基于改进金豺算法的短期负荷预测

针对电力负荷序列波动性和预测精度不高的问题,提出一种基于变分模态分解、排列熵和改进金豺算法优化双向长短期记忆网络的预测模型。首先,利用变分模态分解重构原始负荷序列,再采用排列熵理论对分解后的子序列进行熵值重组;然后,利用改进金豺算法对双向长短期记忆网络的参数进行优化,并对每个子序列建立预测模型;最后,组合各模型结果得到最终预测值。实验结果表明,本文模型预测精度更高,与真实值拟合度更好。

基于改进金豺算法在磷酸铁锂生产排程中的应用

磷酸铁锂作为一种重要的锂离子电池正极材料,在新能源领域市场需求不断上升。针对磷酸铁锂生产过程中的作业车间调度问题,该文提出了一种基于改进金豺算法的排程方法。磷酸铁锂作为一种重要的电池材料,其生产过程需要合理的调度安排以提高生产效率和产品质量。提出的改进金豺算法通过引入改进策略,能够更好地解决作业车间调度问题。与传统的启发式算法相比,改进金豺算法具有更强的全局搜索能力和高效的搜索速度。此外,该算法还具有灵活的参数调整性,可以根据具体问题的特点和约束条件进行优化,以获得更好的性能和效果。为了验证改进金豺算法在磷酸铁锂生产排程中的应用效果,设计了一系列的仿真实验。通过与传统启发式排程算法的对比表明,改进金豺算法能够在复杂的约束条件下找到更优的调度方案,提高生产效率。具体来说,该算法能够更快地找到全局最优解,减少了调度时间和成本,并提高了交货周期的准确性。

融合粒子群的改进金豺算法及应用

为了解决传统金豺算法收敛精度低,搜索速度慢等问题,提出一种融合粒子群算法的改进金豺优化算法(PGJO)。首先,采用Chebyshev混沌映射和精英选择策略结合的方式对种群进行初始化,提高初始解质量;然后,结合粒子群优化算法(PSO)思想,提出一个新的搜索方式。采用动态转换策略,判断PGJO采用原Levy方式搜索还是采用新的搜索方式更新个体位置,以提高算法收敛精度;最后,提出了种群收敛监测策略,帮助算法跳出局部最优。将PGJO与其他智能优化算法经过11个基准测试函数对比实验表明,算法性能均优于其他算法。将PGJO应用于无人机路径规划当中,对比其他算法路径长度下降了3.4%,拐点个数减少了21%,验证了该算法的工程应用能力。

改进金豺算法求解多目标柔性车间低碳调度问题

为了降低多目标柔性车间调度过程中的碳排放量和能量消耗,考虑加工过程中准备过程和终止过程对低碳调度的影响,以优化最大完工时间、车间碳排放量及机器负载为目标,建立车间调度模型,课题组提出一种改进的金豺算法(improvement-golden jackal optimization, I-GJO)来对目标函数进行求解。首先引入融合贝塔分布(beta distribution)的帐篷(Tent)混沌映射来进行种群初始化以提高种群质量;然后采取折射反向学习策略来扩大算法寻优范围,从而显著提高算法跃出局部极值的能力;最后加入自适应惯性权重,通过设定合适的惯性权重,来提高算法的收敛速度和寻优精度。调度实例数据验证表明:对于多目标柔性车间低碳调度问题,改进后的金豺算法相较于原算法与灰狼算法有更好的适用性,可以获得质量更高的解。

基于改进金豺算法的无人机三维航迹规划

针对传统金豺优化算法(GJO)在求解无人机航迹规划时存在的稳定性差、寻优能力不足等问题,提出一种改进金豺优化算法(IGJO)。首先使用改进Tent混沌映射初始化种群;然后结合北方苍鹰优化算法思想,开发一种新型探索阶段位置更新方式;其次,采用动态能量因子策略来转换能量递减方式;最后,提出一种用于平衡探索和开发的阈值双重自适应t分布扰动变异策略,完成对GJO算法的改进。另外,建立一个无人机三维航迹规划模型,并利用IGJO算法求解以航程代价、高度代价等为目标函数的无人机三维航迹规划问题。结果表明,IGJO算法可适用于不同的复杂地形环境,且规划的航迹具有最优的成本代价。

