混合白鲸优化算法求解柔性作业车间调度问题

针对柔性作业车间调度问题(flexible job-shop scheduling problem,FJSP),提出一种混合白鲸优化算法(hybrid beluga whale optimization,HBWO)对其求解,旨在最小最大化完工时间。采用既定策略改进标准白鲸优化算法(beluga whale optimization,BWO),加快其收敛速度;基于机器选择和工序排序问题设计双层编码方案,解决FJSP离散化问题;采用主动编码及种群初始化策略,提高求解质量;基于工序的开始和结束时间确定关键路径和关键块,注重各工序时间维度;引入贪心思想至基于关键路径的混合变邻域搜索策略中,加大勘测搜索空间及减少无效搜索;此外,引入遗传算子防止算法陷入局部最优;通过35个标准算例的仿真实验与分析,证明了算法在求解FJSP问题中具有有效性。

基于改进白鲸优化算法的D2D通信功率控制

D2D(Device-to-Device)通信作为未来移动通信网络的关键技术,为用户提供了直接通信的便利性和资源共享的高效性.然而,D2D通信的功率控制一直是影响通信质量和系统性能的关键问题.为解决这一问题,将精英反向学习、自适应权重两种策略引入到白鲸优化算法(Beluga Whale Optimization,BWO)中,并利用莱维飞行的随机步长策略来增加算法寻优的多样性,提出了基于改进白鲸优化算法的D2D通信功率控制方法.该方法利用最优解的信息引导搜索过程,可提高搜索效率和全局收敛,并能够有效提高通信效率和系统稳定性.为了验证所提出方法的有效性,开展了大量的数值仿真实验.结果显示,基于改进白鲸优化算法的D2D通信功率控制方法在增加系统吞吐量、减少干扰方面有显著的改善.同时,提出的算法相对于已有的算法有着更出色的收敛性与鲁棒性,在不同通信环境和参数设置下都能表现出更稳定的性能.

基于混沌反向学习和水波算法改进的白鲸优化算法

针对原始的白鲸算法(beluga whale optimization,BWO)在某些情况下,中后期的探索和开发能力不足、多样性和求解精度降低、容易陷入局部最优等问题,提出一种基于混沌反向学习和水波算法改进的白鲸优化算法(TWBWO),进一步提高白鲸算法的计算精度和收敛速度,增强全局搜索和跳出局部最优能力。结合混沌映射和反向学习策略提高种群的质量和多样性,加快收敛速度。引入水波算法(water wave optimization,WWO)的折射操作,避免寻优时轻易陷入局部最优,提高计算精度。实验结果表明,TWBWO算法较之原始算法和其他经典算法在收敛速度和求解精度以及稳定性方面更为优秀,性能和寻优能力更强。

基于改进白鲸优化算法的低碳柔性工艺规划

针对数控加工过程的低碳柔性工艺规划问题,建立了以加工过程中机床、刀具和装夹的转换次数和碳排放为目标的优化模型,提出了基于改进白鲸优化算法的求解方法。该算法通过引入变异操作增强其全局搜索能力,并在种群初始化中采用以加工资源为导向的启发式规则选择策略与随机生成相结合的方式,以提高初始种群的质量,加快算法的收敛速度。最后,以一个零件的加工信息为测试实例,验证所提模型的可行性,并与其他3种算法进行对比。试验结果表明,所提出的算法能够获得更优解,且具有更快的收敛速度。

基于白鲸优化算法的配电网故障恢复方法

提出了一种基于白鲸优化(BWO)算法的配电网故障恢复方法。首先,建立光储、风储系统模型以及负荷模型,以故障后重要负荷损失量最小为目标函数,进行配电网的初步孤岛划分。其次,以网络损耗和开关操作次数加权求和最小为目标,采用BWO算法求解,获取孤岛划分与开关操作配合的故障恢复结果。然后,通过3种场景对比,验证了所提方法能够在不同故障时段获得配电网故障恢复的最优结果。最后,将BWO算法与二进制粒子群优化算法、灰狼优化算法的运行结果进行对比,验证了BWO算法寻优效果更好。

