基于缎蓝园丁鸟算法优化的多阈值遥感图像分割

针对遥感图像识别中的图像分割问题,运用群智能优化算法,以遥感图像为研究对象,在深入分析群智能缎蓝园丁鸟算法以及传统多阈值Otsu方法之后,提出一种改进的多阈值图像分割方法。该方法首先在种群初始化以及位置更新方面对标准缎蓝园丁鸟算法进行改进,改进以后的算法不易早熟。其次,通过转换,将最优阈值问题变为目标函数求解问题,以利用群智能算法的优点来快速找到最优阈值,从而完成阈值分割。最后,实际遥感图像分割结果表明,分割结果各项指标都较对比算法更优,抗噪性更好,速度更快。

基于自适应t分布变异的缎蓝园丁鸟优化算法

缎蓝园丁鸟优化算法是一种新型的元启发式优化算法,针对其收敛速度慢、寻优精度低的不足,提出了一种基于自适应t分布变异的缎蓝园丁鸟优化(tSBO)算法.在tSBO算法中引入了自适应t分布变异算子,使用算法的迭代次数作为t分布的自由度参数来增强种群的多样性,避免算法陷入局部最优.通过6个标准测试函数对改进算法与FPA,BA和基本SBO算法进行测试比较,仿真结果表明,改进算法是可行有效的,相比于基本SBO算法,其收敛精度和鲁棒性有了很大程度的提高.

非均匀变异的互利自适应缎蓝园丁鸟优化算法

针对缎蓝园丁鸟优化(SBO)算法求解精度不高和收敛速度慢等问题,提出一种改进的缎蓝园丁鸟优化(ISBO)算法。首先,引入非均匀变异算子,动态地调整每次迭代园丁鸟个体的搜索步长,使算法能快速高效地寻求全局最优值;其次,采用互利因子对算法的社会部分引入更多组合模式,使其不再单一围绕前一个园丁鸟附近搜索,以获取更好的最优解;最后,为了更好地平衡算法的局部与全局搜索能力,引入余弦变化的惯性权重因子来更新园丁鸟的位置公式。使用收敛速度分析、Wilcoxon检验和8个基准函数对5种算法搜索性能进行对比分析,来评估改进缎蓝园丁鸟优化算法的效率。结果表明,改进算法具有更好的全局搜索能力和求解鲁棒性,同时寻优精度和收敛速度也比原来算法有所增强。

基于自适应权重的缎蓝园丁鸟优化算法

针对缎蓝园丁鸟优化算法(SBO)寻优精度低和收敛速度慢的问题,提出了基于自适应权重的缎蓝园丁鸟优化算法(WSBO)。首先通过自适应权重的方法改进了缎蓝园丁鸟优化算法的局部搜索能力,提高了收敛精度。另外通过改进原算法中高斯分布函数形式对缎蓝园丁鸟的求偶亭位置进行变异,提高了算法的全局搜索能力,避免了陷入局部最优。通过8个标准测试函数对改进算法与原SBO算法、ABC算法和FA算法进行测试比较,实验结果表明,改进算法是可行有效的,相比于基本SBO算法,其收敛速度、精度和算法稳定性都有很大程度的提高。

融合粒子群的缎蓝园丁鸟优化算法及应用

针对缎蓝园丁鸟优化算法(SBO)收敛精度低、收敛速度慢和全局寻优能力弱的问题,提出了融合粒子群的缎蓝园丁鸟优化算法(PSBO)。该算法在原缎蓝园丁鸟优化算法的基础上,通过引入速度因子和固定惯性权重来提高种群的多样性,进一步提高了原算法的寻优性能。通过8个标准测试函数对PSBO算法、SBO算法、基于自适应t分布变异的缎蓝园丁鸟优化算法、自适应权重缎蓝园丁鸟优化算法和粒子群优化算法这五个算法进行测试比较,实验结果表明,PSBO算法在收敛速度、精度和算法稳定性上都有很大程度的提高。为了进一步说明PSBO算法的有效性,把PSBO算法应用于支持向量机(SVM)内部参数的优化上。SVM是一类按监督学习方式对数据进行二元分类的广义线性分类器,主要影响SVM性能的参数是核参数和惩罚因子。在训练集上,用K折交叉验证的方法算出准确率的均值作为目标函数,通过PSBO算法对核参数和惩罚因子进行寻优,并将参数寻优的结果代入测试集进行样本测试,结果表明PSBO算法在优化参数时拥有更快的收敛速度。

