混合自适应布谷鸟算法的物流配送路径优化

为了有效解决多仓库多配送点物流配送时间长和路径远等问题,提出一种多仓库多配送点物流配送路径优化算法。为了满足多仓库多配送点物流配送需求,将最少调用车辆数量和最短配送总距离为目标,确定目标函数及其约束条件,建立多仓库多配送点物流配送路径优化模型。改进布谷鸟算法和粒子群算法,将改进后的算法结合,利用混合自适应布谷鸟算法求解优化模型,同时对混合自适应布谷鸟算法离散化处理,获取最优物流配送路径。仿真实验结果表明,所提算法可以在较短的时间内完成物流配送,且物流运输路径较短,覆盖率更广,能够获取更加满意的物流配送方案。

基于模拟退火-自适应布谷鸟算法的城市公交调度优化研究

为改善城市常规公交运营效率,提出基于模拟退火-自适应布谷鸟算法的公交调度优化模型。通过结合线路实际客流数据反映的客流特征,建立考虑公交公司和乘客双方利益的公交调度优化模型;改进布谷鸟算法固定步长并加入模拟退火算法退火操作,设计模拟退火-自适应布谷鸟算法,改善寻优过程中跳出局部最优解而全局寻优的能力;以福州125路公交线路为例,将该线路客流特征数据应用于模型和求解算法中。结果表明,基于不同利益方权重下通过模型算法计算出的结果均优于现有调度方案,验证了模型及算法的有效性及实用性。

基于局部搜索策略的混合自适应布谷鸟算法

为了提高布谷鸟算法的搜索精度和全局收敛速度,提出一种基于局部搜索策略的混合自适应布谷鸟算法。在该改进算法中,每个当前解的周围随机产生一个局部种群,利用正余弦算子的局部寻优能力得到局部最优解,并用局部最优解替换当前解,以提高局部搜索精度;同时采用自适应发现概率和搜索步长替代布谷鸟算法中的固定发现概率和搜索步长,以提高算法的全局收敛速度。对25个经典高维基准函数进行实验表明,所提算法在收敛速度和求解精度上优于布谷鸟算法,通过将其应用于拉压弹簧、三杆桁架设计和0-1背包问题,验证了算法的有效性。

基于改进自适应布谷鸟算法的云制造资源配置优化研究

针对云制造资源优化配置模型求解的相关问题,在基本布谷鸟算法(CS)的基础上提出了一种改进自适应布谷鸟算法(SAACS),并将其应用于求解云制造优化资源配置问题。改进自适应布谷鸟算法对基本布谷鸟算法的部分参数和Levy飞行步长做了自适应性调整,加入了双向搜索策略,并引入模拟退火思想,可以在云制造资源配置中快速地求出最优解,获得一条最优资源服务链。最后通过算例验证了该算法求解资源配置问题的有效性和准确性。

自适应混合布谷鸟算法在水电站调度中的应用

针对布谷鸟算法局部搜索能力较弱,搜索质量不高的缺点,在标准布谷鸟算法中加入自适应步长策略、边界变异策略,并与模拟退火算法结合成自适应混合布谷鸟算法。经测试函数验证,自适应混合布谷鸟算法与标准布谷鸟算法相比有结果更优,收敛速度更快的优点。将自适应混合布谷鸟算法引入水电站的调度中,通过新疆玛纳斯一级电站验证了该算法的可行性,为求解水电厂优化调度模型提供了一种新思路。

基于结合自适应步长布谷鸟搜查算法的模糊神经网络的软件可靠性增长模型

针对现有的软件可靠性增长模型(SRGM)适用性较差、预测精度波动大的问题,使用自适应步长布谷鸟搜查(ASCS)算法对模糊神经网络(FNN)的权重和阈值进行寻优,利用得到了最优权重和阈值的FNN建立SRGM。在使用缺陷数据对FNN训练的过程中,利用ASCS来调整FNN的权重和阈值,以此提高在预测过程中的精度,同时采用多次预测结果取均值的方式来减小FNN预测的波动性,以此建立基于结合自适应步长布谷鸟搜查算法的模糊神经网络(ASCS-FNN)的软件可靠性增长模型。利用3组软件缺陷数据,以误差比均值和误差平方和作为衡量标准,对基于ASCS-FNN、结合模拟退火算法的动态模糊神经网络(SA-DFNN)、FNN、BP网络(BPN)建立的SRGM的一步向前预测能力进行比较。预测结果表明,在四组模型中,基于ASCS-FNN建立的SRGM相对于SA-DFNN、FNN、BPN建立的SRGM的平均预测精度相对提高率RI(AE)和RI(SSE)分别为-1.48%、54.8%、33.8%和14.4%、76%、35.9%,并且该模型比FNN、BPN建立的SRGM在相同缺陷数据下的预测波动性小,而且网络结构比SA-DFNN的网络结构简单。因此该模型具有预测精度较高、预测稳定和具有一定的适用性等优点。

基于适应度值方差布谷鸟算法参数调整

为了使布谷鸟搜索算法在保持快速搜索能力的同时,提高算法寻优精度.本文首先分析算法参数pa和β对迭代过程所得适应度值方差的影响,根据方差的变化动态调整算法搜索过程中参数的取值,提出了一种基于适应度值方差改进的布谷鸟搜索算法,并通过5个标准测试函数分别对CS和VCS进行测试,结果表明,VCS的寻优性能优于CS.

