基于狮群优化算法的机床主轴热特性分析

热误差对于主轴的回转精度至关重要,而对流换热系数的精确计算是有限元稳态热分析获得精确结果的前提。通过利用狮群优化(Lion Swarm Optimization,LSO)算法对主轴的对流换热系数进行优化,LSO相对于遗传算法等其他优化算法有更快的收敛速度、更高的精度、更能较好地获得全局最优解。首先,通过使用Lion的热分析模块测量主轴系统的关键点温度和主轴的热伸长。其次,通过经验公式计算主轴不准确但接近真实的对流换热系数值,不准确的对流换热系数会导致不准确的有限元仿真温度结果,因此使用LSO对对流换热系数寻优,将对流换热系数被视为感兴趣的目标值,实验温度值与模拟温度值之间的均方根误差被视为适应度函数。在150代之后,搜索了误差最小的最佳对流换热系数。最后,通过对搜索到的最优对流换热系数进行主轴系统的有限元稳态热分析,并与实验结果进行比较,证明了所提方法的有效性。

改进的狮群优化算法脑CT断层图像去噪研究

目的为增强狮群优化算法对脑CT断层图像的去噪能力,提高算法寻找局部最优滤波器组合的效率,进而提升算法对脑CT断层图像的去噪效果。方法通过引入Tent映射,对狮群优化算法进行改进,利用Tent映射对狮群优化算法中所得的幼狮群体的局部最优组合进行混沌操作,通过加快混沌收敛的速度增强其局部寻优能力。结果改进的狮群优化算法对脑CT断层图像进行处理后,去噪图像在视觉效果与峰值信噪比方面均明显优于其他算法,改进的算法性能优良。结论改进后的算法收敛速度较快,可提升寻找最优滤波器组合的效率,并在保留脑CT图像视觉效果的同时显著提高去噪能力。

基于改进狮群算法优化神经网络的糖尿病风险预测

糖尿病风险评估预测有助于早期发现糖尿病,降低发病率和并发症。针对糖尿病风险预测问题,提出一种基于改进狮群算法优化神经网络的糖尿病风险预测模型。引入非线性扰动因子改进狮群算法,使得算法既能加强全局优化能力,避免陷入局部最优,又能保证局部优化能力,提高算法的收敛速度。利用改进狮群算法(ILSO)的寻优能力优化神经网络的权重和偏置参数,建立基于ILSO-BP神经网络的预测模型。同时,采用少类样本合成过采样技术和递归特征消除方法对糖尿病数据进行预处理,提高模型预测能力。在真实糖尿病数据集PIMA上的实验结果表明,基于ILSO-BP神经网络的糖尿病风险预测模型,其预测性能优于基线模型,也优于基于遗传算法、鲸鱼优化、粒子群优化等算法优化的神经网络预测模型,对糖尿病风险具有良好预测能力,能够对糖尿病早期筛查起到辅助作用。

基于深度学习与狮群SVM算法的遥感场景分类

针对高分辨遥感图像样本量小,以及传统优化支持向量机(SVM)算法易陷入局部最优解、寻优速度慢等问题,提出一种基于深度迁移学习与狮群优化SVM(LSO-SVM)算法对遥感图像场景进行分类.首先,通过自适应对比度增强图像后利用颜色聚合向量提取图像颜色特征;其次,利用3种预训练网络分别提取图像的迁移学习深度特征;最后,将手工提取的图像特征与用3种预训练网络获取的特征使用系列特征融合方法进行融合,并将其输入LSO-SVM进行图像场景分类.结果表明,该算法解决了小样本情况下深度学习较难训练及传统优化SVM算法易陷入局部最优解、寻优速度慢的问题.在80%的训练条件下,数据集UCM Land-Use和RSSCN7的分类精度分别达到99.52%和98.57%.

