结合蜉蝣算法和响应面的结构静力损伤识别

提出了一种结合蜉蝣智能搜索算法和静位移响应面的结构损伤识别方法.首先构造了基于灵敏度的静力损伤识别方程残差和位移残差指标的正则化优化目标函数,然后采用人工智能领域的蜉蝣算法来识别结构单元级别的损伤.在优化过程中,为了解决静力加载点和位移测点不一致的问题,利用模型凝聚和位移扩展方法重新构建了损伤识别方程.同时,利用静位移响应面计算目标函数中的位移残差,避免了耗时的有限元计算,提高了优化效率.简支梁的数值算例结果表明,本文方法在寻优速度和精度方面均优于传统的粒子群法和差分进化算法;与单独基于静力损伤识别方程残差或位移残差指标的方法相比,识别损伤更为准确.铝合金悬臂梁损伤识别的静载实验进一步验证了本文方法的高效率和有效性.

基于反吸引速度更新机制的改进蜉蝣算法

针对蜉蝣算法(MA)前期收敛速度较慢、后期寻优精度不高等问题,提出一种基于反吸引速度更新机制的改进蜉蝣算法(MMOA)。采用改进型Tent混沌序列初始化蜉蝣种群,使蜉蝣分布更加均匀,提升了种群的多样性;结合MA的特点,引入反吸引速度更新机制指导蜉蝣速度更新,平衡算法的全局搜索和局部寻优能力,进而提升算法的收敛性能;对全局最优蜉蝣进行逐维的重心反向学习变异,降低各维度间的干扰,帮助算法跳出局部最优并加速收敛。基于12个标准测试函数和部分CEC2017测试函数进行对比仿真实验,结果表明:MMOA较灰狼优化(GWO)算法、MA等算法在收敛速度、寻优精度和稳定性等方面都具有明显优势。

引入精英反向学习和柯西变异的混沌蜉蝣算法

为提高蜉蝣算法的收敛速度,提升算法寻优能力,提出一种引入精英反向学习和柯西变异的混沌蜉蝣算法。利用Circle混沌映射序列优化初始种群使种群分布更加均匀,提高种群多样性。在蜉蝣更新阶段,对蜉蝣中的精英个体进行反向学习策略,防止算法陷入局部最优,提高算法收敛速度。为保证种群进化方向和扩大寻优范围,将自适应概率阈值和柯西变异的扰动机制相结合,对劣势蜉蝣个体附近生成更大的扰动。通过8个基准测试函数实验对比和Wilcoxon秩和检验,实验结果表明,混沌蜉蝣算法在收敛速度、求解精度以及稳定性等方面有较大提高。

多策略融合改进的自适应蜉蝣算法

为改进蜉蝣算法全局搜索能力较差、种群多样性较小和自适应能力弱等问题,提出一种多策略融合改进的自适应蜉蝣算法(MIMA)。采用Sin混沌映射初始化蜉蝣种群,使种群能够均匀分布在解空间中,提高初始种群质量,增强全局搜索能力;引入Tent混沌映射和高斯变异对种群个体进行调节,增加种群多样性的同时调控种群密度,增强局部最优逃逸能力;引入不完全伽马函数,重构自适应动态调节的重力系数,建立全局搜索和局部开发能力之间更好的平衡,进而提升算法收敛精度,有利于提高全局搜索能力;采用随机反向学习(ROBL)策略,增强全局搜索能力,提高收敛速度并增强稳定性。利用经典测试函数集进行算法对比,并利用Wilcoxon秩和检验分析算法的优化效果,证明改进的有效性和可靠性。实验结果表明:所提算法与其他算法相比,寻优精度、收敛速度、稳定性都取得了较大提升。

精英协同进化的蜉蝣算法

蜉蝣算法的种群多样性低、寻优性能差,为此提出基于精英协同进化的蜉蝣算法(ECMA).将雄性蜉蝣种群根据自身种群适应度分为精英种群和普通种群,精英个体进行自我学习以保持种群的多样性,实现高水平的全局搜索;普通个体飞向统一目标进行局部开发,以提高ECMA的收敛速度.根据婚姻市场理论改进雌性蜉蝣的位置更新,提高ECMA的寻优性能;引入新的自适应重力系数平衡全局搜索和局部开发能力,提高ECMA的收敛精度;引入莱维飞行的跳出策略,避免ECMA陷入局部最优.基于20个基准测试函数和CEC2019测试函数进行算法的仿真优化分析,与蜉蝣算法以及其他优秀的群智能算法相比,ECMA在寻优精度、收敛速度和稳定性方面均有较大提升.

