融合莱维飞行与混合变异的蝠鲼觅食优化传感器节点覆盖策略

为了解决无线传感器网络节点分布不均,导致有效网络覆盖率较低的问题,提出一种融合莱维飞行与混合变异的蝠鲼觅食优化传感器节点覆盖策略M⁃MRFO。首先,在蝠鲼种群初始化生成方面引入广义对立学习机制,提高种群在搜索空间内的多样性和算法遍历性;其次,结合莱维(Levy)飞行机制对算法的权重因子和翻滚因子进行调整,通过Levy飞行的随机跳跃式搜索提高种群的全局寻优能力;最后,提出针对精英个体的高斯分布和柯西分布混合变异方法,使算法具备跳离局部最优的能力。将改进算法应用于传感器节点的网络覆盖优化中,利用蝠鲼种群启发式觅食行为模式对节点部署位置迭代寻优。实验结果表明,与标准蝠鲼觅食优化算法MRFO、改进差分进化算法IDEA和混合改进蚁狮算法MS⁃ALO相比,改进算法M⁃MRFO能够有效降低节点冗余,更均匀地实现节点部署,提高网络覆盖率。

改进蝠鲼觅食优化的粒子滤波算法

针对粒子滤波中粒子退化和重采样造成的粒子多样性损失的问题,提出一种改进的粒子滤波算法,将蝠鲼觅食优化算法应用到粒子滤波当中。通过链式和螺旋阶段使驱使粒子向高似然区域靠近,粒子随机进行横向交叉,提高多样性;利用适应度阈值将粒子分为高低权值两组,分别进行翻滚觅食过程,通过全局最优值和低权值粒子进行线性组合,使后者仍以新粒子的形式存在于滤波之中,改善粒子退化现象。仿真结果表明,对比其它智能优化的粒子滤波算法,提出算法提高了最优解求解精度,减少了滤波的估计误差。

引入改进蝠鲼觅食优化算法的水下无人航行器三维路径规划

针对复杂环境下传统群体智能优化算法在求解水下无人航行器(UUV)路径规划的过程中存在路径搜索能力不足、易陷入局部最优等问题,提出了一种引入改进蝠鲼觅食优化算法的UUV三维路径规划方法。首先,根据UUV在水下航行时的实际环境,建立相关地形模型和威胁源模型;其次,对传统的蝠鲼觅食优化算法进行改进,相关改进包括在初始化过程中加入局部反向学习机制优化种群的位置,提高了种群的多样性;根据每次迭代后种群个体适应度的不同,改进蝠鲼翻滚觅食的翻滚因子S,由此实现一种自适应翻滚,有利于跳出局部最优;同时,在蝠鲼螺旋觅食过程中融合莱维飞行-柯西变异策略,扩大了搜索路径和种群搜索范围,提升了算法寻找全局最优的能力;最后,将改进的蝠鲼觅食优化算法引入到UUV的路径规划中,进行相应的实验模拟。实验结果表明:在地形1中采用改进的蝠鲼觅食优化算法所规划的路径相比于灰狼算法和蝠鲼觅食优化算法分别降低了32.49 km和23.88 km,航迹代价分别降低了9.68和4.04;在地形2中采用改进的蝠鲼觅食优化算法所规划的路径相较于灰狼算法和蝠鲼觅食优化算法分别降低了20.83 km和29.95 km,航迹代价分别降低了10.14和3.18;同时,所提路径规划方法能够使UUV有效地避开障碍物、威胁物等,较大地降低了风险成本,安全性更高。

基于自适应蝠鲼觅食优化算法的分布式电源选址定容

建立了考虑有功功率损耗、电压分布、污染排放、分布式电源(DG)成本以及气象条件的DG选址定容规划模型,其中选址、定容工作分别是一个离散、连续变量,是一个高度非线性、含离散优化变量的复杂模型.因此,应用自适应蝠鲼觅食优化(AMRFO)算法获取最优Pareto解集,其具有丰富多样的搜索机制,个体更新机制以及先进的Pareto解筛选机制,针对该模型能够获得更加优异的高质量解.为回避权重系数人为设置主观性带来的影响,采用基于马氏距离的理想决策点法进行Pareto最优解集决策.最后,基于IEEE 33, 69节点配电网和孤网运行的IEEE 33, 69节点配电网进行仿真分析.研究结果表明:与传统的多目标智能优化算法相比,AMRFO算法能够获得分布更加广泛、均匀的Pareto前沿,在兼顾经济性的同时,配电网的电压分布、有功功率损耗的改善效果显著优于其他算法.

