基于阿基米德优化算法对质子交换膜燃料电池的模型参数估计

随着新能源汽车市场占有率不断提高,燃料电池电动汽车也在不断地发展,质子交换膜燃料电池作为其关键部件之一,设计制造成本尤为重要。在文章研究中,提出了一种新的模型识别方法,用于质子交换膜燃料电池的最佳参数识别。所提出的方法使用了改进型阿基米德设计优化算法,然后在实验研究中,实施了该设计的模型,并将结果与一些众所周知的方法进行比较。最终结果表明,所提出的方法对于Nexa模型的误差值为0.10,比较其他算法中,本研究提供了最佳解决方案。

基于LHS和正余弦搜索的阿基米德优化算法

针对阿基米德优化算法(AOA)寻优过程中存在兼顾全局探索和局部开发能力弱、寻优精度低、易陷入局部最优等问题,提出一种基于LHS和正余弦搜索算子的阿基米德优化算法(LSAOA)。首先,采用拉丁超立方抽样方法初始化种群,提高种群的均衡度和多样性;其次,改变全局搜索与局部搜索的切换模式,提高算法的收敛速度和精度;最后,引入正余弦搜索算子改进局部搜索方式,提高算法的局部搜索开发能力。仿真实验将LSAOA算法与其他改进AOA算法,以及其他元启发式算法在国际通用基准测试函数下进行寻优比较,实验结果表明,LSAOA算法在求解精度和收敛速度等方面具备较好的综合性能。

融合聚集因子和正余弦搜索的阿基米德优化算法

针对阿基米德优化算法(AOA)收敛精度差、跳出局部最优能力弱的不足,提出一种融合聚合因子与正余弦搜索的改进阿基米德优化算法(YMAOA)。首先,引入Sobol序列初始化种群,增强种群多样性;其次,将密度因子重构为非线性递减趋势,同时设计非线性权值平衡算法在不同时期的探索能力和收敛速度;然后,设计基于聚集因子判断的随机反向学习策略,增强全局探索的寻优性能;同时在算法局部优化阶段融合正余弦搜索机制进行位置更新,协助算法跳离局部最优。将改进算法与标准AOA及其他同类算法在9个基准函数上进行对比实验,结果表明:YMAOA算法在寻优精度和收敛能力上有明显提升,对比同类改进AOA算法,YMAOA兼具收敛速度和跳出局部最优能力的优势,Wilcoxon秩和检验结果也证明YMAOA在搜索性能上具有显著性优势。

二进制阿基米德优化算法及其应用

组合优化问题的研究在各个领域中有着广泛的应用意义。阿基米德优化算法是一种新型的元启发式算法,在求解连续空间的优化问题上应用广泛,但不能直接用于求解离散空间的组合优化问题。因此,提出了二进制阿基米德优化算法用以解决组合优化问题。首先,借鉴部分二进制优化算法,选用转换函数,并以位置距离差作为参数进行空间映射。其次,根据问题对编码的要求,在阿基米德优化算法的基础上选取不同的转换函数和sigmoid函数进行位置更新,同时提出了一种对应S型转换函数的sigmoid函数,以提高最优解的搜索效率与质量。最后,引入北极熊算法的出生与死亡规则,以更好地进行全局搜索,减少陷入局部最优解的次数。通过模拟求解0-1背包问题的仿真实验和在热力管道保温结构优化项目中的应用,验证了二进制阿基米德优化算法具有良好的收敛性、稳定性和搜索速度快等特点,且在对编码有要求时使用S型转换函数较V型转换函数具有更好的效果。