融合FDB策略和切线飞行的改进白鲸优化算法

针对传统白鲸优化算法(BWO)存在的不足,提出一种融合适应度距离平衡(FDB)策略和切线飞行的改进白鲸优化算法。在种群初始化时引入基于莱维飞行扰动的Tent映射,增强了种群多样性;在BWO的探索和鲸落阶段融入FDB选择策略,跳出局部最优;利用切线飞行改进鲸落阶段的种群位置更新模式,提升收敛精确度。通过对8个常用的基准函数进行寻优试验,可证明相比于基本的BWO,所提改进算法具备更优越的鲁棒性和全局寻优能力。

基于BWO优化VMD联合小波阈值的管道泄漏次声波去噪方法

管道泄漏次声波信号中的干扰噪声影响管道泄漏定位的精准度。提出了一种基于白鲸优化算法(BWO)优化变分模态分解(VMD)联合小波阈值(WT)的管道泄漏次声波去噪方法。针对VMD算法中分解层数K和惩罚因子α的取值对信号分解结果影响较大,利用白鲸优化算法(BWO)对VMD分解的两关键参数进行寻优,获得最优参数组合[K、α],并利用优化后的参数对次声波信号进行VMD分解,获得一系列本征模函数(IMF)分量。通过计算各IMF分量的相关系数来区分噪声IMF分量和有效IMF分量,引入一种改进的小波阈值函数对有效的IMF分量进行去噪处理,再重构去噪后各有效IMF分量,得到去噪后的管道泄漏次声波信号。通过仿真实验,将所提方法与灰狼优化算法(GWO)优化VMD联合小波阈值和麻雀搜索算法(SSA)优化VMD联合小波阈值两种方法对比,所提方法去噪后信号的信噪比分别提高了1.27%、2.01%,表明所提方法的去噪效果具有一定的优越性,为后续管道泄漏计算定位奠定了良好的基础。

基于多目标优化的燃料电池汽车实时能量管理策略

为了降低混合动力系统的燃料消耗并延缓动力元件的老化,提出了一种基于多目标优化和路况分类的能量管理策略(EMS)。首先,构建了燃料电池与锂电池的电气模型,并引入了等效氢耗模型和燃料电池老化模型。其次,设计了基于规则的多模式EMS,在此基础上,为了进一步降低系统的等效氢耗,并延长其使用寿命,基于多目标白鲸算法(MOBWO)对EMS参数进行优化。再次,为了使所设计的EMS适用于不同的路况,提出了基于长短期记忆网络(LSTM)的驾驶路况实时分类方法,旨在根据分类结果切换EMS的控制参数以达到最优效果。最后,在仿真平台上对所提算法进行分析。结果表明:与基于规则的方法相比,所提方法氢耗量降低了2.3%,燃料电池的老化程度降低了1.02%,验证了所提EMS能够有效降低混合系统的燃料消耗,并且能够延缓燃料电池老化,从而提升了系统的经济性和耐久性。

基于参数优化VMD的电机轴承故障诊断

为了有效地提取电机轴承发生故障时的振动信号信息,提高故障识别准确率,构建了一种基于参数优化的变分模态分解(VMD)和支持向量机(SVM)的电机轴承故障诊断模型。首先,为了消除人为设定的VMD参数的影响,利用了白鲸优化算法(BWO)对VMD算法的分解个数K和惩罚因子α进行自动寻优,选取最小包络熵为适应度函数。然后,利用参数优化后的VMD算法分解轴承信号,并提取包络熵最小的本征模态函数(IMF)分量作为最优分量。最后,选取最优IMF分量中的9种时域特征作为特征样本输入到诊断模型进行故障识别。结果表明,提出的故障诊断模型能够有效地识别电机轴承的故障。

融合联合反向学习与宿主切换机制的䲟鱼优化算法

䲟鱼优化算法(ROA)是2021年提出的元启发式优化算法,其模拟了海洋中䲟鱼寄生依附宿主、经验攻击和宿主觅食的行为。ROA的结构简单且易于实现,但全局性稍显不足,易导致算法收敛速度慢甚至后期难以收敛的现象。针对上述问题,在探索阶段加入宿主切换机制,引入新宿主白鲸,提高原算法的探索能力;同时加入联合反向学习策略,增强了算法跳出局部最优的能力,进一步提高了算法的综合优化性能。通过以上改进,提出了一种融合联合反向学习与宿主切换机制的䲟鱼优化算法(IROA)。为了验证IROA的性能与改进优势,将IROA与原始ROA、6种典型的原始算法以及4种关于ROA的改进算法进行对比。通过CEC2020标准测试函数的实验结果表明,IROA具有更强的寻优能力和更高的收敛精度;最后针对汽车防撞性设计问题的求解,进一步验证了IROA的优势和工程适用性。