改进蜉蝣算法求解工艺规划与调度集成问题

针对工艺规划与调度集成问题(IPPS),基于AND/OR析取图和“组合”的概念以最小化最大完工时间为优化目标建立数学模型;设计一种整数编码方案,该方案无需预先为工件生成加工路径,可同时处理工艺规划与调度问题,由于初始解对算法的寻优能力的影响,在种群初始化时考虑机器的负荷以提高初始种群的质量;解码时采用插空的方法生成活跃调度,以缩短工件整体的加工时间;离散蜉蝣算法实现求解IPPS,采用Metropolis准则接收较差的解,引入自适应因子提高算法的收敛速度,设计局部搜索算法提高算法的精度。最后通过大规模基准算例进行实验并与其他算法对比分析,验证该算法有较好寻优性能。

太赫兹光谱在转基因菜籽油鉴别中的应用:基于改进蜉蝣算法的支持向量机模型

为实现对转基因和非转基因菜籽油的快速准确鉴别,结合太赫兹时域光谱技术,提出了一种基于改进蜉蝣优化算法的支持向量机模型.以两种转基因和两种非转基因菜籽油为研究对象,应用太赫兹时域光谱技术获取其光谱信息,发现相比于非转基因菜籽油,转基因菜籽油在太赫兹波段具有更强的吸收特性,同时它们的吸收光谱极为相似,难以通过观察法进行准确区分.为此,提出一种基于改进蜉蝣优化算法的支持向量机模型,通过采用蜉蝣优化算法对支持向量机参数进行寻优,并引入自适应惯性权重和Lévy飞行两种策略改进蜉蝣优化算法在寻优过程容易陷入局部最优解的问题,增强蜉蝣优化算法的全局搜索能力和稳健性.实验结果表明:改进后的蜉蝣优化算法能够更有效地寻找到支持向量机的最优参数组合,提升鉴别模型的整体性能,该模型对4种菜籽油的识别精度为100%.因此,本研究为转基因菜籽油的类型鉴别提供了一种快速有效的新方法,也为其他转基因物质的鉴别提供了有价值的参考.

蜉蝣算法在供应链库存优化中的应用

针对蜉蝣算法(mayfly algorithm,MA)全局搜索能力差、搜索精度不高和自适应能力弱等问题,提出一种多策略融合的蜉蝣算法。首先,提出吸引力增强因子,同时引入自适应动态调节的重力系数,来平衡搜索和开发能力;其次,提出中值位置作为群体位置的一部分,加强种群交流,避免陷入局部最优;最后,引入正弦余弦策略,增强全局搜索能力,提高收敛精度并增强稳定性。8种典型功能函数的仿真结果证明改进后的算法收敛能力提高、收敛精度加强。将改进后的蜉蝣算法应用于工程中,在供应链库存系统中调节比例-积分-微分(proportion-integration-differentiation,PID)参数,与其他算法相比,成本下降9.5%,证明该算法在工程上具有适用性。

基于改进蜉蝣算法优化多阈值图像分割

针对图像多阈值分割中存在分割效率低、计算时间长以及精度不高等问题,提出了一种基于改进蜉蝣算法的多阈值图像分割算法。首先,在初始化阶段引入类随机采样方法中的Sobol序列,增强种群的遍历性和多样性;其次,提出一种自适应非线性惯性权重,平衡了全局与局部寻优能力,提高了算法的收敛效率,利于种群向最优解逼近;最后,采用指数熵作为计算适应度的目标函数,通过改进蜉蝣算法对图像分割的多阈值组合进行寻优,确定最优分割阈值。为了验证该改进算法的有效性,选择了伯克利图像来进行分割验证,并与其他智能算法进行比较。实验结果表明:该改进算法在分割准确性、计算时间、结构衡量指标(structure similarity index measure,SSIM)和峰值信噪比(peak signal-to-noise ratio,PSNR)上均优于对比算法,能快速有效地解决复杂多目标图像的多阈值分割问题,具有较强的工程实用性。

具有稚虫迁徙机制的S型自适应混沌蜉蝣算法

针对蜉蝣优化算法(MA)全局搜索能力较弱,对子代优秀个体有效信息利用不够充分的缺点,以及在计算中后期易陷入局部收敛,进而影响优化效果的问题,提出一种具有稚虫迁徙机制的S型自适应混沌蜉蝣优化算法(S-AMA)。S-AMA算法首先采用Logistic混沌映射产生蜉蝣种群,增加算法初期种群的多样性;随后,将蜉蝣生命周期进行数学建模,并引入S型生命系数替换原有的重力惯性系数,动态调整算法探索能力和开发能力间的平衡性;最后,根据蜉蝣在缺氧环境下的种群活动,引入稚虫迁徙机制强化子代优秀个体摆脱局部最优的能力,进而更加充分地搜索最优解附近的区域,以增强算法的收敛精度。实验部分将S-AMA应用于标准函数测试集,并分别进行优化对比实验、Wilcoxon秩和检验。结果表明:与对比算法相比,S-AMA算法具有更好的寻优能力、收敛速度及鲁棒性。