基于蚁狮算法的风电集群储能容量配置优化方法

随着风电渗透率提高,风电并网对电网安全稳定运行影响更加显著。风电配备储能可有效改善风电出力波动性和不确定性,增强可调度性。该文建立以风电集群联合储能系统售电收益最高为优化目标的模型,采用蚁狮算法算法进行求解,得到风电集群功率备用、储能功率和容量最优配置方案,对比蚁狮算法、遗传算法和粒子群算法优化结果,分析储能电池单位成本和寿命对优化结果影响。最后以中国东北某风电集群作为算例,验证了所提算法与模型的有效性。

基于改进狮群算法的管道传感器网络覆盖优化

监测输送石油、天然气和水的管道是必要的,以避免浪费这些自然资源,提出了一种基于改进狮群算法的管道传感器网络覆盖优化算法。该算法模拟狮群行为,通过节点的定位和路由方案来避免这些资源在运输到相应目的地的过程中发生的损失,引入了Logistic函数和Levy飞行进行部署优化。以最小时延和丢包率为优化目标,把传感器节点以最大步长放置在不同长度的管道上进行部署优化。为了评估改进狮群算法的性能,通过30个基准函数测试,与其他启发式算法在不同维度上进行了比较,并将改进狮群算法应用于管道传感器节点部署。仿真结果表明,改进狮群算法在管道的网络覆盖率、端到端时延、吞吐量和网络寿命方面具有明显的优势。该算法最大的特点是管道越长,端到端时延优化效果越突出。

贪心二进制狮群优化算法求解多维背包问题

针对经典的多约束组合优化问题——多维背包问题(MKP),提出了一种贪心二进制狮群优化(GBLSO)算法。首先,采用二进制代码转换公式将狮群个体位置离散化,得到二进制的狮群算法;其次,引入反置移动算子对狮王位置进行更新,同时对母狮和幼狮位置重新定义;然后,充分利用贪心算法进行解的可行化处理,增强搜索能力并进一步提高收敛速度;最后,对10个MKP典型算例进行仿真实验,并把GBLSO算法与离散二进制粒子群(DPSO)算法和二进制蝙蝠算法(BBA)进行对比。实验结果表明,GBLSO算法是一种有效的求解MKP的新方法,在求解MKP时具有相对良好的收敛效率、较高的寻优精度和很好的鲁棒性。

基于改进混合灰狼优化算法的无人机三维路径规划

针对传统灰狼优化(Grey Wolf Optimization, GWO)算法求解无人机三维路径规划问题时会出现收敛速度慢、容易陷入局部最优等问题,提出一种改进混合灰狼优化算法——CLGWO。基于Cat混沌映射和反向学习策略初始化灰狼种群,为算法全局搜索过程中丰富种群多样性奠定基础;提出新型非线性收敛因子的改进策略,提高算法全局搜索能力。在灰狼位置更新中提出引入狮群优化(Lion Swarm Optimization, LSO)算法的扰动因子和动态权重,使灰狼具有主动的搜索能力,避免因灰狼失去种群多样性而陷入局部最优。为验证改进算法的有效性,进行了8个国际通用的标准测试函数收敛性对比实验和无人机三维路径规划仿真实验。实验结果表明,CLGWO算法在单峰、多峰函数上均有较好的收敛性、较高的寻优精度;三维路径仿真环境下,CLGWO算法的平均路径长度、平均迭代次数、平均运行时间相比于GWO算法分别优化了33%、31%、52%,且路径转折少,能较好地得到全局最优值,验证了CLGWO算法的有效性。

基于信息熵的改进狮群算法及其在组合优化中的应用

狮群算法是一种具有较强寻优能力的群智能算法.为了克服基本狮群算法中因狮王替换的长周期性导致收敛速度较慢,幼狮选择策略较盲目导致的前期遍历性不足,幼狮步长扰动因子受解空间影响过大和算法后期局部收敛速度慢等缺陷;本文在原始狮群算法的基础上改良了狮王的替换策略和幼狮选择的概率,引入信息熵分别控制不同幼狮的步长,引入狮王稳定因子解决幼狮后期选择的盲目性,并适当调整狮群整体构成方式.由信息熵的值来度量狮群算法中幼狮选择的不确定性,通过设置不同的扰动因子达到控制算法中不同幼狮的移动范围,实现算法的自适应调节并增大算法的鲁棒性.仿真实验、桁架优化算例和TSP问题求解对比验证了改进算法的有效性.该研究为组合优化问题的求解提供了一种新的思路和方法.

