基于双树复小波和自适应权重和时间因子的粒子群优化支持向量机的轴承故障诊断

提出了一种基于双树复小波和具有自适应权重和时间因子的粒子群算法优化支持向量机的轴承故障诊断方法。首先对机械振动信号进行DTCWT变换,提取能量熵作为特征向量。然后采用AWTFPSO算法优化SVM,实现轴承故障诊断。不同方法的对比实验及分析结果表明,该方法速度快、准确率高。

基于自适应权重与透镜成像学习的麻雀算法

为了解决麻雀搜索算法(SSA)存在的跳出局部最优值能力弱、寻优精度不理想等缺陷,提出了一种基于自适应权重因子与透镜成像反向学习的麻雀搜索算法(LIW-SSA)。利用Circle映射和一般反向学习策略生成麻雀种群,提升了初始种群的质量以及丰富性。将自适应权重因子引入到麻雀种群警戒者更新公式中,能有效平衡算法前后期搜索能力。采用透镜成像学习机制对当前麻雀最优个体实施干扰,提高了算法的跳出局部最优以及寻优性能。通过对基准测试函数的寻优对比,验证了提出的LIW-SSA算法相较于基本麻雀搜索算法以及其他优化算法,在算法稳定性以及寻优精度上得到了很大的提高。

一种基于自适应动态惯性权重加压缩因子的人工藻算法

针对标准的人工藻算法(AAA)会由于参数选取不当等原因导致过早收敛和易陷入局部最优解等问题,本文提出一种自适应动态惯性权重(SW)加压缩因子(CF)的人工藻算法(CFSWAAA).为了平衡算法的全局探索和局部改良能力,自适应动态惯性权重被引入到人工藻算法中:为了控制和约束人工藻位置的移动距离,压缩因子被引入到人工藻算法的位置更新中,从而提高算法的收敛速度.最后文章利用4个标准测试函数对改进的算法进行了仿真测试.仿真结果表明,基于自适应动态惯性权重加压缩因子的人工藻算法相比现有的其他四种算法具有较高的优化性能.

一种动态调整惯性权重的自适应蝙蝠算法

为了加快蝙蝠算法的收敛速度并提高寻优精度,提出一种动态调整惯性权重的自适应蝙蝠算法。该算法在速度公式中加入惯性权重,并采用一种服从均匀分布和贝塔分布的随机调整策略,动态地调整惯性权重的大小,以加快算法的收敛速度。另外,引入了速度纠正因子,在每次迭代时,算法可根据当前种群的迭代次数动态地约束每一代蝙蝠的移动步长,从而使算法具有一定的自适应性。仿真实验结果表明,改进后的算法的寻优性能显著提高,具有较快的收敛速度和较高的寻优精度。

改进自适应惯性权重粒子群算法及其在核动力管道布置中的应用

[目的]旨在研究非线性自适应惯性权重粒子群优化算法,实现船用核动力一回路系统管道路径的布置优化设计。[方法]根据船用核动力一回路系统的管道布局设计特点,建立一回路系统的管道布局空间模型、约束条件和评价函数;基于管道节点数量,提出一种粒子群优化(PSO)算法的新型定长编码方法,然后结合该编码方法建立方向引导机制;在此基础上,针对粒子群优化算法易陷入局部最优解、收敛速度慢的缺点,结合辅助线性变化的学习因子,提出一种基于非线性自适应惯性权重的改进粒子群优化算法;将改进粒子群优化算法与协同进化算法相结合,提出一种用于求解分支管道布局问题的协同进化粒子群优化算法,以用于核动力一回路系统的管道布局优化。[结果]仿真结果显示,所提的改进算法与标准算法相比收敛速度提高了40%~50%,不仅能够得到更好的管道布局效果,还解决了标准粒子群优化算法容易陷入局部最优解的问题。[结论]研究成果可为船用核动力一回路系统管道布置的优化设计提供有益的参考。

