烟花搜索导向的多路启发式聚类算法

启发式聚类算法具有收敛速度快、易实现等优点,但初始解敏感,严重影响了聚类算法的质量。针对这一问题,提出了一种烟花搜索导向的多路启发式聚类算法。该算法通过多次调用经典启发式聚类算法,产生多个局部最优解;在搜索空间中以多个局部最优解为搜索起点,采用烟花搜索进行多路搜索;基于信息熵浓度设计烟花选择算子确定搜索方向;再经过变异、映射、偏移算子变换局部最优中心点,以发现质量更好的搜索起点;直至算法收敛获得新的搜索起点;最终以新的搜索起点调用经典启发式聚类算法获得高质量聚类结果。实验结果表明,烟花搜索导向的多路启发式聚类算法在不同数据集上的聚类质量明显高于对比其他聚类算法的聚类质量。

改进的混合混沌烟花爆炸搜索算法

烟花爆照搜索算法通过模拟烟花爆炸的炸点随机扩散进制,实现对于解空间内最优解的寻优.该算法具有搜索速度快,参数较少的优点.为了克服烟花爆炸算法容易收敛于局部最优的缺点,提高算法的求解精度,提出了一种混沌烟花爆炸搜索算法.该算法在解空间内首先进行烟花爆炸搜索机制,然后淘汰掉一部分适应度值低的个体,并针对当前最佳个体执行混沌搜索,收缩搜索空间.最后在解空间内随机产生相应的部分个体.多个仿真实验证明该算法求解精度高,鲁棒性强.

融合佳点集机制的动态搜索烟花爆炸搜索算法

为了克服烟花爆炸搜索算法容易早熟的弱点,提高其求解性能,提出一种融合佳点集变异机制的动态搜索烟花爆炸算法。首先为了提高算法的求解精度,每一次迭代过程均针对当前最佳个体执行动态随机搜索,加强对当前最佳的局部搜索。另一方面,当种群的拥挤程度超越设定的阈值λ时,除保留10%的优秀个体外,其余个体基于佳点集机制进行重新初始化,帮助种群摆脱局部最优的约束。最后,在6个Benchmark函数上的实验表明,该算法能快速收敛、克服早熟,并且具有较佳的鲁棒性。

基于烟花粒子群算法优化BP神经网络的轨道客流量预测

为进一步提高轨道客流量预测的精确度,提出一种基于烟花算法(fireworks algorithm, FWA)搜索机制下的FWA-PSO-BP轨道客流预测模型。粒子群算法(particle swarm optimization, PSO)通过将随机因素引入进化方程中实现,不过,由于这种随机搜索模式会导致粒子群算法的局部搜索功能减弱,很容易出现早熟收敛现象和寻优力不足的情况。为了改进这一问题,通过引入烟花算法中的爆炸火花和突变火花,对粒子的搜索范围和粒子数量进行动态调节,增强粒子群的多样性,使粒子群算法具有局部搜索能力和全局搜索能力的自我调节机制,从而改善粒子群算法的早熟收敛问题,对反向传播(back propagation, BP)神经网络的初始权值与阈值进行更好的优化。以重庆轨道客流数据进行实例验证,结果表明:FWA-PSO-BP模型的平均绝对百分比误差(mean absolute percentage error, MAPE)为2.54%,优于所有其他对比模型。

具有学习因子的动态搜索烟花算法

采用核心烟花动态爆炸半径策略的动态搜索烟花算法(dynamic search fireworks algorithm,dyn FWA)已被证明是解决优化问题的一个重要算法。然而,dyn FWA的寻优精度低且容易过早地陷入局部最优解。为了改善上述的缺陷,通过嵌入一种利用历史成功信息生成两种不同的学习因子来改进传统的动态搜索烟花算法,称为改进的动态搜索烟花算法(improved dyn FWA,Idyn FWA)。算法中的学习因子充分利用搜索过程中每一代最好的烟花个体信息,使得烟花具有向群体的优良搜索信息学习的能力,并且它的两种不同产生方式有助于平衡算法的局部搜索和全局搜索能力。改进后的算法在CEC2013的28个Benchmark函数上进行测试,实验结果表明Idyn FWA的寻优效果明显优于dyn FWA,并且比粒子群算法SPSO2011和差分演化算法DE/randto-best/1能达到更好的寻优性能。