多策略协同改进的阿基米德优化算法及其应用

针对阿基米德优化算法(AOA)寻优过程中存在全局搜索能力弱、收敛精度低、易陷入局部最优等缺陷,提出一种融合多策略的阿基米德优化算法(MAOA)。首先,采用随机高斯变异策略选取适应度优的多个个体引导种群向最优解区域寻优,增强全局搜索能力;其次,利用多种混沌映射的随机性、遍历性和多样性,引入局部混沌搜索策略扩大混沌空间的搜索范围,提高算法的局部开发能力;同时,为了协调算法的全局勘探和局部开采能力,提出一种非线性动态密度降低因子;最后,利用Lévy飞行引导机制的黄金正弦策略对种群位置进行扰动更新,增加迭代过程中种群的多样性,提高算法跳出局部最优的能力。通过对12个基准测试函数和部分CEC2014测试函数进行仿真实验,结果表明所提算法能够改善AOA全局探索能力弱、易陷入局部最优等缺点,提高AOA的寻优精度和稳定性。另外,引入机械设计案例进行测试分析,进一步验证MAOA在处理实际问题上的适用性和可行性。

融合Sin混沌和分段权值的阿基米德优化算法

针对阿基米德优化算法(Archimedes optimization algorithm,AOA)存在全局搜索能力弱、收敛精度低,易陷入局部最优等问题,提出融合Sin混沌和分段权值的阿基米德优化算法(SAOA)。采用无限折叠迭代的Sin混沌反向学习策略初始化种群,提高初始阶段解的质量,为全局搜索多样性奠定基础;引入算数交叉算子,将当前个体向与全局最优个体进行交叉,引导种群向最优解区域寻优,提高全局搜索能力;引入分段权值策略,平衡算法的全局勘探与局部开发能力,降低算法陷入局部最优的概率;通过对8个测试函数和部分CEC2014函数进行仿真实验及Wilcoxon秩和检验来评估改进算法的寻优性能,实验结果表明改进算法在搜索精度、收敛速度和稳定性等方面均有较大提升。另外,引入优化机械设计案例进行测试分析,进一步验证SAOA在工程优化问题上的可行性和适用性。

基于自适应反馈调节因子的阿基米德优化算法

针对基础阿基米德优化算法收敛速度慢、容易陷入局部最优的问题,文中提出了一种基于自适应反馈调节因子的阿基米德优化算法。首先,通过佳点集初始化种群,增强初始种群的遍历性,提高初始解的质量;其次,提出自适应反馈调节因子,平衡算法的全局探索与局部开发能力;最后,提出了莱维旋转变换策略,增加种群的多样性,以防止算法陷入局部最优。将所提算法与主流算法在14个基准测试函数以及部分CEC2014函数上进行30次比较实验,结果表明,所提算法的平均寻优精度、标准差以及收敛曲线均优于对比算法。同时将所提算法分别与对比算法在14个基准函数上进行Wilcoxon秩和检验,检验结果显示所提算法与对比算法的差异性显著。将所提算法应用于焊接梁设计问题,其相比原始算法提升了2%,验证了所提算法的有效性。

基于黄金莱维引导机制的阿基米德优化算法

针对标准阿基米德优化算法(AOA)在求解优化问题时存在全局探索能力弱、收敛速度慢和求解精度低等问题,提出一种多策略阿基米德优化算法(MSAOA)。首先,利用变区间初始化策略,使得初始种群尽可能地靠近全局最优解,从而提高初始解的质量;其次,提出黄金莱维引导机制,以提高算法在迭代后期的种群多样性;最后,在维持种群多样性的前提下,引入自适应波长算子,以达到提高算法搜索效率的目的。将所提算法与均衡器算法(EO)、正余弦算法(SCA)以及灰狼优化算法(GWO)在20个基准测试函数上进行比较实验。实验结果表明,所提算法具有更高的寻优精度和收敛速度,并将所提算法应用于4个机械设计实例中,再次验证了所提算法的有效性和优越性。

融合差分进化与多策略的阿基米德优化算法

鉴于阿基米德优化算法存在易早熟,收敛慢等缺点,提出一种融合差分进化与多策略的阿基米德优化算法.首先,通过位置参数,随机选择两种混沌映射初始化种群来增强种群的多样性;其次,通过余弦控制因子的动态边界策略改进密度因子,来平衡算法的全局探索与局部开发能力;接着,融合差分进化算法,缩小最优位置的范围,以达到快速向最优位置靠拢的目的.最后,选取10个基准测试函数进行仿真实验,并对实验结果进行Wilcoxon秩和检验,结果表明所提算法性能优于对比算法.