基于自适应金豺算法动压滑动轴承的多目标优化

为提高动压滑动轴承的承载能力,同时降低发热量和摩擦因数,建立了动压滑动轴承的多目标优化模型。针对传统优化算法收敛速度慢、易陷入局部最优解的不足,提出一种自适应策略改进的金豺优化算法,进而提高金豺算法的勘探和探索能力。利用含有约束条件的算例对自适应策略改进的金豺优化算法进行性能验证,结果表明自适应策略改进的金豺优化算法具有良好的收敛性能。将该算法用于求解动压滑动轴承的多目标优化问题,优化结果表明,优化后的结构相对初始结构性能有了较大提升,承载能力提高了12.257%,发热量和摩擦因数分别降低了15.610%和33.333%。

多策略融合改进的金豺优化算法及其在马斯京根模型参数估计中的应用

针对金豺优化算法在解决复杂或高维优化问题时易陷入局部最优、收敛速度慢和计算精度低等不足,提出一种基于多策略融合改进的金豺优化算法(Multi strategy fusion improved Golden Jackal Optimization Algorithm,MGJO)。首先,通过引入混沌映射策略初始化种群代替随机参数,使得算法能够在搜索空间中生成具有良好多样性的初始解,避免初始种群分布偏离最优值;其次,提出一种非线性变化的动态惯性权重使搜索过程更加符合实际情况,有效平衡了算法的全局搜索和局部搜索能力;最后,引入柯西变异的位置更新策略使其充分利用最优个体的引导作用提高种群多样性,以有效探索未知区域避免算法陷入局部最优。为了验证改进的金豺优化算法的寻优精度、收敛性能和稳定性,选择了8个不同特征的基准测试函数进行试验。结果表明,在8个基准测试函数中,改进的金豺优化算法的平均值、标准差、最优值都取得了最优的结果。此外,Wilcoxon符号秩检验的结果表明改进的金豺优化算法在统计学上是显著优越的。通过实例应用表明,基于多策略融合改进的金豺优化算法可以有效地估算出马斯京根模型的参数,优化效果明显优于粒子群优化算法、正弦余弦优化算法和金豺优化算法,进一步验证了多策略融合改进的有效性和改进算法在参数优化中的优越性,为更精确估计非线性马斯京根模型参数提供了一种有效的新方法。

混合策略改进的金豺优化算法

针对金豺优化算法(golden jackal optimization,GJO)在求解复杂优化问题时存在收敛速度慢和易陷入局部最优等不足,提出一种混合策略改进的金豺优化算法(improved golden jackal optimization,IGJO)。在算法的最优解停滞更新时,引入柯西变异策略,增强种群多样性和提升算法陷入局部最优的逃逸能力;提出一种基于权重的决策策略,通过对金豺个体赋予不同权重进行种群位置更新的决策,加快算法的收敛速度。对8个基准测试函数以及部分CEC2017测试函数进行寻优实验,结果表明改进算法具有更好的优化性能和收敛速度;进一步地,将改进算法应用于支持向量回归(support vector regression,SVR)模型的参数优化,并在选取的5个UCI(University of California,Irvine)数据集上进行实验,验证了改进算法的有效性。

多策略强化的金豺优化算法

为了解决金豺优化算法种群多样性差、收敛速度慢、易陷入局部最优等问题,提出了一种多策略强化的金豺优化算法(strengthening golden jackal optimization,SGJO)。首先,采用混沌精英池策略生成精英种群以增强种群多样性并提高初始解质量;然后利用自适应扰动因子更新个体位置以扩大算法的寻优范围;最后,基于种群内个体差异引入柯西高斯突变策略,以解决算法易陷入局部最优的难题且有效提高了收敛速度。通过在基准测试函数与CEC2021测试函数上进行策略有效性实验,并与其他群智能优化算法对比实验来验证SGJO算法的寻优性能,通过Wilcoxon秩和检验与汽车侧面碰撞优化问题来验证SGJO算法的稳健性和有效性。实验结果表明,多策略强化的金豺优化算法有效增强了算法的寻优能力及收敛速度,与其他算法相比具有一定的优越性。