基于混合策略的缎蓝园丁鸟优化算法

标准的缎蓝园丁鸟优化算法存在收敛速度慢、寻优精度低和易陷入局部最优等缺点,为此,提出了一种基于混合策略的缎蓝园丁鸟优化算法。首先,在种群初始化时,通过引入Logistic混沌映射,使初始种群能够均匀分布;其次,求偶亭位置更新时,加入了指数惯性权重,平衡了算法的全局和局部搜索能力,从而提升了算法的全局收敛速度;最后又在求偶亭位置变异时,引入了Levy飞行变异,提升了种群的多样性,使算法跳出局部最优。

基于混沌初始化的缎蓝园丁鸟优化算法在图像分割中的应用研究

为了解决缎蓝园丁鸟优化算法(Satin Bowerbird Optimization Algorithm,SBO)寻优精度低和时间复杂度高等问题,本文提出一种基于Tent混沌映射的缎蓝园丁鸟优化算法(Chaotic Strategy to Satin Bowerbird Optimization Algorithm,CSSBO),并将其应用在图像分割。通过引入Tent混沌映射进行种群初始化,使得改进后的算法具有更高的寻优精度和收敛速度。为了体现算法的性能,本文将CSSBO算法与原始的SBO算法、改进的灰狼算法(Modified Grey Wolf Algorithm,MDGWO)和改进的人工蜂群算法(Modified Quick Artificial Bee Colony Algorithm,FMQABCA)进行了比较,结果表明CSSBO算法在图像分割上有着更为理想的效果。

一种基于ISBO算法的锂离子电池等效电路模型辨识方法研究

锂离子电池等效电路模型的参数辨识方法对模型精度有较大的影响。针对缎蓝园丁鸟优化SBO(satin bowerbird optimization)算法收敛精度低和收敛速度慢的问题,提出一种改进的缎蓝园丁鸟优化ISBO(improved satin bowerbird optimization)算法。采用惯性权重、柯西变异、高斯变异和贪婪选择策略来提高ISBO算法的收敛精度,并利用标准测试函数对其收敛性能进行验证。结合电池充放电数据,将提出的ISBO算法用于锂离子电池等效电路模型的参数辨识。实验结果表明,与SBO和自适应权重粒子群优化算法相比,ISBO算法参数辨识精度较高且辨识精度不受电池工况的影响。

基于SBO-LSTM的大坝变形预测模型

变形是大坝安全性态的综合反映,建立其与环境量的可靠关系模型对保障大坝长效服役具有重要意义。为提高大坝变形预测的精度和泛化能力,并解决长短期记忆神经网络(LSTM)参数选取随机性大、选取困难的问题,提出了一种利用缎蓝园丁鸟优化算法(SBO)来优化长短期记忆神经网络的混凝土坝变形预测模型(SBO-LSTM)。该方法首先通过高斯滤波和Symlet小波滤值两种方法对选定的监测数据进行统一的清洗、归一化、去噪等预处理;其次,借助SBO算法对长短期记忆神经网络模型的超参数进行寻优;最后对混凝土坝变形进行高精度预测并通过三种不同评价指标(MAE,RMSE,MAPE)对预测结果进行评价。以某混凝土坝为例并与传统优化算法对比分析,结果表明通过SBO算法优化后LSTM神经网络具有更高的预测精度和稳定性,综上,该预测模型为大坝变形监测数据分析与预测提供了一种新的可行方法。