基于阿基米德算法的喷涂机器人路径优化

为了提高喷涂机器人工作效率,缩短喷涂路径,本文提出了一种基于阿基米德算法的喷涂机器人路径优化方法。将喷涂起始点、喷涂方向和喷涂顺序作为决策变量,把喷涂区域划分为多个片区,建立了考虑碰撞约束的喷涂机器人路径优化模型,利用阿基米德优化算法(Archimedes Optimization Algorithm,AOA)对模型进行求解,采用某典型工件进行路径规划实验,并与其他算法的优化结果进行对比,结果表明,AOA算法的优化结果均能满足碰撞约束,收敛时的迭代次数更少,收敛精度更高,验证了本文所提喷涂机器人路径优化方法的正确性和实用性。

基于优化VMD-GRU的滚动轴承剩余使用寿命预测

为了提高滚动轴承剩余使用寿命(RUL)的预测精度,提出了一种变分模态分解(VMD)和门控循环神经网络(GRU)融合算法的滚动轴承RUL预测模型VMD-GRU。首先,该模型通过阿基米德优化算法(AOA)优化的VMD算法对原始振动信号进行分解;然后,利用最小包络熵准则选择最佳模态分量进行退化特征提取;再通过核主成分分析进行特征降维;最后,为保证模型准确率,通过鹈鹕优化算法(POA)优化GRU中的超参数,并根据不同故障类型建立GRU剩余寿命预测模型。使用XJTU-SY标准数据集进行剩余寿命预测验证,实验结果表明:与传统未结合故障类型提取退化特征和建立预测模型方法相比,VMD-GRU模型均方根误差和平均绝对误差分别降低了26.28%和27.17%。

基于DP-MSCAOA算法的梯级水库多目标防洪优化调度研究

为提高梯级水库联合防洪能力,针对不同频率洪水,综合考虑大坝防洪安全和下游防护区防洪安全,以调度期水库最高运行水位最低、下游防洪控制断面最大削峰和下游防护区超额洪量最小为目标,建立梯级水库多目标防洪联合优化调度模型,设计融合动态规划、多策略协同阿基米德优化算法优势的DP-MSCAOA嵌套优化算法,并以资水某梯级水库为例,针对不同频率洪水进行多目标防洪联合优化调度,与常规调度结果和粒子群优化结果进行对比。结果表明,多目标联合优化调度模型削峰和错峰效果更优,验证了多目标联合优化调度模型的适用性及DP-MSCAOA嵌套优化算法的有效性,可为降低洪灾风险、缓解防洪压力提供技术支撑。

基于秃鹰搜索算法的瑞雷面波频散曲线反演

针对使用传统粒子群算法及模拟退火算法等全局优化算法进行频散曲线反演时存在早熟收敛、易陷入局部最优的问题,将秃鹰搜索算法应用于频散曲线反演研究中。通过对多个典型地质理论模型和美国怀俄明地区的实测数据进行反演分析,结果表明,秃鹰搜索算法在瑞雷面波频散曲线反演中具有较强的适用性、稳定性和抗噪能力。