离散蝠鲼觅食优化算法及在频谱分配中的应用

针对认知无线电中以最大化网络效益为准则的频谱分配难题以及蝠鲼觅食优化(MRFO)算法难以解决频谱分配问题的不足,提出一种离散蝠鲼觅食优化(DMRFO)算法。根据工程中频谱分配问题具有亲1性的特点,首先,基于Sigmoid函数(SF)离散法对MRFO算法进行离散二进制化;然后,通过异或算子和速度调节因子引导蝠鲼根据当前速度大小自适应向最优解调整下一时刻的位置;同时,通过在全局最优解附近进行二进制螺旋觅食避免算法陷入局部最优;最后,将提出的DMRFO算法应用于解决频谱分配问题。仿真实验结果表明,采用DMRFO算法分配频谱时的网络效益的收敛均值和标准差分别为362.60和4.14,该结果显著优于离散人工蜂群(DABC)算法、二进制粒子群优化(BPSO)算法以及改进的二进制粒子群优化(IBPSO)算法。

基于改进蝠鲼觅食优化SVM的配电网拓扑辨识

针对配电网的拓扑结构变化频繁的问题,提出了一种基于改进蝠鲼觅食优化支持向量机的配电网拓扑辨识方法。考虑到量测数据缺失的问题,提出了基于电压方差K近邻的缺失数据填补方法。利用改进蝠鲼觅食算法同时进行特征选择和支持向量机参数的优化,筛选出对配电网拓扑辨识最有效的部分电压幅值量测。所提方法仅需一个时间断面的部分电压幅值量测数据,且能处理不同类型的分布式电源,适用于量测不足的区县农村配电网,计算速度可满足在线应用需求。通过IEEE 33节点配电网和PG&E 69节点配电网验证了所提方法的有效性。

多种群蝠鲼觅食优化求解多跑道机场航班排序

多跑道机场进港航班排序是提高大型机场容量、保证生产运作效率的重要问题。针对其解空间的复杂性以及现有解法收敛精度较低的不足,提出了多种群蝠鲼觅食优化(MMRFO)。算法运用具有最优个体迁移与信息共享机制的多种群进化有效促进了信息交流并保持种群高度多样性,有效平衡勘探与开采过程,提高收敛精度与收敛速度。仿真结果表明,MMRFO可以减少航班降落所需时间,证明了其在求解该问题上的有效性,并通过实验结果分析,给出了多跑道机场进港航班排序的具体建议。

改进蝠鲼觅食优化算法的配电网故障定位

复杂的配电网系统中,蝠鲼觅食优化算法存在后期搜索能力不足导致故障定位准确率下降的缺点。针对该问题,提出了一种基于阈值反馈蝠鲼觅食优化算法的多电源配电网故障定位方法。在确立适用于复杂多电源网络的故障定位数学模型的基础上,采用Limit阈值控制算法求得极值时的迭代次数;在算法位置更新阶段引入交流反馈机制,加快算法收敛速率;利用Sigmoid函数对算法进行二进制离散化,输出故障向量完成故障定位。在Matlab中建立故障定位仿真模型,对多种算法开展对比实验。结果表明,不同故障情况下,改进的配电网故障定位算法的定位速度与准确度均优于其他算法。