一种小规模多种群布谷鸟算法

针对布谷鸟算法后期收敛速度慢、计算精度不高等不足提出一种小规模多种群改进方法。将这种方法运用在基本布谷鸟算法CS(Cuckoo Search)和自适应步长布谷鸟算法(ASCS)中,改进后的算法分别称为小规模多种群布谷鸟算法MPCS(Small-scale and multi-population cuckoo search algorithm)、小规模多种群自适应步长布谷鸟算法MPASCS(Small-scale and multi-population cuckoo search with self-adaptive step)。通过8个标准测试函数进行测试,实验结果表明改进后的算法比改进之前的算法有更快的收敛速度、更高的计算精度和收敛成功率。

基于自适应布谷鸟搜索和扰动观察法的光伏最大功率点跟踪

当光伏阵列板暴露在不均匀的光线下时,功率电压(P-V)特性曲线会变为多峰,在这种情况下,传统的最大功率点跟踪(MPPT)算法将无法跟踪到正确的全局最大功率点(GMPP),而具有全局搜索能力的人工智能算法通常是高度参数化和复杂的。为了解决上述问题,提出了一种结合自适应布谷鸟搜索算法和扰动观察方法(ACS-P&O)的复合跟踪算法。该方法将布谷鸟搜索(CS)算法中的切换概率和Lévy飞行步长系数通过自适应调整,在跟踪早期,扩大算法的搜索范围。引入边界个体的处理策略,可进一步减少算法的迭代次数。该算法使系统更容易跳出局部最大功率点(LMPP),而在跟踪后期,算法精确运行在小范围内,提高了局部开发能力。扰动观察法(P&O)的加入缓解了系统位于GMPP附近时的功率振荡,稳定了输出。仿真结果表明,ACS-P&O复合算法能够适应环境变化的影响,并快速准确地跟踪GMPP。

基于自适应布谷鸟搜索的RIS辅助无线定位系统

可重构智能表面(RIS)是6G关键技术之一,可灵活部署在基站服务区域的内部,辅助基站定位,提高定位精度.针对RIS辅助毫米波多输入单输出无线定位系统,利用布谷鸟搜索算法(CS)求解极大似然位置估计函数.为了提高算法寻优能力,将CS算法的发现概率和搜索路径步长由固定值改为自适应变化的动态参数.实验结果表明,引入RIS辅助定位可以明显提高定位精度,自适应布谷鸟搜索算法(ACS)寻优能力高于布谷鸟搜索算法.

基于NACS-PSO算法的光伏系统MPPT控制研究

对于局部遮阴下的光伏阵列,传统的最大功率点跟踪算法收敛速度慢、精度差、功率波动大且容易陷入局部最优。为此,提出一种基于新型自适应布谷鸟算法与粒子群算法相结合的复合算法。该方法在布谷鸟算法中引入自适应发现概率和自适应莱维飞行步长控制因子,同时加入对立种群策略,以提高算法收敛速度和全局寻优能力。在算法前期,用粒子群算法全局搜索快速找到全局最大功率点附近,后期用新型自适应布谷鸟算法在局部范围内精准寻优,以快速、准确和稳定地跟踪到全局最大功率点。仿真结果表明,本文提出的算法在四种光照模式下的收敛时间和跟踪误差分别为0.106s和0.012%、0.108s和0.034%、0.110s和0.059%、0.106s和0.031%,均优于其他算法,验证了本文算法在六种对比算法中,收敛速度最快、跟踪精度最高、功率波动最小、陷入局部最优的可能性最小。

基于ICS-IP&O的光伏最大功率跟踪

针对光伏组件存在局部阴影条件(PSC)时,功率输出曲线呈现出的多峰现象,传统最大功率点追踪方法容易陷入局部最优情况。为了解决上述问题,提出一种将自适应布谷鸟搜索(ICS)算法和变步长扰动观察法(IP&O)相结合的复合算法(ICS-IP&O)。对布谷鸟搜索方法(CS)的切换概率、Lévy飞行步长系数进行非线性自适应优化,使其满足迭代前、后期不同的需求,加快收敛进程。在偏好随机游走部分,引入粒子群算法思想,对位置更新公式进行优化,提高其多样性,使算法具有较强的全局搜索随机性,降低陷入局部最优的可能性。算法后期切换成IP&O搜索,减小振荡。通过Simulink进行仿真测试,并与粒子群算法(PSO)、布谷鸟算法(CS)进行对比。结果表明,该算法在静态、局部遮阴、动态遮阴条件下均具有更好的收敛速度和精度。