基于狮群优化的FCM图像分割算法研究

为了解决模糊C均值聚类(FCM)算法进行图像分割时容易陷入局部最优和随机初始化聚类中心的问题,研究人员提出了基于改进的狮群优化和模糊C均值聚类的混合图像分割算法。该算法首先利用改进的狮群算法优化模糊C均值的目标函数,增强算法全局最佳值搜索能力,使其避免陷入局部最优,同时引入聚类有效性指标,通过迭代更新搜索到合理的分割类别数实现自动确定图像分割最佳类别数,并根据最佳类别数确定最优聚类中心的选取,最终实现图像的自适应分割。实验结果表明,该方法可自适应地确定图像分割最佳类别数,能快速准确地实现图像分割。

基于狮群优化算法的自适应图像去噪技术

针对现有技术不能同时处理多种噪声的问题,提出一种基于狮群优化算法的自适应图像去噪技术。利用不同空间滤波器组合,在保留图像更多边缘纹理细节的同时,消除图像中的高斯、斑点和椒盐等多类噪声。为了提高线性滤波器组合的效率,采用狮群优化算法在无人为干预的情况下寻找最佳滤波器组合,使得算法在最少的时间消耗内实现最优的图像噪声消除效果。实验结果表明,该算法在多个指标方面的性能表现明显优于其他算法。

基于狮群优化的改进K-Means聚类算法研究

针对K-Means聚类算法对初始聚类中心选择依赖性强的问题,利用狮群优化算法的快速收敛性及易于获取全局最优解的优势,提出了一种基于狮群优化的改进K-Means聚类算法。通过狮群优化算法对狮王不断迭代更新,优化狮王位置,将算法停止执行时的狮王最优解作为聚类中心,替代传统算法经过随机初始化得到具有不确定因素的聚类中心。选择UCI数据集进行验证,实验结果表明,改进算法的聚类效果较好,有效降低了K-Means对初始聚类中心的依赖。将改进的K-Means聚类算法应用于点云精简过程,获得了较好的点云精简效果。

基于狮群优化二维Otsu算法的输送带撕裂检测方法

基于传统二维Otsu分割算法的输送带撕裂检测方法采用穷尽搜索式的阈值选取方式,图像分割时间长、实时性差,不能同时满足撕裂检测精度与速度要求。针对上述问题,提出了一种基于狮群优化二维Otsu算法的输送带撕裂检测方法。首先通过输送带撕裂检测装置采集输送带图像,采用中值滤波和直方图均衡化对采集到的图像进行去噪和增强处理,突出撕裂部位;然后采用狮群优化二维Otsu算法对预处理过的图像求取接近实际的分割阈值,用该阈值对输送带图像进行分割处理;最后通过计算分割后图像中黑色像素点的数量进行撕裂诊断。仿真结果表明,该方法比基于传统二维Otsu算法的检测方法寻优能力更强,输送带分割效果更好,可以准确地从输送带图像中分割出裂痕,撕裂识别的正确率为98.2%,提高效率的同时缩短了运行时间,可以满足输送带撕裂检测的准确性和实时性要求。

基于改进狮群优化的三维DV-Hop定位算法

针对三维DV-Hop(distance vector-hop)定位算法存在的定位误差较大精度不高的问题,提出一种基于改进狮群优化的三维DV-Hop定位算法。先使用狼群算法中的狼群捕食游猎行为以及羊群算法中的羊群受到攻击时的聚集互动行为对狮群算法进行改进,再把改进后的狮群算法用于优化三维DV-Hop定位算法中未知节点坐标的计算。实验结果表明,所提算法从三个方面与不同算法进行比较都具有最佳定位性能,有效减小定位误差、提高定位精度。

