特征信息更加完整,识别率更高。