用人工神经网络混合元启发式优化技术分析不可压缩黏性流体在收敛和发散通道中的流动:一种智能方法

本文采用人工神经网络(ANN)与进化算法(特别是阿基米德优化算法(AOA)和水循环算法(WCA)相结合的方法)对非线性磁流体动力学(MHD)的Jeffery-Hamel问题,特别是收敛和发散通道中的拉伸/收缩问题进行了数值研究。这种组合技术被称为ANN-AOA-WCA。将基于复杂非线性磁流体动力学Jeffery-Hamel问题的偏微分方程转化为速度和温度的非线性常微分方程系统,我们建立了基于人工神经网络的适应度函数来求解非线性微分问题。随后,采用了一种新的AOA和WCA结合方法(AOAWCA)来优化基于神经网络的适应度函数,并确定了神经网络的最优权值和偏差。为了证明提出混合方法的有效性和多功能性,探索了一系列雷诺数、通道角和可拉伸边界值的MHD模型,从而开发了两种不同的情况。ANN-AOA-WCA的数值结果与参考解(NDSOLVE)非常接近,NDSOLVE与ANNAOA-WCA的绝对误差约为3.35×10^(−8),对可拉伸收敛和发散通道的理解特别关键。此外,为了验证ANN-AOA-WCA技术,我们对150多个独立运行进行了统计分析,以获得适应度值。

基于IAOA-KELM的储气库注采管柱内腐蚀速率预测

针对储气库注采管柱的内腐蚀速率预测问题,建立了基于阿基米德优化算法(Archimedes Optimization Algorithm,AOA)与核极限学习机(Kernel Extreme Learning Machine,KELM)相结合的模型提高腐蚀速率预测精度。通过引入佳点集、改进密度降低因子、采用黄金正弦算法缩小搜索空间,提高局部开发能力,利用改进阿基米德优化算法(Improved Archimedes Optimization Algorithm,IAOA)优化KELM正则化系数(C)和核函数参数(γ),进而建立IAOA-KELM储气库注采管柱内腐蚀速率预测模型;使用MATLAB软件运用该模型对某注采管柱内腐蚀数据集进行学习与预测,将IAOA-KELM模型与KELM、粒子群优化算法(Particle Swarm Optimization,PSO)-KELM、AOA-KELM结果进行预测误差对比。结果表明,IAOA-KELM模型的预测值与实际值较为拟合,其E RMSE为0.65%,E MAE为0.39%,R 2为99.83%,均优于其他模型。研究表明,IAOA-KELM模型能够更为准确地预测储气库注采管柱内腐蚀速率,为储气库注采管柱的运维及储气库的健康管理提供参考。

严重遮挡场景下AOA-ENN辅助列车定位的方法研究

铁路周边卫星遮挡情况复杂多变,当列车在隧道等严重遮挡场景下运行时,北斗卫星导航系统/捷联惯性导航系统(BDS/SINS)列车组合定位系统无法接收到卫星信号,导致列车定位误差累积甚至定位失效。为提高列车在严重遮挡场景下的定位精度,提出阿基米德优化算法优化的Elman神经网络(AOA-ENN)辅助BDS/SINS列车组合定位系统进行列车定位的方法。首先,在无迹卡尔曼滤波算法中引入新息理论得到自适应无迹卡尔曼滤波算法(AUKF),将其作为BDS/SINS列车组合定位系统的信息融合算法。其次,基于模糊C均值聚类算法(FCM)建立列车运行场景识别模型,依据环境特征参数对列车运行场景进行自主识别。最后根据场景识别模型的输出结果,当列车在开阔、低遮挡、高遮挡场景运行时,通过AUKF对BDS和SINS解算的定位信息进行融合来完成列车定位,同时将采集的列车定位数据加入训练集,对AOA-ENN进行在线训练;当列车在严重遮挡场景下运行时,BDS无法正常接收信号,利用训练好的AOA-ENN辅助列车组合定位系统进行定位,利用AUKF对AOA-ENN的预测信息和SINS解算的信息进行融合后输出定位结果。实验结果表明:在严重遮挡场景下,AOA-ENN辅助列车组合定位系统得到的定位成功率达到98.2%;通过不同优化算法和神经网络的仿真对比实验,验证了AOA-ENN在辅助列车组合定位系统定位时的优越性。所得成果为优化列车在隧道等严重遮挡场景下的定位精度提供了参考。