Spark框架下混合SACS-GS的大数据清洗方法

提出一种Spark框架下自适应布谷鸟搜索(self-adaptive cuckoo search,SACS)和引力搜索(Gravitational Search,GS)算法的混合SACS-GS方法,并给出了Spark框架下SACS-GS方法大数据清洗方案.首先提出自适应布谷鸟算法,给出两种改进的搜索策略,通过线性递减概率规则将两种策略结合起来,形成自适应搜索策略,避免种群早熟和提高收敛速度,然后引入自适应发现概率,提高种群的多样性.SACS算法混合GS算法得到SACS-GS方法,该方法通过引力搜索算法的局部搜索能力来确定自适应布谷鸟算法的全局范围,并找到使卵生长和成熟的最佳解决方案,有效地识别大数据中的错误数据.实验结果表明,SACS-GS方法具有较高的大数据异常检测精度,且精度高于其他现有方法,处理时间低于其他方法.

不确定环境下项目拆分和带缓冲时间的多项目协同调度研究

针对不确定环境下移动式装配的项目存在项目工期随机延长的问题,首先引用项目拆分思想,将单项目虚拟拆分成多项目;在加入最大鲁棒性约束下,以最小化项目工期为目标建立数学优化模型。提出了改进的两阶段循环算法求解:项目划分阶段通过子项目拆分算法进行子项目划分;项目调度阶段以布谷鸟算法为框架对划分后的多项目调度进行求解,并将调度结果反馈至上阶段。最后选取PSPLIB算例库中不同规模的算例,分析各种参数在不同规模下对项目计划的影响。实例验证结果表明,所提方法能在不确定环境下提高项目资源利用率并缩短工期。

基于ACS-DBN的电弧增材制造焊道尺寸预测

焊道重叠是电弧增材制造(Wire and Arc Additive Manufacturing,WAAM)技术的本质,合适的工艺参数选择对于控制焊道几何形状,提升成型零件的尺寸精度具有重要的意义,为此提出一种基于自适应布谷鸟搜索(Adaptive Cuckoo Search,ACS)算法优化的深度信念网络(Deep Beilef Network,DBN)预测模型ACS-DBN,在给定喷嘴高度、焊接电流、焊接速度、送丝速度这4个工艺参数的基础上预测焊道的熔宽和余高;基于实验法确定最优的隐层层数和隐元数量,构建基于ASC-DBN的WAAM焊道尺寸预测模型;利用仿真实验验证ACS-DBN预测模型的性能,与已有模型对比,结果表明,ACS-DBN模型能有效的映射WAAM焊道尺寸和焊接工艺参数之间的复杂非线关系,控制焊道尺寸的相对误差在6%以内,相对于其他预测模型具有更高的准确性和稳定性。

基于深度学习的完全填充型熔融沉积成型零件质量预测方法

抗拉强度、翘曲度和表面粗糙度是衡量熔融沉积成型(FDM)零件质量的重要指标,对其准确、稳定的预测有助于FDM工艺的发展。为此,提出一种基于优化深度信念网络的完全填充型FDM零件质量预测方法。首先根据FDM的生产工艺选取影响零件质量指标的主要变量,利用相关性分析方法确定对产品质量影响最大的工艺参数组合,以获取预测模型的输入变量;其次以10—折交叉验证的验证误差作为适应度值,基于网格搜索确定稀疏约束深度信念网络(SDBN)的最佳超参数组合,采用自适应布谷鸟搜索(ACS)算法对SDBN进行优化,构建完全填充型FDM零件质量预测模型;最后,将所提的ACS-SDBN与ACS-DBN、深度信念网络(DBN)和BP的预测结果进行对比,结果表明基于ACS-SDBN模型的完全填充型FDM零件质量预测方法具有更好的预测精度和稳定性。

基于IACS-IGA的分布式电源配置结构优化

为了合理地规划分布式电源(DG)接入位置和容量,构建了DG配置结构优化的多功能计算模型。以综合投资费用最小为目标,从发电费用、网络损失费用和DG环境保护费用这三个独立角度来分析配电网中接入DG的配置结构优化问题。模型引入适用遗传算法(GA)的改进自适应布谷鸟搜索(IACS)算法,形成了改进的自适应布谷鸟搜索遗传算法(IACS-IGA)混合策略,来提高GA后期的寻优精度。通过IEEE-33节点算例验证,比较不同算法下的仿真结果,证明了此改进算法在解决DG配置结构优化问题中的有效性和优势。

AIWCS优化SVM在并网逆变器故障诊断中的应用

风力发电并网逆变器的故障诊断是确保风电系统运行可靠和安全的关键。支持向量机是故障诊断的一种有效方法。为解决参数选择的不确定性,引入自适应惯性权重布谷鸟(AIWCS)算法来寻求惩罚参数和核函数参数的最优组合,提出基于自适应惯性权重布谷鸟算法优化支持向量机的风力发电并网逆变器故障诊断方法。以三相并网逆变器为例进行仿真试验,对其中电力电子元件IGBT故障进行诊断。仿真结果表明,与遗传-支持向量机和粒子群-支持向量机方法相比,AIWCS具有优化时间短、诊断精度高等特点。