蝠鲼觅食优化算法在配电网故障定位中的应用

针对传统智能优化算法在配电网故障定位应用中存在定位速度较慢和定位精度不高的问题,本文提出了一种新型群体智能算法——即蝠鲼觅食优化算法。文中介绍了蝠鲼的3种觅食行为,并利用Sigmoid函数对个体位置进行二进制处理;构建了单辐射配电网定位模型,并利用该算法对定位模型进行迭代寻优。算例仿真结果表明,该算法在配电网发生单重故障和多重故障的情况下,能够准确地定位出故障区段,具有良好的容错性,收敛速度明显优于遗传算法和二进制粒子群算法。

基于蝠鲼觅食优化算法的配电网故障区间定位

为使配电网故障定位准确且快速,提出了一种基于蝠鲼觅食优化算法(Manta ray foraging optimization,MRFO)的故障区间定位方法.MRFO算法通过蝠鲼3种独特的觅食行为即可实现优化问题的全局快速搜索,具有原理结构简单、实现容易、兼顾全局和局部搜索、收敛速度快的特点,分别对无信息畸变的单点故障、含信息畸变的单点故障、无信息畸变的多点故障、含信息畸变的多点故障这4种状况进行仿真实验,此算法准确性得到验证.与遗传算法、正余弦算法、粒子群算法相比,MRFO算法具有更好的准确性、快速性、容错性.

基于蝠鲼觅食算法优化支持向量机的接地线定位方法

10 kV配网线路检修因漏拆临时接地线引起的带地线合闸恶性事故频发,现有临时接地线漏拆诊断及定位方法诊断效果差、定位精度低,为此本文提出了一种基于蝠鲼觅食算法优化支持向量机的接地线定位方法。搭建有漏拆接地线时的配网线路π形等值电路计算模型,建立回路阻抗与注入信号频率和漏拆接地线位置的关系,将线路最大阻抗值对应的特殊频率点作为漏拆接地线位置的判据,采用PSCAD/EMTDC搭建仿真模型验证计算模型的准确性;将蝠鲼觅食算法应用于支持向量机的核心参数优化,提高模型预测的准确性,建立了特殊频率点与漏拆接地线位置的关系模型,并与另外3种常用算法进行对比分析,结果表明本文所提方法能够实现漏拆接地线的诊断和定位,定位精度达到98%以上。

基于改进的蝠鲼觅食算法的光纤布拉格光栅解调方法

针对光纤布拉格光栅在复用时,由于光源带宽有限可能会导致光谱重叠,进而影响解调精度的问题,提出一种新型的光纤布拉格光栅重叠谱解调方法。该方法基于改进的蝠鲼觅食优化算法,利用Tent混沌映射优化初始种群多样性,采用差分进化算法优化个体位置更新策略,解决了蝠鲼觅食优化算法易陷入局部最优的问题。对多个光纤布拉格光栅重叠谱进行仿真与实验,结果表明:所提方法能够准确解调出重叠光谱的中心波长,即使在光谱畸变的情况下,误差最大不超过0.01 nm;同时有效降低了陷入局部最优的概率,提高了算法的稳定性、可靠性。

基于随机跳跃蝠鲼算法优化的电影信息数据聚类

针对传统K均值聚类(K-Means Clustering,KMC)算法在对电影信息数据聚类的过程中,初始聚类中心选取随机性较大、聚类结果不稳定且算法容易陷入局部最优、影响迭代精度等不足,提出一种基于随机跳跃式翻滚觅食蝠鲼优化的K均值联合迭代聚类算法(MRRJRFO-KMC),实现对电影信息数据的聚类.首先,提出一种均值最大最小距离积法来初始化聚类中心,改善聚类中心选取的随机性,避免随机初始化对聚类结果造成的不稳定性.其次,在迭代的过程中加入蝠鲼觅食优化算法,并对蝠鲼觅食优化算法中螺旋觅食和翻滚觅食进行改进,提出一种随机跳跃式翻滚觅食蝠鲼优化的策略,解决了蝠鲼觅食优化算法易陷入局部最优的问题.将随机跳跃式翻滚觅食蝠鲼优化算法加入KMC算法,对KMC算法迭代过程中的聚类中心进行优化,提高了聚类精度.在Iris,Aggregation,Ecoli和Seeds国际标准数据集上对MRRJRFO-KMC算法、MRFO-KMC算法、KMC算法、K-Means++算法、模糊C均值(Fuzzy C-Means,FCM)聚类算法进行比较测试,实验结果表明,MRRJRFO-KMC算法和其他算法相比,准确性和收敛速度都有所提升.在电影信息数据处理过程中,该算法能够根据所给的信息进行有效的聚类,应用价值明显.