基于BWO优化VMD和奇异谱熵的滚动轴承故障诊断

针对滚动轴承早期故障特征微弱不易识别的问题,提出以分解模态分量最小包络熵为目标函数,采用白鲸优化算法(Beluga Whale Optimization,BWO)求解变分模态分解(Variational Mode Decomposition,VMD)超参数的参数优化变分模态分解方法,利用分解得到的最小包络熵的模态分量结合奇异谱熵(Singular Spectral Entropy,SSE)进行特征提取,采用支持向量机(Support Vector Machine,SVM)进行滚动轴承的故障诊断识别。通过滚动轴承诊断识别实验分析,并与经验模态分解和局部均值分解算法对比,结果表明,基于BWO优化VMD和奇异谱熵的故障特征提取方法具有较好的故障识别率,能够实现滚动轴承的故障诊断。

基于BWO-RF模型的岩体质量评价方法

岩体质量分级是地下工程初期设计和施工的基础。为了更加高效准确地开展岩体质量评价,提出了一种基于白鲸优化(BWO)随机森林的岩体质量评价模型——BWO-RF模型,同时构建了麻雀搜索算法优化随机森林(SSA-RF)、粒子群优化随机森林(PSO-RF)和未优化随机森林(RF)的岩体质量评价模型进行对比。在模型构建前,建立了包含131组工程实例数据的数据库,运用该数据库最终完成了4种模型的训练和测试。基于模型测试结果,采用准确率、查准率、召回率、F1值和AUC值5个评价指标对模型进行对比优选。研究结果表明:BWO-RF模型各项评价指标均优于其余3种模型,具有更优的评价性能;经过工程实例验证,本研究所提出的BWO-RF模型预测准确率达90%,可为实际工程建设提供参考依据,具备实际工程应用价值。

基于图注意力网络的短期负荷预测模型

现有方法在处理负荷数据的非线性、动态性以及空间和时间依赖性方面存在局限,导致预测精度较低。为解决上述问题,本文提出了一种基于改进变分模态分解(SVMD)、图注意力网络(GAT)和长短期记忆网络(LSTM)的混合模型,并通过白鲸优化算法(BWO)进行参数优化。该模型旨在通过综合各组件的优势,提高短期负荷预测的准确性和鲁棒性。模型首先应用SVMD对负荷数据进行有效分解,提取关键模态分量;接着,GAT网络捕捉负荷波动性和加权空间的相关性,增强模型对负荷数据空间特征的感知;LSTM网络提取和预测时间序列特征;最后,用BWO算法优化模型参数,提高模型的收敛速度和预测性能。试验结果表明,SVMD-GAT-BWO-LSTM模型在平均绝对百分比误差(E_(MAPE))、均方根误差(E_(RMSE))和拟合度(R^(2))等评价指标上均表现最佳,显示出较高的稳定性和鲁棒性。消融试验进一步证实了模型中每个组件的重要性和对提高预测性能的贡献。

基于自适应深度置信网络的压力变送器温度补偿方法研究

随着压力变送器检测技术和人工智能技术的不断发展,在航空航天、石化、核电等领域人们对压力变送器的稳定性、实时性、测量精度等方面有了更严格的要求。而工作环境的温度会对设备精度造成巨大影响,导致变送器测量值出现偏移。针对此问题,本文提出了基于自适应深度置信网络的高精度压力变送器温度补偿方法。深度置信网络(Deep Belief Networks,DBN)在无监督学习阶段提取数据的特征,然后在有监督阶段使用少量的数据对网络参数进行微调;利用白鲸优化算法(Beluga Whale Optimization,BWO)在全局搜索和局部寻优之间达到平衡,有效地提高DBN网络的优化效果;引入Metropolis准则和适应度平衡因子,进一步提高算法的全局寻优能力以及模型收敛速度。实验拟合后的数据精度可达0.0048%,远高于现有的最高标准0.05级。经过一系列对比分析,验证了补偿算法的准确性和实用性。