基于狮群优化的FastSLAM算法

针对传统FastSLAM算法存在的粒子退化和粒子多样性缺失,从而导致精度方面退化的问题,提出一种基于狮群优化的FastSLAM算法。利用狮群优化方法对FastSLAM中预测粒子进行更新,调整粒子的建议分布,对粒子群进行分工合作扩大搜索范围,增加粒子多样性;通过"适者生存"的竞争法则促使粒子更快地朝着真实的机器人位姿状态逼近,减缓粒子退化。利用MATLAB平台进行仿真实验,实验结果表明,该算法具有可行性和优越性,有效提高了SLAM精度。

基于改进狮群算法的主动配电网综合优化研究

在分布式电源大量并网的主动配电网环境下,实行优化策略是实现配电网经济与安全运行的重要保障,可控分布式电源的调度则是配电网优化的核心措施。结合分布式电源带来的影响,分析了配电网重构与无功优化所组成的综合优化交替迭代方法的不足,提出了综合网络重构、电容器补偿、分布式电源出力的实数编码方法,针对群智能算法中的狮群算法易陷入早熟收敛的特点,加入人工免疫机制中的浓度选择方法,结合形成改进狮群算法,在保证约束条件下实现主动配电网的综合优化目标,算例结果验证了所提方法的可行性与有效性。

基于粗糙集约简与狮群优化算法的机器人路径规划研究

为了解决机器人路径规划冗余数据多、寻优质量差和收敛速度慢等问题,提出一种粗糙集约简技术与狮群优化算法相结合的寻找机器人最优路径算法。首先,采用栅格法对机器人工作环境建模;其次,用粗糙集知识约简和核对初始决策表进行简化,获得最小化决策表,用于训练初始狮子种群;最后,用改进的狮群算法寻找最优路径。实验结果表明,所提算法路径寻优质量高、收敛速度快,且具有较高的寻优稳定性。

基于改进狮群算法的支持向量机参数优化方法

针对传统支持向量机在参数选择中存在的问题,文中提出一种利用改进的狮群算法优化支持向量机参数的方法。为了提高狮群算法(LSO)的寻优能力,在原始狮群算法的搜索公式中引入差分变异机制以及参数自适应调整策略,该方式可在保证算法前期全局搜索能力和后期局部寻优能力的同时更易于跳出局部极值。引入人工鱼群算法中的觅食行为机制提高局部寻优能力,最终建立一种改进狮群算法(DALSO)。通过DALSO算法对支持向量机参数进行综合寻优以求取最优参数组合,从而提高支持向量机的求解精度。最后,利用测试函数和UCI数据集对DALSO优化SVM模型进行仿真测试与分类。实验结果表明:相比于多种对比算法,DALSO算法具有较强的寻优能力;与遗传算法、粒子群算法相比,DALSO优化SVM模型分类精度可提升6%~11%。

一种群体智能算法——狮群算法

基于狮群中狮王、母狮及幼狮的自然分工,模拟狮王守护、母狮捕猎、幼狮跟随3种群智能行为,提出群体智能算法——狮群算法.算法中不同种类的狮子位置更新方式不同.遵循自然界生物"适者生存"的竞争法则,狮王守护领土,优先享用食物,母狮合作捕猎,幼狮分为学习捕猎、饥饿进食和成年被驱逐.狮子位置更新方式的多样化保证算法快速收敛,不易陷入局部最优.最后,将算法应用于6个标准测试函数优化问题,并对比粒子群算法、骨干粒子群算法,测试结果表明,文中算法收敛速度较快,精度较高,能较好地获得全局最优解.

求解0-1背包问题的二进制狮群算法

针对传统二进制群智能算法求解0-1背包问题易陷入局部最优、收敛速度慢的缺点,提出一种新的解决离散空间问题的二进制狮群算法BLSO。二进制狮群算法对狮王、母狮和幼狮的位置重新定义,引入反置运算、移动算子和学习算子建立全新的位置转移方式和局部搜索规则;加入贪心策略进行解的可行化处理和充分利用,增强局部搜索能力,进一步提高收敛速度。对9个典型的0-1背包算例进行仿真实验,实验结果表明,该算法不仅可以有效求解0-1背包问题,而且还能够以较快的速度搜索到精度较高的次优解甚至全局最优解,具有较好的稳定性;同时,对高维背包问题的求解与参考算法相比,在寻优时间和精度上更具优势。