基于dynFWA-SVM的WiFi室内定位算法

针对实际定位应用中室内环境复杂,传统的WiFi室内定位算法精度低、稳定性差、代价较高以及不同移动终端之间采集信号强度存在差异等问题,提出了基于dynFWA-SVM的WiFi室内定位模型。定位过程中,利用高斯滤波对信号进行除奇异值操作,同时采用信号强度差(SSD)位置指纹替代传统的接收信号强度(RSS)位置指纹;采用动态搜索烟花算法(dynFWA)优化支持向量机(SVM)参数,从而建立了dynFWA-SVM室内定位模型。实验结果表明:经高斯滤波处理后的SSD指纹可以有效提高定位的稳定性和可靠性,减小因不同终端采集信号强度存在差异对定位结果造成的影响,相较于粒子群优化(PSO)算法和烟花算法(FWA),dynFWA算法的优化效率更高,提出的dynFWA-SVM定位模型的定位误差更低。

基于智能优化算法的农村供水管网水力参数反演

管道的摩阻因数是供水系统设计计算、运行调度优化及故障诊断中的关键参数。为准确确定该参数,提出了一种动态搜索烟花算法(dyn FWA)耦合管网水力计算模型的管段摩阻因数智能反分析方法。将节点水压与摩阻因数的偏导关系作为节点灵敏度,在改进遗传算法中以节点最大灵敏度之和最大为目标,优化布置监测点;基于优化后监测点处的水压监测值,以水压监测值与计算值的最小二乘误差值为目标,采用dyn FWA算法反演各管段的摩阻因数。同时,为验证dyn FWA算法优化反演的性能,对比分析了dyn FWA算法及粒子群算法(PSO)反演摩阻因数的情况。结果表明,在监测点优化前后摩阻因数反演值最大相对误差分别为17.7%、0.7%,证明了监测点选取的必要性和改进遗传算法进行监测点选取的优越性;在监测点水压加入噪声的情况下,基于dyn FWA算法与PSO算法的摩阻因数反演结果最大相对误差分别为9.67%、14.33%,监测点处实际水压值与模拟水压值之间最大相对误差为0.358%、0.655%,证明了相较于PSO算法,dyn FWA算法在参数反演问题中具有更高的准确性。

基于MLPs-dynFWA模型的高速铁路短时客流预测方法研究

针对传统深度学习模型在预测高速铁路短时客流时难以确定时间阈值、网络参数选取有难度等问题,提出一种基于多层感知器时间序列网络与动态搜索烟花算法的高速铁路预测模型。首先以高速铁路短时客流预测作为研究对象,将MLPs网络中每个节点作为一个感知器,模拟生物神经网络中神经元基础功能,对时间变化特征进行建模;再将dynFWA算法应用到神经网络参数多样性选择中,利用爆炸算子搜索机制对网络超参数组合进行优化,以高速铁路历史真实客流系数为基础,部分数据作为数据源,部分数据作为验证组,通过MLPs-dyn FWA模型进行预测并将结果与其他预测模型进行比较,得到不同数据组在不同模型优化策略下的性能指标。通过实验结果得知,MLPs-dynFWA模型对于高速铁路短时客流预测性能最优。

基于dynFWA-IFE的空中目标威胁评估方法

针对现代战场中数据模糊,无法准确判断空中目标威胁情况的问题,提出一种基于动态搜索烟花算法-直觉模糊熵(dynamic search fireworks algorithm-intuitionistic fuzzy entropy,dynFWA-IFE)的空中目标威胁评估方法。该方法运用dynFWA优化求解最小IFE的非线性规划模型,得到威胁指标权重后代入直觉模糊集中的隶属度数据,从而评估空中目标的威胁情况。实验证明该方法能够准确对空中目标威胁程度进行排序,为作战指挥提供情报服务。

改进dynFWA优化BP神经网络在加工中心主轴故障诊断中的应用

针对目前加工中心(Machining Center,MC)主轴故障诊断多为人工经验完成,且故障诊断精度和识别率低等问题,提出基于改进的动态搜索烟花算法(dynamic search fireworks algorithm,dynFWA)优化BP神经网络(Neural Network,NN)的加工中心主轴故障诊断方法。将改进的动态搜索烟花算法优化BP神经网络的初始权值和阈值,建立改进dynFWA-BP神经网络模式分类方法。将提出的模式分类方法应用于MC主轴故障诊断中,使得提取的主轴故障特征与主轴工作状况有着非线性映射关系。最后,采用VMC650E主轴故障数据进行验证,证明所提出的故障诊断方法在故障诊断精度、故障识别率方面明显优于BP神经网络、GA-BP神经网络和PSO-BP神经网络。