t分布与螺旋黏菌搜索的混沌自适应秃鹰搜索算法

针对秃鹰搜索算法搜索精度低、收敛速度慢及易于陷入局部最优的不足,提出t分布与螺旋黏菌搜索的混沌自适应秃鹰搜索算法.首先引入混沌Bernoulli映射进行种群初始化,丰富种群多样性;然后在搜索空间猎物阶段利用螺旋黏菌搜索策略依搜索进程动态修正位置更新方式,提高算法全局搜索能力和收敛精度;在俯冲捕获猎物阶段引入自适应惯性权重策略平衡算法全局搜索与局部开发,提高算法求解精度;最后利用t分布随机扰动策略依概率对种群个体变异,增加算法跳离局部最优、找到全局最优的概率.利用基准函数对算法寻优性能进行实验评估,并引入Wilcoxon秩和检验评估算法搜索性能.结果表明:改进秃鹰搜索算法在寻优精度和收敛速度上都得到了更大提升.

基于秃鹰搜索算法优化的三维多无人机低空突防

三维空间环境复杂,多无人机的低空突防航迹规划计算量大,现有多目标秃鹰搜索算法存在求解易趋于中心点及精度低的缺陷,为此提出基于改进多目标秃鹰搜索算法(IMBES)的三维多无人机低空突防方法.构建三维环境模型、威胁源模型、无人机物理约束模型、多无人机协同约束模型以及路径平滑度约束模型,确定多目标代价函数.设计耦合混沌映射初始化,有效提高初始化种群质量;设计基于“侦察鹰”的自适应高斯游走策略,平衡开发与搜索能力;引入快速非支配排序,进一步提高算法效率.利用秃鹰位置与无人机速度、转弯角度、爬升角度的对应关系,采用IMBES高效搜索无人机构型空间,找到最优的帕累托前沿.实验结果表明,IMBES的成功率为70.5%.与现有路径规划方法相比,所提方法的优化能力强、能耗低,适用于多无人机协同低空突防.

改进秃鹰搜索和K均值混合迭代的点云简化算法

针对激光雷达的固有特性和复杂环境易造成点云噪声和冗余点云,以及传统点云简化算法忽略了点云固有特征等问题,提出了一种基于改进秃鹰搜索和K均值聚类(KMC)混合迭代的点云简化算法(IBESSA)。首先,通过秃鹰搜索(BES)算法迭代阶段的竞争融合(CFBES),提高其收敛速度和优化精度;其次,通过CFBES和KMC算法的混合迭代,实现了点云数据的聚类;然后,在k近邻(k-NN)实现点云簇密度估计的基础上,结合香农熵实现点云信息量化;最后,删除信息量化值小于阈值的聚类簇,完成点云数据简化。使用UCI国际标准数据集和斯坦福点云数据集分别对CFBES-KMC算法的聚类效果及点云的简化效果进行验证,结果表明:与改进飞蛾扑火的K均值交叉迭代、K-means++、模糊C均值聚类算法的聚类效果相比,CFBES-KMC算法的聚类准确率分别提高了1.02%、12.31%、14.72%;在斯坦福点云数据集上,IBESSA算法在有效滤除冗余点云的基础上保留了原本点云的细节和形状特征,不失为一种高效的点云简化算法。

融入动态学习与高斯变异的自适应秃鹰搜索算法

针对标准秃鹰搜索算法寻优时存在的初始种群分布不均匀、个体适应性差和易陷入局部最优等问题,提出一种改进的秃鹰搜索算法应用于求解函数优化问题。首先,引入Circle混沌映射丰富初始种群的多样性,在搜索空间阶段引入一种非线性权重自适应地调整算法搜索与开发的能力;其次,令螺旋搜索过程中秃鹰领导者个体向具有代表性的秃鹰个体进行动态学习,产生出适应性强的秃鹰个体;最后,对最佳搜索位置的秃鹰个体执行高斯变异策略,根据个体适应度大小择优更新曲线俯冲过程中的秃鹰领导者个体,种群中多数秃鹰个体的适应性得到增强,能够一定程度上避免算法在函数寻优时出现的停滞局面。通过在若干基准测试函数与部分CEC2017函数的对比实验验证了本文算法的优越性。

基于秃鹰搜索算法优化ELM的锂电池剩余寿命预测

提出了一种基于多种数据驱动法融合来实现电池剩余使用寿命预测的方法。首先分析了电池寿命的相关特征参数,选取相关性较高的参数作为间接健康因子;然后构建了秃鹰搜索算法和优化极限学习机的组合预测模型;最后通过使用NASA电池数据集验证了该预测模型的可行性和准确性。结果表明,相较于神经网络和极限学习机的预测方法,文中模型的预测均方根误差均小于2%,预测精度更可靠、更精确。