惯性权重自适应计算的粒子群优化算法

针对标准粒子群优化算法易出现早熟收敛及寻优精度低等缺陷,提出一种自适应惯性权重计算方法 MACIW,该方法的基本思想是:构建保持大小关系恒成立的惯性权重计算式的集合,确立该集合与粒子聚集度因子之间的映射关系,依据该映射关系通过监测粒子聚集度因子来自适应地计算惯性权重。进一步地,设计了基于MACIW的自适应PSO算法APSOM。使用6个基本测试函数对APSOM算法及其他2个算法进行仿真实验比较,结果验证了算法APSOM能增强寻优能力,且具有较强的稳定性。

基于动态自适应权重与动态服务级别协议的EPON带宽分配算法研究

针对当前EPON带宽分配算法无法实时分析网络性能,且没有考虑每个用户所提供业务的最终行为等不足。对此,提出一种基于动态服务级别协议的EPON带宽分配算法,其根据动态变化的一组权重来分配带宽,并不断分析平均包延迟以确保最高优先级业务满足接入网中每一类客户的平均包延迟要求;通过将动态自适应权重引入动态服务级别协议中,克服因采用固定权重分配所带来的不足。仿真结果表明所提算法能够显著提高带宽利用率,大幅度降低其丢包率以及平均包延迟,且能够使平均包延迟以及丢包率始终低于每类优先级用户的最敏感业务所允许的最高上限。

多车场带时间窗车辆路径问题的改良自适应大邻域搜索算法

针对多车场带时间窗车辆路径问题(MDVRPTW),提出一种改良自适应大邻域搜索算法(IALNS)。首先,在构造初始解阶段改进一种路径分割算法;其次,在优化阶段利用设计的移除和修复启发式算子相互竞争择优选取算子,为各算子引入评分机制,采用轮盘赌方式选取启发式算子;同时,将迭代周期分段,动态调整各周期内的算子权重信息,有效避免算法陷入局部最优;最后,采取模拟退火机制作为解的接受准则。在Cordeau规范算例上进行实验,确定IALNS的相关参数,将所提算法求解结果与该领域其他代表性研究成果对比。实验结果表明,所提算法与变邻域搜索(VNS)算法的求解误差不超过0.8%,在某些算例上甚至更优;与多相位改进的蛙跳算法相比,算法的平均耗时减少12.8%,所提算法在绝大多数算例上运行时间更短。因此,验证了所提算法是求解MDVRPTW的有效算法。

极值点自适应加权的动态时间规整算法

针对现有动态时间规整(DTW)算法普遍计算量大、时间复杂度高的问题,提出极值点自适应加权的动态时间规整算法(EWDTW)。局部极值的波动可反映序列变化趋势和整体形状特征,在提取局部极值点后按其原有位置分布近似表示原始时间序列,降低原始序列维数。在计算极值序列最佳动态弯曲路径的过程中,基于极值点的相位差、大小、类型等特征量为每个点设置自适应代价权重。利用权重参数调整距离矩阵的加权结构以适应不同特征的数据,并在降低计算复杂度的同时有效改善序列的病态对齐现象。实验结果表明,相比于DTW及其衍生算法,EWDTW算法在15个UCR数据集上的运算效率提升了10倍以上,尤其是在长时间序列和极值点占比低的序列上表现突出,并且对于大部分不同类型的时间序列具有良好度量性能,分类准确率更高。

自适应惯性权重的粒子群优化算法

针对粒子群优化算法容易陷入局部极值、进化后期的收敛速度慢和精度低等问题,提出自适应惯性权重的粒子群优化算法。算法采用自适应更新惯性权重,添加影响算子,并通过惯性权重自适应调整学习因子,然后加入随机局部搜索策略;最后使用测试函数,通过和3种优化算法进行30次重复实验。结果表明,提出的算法具有更好的全局收敛能力,且收敛精度、和稳定性都有明显的提升。

基于距离代价的自适应惯性权重粒子群优化算法

由于不同等级种群的学习能力不一样,其步长大小也会不一样,该文提出了一种新的基于距离代价的自适应惯性权重粒子群优化算法。该算法在运行过程中根据粒子位置的距离代价,将种群分为三个等级,对不同等级的种群采用不同的惯性权重策略更新粒子的速度和位置,并在每次迭代的过程中对全局最优加入一个扰动因子来增加粒子的多样性。通过仿真实验,将该文提出的PSO算法与其他几种粒子群优化算法进行对比,实验结果表明:在相同条件下该算法能以较少的迭代次数得到最优解,同时兼具好的收敛速度和高的收敛精度。