基于深度学习的火力发电厂锅炉故障诊断方法

针对当前火电厂锅炉故障诊断准确度不足的问题,提出一种基于深度学习的火电厂锅炉故障诊断方法。在系统分析锅炉运行特征的基础上,选取重要参数作为锅炉故障特征量。设计基于深度卷积神经网络的作为基础的故障特征分类模型,用以对故障特征信息进行深度学习与分类识别,并针对DCNN参数寻优效率低和稳定性低的问题,采用引入避险原则改进的缎蓝园丁鸟优化算法实现DCNN参数的自适应寻优,从而建立基于ISBO-DCNN的火电厂锅炉故障诊断模型。实验结果表明:提出的ISBO-DCNN模型相比于其他计算模型具有更高的诊断准确性,能够较为准确地实现对火电厂锅炉的故障诊断,在火电厂运检工作方面具有良好的工程实际应用能力。

一种智能变电站风险评估模型研究与分析

针对当前智能变电站具备信息物理系统的特点,考虑到传统变电站风险评估缺乏信息系统风险分析,提出一种CPS下的变电站风险评估模型。通过分析变电站可能存在的故障因素,设计基于CPS的变电站风险转移概率模型。根据概率转移模型建立变电站风险评估模型,并用改进的缎蓝园丁鸟优化算法(SBO)算法求解评估模型,从而量化变电站风险指数。在实验中,以典型IEEE智能CPS变电站进行仿真,仿真结果验证了所提模型的有效性及实用性。

基于CNN的高层住宅建筑群热负荷混合预测模型

针对传统热负荷预测面向单栋住宅,预测负荷无法满足小区级换热站及热网优化调控需求的问题,提出一种基于卷积神经网络(CNN)的高层住宅建筑群热负荷混合预测模型。首先,引入建筑体形参数,利用LASSO模型对热负荷影响因素进行筛选;然后,采用缎蓝园丁鸟优化(SBO)算法优化CNN;最后,利用西安市10个住宅小区的相关运行数据对所提模型进行训练和测试。实验结果表明,输入参数引入建筑体形参数后,模型预测精度更高;经SBO算法优化后的CNN模型较传统CNN模型具有更好的拟合优度、预测精度和泛化能力,满足工程实际需求。

基于CEEMD-SBO-LSSVR的超短期风电功率组合预测

为提高风电功率预测的精度,提出了一种基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)、缎蓝园丁鸟优化算法(satinbower birdoptimizationalgorithm,SBO)及最小二乘支持向量回归(least squares support vector regression,LSSVR)模型的超短期风电功率组合预测方法。针对风电序列的随机波动性,采用CEEMD对风电功率序列进行分解,将分解得到的不同特征尺度的各分量作为LSSVR模型的训练输入量。引入SBO算法对LSSVR的正则化参数与核函数宽度进行优化,建立各分量的预测模型,将各分量的预测输出值叠加得到最终的风电功率预测值。所提CEEMD-SBO-LSSVR组合预测方法不仅有效降低了预测的复杂度,而且保证原始风电序列经模态分解处理后具有小的重构误差。仿真结果表明,与其他预测模型相比,所提方法具有较高的超短期风电功率预测精度。

基于筑巢机制的移动机器人路径规划

针对移动机器人轨迹安全及路径规划效率的问题,提出了一种基于筑巢机制的路径规划方法。首先应用转弯行走策略,极大确保移动机器人行走过程当中的安全;其次在传统路径评价体系当中添加转弯因素,形成环境适应度指标;最后利用雄性园丁鸟筑巢模式中的巢穴质量和筑巢经验借鉴度分别改进蚁群算法中的初始信息素模块和信息素增值模块,提高算法的收敛速度和路径质量。实验在30×30的地图模型上进行验证,结果表明,在拐点数量以及路径长度上,该方法的输出轨迹均优于蚁群算法。