增强型金枪鱼群优化指数熵的砂粒显微图像分割

砂粒显微图像分割可以辅助地质评估,但因其种类繁多,特征复杂,为分割的准确度带来了挑战。针对该类图像提出一种增强型金枪鱼群优化指数熵的分割方法(ETSO-EXP),可以有效保留各类砂粒的纹理特征。首先,针对金枪鱼群优化算法(TSO)在全局搜索与局部开发上的若干不足,提出了混沌扰动策略、动态权重策略和余弦干扰策略对其增强,基准函数实验表明ETSO大幅提高了收敛精度,小幅提高了收敛速度。其次,将ETSO用于确定EXP的分割阈值,以分割图像的信息量为标准验证了该方案的可行性。最后,在雅鲁藏布江砂粒显微图像数据集上进行分割实验,与TSO-EXP相比,ETSO-EXP分割的图像在峰值信噪比、结构相似性、特征相似度和寻优速度的评估上分别达到了18.78%,6.85%,4.16%和3.83%的提升,在同类分割方法中性能最优。结果表明,分割方法ETSO-EXP对于对比度较高、纹理丰富或砂粒碎屑尺寸差异较大的图像都具有较高的分割精度和计算速度。

基于金枪鱼群优化算法的光伏MPPT控制策略研究

光伏阵列在非均匀光照条件下的P-U输出特性曲线呈现多个峰值。针对这一现象,提出一种基于金枪鱼群优化算法的最大功率点跟踪(MPPT)算法。该算法对多峰值功率输出特性可有效追踪其最大功率,对于光强突变后的全局最大功率可有效追踪且收敛速度快。仿真实验表明:在静态和动态阴影条件下,金枪鱼群优化MPPT算法都可高精度、快速追踪到最大功率点。相比于灰狼MPPT算法和改进蝴蝶MPPT算法,其在动态阴影下的仿真结果表明金枪鱼群MPPT算法具有更高的精度、更小的振荡和更快的收敛速度,其追踪精度高达99.9%,收敛仅用0.28 s。

混合策略改进的金枪鱼群优化算法

针对金枪鱼群优化(Tuna Swarm Optimization,TSO)算法前期收敛速度慢和容易陷入局部最优等不足,提出混合策略改进的金枪鱼群优化算法(Improved Tuna Swarm Optimization Algorithm Based on Hybrid Strategy,HTSO)。首先,用Circle混沌映射初始化种群,提高种群的丰富性;其次,利用莱维飞行(Levy flight)在空间随机游走的搜索特点,提高算法在螺旋式觅食时的幅度,减少算法陷入局部最优的次数,帮助其快速找到全局最优。通过14个基准测试函数,在不同维数下比较传统TSO算法、HTSO、鲸鱼优化算法(Whale Optimization Algorithm,WOA)、灰狼优化(Grey Wolf Optimizer,GWO)算法和哈里斯鹰优化(Harris Hawks Optimization,HHO)算法的性能。仿真结果表明,不管是在低维还是在高维的情况下,HTSO比其他4种算法有更好的寻优性能和鲁棒性。最后对HTSO进行wilcoxon秩和检验,验证结果表明,HTSO与其他对比算法存在显著性差异。

基于金枪鱼群优化算法的Jensen模型参数求解

【目的】利用智能优化算法求解Jensen模型参数。【方法】将分布估计引入金枪鱼群优化算法(TSO)中,形成基于分布估计的金枪鱼群优化算法(ITSO)。将改进的基于分布估计的金枪鱼群优化算法(ITSO)与其他算法在CEC2017测试集上进行性能验证,并利用山西潇河灌溉试验站非充分灌溉试验结果对该算法与其他方法求解的精准性进行对比。【结果】(1)在CEC2017测试集上,对比ITSO、TSO、GWO、WOA、SSA和BOA共6种算法的寻优性能表明,ITSO算法寻优能力最强。(2)在山西潇河灌溉试验站非充分灌溉试验结果上分别将ITSO与SPSS软件中非线性回归分析、TSO计算得出的结果进行对比,平均相对误差分别为7.79%、8.13%和7.79%。TSO算法经过50次迭代后找到最优解,而ITSO算法仅需35次迭代后找到最优解。【结论】基于分布估计的金枪鱼群优化算法(ITSO)求解Jensen模型参数,拟合精度高且寻优速度快。

基于金枪鱼群算法优化极限学习机的混凝土抗压强度预测

混凝土抗压强度是建筑结构设计与评价的一个重要指标,它直接关乎建筑的质量与安全。为解决现有机器学习模型对其预测存在预测耗时长、精度不够高,不能很好地满足施工现场对混凝土抗压强度预测实时性与准确性要求的问题,提出一套基于新式仿生算法金枪鱼群算法优化极限学习机(TSO-ELM)的混凝土抗压强度预测方法。该方法通过对ELM隐藏层初始参数中的连接权值与偏置值使用TSO进行寻优,有效提升了ELM的预测准确度。在仿真实验部分,通过两组混凝土数据集对ELM的预测速度、TSO的寻优能力、TSO-ELM模型的泛化性逐一进行验证。结果表明,该方法可以有效提高预测的速度与精准度,迭代次数更少,同时具有良好的泛化性,为现场施工及时进行混凝土抗压强度的预测提供了一种新方法。

