基于邻域和变异算子组合优化的MOEA/D算法

考虑到在基于分解的多目标进化算法(MOEA/D)中,邻域大小与变异算子类型对算法进化过程中的探索模式有不同的影响,提出优化的MOEA/D算法。4种不同大小的邻域范围和4个特性不同的变异策略两两组合构成候选池,利用负反馈原则,在进化过程中以较高概率从候选池中选择表现更优的组合。实验结果表明,该算法鲁棒性较强,在保证收敛性的同时具有较好的多样性。

长测距地基点云密度自适应平面分割算法

为了解决长测距地面激光点云高密度变化的问题,采用了一种密度自适应的平面分割方法。首先基于估算理论点间距构建动态邻域搜索范围,联合内指标和香农熵确定最佳邻域并计算维度特征;然后根据最佳邻域、维度特征、法向量和点面距设计区域增长规则,得到初步分割结果;最终通过面片合并优化分割结果,并在最长扫描距离为1 km的单站地面激光扫描数据进行了实验验证。结果表明,该方法分割准确率达到95%,召回率达到92%,能够准确对长测距地基点云中的建筑物平面进行分割;与传统香农熵方法相比,本文中使用动态邻域搜索范围可以显著提高算法效率。该方法能高效准确地从大场景点云中提取建筑物平面,为城市3维建模提供了参考。

一种改进的SOFM聚类算法研究

针对常规SOFM(self-organizing feature map)无监督的神经网络,提出了一种改进的自组织特征映射SOFM神经网络算法。在常规SOFM网络数据聚类算法基础上,分析了其在实际应用中存在的不足,对初始权值设定以及邻域范围选择等方面进行了算法的优化和改进,进而提高了SOFM神经网络聚类算法的正确率、收敛速度和实时性,并利用仿真实验进一步对提出的改进算法进行了验证。

一种优化的SOM模型及其在轴承故障诊断中的应用

SOM网络作为一种无导师的神经网络,因其具有较强的聚类能力而被广泛应用于各个领域,针对SOM神经网络在训练过程中对权值的初始化及邻域的更新过程中存在的不足,提出一种优化方法,该方法通过"概率正态分布法"使初始权值更为合理的分布在可行空间中,通过衡量权值与输入向量间的亲和力来确定邻域范围的大小。实验数据证明:优化后的SOM神经网络在识别轴承故障类型时效果良好。

基于人工萤火虫局部决策域的改进生物地理学优化算法

针对生物地理学优化(BBO)算法搜索能力不足的缺点,提出基于萤火虫算法局部决策域策略的改进迁移操作来提算法的全局寻优能力。改进的迁移操作能够在考虑不同栖息地各自的迁入率与迁出率的基础上,进一步利用栖息地之间的相互影响关系。将改进算法应用于12个典型的函数优化问题来测试改进生物地理学优化算法的性能,验证了改进算法的有效性。与BBO、改进BBO(IBBO)、基于差分进化的BBO(DE/BBO)算法的实验结果表明,改进算法提高了算法的全局搜索能力、收敛速度和解的精度。

改进禁忌-神经网络在小电流接地系统选线中的应用

针对小电流接地系统单相短路在不同故障条件下故障特征分量差异明显且信噪比低的问题,采集并融合互补零序电流稳态和暂态的多种故障分量信号,并引入径向基(RBF)神经网络构成多判据选线模型。改进禁忌搜索(TS)算法的要素,在搜索的不同阶段选取不同邻域,优化禁忌表使禁忌范围能更精确地指向无效搜索;结合最大迭代数和允许误差作为迭代终止条件,运用TS算法优化RBF网络参数,提高选线模型的效率和精度。仿真结果表明,改进TS优化的RBF网络收敛速度和泛化能力明显增强,选线准确率高,且不受中性点运行方式、短路位置、接地电阻、合闸角等因素的影响,证明了该方法对复杂故障和信号噪声的鲁棒性。该方法可以有效提高小电流接地系统故障选线的准确性与适应性。