基于Halton序列改进蝠鲼算法的K-means图像分割

图像分割在日常生活中扮演着重要角色,传统的K-means图像分割具有随机性且容易陷入局部最优等缺陷,使得分割质量大大降低。为改善这些现象,提出一种基于Halton序列改进蝠鲼觅食优化(HMRFO)算法的K-means图像分割,HMRFO采用Halton序列初始化种群,使得个体位置充分均匀,再引入折射反向学习提升算法的全局搜索能力,最后引入新型的高斯变异策略,减小算法陷入局部最优的概率。在6个基准测试函数中对比了5种算法,验证了HMRFO的有效性及可行性。同时,将其应用于K-means图像分割中,与其他4种算法进行对比,结果显示HMRFO优化K-means具有较好的分割质量及泛化能力。

含水层富水性分区及工作面疏放水后涌水量分段预测

风化基岩与烧变岩含水层严重威胁着陕北侏罗纪煤田矿井的安全生产,精确预测其富水性与工作面涌水量对矿井防治水具有重要意义。针对具有密切水力联系的风化基岩与烧变岩含水层,以陕西红柳林煤矿15217工作面所在区域为研究区,选取含水层厚度、岩性组合指数、岩石烧变及风化程度指数、岩心采取率为评价指标,提出了基于蝠鲼觅食算法优化支持向量机的含水层富水性预测方法,通过对风化基岩与烧变岩含水层富水性的精准分区预测,将工作面划分为不同富水等级的区段。在此基础上,分析经过长时间井下疏放水后的工作面采前水文地质条件,利用动静储量法对工作面不同富水等级区段的涌水量进行预测,与矿井生产过程中的涌水量实测数据相比,涌水量预测结果误差整体较小,介于0.30~6.98 m3/h,表明此预测方法可行度与准确率较高,为红柳林煤矿及类似条件矿井工作面涌水量预测提供了新的思路与方法。

考虑漏电流影响的燃料电池参数辨识方法研究

研究旨在探寻船用质子交换膜燃料电池(Proton Exchange Membrane Fuel Cell, PEMFC)模型参数辨识的优化方法。PEMFC模型中通常包含一些未知参数,研究拟采用蝠鲼觅食优化算法,通过最小化平方和误差来寻找模型的最优参数。为了提高PEMFC系统辨识的精度,研究在实际电流参数基础上增加了漏电流参数。仿真结果表明,基于蝠鲼觅食优化,并考虑漏电流影响的PEMFC系统参数辨识优化方法能有效提高参数辨识的精度与速度。

重大疫情下贵州省应急物资LRP选址问题研究

2020年新冠肺炎的爆发,使得我国应急救援体系遇到了极大考验。尤其是应急物资的分配,作为保障防疫工作开展的基础,科学合理的物资分配十分重要。因此本文在重大疫情背景下,对应急物资的选址–路径问题展开研究,并设计了基于非支配排序的自适应蝠鲼觅食优化算法来对模型进行求解,最终基于贵州省数据来对模型和算法进行仿真,结果表明本文构建的模型与算法具有一定优越性,能够有效解决重大疫情下的物资分配问题。