基于改进金枪鱼群算法PMSM自抗扰控制

针对传统永磁同步电机(PMSM)调速系统在受到外部环境干扰、参数易变等不确定性因素的影响下系统鲁棒性变差的问题,提出一种基于改进金枪鱼群优化(ITSO)算法的PMSM自抗扰控制(ADRC)策略。首先,针对ADRC中fal函数在拐点处不平滑的问题,提出了一种改进fal函数,减小了系统的高频抖振。其次,由于ADRC中参数多且不易整定,利用ITSO算法对参数进行寻优整定。为了避免电流环在采用比例积分(PI)控制时电流控制存在抗负载能力差、响应速度慢等问题,将降低电感权值后的改进型无差拍预测控制应用到电流环。最后,进行仿真和半实物实验验证,结果表明所提控制策略具有良好的系统响应和控制精度,明显提高了系统的鲁棒性。

基于混沌映射的改进金枪鱼群优化算法对比研究

Kubernetes作为当前云资源管理的标准平台,因其默认调度机制的局限性,目前普遍采用基于群智能优化算法的改进方法进行Pod的调度。而针对群智能优化算法存在的寻优性能易受初值影响、迭代后期容易早熟收敛等问题,选择金枪鱼群优化(Tuna Swarm Optimization,TSO)作为基础算法,根据混沌映射具有的遍历性、随机性等特点,提出了基于混沌映射的种群初始化优化方案。选择目前研究中普遍涉及的Tent、Logistic等多种混沌映射,分别对金枪鱼种群进行初始化,以提高初始种群的多样性。通过一系列基准测试函数进行仿真实验,对比基于不同混沌映射的改进金枪鱼群优化算法的实验结果,证明了基于混沌映射的优化方案可以有效提高原始TSO算法的收敛速度和寻优精度。

基于机器空隙的自适应改进金枪鱼群算法在生产排程调度中的研究

智能制造生产方式逐渐成为产业发展的主流趋势,文章着眼于当下制造业生产中存在的排程调度不准确问题,提出了一种基于机器空隙的自适应改进金枪鱼群算法(Tuna Swarm Optimization Algorithm Based on Machine Gap,TSOAMG)。文章提出基于空隙的工序机器选择方法,采用混沌映射初始化阵列,设计自适应阵列算子以选择不同的更新策略。为提高种群中的解的质量,将排斥浓度与适应度按一定比例结合,评价该解在种群中的优异度,并融入Levy飞行策略。模型中构建三种不同类型的邻域搜索结构NS1、NS2、NS3,用于增强算法的邻域探索能力,使其能够更为灵活地遍历搜索空间。最终,通过对排程经典案例的实验验证,证明了TSOAMG算法在排程结果和收敛性优于当下5种其他的流行算法,为传统制造业解决排程调度问题提供了解决方案。

基于故障可诊断性定量评价的测试优化选择

目前,对于测试优化选择问题的研究大多局限于故障是否可以被诊断的定性研究,没有进一步考虑故障诊断的难度。针对以上问题,提出了一种基于故障可诊断性定量评价的测试优化选择方法。首先,基于推土机距离(EMD)对故障可诊断性进行定量评价;然后,以评价结果为依据,综合考虑测试的数量、可靠性和成本等因素,构建多目标测试优化选择问题,并提出了二进制金枪鱼群优化算法来求解满足测试性指标和故障可诊断性水平的最优测试集合;最后,以某装备的开关电源为实验案例,验证了所提方法的有效性。仿真结果表明:所提方法能够实现以提高系统故障可诊断性为目标的测试优化选择,从根本上提高系统的故障诊断能力。

基于TSO-ELM的广东省电力需求预测方法

针对极限学习机(extreme learning machine,ELM)的输入层权值以及隐含层偏值的不同取值对预测结果影响较大和现有的预测模型对广东省电力需求预测精度不高的问题,提出一种基于金枪鱼群优化(tuna swarm optimization,TSO)算法优化ELM得到最优数值,构建TSO-ELM预测模型的方法。将2008—2018年广东省的6个影响因素和电力需求量数据进行归一化处理之后构建预测模型,对2019—2021年广东省的电力需求量进行预测。仿真结果表明,与SVM、BP、ELM和GWO-ELM这4种预测模型相比较,TSO-ELM预测模型具有更高的预测精度。

融合SBAS-InSAR技术与TSO-LSTM模型的矿区地表沉降预测方法

矿区由于重工业器械的使用和采矿活动频繁,其岩层和地表容易发生沉陷和变形,快速、准确地分析、预测地表沉降是实现高效防灾减灾、推进绿色矿山建设的重要手段。针对现有预测模型监测点过少、多源数据难以获取以及网络模型超参数难以确定等问题,提出了一种基于金枪鱼群(Tuna Swarm Optimization,TSO)优化长短时间记忆(Long Short-Term Memory,LSTM)网络模型超参数的深度学习预测方法,利用多个高相干性点的沉降时序实现矿区的精准预测。利用SBAS-InSAR技术处理50景覆盖德兴铜矿区的Sentinel-1 A升轨SAR影像,获取了该区域25465个高相干性点的沉降时间序列。利用TSO算法优化LSTM网络模型超参数,寻找出最适合该矿区沉降时序预测的LSTM网络模型,并使用优化后的LSTM网络模型分区域对沉降区开展沉降时序预测并计算预测精度。研究表明:使用TSO算法优化LSTM网络模型超参数是有效的,优化后的模型均方根误差至少降低了20%,平均绝对值误差至少降低了35%,预测均方根误差不超过2 mm,预测平均绝对误差不超过3 mm,模型平均预测精度超过95%。所提方法为确保安矿区全安全生产,实现科学防灾、减灾提供了技术支持。