云计算环境下基于金豺优化算法提升资源利用率的效果分析

提出了一种基于金豺优化算法(Golden Jackal Optimization, GJO)的云计算资源调度模型,并在Cloudsim仿真环境下进行了实验验证。通过模拟金豺在自然界中捕猎的协同策略,GJO算法实现了对复杂优化问题的有效求解。并在实验中,将GJO算法与贪心算法和遗传算法进行了对比,结果表明GJO算法在任务完成时间和资源利用率方面表现出显著优势。特别是在大规模任务调度中,GJO算法展示了更好的扩展性和稳定性。

采用金豺优化的LLC谐振变换器自抗扰稳压控制

为解决LLC谐振变换器采用传统PID控制时抑制负载冲击能力差的问题,提出采用金豺优化算法(golden jackal optimization,GJO)的改进线性自抗扰控制方法。该方法基于状态空间表达式,结合降阶模型中的参数信息,改进扩张状态观测器的系数矩阵。利用频域拟合的方法获得线性自抗扰控制器参数初值,避免了繁复的人工调参过程。使用GJO算法对线性自抗扰控制器参数寻优,进一步改善控制器性能。实验结果表明,相较于PSO-PID控制器,GJO-MLADRC控制器有效提高了LLC谐振变换器在系统扰动较大的情况下的动态性能,在负载突增、突降2种工况下,调节时间分别缩短了1.5、1.0 ms,输出电压最大波动量分别减小0.10、0.05 V,改进后的LADRC控制策略有效地抑制了恒压模式下负载波动对输出电压的扰动。

基于金豺优化PID的直流电机调速控制系统

针对传统直流(DC)有刷电机调速系统适应性不强、抗干扰能力和稳健性差等缺点,设计了基于金豺算法优化比例-积分-微分(PID)的直流有刷电机控制系统.在建立电机数学模型的基础上,将金豺优化(GJO)算法应用于PID参数整定,实现对电机的控制,并分别与传统试凑法、反向传播(BP)-PID算法和麻雀算法(SSA)-PID进行对比.仿真结果表明:所设计的控制算法在调节时间上减少了12 ms,超调量降低了3.689%,受到干扰后的调节时间减少了17 ms,表现出更快的调节转速、更强的抗干扰能力和更好的稳健性,为直流有刷电机调速控制提供了一种有效的方案.

基于金豺优化算法的PID参数优化研究

针对控制系统PID参数难以寻优的问题,提出一种金豺优化(Golden Jackal Optimization,GJO)算法。该算法受金豺家族狩猎过程的启发,以PID的3个参数组成金豺的位置坐标,根据金豺的狩猎规则更新公豺和母豺豺对的位置,使其向最优解迭代。为了验证算法的效果,将该算法分别与Z-N临界比例法、粒子群优化算法和灰狼优化算法进行比较。仿真结果表明,采用金豺优化算法控制系统的PID参数,系统具有调节时间短、上升速度快和超调量小等优点,为PID参数优化提供了参考。

基于金豺优化算法的云计算资源调度研究

基于云计算环境下资源利用率低的问题,将一种新提出的金豺优化算法应用于云计算资源调度策略。研究采用Cloudsim作为仿真实验平台,以减少任务总完成时间为优化目标。实验中以猎物位置模拟任务对虚拟机序号的选择,在一定的迭代次数后根据猎物位置得出每个任务对虚拟机序号的最终选择和最终任务总完成时间。改变金豺优化算法的迭代次数并进行实验,结果表明,在迭代次数达100次时,金豺优化算法在云计算资源调度模型上的效果达到最优。将调用金豺优化算法与应用贪心算法和遗传算法下的实验结果进行对比,结果表明,在任务数量大于1000时,金豺优化算法在云计算资源调度模型上的效果优于贪心算法和遗传算法,效率相较于遗传算法提升了约20%。

基于改进粒子群的混合金豺优化算法的移动机器人路径规划

针对金豺优化(Golden Jackal Optimization,GJO)算法在移动机器人路径规划应用中的迭代效率低以及会陷入局部最优等问题,提出一种改进粒子群的混合金豺优化(Hybrid Golden Jackal Optimization,HGJO)算法。首先,将自适应动态权重因子和改进的学习因子引入粒子群算法,以增强其全局探索能力;然后,建立机器人路径规划所需的栅格环境地图,并在此基础上将改进后粒子群算法引入金豺优化算法的位置更新过程,以改善GJO算法跳出局部最优的性能。由移动机器人的路径规划仿真实验可知,提出的HGJO算法在提升收敛速度和跳出局部最优性能方面均优于GJO算法,且在稳定性上优于粒子群算法。