基于惯性权重调整的果蝇优化算法在WSN中的应用

目的:针对无线传感器网络随机部署节点的区域覆盖和传感器节点能量消耗问题,提出一种基于惯性权重余弦自适应调整策略的改进果蝇优化算法。方法:该算法在果蝇优化算法基础上,通过引入惯性权重的学习因子调整策略,在线调整算法的搜索步长。结果:增强了果蝇个体的自适应性及全局搜索能力,从而实现全局最优。结论:仿真实验表明,提出的改进果蝇优化算法不仅提高了收敛速度和全局搜索能力,还显著提升了WSN的覆盖率。

求解时间分数阶相场微分方程的自适应分数阶物理信息网络

本文提出具有自适应权重的分数阶物理信息神经网络(adaptive-fPINN-PQI)求解时间分数阶偏微分方程。首先,利用Hadamard有限部分积分意义上的分段二次插值(PQI)对时间分数阶导数进行离散。其次,为降低自动微分引入的误差,本文采用中心差分法代替自动微分求导,计算空间各阶偏导数,提高了预测解精度。此外,本文构建的自适应权重残差网络,基于残差网络架构有效防止梯度消失。并通过建立自适应权重来自动调整不同损失项的权重,显著平衡其梯度,进一步提升预测解精度。最后,将adaptive-fPINN-PQI用于求解时间分数阶相场偏微分方程,证明了该网络的高精度和高效率。

融合自适应权重和变螺旋收敛曲线的鲸鱼优化算法

为解决基本鲸鱼算法(WOA)收敛速度慢、求解精度低、容易陷在局部最优等问题,文章提出了一种融合自适应权重和变螺旋曲线的鲸鱼优化算法(WSWOA)。首先引入非线性收敛因子,用于平衡勘探和开发阶段,防止算法过早陷入局部最优;其次引入自适应惯性权重,通过提升算法随机搜索粒子的影响力,以达到更好的全局寻优效果,并在后期通过加强精英粒子的引导能力使算法快速收敛于全局最优处;最后利用余弦函数特性对螺旋曲线进行改进,在迭代前期扩大螺旋搜索范围,并在后期快速收缩包围,向全局最优收敛。通过与多种优化算法在8种基准函数进行对比的仿真实验表明,该算法在稳定性、收敛速度以及求解精度方面有了显著提升。

一种带有二维扰动和自适应学习因子的粒子群算法

针对粒子群算法(Particle Swarm Optimization,PSO)容易陷入局部最优值、后期收敛速度慢和收敛精度低等问题,提出了一种带有二维扰动和自适应学习因子的粒子群算法(TDDALFPSO).首先,提出了自适应惯性权重和学习因子调节算法调节惯性权重、认知系数和社会系数,提高了全局搜索能力和局部搜索能力;然后提出了基于位置、速度二维扰动更新粒子位置的算法,避免了不在最优值区域的全局历史最优值对搜索的误导,提高了算法的收敛速度和精度;最后通过变异一些适应度值最差的粒子,让它们搜索空间中的其他领域,增加了种群的多样性,改善了算法容易陷入早熟的问题.仿真实验表明和基本PSO算法相比,TDDALFPSO在收敛速度、精度和稳定性上有了明显的提高;并且在大多数优化问题上和基于线性惯性权重递减的PSO算法(PSO-W)、基于综合学习的PSO算法(CLPSO)、基于适应值距离比例的PSO算法、基于三角函数动态参数选择的PSO算法(TPSO)和带正弦函数因子的粒子群优化算法(TFPSO)相比,TDDALFPSO在收敛速度、精度和稳定性上都有一定的优势.