基于改进BES算法的光伏型电网分区故障定位研究

为了进一步应对光伏型电网突发的情况,设计了一种基于改进秃鹰搜索算法(IBES)光伏型电网分区故障定位方法。在Sinusoidal映射的基础上形成高品质的初始秃鹰种群,在秃鹰搜索算法(BES)中引进非变异算子、交叉算子等,不断提高算法搜索能力,此模型的可靠性及有效性得到验证。研究结果表明:相较于鲸鱼算法(WOA)、果蝇算法(FFA)、正弦与余弦算法(SCA),IBES算法既确保了收敛速率,又保证了定位准确性,IBES的显著优势得到验证。分区方式可大幅度减少定位维度,使得求解速率及精度大幅度提高。相比BES模型,求解精度提高1.72%,速率提高30.5%。IBES模型在定位故障区段方面具有更快的速率及更高的准确性。该研究可以拓宽到齿轮箱故障诊断、管道泄漏位置定位等相关的机械控制领域,具有较好的推广价值。

嵌入翻筋斗策略的自适应秃鹰搜索算法及其应用

针对秃鹰搜索算法(BES)容易陷入局部最优与求解精度低等问题,本文提出一种改进的秃鹰搜索算法。首先,通过Circle混沌序列取代原始算法中随机产生的初始种群,提升了初始种群的多样性;其次,在算法搜索选择空间阶段中,结合自适应权重对秃鹰个体位置进行更新,平衡算法的搜索与开发能力;最后,利用翻筋斗觅食策略更新后续阶段秃鹰领导者个体位置,并融入精英差分变异增强算法跳出局部最优的能力。在多个标准测试函数进行对比仿真实验,并应用改进算法对随机森林分类参数进行优化,实验结果表明,改进后的算法在求解效率方面有较大提升,且求解精度与分类准确率也优于传统算法。

基于自适应秃鹰搜索算法的无人机三维路径规划

针对秃鹰搜索算法(BES)在寻优时易陷入局部最优、搜索效率低,且全局搜索精度不高等不足,提出一种自适应秃鹰搜索算法(ABES)并应用于无人机的三维路径规划问题。在算法的选择阶段,将控制螺旋轨迹的参数由定值修改为自适应调整,从而提高算法的全局探索能力和收敛速度,改善算法性能。通过创建仿真三维地理环境来模拟真实场景下的无人机飞行状况,利用ABES算法解决路径规划问题。通过对比实验,有效测试了ABES算法在通过各种地形地貌下的优异能力。实验结果证明ABES算法的性能相对BES有所提升,能够快速、稳定、有效地解决三维路径规划问题。

基于IBES-XGBoost的高速铁路沿线风速预测模型

为保证高速铁路沿线风灾预警信息具有较高时效性,需要进行高速铁路沿线超短期风速的提前多步预测。针对众多预测模型在预测中可能存在较大误差的问题,采用Tent混沌映射和BFGS拟牛顿法对秃鹰搜索算法进行改进,并用改进的秃鹰搜索算法(IBES)对XGBoost的初始参数进行优化。在构建IBES-XGBoost模型时,加入风速以外的其他气象特征,以提高预测精度。实验结果表明:(1)改进的秃鹰算法相比其他智能优化算法有更好的寻优能力,与其他模型相比IBES-XGBoost在超短期风速的提前多步预测上有着较高的精度和较好的拟合效果。(2)Tent混沌映射和BFGS拟牛顿法对秃鹰算法有着较好的改进效果。(3)IBES-XGBoost能为高速铁路规范下的大风预警提供可靠的提前多步预测结果。

改进秃鹰搜索算法优化SVM的变压器故障诊断研究

支持向量机(supportvectormachine, SVM)用于变压器故障诊断时,其核函数参数g和c的最优值难以根据人工经验选取,故障诊断准确率较低;而秃鹰搜索算法(bald eagle search, BES)存在易陷入局部最优和收敛精度低的缺陷。针对以上问题,提出一种改进秃鹰搜索算法(Ct-GBES)优化SVM参数g和c的变压器故障诊断模型。采用tent混沌映射、自适应t-分布及动态选择、黄金正弦算法对BES的3个阶段进行改进和优化,以提高算法的收敛速度和搜索能力。通过与原始BES、布谷鸟算法(cuckoo search, CS)和萤火虫算法(firefly algorithm, FA)的寻优对比测试,验证了Ct-GBES算法的优越性。将Ct-GBES-SVM模型与SVM、FA-SVM、CS-SVM模型进行故障诊断实验对比,并与BES-SVM模型进行稳定性实验对比。结果表明,所提模型准确率更高、稳定性更好、运行时间更短,其故障诊断效果更好。