基于AEO-MRFO的固体氧化物燃料电池参数辨识

提出一种基于人工生态系统优化(artificial ecosystem-based optimization,AEO)算法与蝠鲼觅食优化(manta ray foraging optimization,MRFO)算法的协调优化算法,即AEO-MRFO协调优化器(AEO-MRFO coordinating optimizer,EMCO),用于各种固体氧化物燃料电池(solid oxide fuel cell,SOFC)的参数辨识。为提高SOFC参数辨识的精确度与稳定性,EMCO舍弃MRFO气旋觅食算子中随机性过强的搜索操作,并随迭代过程动态协调AEO分解算子和经过改进的MRFO翻滚觅食算子,合理平衡局部探索(local exploitation)和全局搜索(global exploration)。通过4个算例对EMCO的SOFC参数辨识性能进行研究,即荷兰能源研究中心和波兰CEREL公司各自生产的2种SOFC单体电池测试数据和蒙大拿州立大学的5kW SOFC电池堆栈在2个不同运行条件下的实验数据。此外,还研究了SOFC堆栈温度及压强变化对参数辨识精度的影响。仿真结果表明,与蚁群优化(ant colony optimization,ALO)算法、均衡优化器(equilibrium optimizer,EO)、灰狼优化(grey wolf optimization,GWO)算法、堆栅优化器(heap-based optimizer,HBO)、粒子群优化(particle swarm optimization,PSO)算法、AEO算法和MRFO算法相比,EMCO均能快速、精确、稳定地实现SOFC参数辨识。

基于特征工程和MRFO-ET的短期风电功率预测

为解决风电历史数据挖掘不充分导致的预测精度不高问题,提出一种基于特征工程、蝠鲼觅食优化算法(Manta Ray Foraging Optimization,MRFO)和极端随机树(Extremely Randomized Trees,ET)模型的短期风电功率预测方法。首先对时间特征提取小时属性特征,并通过对风速、风向和温度等原始气象特征进行特征创造,从而充分挖掘历史数据的隐含信息,同时通过PCA方法降低数据维度。其次,将降维后的数据输入ET模型,并利用MRFO优化ET模型的参数;最后,以新疆某风电场实测数据进行了算例仿真。结果表明:与5种典型机器学习模型相比,ET模型具有更高的风电预测准确度。与单一ET模型相比,特征工程-ET模型较大程度地提高了预测精度,验证了特征工程方法的有效性。在同等条件下,特征工程-MRFO-ET模型比使用特征工程-ET模型均方根误差和平均绝对误差分别降低了29.46%和36.54%,而拟合优度系数提高了3.97%。与此同时,特征工程-MRFO-ET模型也比特征工程-GA-ET模型和特征工程-PSO-ET模型拥有更高的预测精度。研究成果可为解决短期风电功率预测问题提供了一种新的思路。

基于WPD-MRFO-ESN模型的水库来水量时间序列预测

为提高水库来水量时间序列预测精度,建立了小波包分解(WPD)-蝠鲼觅食优化(MRFO)算法-回声状态网络(ESN)相融合的时间序列预测模型,利用WPD将非平稳水库来水量时间序列分解为若干高频和低频时间序列,以便有效降低来水量时间序列的复杂性。在不同维度条件下选取8个典型函数对MRFO算法进行仿真测试,利用MRFO算法对ESN储备池规模、稀疏度等关键参数进行优化以提高网络训练效率。随后构建了WPD-MRFO-SEN模型和WPD-MRFO-SVM模型,并将这两个模型的预测结果和经经验模态分解(EMD)的EMD-MRFO-ESN模型和EMD-MRFO-SVM模型的结果作对比分析。利用云南省暮底河水库1956—2017年逐月来水量时间序列数据对上述4种模型的结果进行检验。结果表明:MRFO算法具有较好的寻优精度和全局搜索能力;WPD-MRFO-SEN模型对实例后10年120个月来水量时间序列预测的平均绝对百分比误差为2.23%,平均绝对误差为23.3万m3,均方根误差为35.8万m3,预测精度优于WPD-MRFO-SVM模型的,明显优于EMD-MRFO-ESN模型和EMD-MRFO-SVM模型的,具有较高的预测精度。WPD对水库来水量时间序列数据的分解效果优于EMD方法的。