改进离散蜉蝣算法的多目标动态网络社区发现

动态网络社区发现能检测出随时间不断变化的社区结构,其研究具有重要意义。为了有效地解决动态网络社区发现问题,将蜉蝣算法引入社区发现,提出了一种多目标离散蜉蝣算法的动态网络社区发现方法(MODMA)。首先,在初始化阶段结合基于种群的标签传播算法和标签扩散算法对蜉蝣种群进行初始化,有利于提高初始解的互补性和多样性;其次,将蜉蝣个体更新策略进行离散化,进一步充分搜索全局空间;然后,提出改进的交叉操作并结合两种变异策略,加快种群的进化速度;最后,对最优解进行基于边界点的局部搜索,避免算法陷入局部最优,提高寻优搜索能力和收敛能力。在算法求解过程中,使用非支配排序和拥挤度距离排序机制保留优质解。大量基于合成网络和真实网络的实验结果表明,MODMA算法与对比算法相比具有更高的求解精度。

改进蜉蝣算法及其在脑电信号识别中的应用

针对蜉蝣算法搜索能力欠佳、容易陷入局部最优等不足,提出了一种混沌模拟蜉蝣算法。首先,对比选择了Logistic混沌序列生成初始化种群,使用模拟退火算法对蜉蝣算法的速度更新方式进行了优化。然后,基于7个测试函数对改进后的算法进行仿真对比实验,结果证明改进后算法的寻优性能和收敛速率明显提升。最后,对5位受试者的脑电信号进行了时频域和F-score特征提取,并使用改进后的算法优化支持向量机分类器。应用优化后的分类器对提取的信号数据进行了识别,与不同分类器的识别结果相比,改进蜉蝣算法优化后的分类器的平均识别率达88%以上。

基于改进蜉蝣算法的含分布式电源配电网无功优化

近年来,风光等分布式电源(distributed generation,DG)的大规模并网运行给主动配电网无功优化带来新挑战。首先,在对分布式电源无功调控特性进行分析的基础上,针对配电网单相、三相混杂的情况,文中分别建立了考虑三相平衡与不平衡情况下计及DG无功支撑能力的配电网无功优化模型。其次,在蜉蝣算法的基础上,利用Sobol序列生成超均匀分布的初始蜉蝣种群提高算法收敛性;引入自适应重力系数合理化搜索机制和基因突变以增加种群多样性;同时调整越界约束策略以减少无效计算,提出一种改进蜉蝣算法(improvedmayflyalgorithm,IMA)用于求解含DG的配电网无功优化问题,并给出具体的无功优化流程。最后,通过对改进后的IEEE 33节点和三相IEEE 33节点配电系统进行测试,验证IMA较于其他智能算法在无功优化计算中的优越性。结果表明所提模型和算法能够有效降低配网的有功网损和三相不平衡度,提高各节点的电压水平。

基于多目标蜉蝣算法的求解云制造环境下柔性开放车间调度问题研究

针对云制造环境下柔性开放车间调度特点,综合考虑企业内云任务和自有任务协同调度、能源消耗和剩余制造资源利用情况,建立以最小化总加权完工时间、最小化总加工能耗成本、最大化机器利用率为优化目标的生产调度模型。基于多目标蜉蝣算法(muti-objectivemayfly algomithm,MMA)设计工序和机器的双层编码方案、种群进化策略,通过仿真实验,验证上述模型和MMA的有效性。

多策略改进蜉蝣算法的无人机航迹规划

针对传统蜉蝣算法在求解无人机航迹规划存在稳定性差、精度低、收敛速度慢,且容易陷于局部最优等问题,提出了一种应用于无人机航迹规划的多策略改进蜉蝣算法。首先,建立代价函数模型和环境模型,将无人机航迹规划问题转变为满足无人机可行航路要求和航路安全约束的优化问题;其次,基于莱维(Lévy)飞行原理对粒子种群(PSO)初始化,通过采用自适应t分布和基于Pareto原理的精英保留策略对传统蜉蝣算法进行改进;最后,通过仿真实验验证了所提算法。结果表明:改进的蜉蝣算法的性能优于传统蜉蝣算法和粒子群算法,且规划出的航迹质量较高。