基于MOBWO-MCKD的风机滚动轴承故障特征提取方法

针对风力发电机轴承振动信号受强背景噪声及其他设备激励源影响,导致早期微弱故障特征不易提取这一问题,提出了一种基于多目标白鲸优化算法(MOBWO)优化的最大相关峰度反卷积(MCKD)风力发电机轴承故障特征提取方法。首先,采用MOBWO强大的全局及局部搜索能力优化了MCKD关键参数,获取了最佳参数组合;其次,利用优化后的MCKD对原始信号进行了解卷积运算,消除了背景噪声及其他设备激励源的影响,突出了轴承周期性脉冲信号;然后对解卷积信号进行了包络谱分析,提取了轴承故障特征频率,并将其与理论计算故障特征频率值进行了诊断结果对比;最后,采用实际工程中采集到的风力发电机轴承内圈和外圈的故障数据,对MOBWO-MCKD方法的有效性进行了试验验证。研究结果表明:基于MOBWO-MCKD的故障特征提取方法能够有效地消除背景噪声及其他设备激励源的干扰;由内圈信号包络谱可得到的内圈故障频率为f IR=125.87 Hz、2f IR=251.74 Hz;由外圈信号包络谱可得到的外圈故障频率为f OR=84.47 Hz、2f OR=168.94 Hz、3f OR=253.41 Hz。该特征提取方法可以为实际工程风力发电机轴承早期微弱故障特征提取研究提供一定的参考。

基于深度学习的城市短期电力负荷预测方法

城市短期电力负荷预测是城市电网系统中的关键技术,其直接影响电网的动态平衡,而电力平衡又是社会生活和工业运行的基础,对人们的正常生活和工业生产至关重要.然而,短期电力负荷序列的复杂性使得传统单一模型的预测精度不尽如人意.因此,基于BWO-CNN-BiGRU-AT模型,提出了一种创新的短期电力负荷预测方法.通过结合卷积神经网络、双向门控循环单元和Bahdanau Attention机制,并运用白鲸优化算法进行优化,深入挖掘了电力负荷数据中的复杂关联,从而显著提升了预测性能.实验结果表明,该方法在预测准确性方面表现优异,相较于其他对比模型有更高的有效性.

基于BWO-DBSCAN和CSA-OCRKELM的变电站数据流异常检测方法

为了提升变电站数据流检测的实时性与准确性,提出一种使用白鲸优化(beluga whale optimization,BWO)算法优化基于密度的噪声应用空间聚类(density based spatial clustering of applications with noise,DBSCAN)算法,与使用圆圈搜索算法(circle search algorithm,CSA)优化单分类正则核极限学习机(one class regularized kernel extreme learning machine,OCRKELM)相结合的变电站通信网络数据流异常检测方法。首先,利用BWO-DBSCAN对正常数据流进行聚类,形成样本簇;其次,通过CSA-OCRKELM模型对异常数据流进行实时检测;最后,利用OPNET仿真软件仿真模拟变电站的通信行为并进行对比分析,验证所提方法的有效性。仿真实验结果表明所构建检测模型的检测率约为99%,较其他检测模型具有较高的性能与准确率。

基于激光诱导光谱的石墨舟激光清洗实时检测技术

针对石墨舟表面氮化硅去除的自动检测难题,研究激光清洗过程中光谱信号的变化规律,实时判断石墨舟表面的激光清洗状态。实验归纳出激光清洗后典型的石墨舟表面状态类型,通过检测和分析激光诱导光谱曲线,筛选出关键的特征谱线,研究特征谱线强度的变化规律,对比常规的极限学习机(ELM)和白鲸优化算法(BWO-ELM)的分类准确率,实现石墨舟表面激光清洗状态的自动分类识别。研究结果表明,选定的特征谱线包括Si(Ⅰ)390.49 nm、N(Ⅰ)396.02 nm、C(Ⅱ)588.84 nm。特征谱线的波峰强度变化规律充分反映了基体石墨舟和表面氮化硅的元素组成和含量变化。白鲸算法优化了常规ELM算法,有效地消除了ELM分类算法中固有的随机性,并大大提升了分类准确率。当迭代次数增加到100次时,白鲸优化算法的分类准确率可达到95%以上。研究结果对于保证石墨舟表面激光清洗效果至关重要,也是实现激光清洗自动化的关键技术。