基于改进金豺优化算法的机器人路径规划

针对传统金豺优化算法GJO求解移动机器人路径规划RPP问题时存在寻优能力差,易陷入局部最优的缺点,本文提出一种改进的金豺优化算法IGJO。IGJO算法引入反向学习机制构建初始金豺种群,以提升初始解的质量;使用改进非线性能量逃逸因子,避免迭代后期过早收敛。同时,算法融合了个体记忆功能的精英反向学习策略搜索当前种群优秀解的反向空间,以增强算法的勘探能力。最后,IGJO对比5种优化算法的实验数据,实验结果表明,IGJO算法均优于其他对比算法。

基于混合策略改进的金豺优化算法

针对金豺算法种群初始化多样性不足、在搜索后期容易陷入局部最优的问题,对金豺优化算法作了改进。利用Cat混沌映射和精英反向学习策略初始化种群,利用单纯形法优化较差个体,改进了收敛因子,引入自适应权重的方式更新位置,引入个体记忆方法加快其收敛速度并采用高斯变异优化最优解。通过对8个基准测试函数进行仿真实验,与MFO算法、MVO算法、GWO算法、SCA算法进行比较,证明了经改进的GJO算法具有更高的求解精度和更快的收敛速度。

多场景下基于IGJO⁃DWA算法的机器人路径规划

为解决传统算法在多场景下存在的搜索效率低、适应力差、动态性不足等问题,提出一种融合改进金豺优化算法(IGJO)和动态窗口法(DWA)的路径规划方法。首先,在GJO算法局部寻优阶段,引入自适应权重策略,从而防止算法陷入局部最优。同时,采用逐维逆向学习机制,解决多维优化过程中各维之间的相互干扰以及全局和局部搜索不平衡问题。其次,在DWA算法中引入一种速度动态调整策略,并对其评价函数进行优化,从而提升路径的安全性。仿真结果表明:在多种不同场景下,IGJO⁃DWA算法在路径长度、规划成功率、行驶时长等方面均优于其他算法。实验结果表明:IGJO⁃DWA算法能够帮助机器人成功绕过各类型障碍物,确保机器人安全到达目的地,验证了算法的有效性。

基于混合算法优化的SVM多分类器齿轮故障诊断模型

为了提高支持向量机分类器的故障诊断精度,该文提出了一种基于混合算法优化支持向量机的故障诊断模型。首先,在混合算法中引入灰狼和金豺的夺食机制。其次,优化支持向量机,从而得到最优的支持向量机模型。最后,提高对齿轮故障模式的诊断精度。以某饲料生产企业采集到的数据为基础进行实例分析,结果表明,采用基于灰狼和金豺算法的混合算法优化支持向量机参数比标准的灰狼算法和金豺算法优化效果更好。在模型诊断精确度方面,混合算法优化的支持向量机诊断模型比未优化支持向量机、灰狼算法优化支持向量机和金豺算法优化支持向量机诊断模型分别提高了15.1566%、4.9133%和8.9596%。

改进的金豺优化算法在光伏MPPT中的研究

光伏发电系统在实际生活中,易受到天气条件、阴影效应、污染物等多种因素的干扰,影响光伏发电系统的发电效率、稳定性、维护成本以及美观度。光伏发电系统在理想情况下输出的P-U曲线是单峰值的,当光伏组件处于光照遮荫的情况下,光伏发电系统输出的P-U曲线会出现多个峰值点。这种情况下,最大功率点追踪(MPP)由单峰值寻优变为多峰值寻优,降低了光伏系统的发电效率。针对常规的MPPT控制算法响应速度慢、早熟、震荡的问题,引入了金豺优化算法(Golden jackal optimization,GJO)。针对GJO算法收敛速度慢、跟踪效率差、追踪精确度低的问题,本文提出了一种优化的金豺优化算法(P-GJO),提高了光伏发电的效率。