基于改进蜉蝣算法的光伏MPPT研究

针对光伏(PV)阵列难以兼顾局部遮荫情况(PSC)下准确跟踪多峰全局最大功率点(GMPP)和均匀辐照度情况(UIC)下快速完成单峰最大功率点跟踪(MPPT)的问题,提出一种基于改进蜉蝣算法(IMA)的PV MPPT方法。首先,分析了PV阵列在理想电流源区域的电流-电压(I-U)特性曲线,提出阴影检测机制对PV阵列的遮光情况进行监测以区分PV阵列功率-电压(P-U)曲线的多峰-单峰情况;然后,采用末位淘汰策略的IMA进行多峰MPPT,同时,利用二等分搜索策略的IMA快速实现单峰MPPT;最后,仿真和实验结果表明基于IMA的PV MPPT方法可有效判断多峰-单峰情况,并在单峰MPPT场景和多峰MPPT场景下均具有更高的跟踪时效和精确度。

基于二进制蜉蝣算法的频谱资源分配

针对目前基于图论的认知无线电频谱分配算法存在收敛速度较慢、寻优精度不高等问题,提出了二进制蜉蝣算法,通过引入汉明距离对蜉蝣速度更新公式进行了重新定义,通过Sigmoid函数将蜉蝣位置更新进行了二值化处理,通过有向双点交叉和按位变异对蜉蝣群体的交配和变异行为进行了重新诠释,并将其应用于频谱资源分配,与经典的二进制粒子群算法、离散人工蜂群算法和二进制蜻蜓算法进行比较,实验结果表明,二进制蜉蝣算法收敛速度快、寻优能力强,能够有效地提高频谱资源利用率和频谱分配公平性。

基于改进离散蜉蝣算法的双资源柔性车间可持续调度方法

在目前对柔性车间调度问题所进行的研究中,大多忽略了工件运输时间这一因素,并且也很少对可持续发展的经济、环境和社会3个要素进行综合优化。针对这些问题,提出了一种考虑运输时间的双资源柔性车间调度问题(DRCFJSPT)模型。首先,以完工时间、生产成本、能耗和人体工程学风险为优化目标,构建了柔性车间调度数学模型,并结合多目标模型的特点,设计了一种改进离散蜉蝣算法(IDMA),并对模型进行了求解;然后,采用熵值法评价了帕累托解集,基于三层编码并考虑了运输时间的插入式解码方式,设计了混合初始化方法,离散改进了蜉蝣更新方式;最后,为了验证IDMA求解DRCFJSPT的性能,采用MATLAB,对某机床零件加工企业生产数据进行了实验,并将其结果与采用非支配排序遗传算法(NSGA)-Ⅱ得到的结果进行了对比分析。研究结果表明:改进算法的解集质量和收敛性能均显著优于参考算法,通过改进算法求得最优解的最大完工时间为35.94 h,加工成本为6 003.95元,能耗为2 054.54 kW·h,人体工程学风险值为138.16;该结果可为实际复杂的柔性车间调度环境提供清晰准确的调度方案。

改进蜉蝣算法求解认知车载网络频谱分配问题

针对传统认知车载网络频谱分配效率低、速度慢的问题,提出基于改进蜉蝣优化算法的频谱分配算法。以反向学习、动态惯性权重、多阶段动态扰动及正余弦优化交配机制提升标准蜉蝣优化算法的寻优性能;将频谱分配变量映射为蜉蝣个体位置信息,将网络吞吐量和接入公平性作为评估蜉蝣位置的适应度函数,利用改进蜉蝣算法搜索最优频谱分配方案。实验结果表明,改进算法的搜索精度和收敛速度都有所提升,能够更快得到频谱分配方案,车载用户收益和分配公平性方面也更有保障。

基于改进多目标蜉蝣算法的配网电池储能系统最优选址定容

电池储能系统(BESSs)在配电网的选址定容是保证BESSs和配电网经济可靠运行的关键。基于此,提出了一种配电网BESSs最优选址定容方法。首先,采用C-均值聚类算法对全年的负荷曲线和风、光出力曲线进行典型日聚类。进而,以BESSs日均综合成本、电压波动和负荷波动最小为目标,建立了配电网BESSs最优选址定容的多目标优化模型。为获得BESSs等决策变量的Pareto最优解集,设计了改进的多目标蜉蝣算法(MMOMA)进行求解。为实现三个目标的最佳权衡,采用改进理想点决策(IIPBD)方法对Pareto最优解集进行折中决策。最后,利用扩展的IEEE33节点配电系统进行仿真测试,以验证所提方法的有效性。仿真结果表明,与另外两种传统多目标优化算法相比:所提MMOMA获得的Pareto前沿分布更广、更均匀;IIPBD方法获得的折中决策方案有效实现了BESSs投资成本的最小化,同时能显著降低配电网的电压波动和负荷波动。