基于秃鹰搜索算法优化SVM的变压器故障诊断

针对支持向量机(support vector machines,SVM)变压器故障诊断模型存在正确率低、运行时间长的问题,提出一种基于秃鹰搜索算法(bald eagle search,BES)优化SVM的变压器故障诊断模型。首先,选取4个测试函数对BES算法进行性能测试,并与布谷鸟算法(cuckoo search,CS)、人工蜂群算法(artificial bee colony,ABC)和萤火虫算法(firefly algorithm,FA)进行对比,结果表明BES算法不论是收敛速度还是泛化能力都有更好的优化性能。然后,采用BES算法对SVM的核函数参数g和c进行优化,建立了基于油中溶解气体分析(dissolved gas analysis,DGA)的BESSVM变压器故障诊断模型,并与ELM、SVM、CS-SVM、ABC-SVM、FA-SVM故障诊断模型进行仿真实验对比。结果表明,BES-SVM故障诊断模型综合正确率为98.67%,比上述对比故障诊断模型分别提高了22.67%、20%、13.34%、12%、10.67%,且运行时间最短,所提BES-SVM变压器故障诊断模型具有更好的故障诊断效果。

基于DBN和BES-LSSVM的矿用压风机异常状态识别方法

针对矿用压风机这类分布式系统的异常类别复杂、识别精度低等问题,提出了一种基于深度置信网络(DBN)和最小二乘支持向量机(LSSVM)的异常状态识别方法。首先,分析压风机组成系统及其运行机理,确定常见的异常状态类型;其次,采用DBN无监督学习方式充分挖掘监测数据中异常特征并快速提取;然后,利用秃鹰搜索算法(BES)优化LSSVM的超参数,构建最优的BES-LSSVM分类模型;最后,将DBN提取的异常特征作为BES-LSSVM模型的输入,对矿用压风机异常状态进行识别。试验验证与对比分析结果表明,相较于GA,PSO,GWO算法,BES算法的求解精度和收敛速度均有所提高,同时DBN-BES-LSSVM模型在测试集上平均识别精度达到94.65%,较PCA-LSSVM模型、DBN模型和DBN-LSSVM模型的识别精度分别提高了10.53%,5.84%和3.76%,验证了DBN-BES-LSSVM模型在矿用压风机异常特征提取以及特征识别方面的优越性。

基于PWLCM和秃鹰俯冲机制改进的野狗优化算法

针对野狗优化算法(Dingo Optimization Algorithm,DOA)收敛速度偏慢和寻优精度较低等问题,提出一种基于PWLCM和秃鹰机制改进的野狗优化算法(Improved Dingo Optimization Algorithm,IDOA)。首先,使用具有遍历性的分段线性混沌映射(Piecewise Linear Chaotic Map,PWLCM)初始化野狗种群,有效增加野狗种群多样性。其次,在迫害策略中引入秃鹰俯冲机制,加快野狗捕获猎物的速度,加强算法探索局部的能力。最后,在食腐策略引入螺旋搜索因子,增强算法的局部寻优能力,提升算法的寻优速度和求解精度。仿真实验数据、消融实验以及Wilcoxon秩和检验均表明,与其他对比算法相比,提出的IDOA在所有测试函数上有着更佳的寻优速度以及寻优精度;与其他改进的野狗优化算法相比,所提出的IDOA展现出更好的整体性能。

融合黄金正弦算法和纵横交叉策略的秃鹰搜索算法

针对传统秃鹰搜索算法(BES)存在容易陷入局部最优、收敛速度慢等缺点,提出一种融合黄金正弦算法(Gold-SA)和纵横交叉策略的秃鹰搜索算法(GSCBES)。首先,在传统BES的搜索阶段设置基于惯性权重的位置更新公式;然后,在捕食猎物阶段引入Gold-SA;最后,引入纵横交叉策略对全局最优和种群进行修正。对11个Benchmark函数和CEC2014函数进行仿真实验并使用Wilcoxon秩和检验的方式评估所提算法的寻优能力,结果表明,所提算法收敛更快;同时,使用所提算法对反向传播(BP)神经网络模型的权值和阈值进行赋值,并将优化的BP神经网络模型用于空气质量的预测中,平均绝对误差(MAE)、均方根误差(RMSE)、均方误差(MSE)、平均绝对百分比误差(MAPE)值均小于BP神经网络模型以及基于粒子群优化(PSO)的BP神经网络模型,预测精确度有所提高。

基于LDA-IBES-RELM的光伏阵列故障诊断方法

针对光伏阵列故障诊断准确率偏低的问题,提出了一种基于改进秃鹰搜索算法(IBES)优化正则化极限学习机(RELM)的故障诊断方法。首先在Simulink建立光伏阵列仿真模型,模拟典型故障并提取故障特征数据,同时利用线性判别分析(LDA)对特征量降维作为故障诊断模型的输入;其次利用Logistic混沌映射、Levy飞行策略和柯西高斯变异扰动策略对秃鹰算法进行改进;最后将IBES用于对RELM的隐层参数寻优。实验结果表明:LDA-IBES-RELM模型与BES-RELM、IBES-RELM模型对比,得到的故障诊断准确率为97.71%,优于其他两种模型,验证了LDA-IBESRELM模型用于光伏阵列故障诊断的有效性和实用性。