基于分段特征及自适应加权的DTW相似性度量

利用动态时间弯曲(DTW)技术在原始多元时间序列进行相似性度量时时间复杂度较高,且DTW在追求最小弯曲距离的过程中可能会出现过渡拉伸和压缩的问题。提出一种基于分段特征及自适应加权的DTW多元时间序列相似性度量方法。对原始时间序列在各个变量维度上进行统一分段,选取分段后拟合线段的斜率、分段区间的最大值和最小值以及时间跨度作为每一段的特征,实现对原始序列的大幅降维,提高计算效率。在DTW计算最佳弯曲路径的过程中为每个点设置自适应代价权重,限制弯曲路径中点列的重复使用次数,改善时间序列因过度拉伸或压缩所导致的度量精度低的问题,以得到最优路径路线。实验结果表明,该方法能很好地度量多元时间序列之间的相似性,在多个数据集上都能取得较好的度量结果。

基于自适应增量集成学习的非平稳金融时间序列预测

金融市场对于社会经济的发展非常重要,因此金融时间序列预测(Financial time series prediction,FTSP)一直是人们研究的焦点。至今,许多基于统计分析和软计算的方法被提出以解决FTSP问题,其中大多数方法将金融时间序列(Financial time series,FTS)视为或转化为平稳序列进行处理。但是,由于绝大部分FTS是非平稳的,因此这些方法通常存在伪回归或预测性能不佳等问题。本文提出了一种自适应增量集成学习(Self-adaptive incremental ensemble learning,SIEL)算法,用于解决非平稳金融时间序列预测(Non-stationary FTSP,NS-FTSP)问题。SIEL算法的主要思想是为每个非平稳金融时间序列(Non-stationary FTS,NS-FTS)子集增量地训练一个基模型,然后使用自适应加权规则将各基模型组合起来。SIEL算法的重点在于数据权重和基模型权重的更新:数据权重基于当前集成模型在最新数据集上的性能进行更新,其目的不是为了数据采样,而是为了权衡误差;基模型权重基于其所处环境进行自适应更新,且基模型在越新环境下的性能应具有越高的权重。此外,针对NS-FTS的特征,SIEL算法提出了一种能协调新旧知识以及应对环境重演的策略。最后,给出了SIEL算法在3个NS-FTS数据集上的实验结果,并将其与已有算法进行了对比。实验结果表明,SIEL算法能很好地解决NS-FTSP问题。

基于改进自适应粒子群算法的MPPT追踪系统

为优化最大功率点追踪(MPPT)技术的追踪精度和追踪时间,提出一种改进自适应粒子群算法(APSO)。对传统PSO算法进行优化,引入自适应惯性权重和非线性学习因子,使其在全局寻优-局部寻优-全局寻优状态下加速MPPT追踪,最后搭建光伏发电系统对自适应粒子群算法进行仿真验证。试验证明:相比于传统PSO算法,改进的APSO算法追踪精度更高,收敛速度更快。未遮挡环境(STC)恒温和变温下收敛速度提升了30.6%和39.2%,局部遮挡(PSC)恒温和变温下收敛速度提升了54.0%和53.7%,改进的APSO算法在PSC环境下更具优势;PSO算法最大功率稳定后占空比存在震荡现象,而APSO算法的占空比为稳定状态,提高了系统的稳定性能。

基于自适应动态鲸鱼优化算法的路径规划研究

针对鲸鱼优化算法(WOA)求解路径规划问题时存在收敛慢、精度低以及局部最优等缺陷,提出一种自适应动态鲸鱼优化算法(ADWOA)来实现对路径的合理规划。首先,引入改进后的Circle混沌映射提高初始种群质量;然后,使用非线性收敛因子和自适应惯性权重平衡算法的全局寻优和局部寻优,加快算法收敛速度;最后,使用动态的螺旋更新系数,提高算法跳出局部最优的能力。通过仿真实验验证了自适应动态鲸鱼优化算法在机器人路径规划时的有效性。

基于logistic映射的自适应变尺度混沌粒子群算法

为克服粒子群优化算法(Particle Swarm Optimization,PSO)存在的缺陷,提出基于Logistic映射的自适应变尺度混沌粒子群优化算法(Adaptive Chaos PSO,ACPSO)。采用混沌方法对粒子进行初始化;根据不同状态下粒子适应值的大小对惯性权重采取不同的调整方法;异步变化的学习因子使粒子随着迭代步数的增加,避免粒子发生早熟收敛现象;当粒子陷入局部最优时,对部分较优粒子采用变尺度混沌局部优化策略。为了检验算法的有效性,将该算法与3种有代表性的算法进行比较,结果表明该算法收敛速度快,求解精度高。