蜣螂优化算法下“互联网+营销服务”虚拟机器人应用模型

为了应对新形势下的电力营销服务形势,提升互联网时代的电网优质服务水平,利用蜣螂优化(dung beetle optimizer,DBO)算法,设计了一种“互联网+营销服务”虚拟机器人模型。首先针对电网营销部门可能发生的人机交互情景开展交互分析与关系框架设计,然后基于深度Q网络(deep Q network,DQN)建立虚拟机器人自主学习模型,引入DBO算法完成模型超参数的高效寻优并通过训练完成优化后的模型学习,最终将实际的电力营销数据输入到模型中进行实验测试。在特定的测试环境下综合检测模型的实际应用情况,测试结果表明:该虚拟机器人模型在功能性实验、非功能性实验和安全性实验中模型运转和系统运转正常率达到100%,能够较好地实现人机交互功能,达到全天候客户需求精准响应的战略目标。

基于蜣螂算法优化深度极限学习机的中介轴承故障诊断方法

针对中介轴承故障信号传递路径复杂、受背景噪声干扰大、故障特征提取难,且传统诊断模型准确率受限于测点位置的问题,提出了一种基于自适应噪声完全经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与蜣螂算法(dung beetle optimizer,DBO)优化深度极限学习机(deep extreme learning machine,DELM)结合的中介轴承故障诊断方法。首先,使用CEEMDAN和由能量比-相关系数-峭度值组成的固有模态分量筛选准则对原始信号进行分解、筛选、重构,在重构信号的时域与频域中提取特征组成特征矩阵;其次,将诊断准确率作为DBO的适应度值,对DELM模型的初始权重进行优化构建出全新的DELM;最后,将特征矩阵输入DELM完成故障诊断。以中介轴承故障数据为例,经DBO优化后的DELM诊断准确率取得了较大提升,在诊断较为困难的45°方向上诊断准确率仍达到了98.75%。结果表明,该诊断方法有效识别了中介轴承故障类型,展现了较强的鲁棒性与泛化能力。

基于DBO优化的球载吊舱自抗扰姿态控制

针对采用扭转器作为执行机构的球载吊舱姿态控制方案,利用步进电机作为动力来源,设计了基于自抗扰控制(ADRC)算法的串级控制器,利用蜣螂优化算法(DBO)对控制器中的关键参数进行了寻优,利用寻优得到的控制器相关参数,对吊舱的姿态控制进行了仿真,并考虑了吊舱在飞行过程中抛砂对控制产生的影响。仿真结果表明,所设计的控制算法能跟踪静态与动态目标,控制精度较优,并具有一定的抗干扰能力,也证明了蜣螂优化算法的有效性。

基于IDBO-XGBoost的铁路隧道岩爆烈度等级预测方法与应用

为减少铁路隧道施工过程中岩爆事故的发生,在施工前做好岩爆烈度等级预测,提出了改进蜣螂优化算法(Improved Dung Beetle Optimizer,IDBO)与极限梯度提升树(Extreme Gradient Boosting,XGBoost)相结合的铁路隧道岩爆烈度等级预测模型。首先,依据岩爆成因及特点,综合选取围岩切向应力(σθ)等四个特征因素作为预测岩爆烈度等级的主控因素,建立岩爆烈度等级预测数据集;其次,引入Sine混沌映射、黄金正弦策略(Golden Sine Strategy,SA)、自适应高斯-柯西变异扰动策略以及贪婪选择策略并进行改进,以提高其全局搜索能力和稳定性;而后利用IDBO优化XGBoost中的超参数提升其预测精度,同时避免XGBoost出现“过拟合”现象;最后,将其结果与DBO-XGBoost、粒子群算法优化反向传播神经网络模型(Particle Swarm-Optimization Back Propagation Neural Network,PSO-BPNN)和遗传算法优化支持向量机模型(Genetic Algorithm Support-Vector Machine,GA-SVM)的结果进行对比。结果表明:IDBO-XGBoost模型准确率最高,相较于其他三种模型在测试样本中的准确率分别提高了8.69%、17.39%、8.69%;IDBO-XGBoost模型在处理岩爆问题上能更好地捕捉岩爆等级与指标之间的联系,可为实际工程的岩爆预测提供科学依据。

基于DBO-LQR和MPC的智能车轨迹跟踪控制

为提高智能车辆轨迹跟踪的精度和稳定性,提出1种基于蜣螂优化(DBO)算法优化的线性二次型调节器(LQR)与模型预测控制(MPC)的横向、纵向控制策略。构建车辆动力学模型和基于Frenet坐标系下的横向误差模型,设计带有前馈的横向LQR控制器,利用蜣螂优化算法确定LQR控制器权重系数;基于MPC实现纵向速度和位置的跟踪,利用纵向速度联结横向控制器与纵向控制器,同时对车辆的速度和转向进行控制;最后基于CarSim和Matlab/Simulink联合仿真平台在不同道路工况下进行仿真实验,验证所提策略的有效性。结果表明:在城市道路泊车、城市道路换道、高速公路换道3种工况下,车辆的最大横向跟踪误差均小于0.010 m、航向偏差在0.0250 rad内;横摆角速度及前轮转角变化比较平稳、无明显抖动,所提策略可有效提高车辆跟踪轨迹的精度和稳定性。

基于CEEMDAN和DBO-GRNN的风电功率超短期预测

针对风电数据波动性过大而导致的风电功率预测不精确问题,提出一种基于自适应噪声完备集合经验模态分解(complementary ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与蜣螂算法(dung beetle optimizer,DBO)优化的广义回归神经网络(generalized regression neural network,GRNN)超短期风电功率预测方法。首先将原始风功率序列进行时滞特性分析,选取与预测时刻相关性强的时序进行多路时序建模;然后对相关性强的时序进行CEEMDAN分解,得到一组本征模态分量(intrinsic mode function,IMF)和剩余分量;其次将上述两组分量输入经蜣螂优化算法优化的GRNN网络进行各分量预测;然后将各预测分量叠加,得到最终预测结果。算例分析表明,所提的CEEMDAN-DBO-GRNN预测模型的预测精度更高,而且CEEMDAN能够减少风电功率波动性与随机性对预测结果的影响,同时利用蜣螂算法优化后的超参数模型进行预测,在一定程度上提高了超短期风电功率预测的精度。