混合策略改进型秃鹰搜索算法

目的针对秃鹰搜索算法(Bald Eagle Search,BES)在函数优化时存在寻优精度低,易陷入局部最优等问题,提出一种混合策略改进型秃鹰搜索算法(Hybrid Strategy Improved Bald Eagle Search,HSIBES);方法首先利用Logistic映射策略初始化种群,使种群分布更加均匀,其次在搜索空间阶段引入莱维飞行,控制步长,改善收敛效果并跳出局部最优,最后在搜寻空间食物中使用自适应惯性权重,提高收敛速度与精度,平衡算法的局部与全局搜索能力;结果将HSIBES算法与其他五种基准算法以及其他学者改进的算法进行对比,通过在9个测试函数上进行仿真实验,并进行Wilcoxon秩和检验验证HSIBES算法的性能,发现HSIBES的结果优于其他对比算法,与其他对比算法之间具有显著性差异;结论实验结果表明:HSIBES算法的寻优精度,收敛速度以及稳定性都更好,算法的性能更具优越性。

融合自适应惯性权重和柯西变异的秃鹰搜索算法

针对基本秃鹰搜索算法存在收敛速度慢、易陷入局部最优的缺点,提出了一种融合自适应惯性权重和柯西变异的秃鹰搜索算法(CBES).首先使用Tent混沌映射初始化种群,保留了种群的多样性;其次,引入自适应惯性权重,加快算法的收敛速度,增强算法的局部开发能力;最后将柯西变异算子整合到当前全局最优位置进行变异更新,提高算法陷入局部最优的能力.通过12个单模态、多模态基准测试函数对CBES、BES、FPA、MFO、PSO 5种算法进行实验对比,实验结果表明了改进后的算法在收敛速度和精度方面均得到了提升.同时将该算法应用到实际工程中,验证了算法的扩展性和适用性.

秃鹰搜索算法的优化及图像分类应用

针对秃鹰搜索算法(BES)存在求解的稳定性差且准确性低,鲁棒性差等缺点,提出了一种基于秃鹰搜索算法的新型算法(NBES).首先,在BES算法的选择搜索空间阶段融合正余弦优化机制算法,构建融合后的位置更新公式.其次,在BES算法的搜索空间猎物阶段加入惯性权重自适应位置更新策略.最后,在BES算法俯冲阶段融合萤火虫优化机制算法,重新定义位置更新公式.通过11个标准测试函数验证NBES算法性能,实验表明,NBES算法寻优准确性、收敛速度、鲁棒性都优于BES算法.为了验证新算法的实际应用价值,利用NBES算法优化卷积神经网络(CNN)中的超参数学习率,并将优化后的图像分类模型用于医学影像病理性分类预测,实验表明,经过优化的CNN模型分类精度提高9%.

基于秃鹰搜索算法优化LSTM的短期风速预测

为了实现短期风速的精准预测,提出了一种基于秃鹰搜索算法优化长短时记忆神经网络的短期风速预测方法。将风速、风向、温度和气压作为特征量,采用秃鹰搜索(bald eagle search,BES)算法对长短时记忆神经网络(long short term memory,LSTM)的隐含层单元数量、正则化系数和初始学习率三个超参数进行优化,建立基于BES-LSTM的短期风速预测模型。采用实际风电场相关数据进行仿真分析,并与其他风速预测方法进行对比,结果表明,本文所提BES-LSTM模型预测结果的方均根误差、平均相对误差和可决系数分别为0.182、3.742%和0.992,各项指标均优于PSO-LSSVM模型和SSA-ELM模型,短期风速预测效果更好。

IBES算法在并联Boost电路MPPT系统中的应用

针对光伏阵列在复杂光照条件下的多峰值特点及常规的最大功率追踪算法无法兼顾追踪精度和速度、存在振荡的问题,提出了一种改进秃鹰搜索算法;该算法在选择搜索空间时使用混沌映射对选择位置控制变化的参数进行优化,增加种群位置的多样性,提升算法的全局搜索能力;并在搜索空间猎物时,引入Levy飞行机制,对秃鹰新位置进行优化,增强了算法跳出局部搜索的能力;同时提出一种新型并联Boost电路,提高追踪的稳定性,减小振荡。通过Simulink建模仿真分析可知,结合改进的算法与新型并联Boost电路,在三种阴影情况下,追踪的成功率分别为100%、98%、96%,均高于原始算法,能够更快、更稳定地实现最大功率跟踪。