利用PVDF压电传感器实现接触滑动的快速检测

工业机器人在进行工件抓取过程中,往往存在夹持力过大使工件破损、夹持力过小导致工件滑落的矛盾。为此,提出一种接触滑动的快速检测方法,采用聚偏二氟乙烯(polyvinylidene fluoride, PVDF)压电传感器作为滑觉感知元件。首先,利用阿基米德优化算法(Archimedes optimization algorithm, AOA)优化变分模态分解(variational mode decomposition, VMD)对传感器信号进行分解与重构,降低噪声干扰;然后,提取信号的时频域特征,构建信号特征集;最后,使用蜣螂优化算法(dung beetle optimization, DBO)优化选取长短期记忆网络(long short-term memory networks, LSTM)参数,将DBO优化选取后的参数和信号特征集用于构建滑动检测识别模型。将所提滑动检测方法应用于电动夹爪抓取试验,结果表明,该方法实现了接触状态的精准快速识别,准确率达到100%,识别时间在20 ms以内,根据识别结果可实时调整电动夹爪夹持力大小。

基于改进的机器学习模型对重症急性胰腺炎诊断的早期预测

目的基于改进的机器学习模型建立重症急性胰腺炎诊断的早期预测模型,并分析其临床价值。方法纳入2014年1月至2023年8月陆军特色医学中心消化内科、肝胆外科以及联勤保障部队第九四五医院急诊与重症医学科收治的352例急性胰腺炎患者,根据病情严重程度将其分为重症组(n=88)和非重症组(n=264),开展病例对照研究。利用RUSBoost模型以及改进的阿基米德优化算法,分析入院48 h内的39项常规实验室生化指标,帮助构建重症急性胰腺炎早期诊断预测模型,同步完成特征筛选和超参数优化,并利用ReliefF算法特征重要性排序和Logistic多因素分析,对筛选出的特征进行价值分析。结果在训练集上,改进机器学习模型的曲线下面积(area under curve,AUC)为0.922;在测试集上,改进机器学习模型的AUC达到了0.888。基于改进机器学习模型筛选出的预测重症急性胰腺炎发生的4个关键特征分别为C反应蛋白、血氯、血镁、纤维蛋白原水平,与ReliefF算法特征重要性排序和Logistic多因素分析结果相吻合。结论应用改进机器学习模型分析实验室检查结果,可帮助临床早期预测重症急性胰腺炎的发生。

基于高速飞行器火力控制模型的智能解算方法

研究吸气式高速飞行器的火力控制解算问题,针对高速飞行器较传统的亚音速与超音速飞行器系统响应时间短,飞行环境复杂,对火力控制模型解算要求度高等难点,提出了一种高速飞行器火力控制模型的解算方法。构建了面向高速飞行器平台的火力控制模型,并根据高速飞行器的飞行特性,使用快速模拟法结合阿基米德优化算法求解攻击区域,并反解出载机初始的指令信号。仿真结果表明,该解算方法解算精度高,控制参数少,所实现的攻击区域广,且能发挥高速飞行器较强的飞行性能。

基于MIC与IAOA-DBN的充油电缆终端故障诊断方法

高压充油电缆终端的可靠运行是电缆线路稳定运行的前提,但传统充油电缆终端故障诊断模型存在效率低、可靠性差等问题。为准确判断充油电缆终端故障,提出一种最大互信息系数(maximal information coefficient,MIC)结合改进阿基米德算法(improved Archimedes optimization algorithm,IAOA)优化深度置信网络(deep belief network,DBN)的充油电缆终端故障诊断方法。首先,采用MIC理论对电缆终端用硅油中溶解气体浓度的特征量进行降维处理并提取特征量;其次,将优选的特征量作为DBN网络模型的输入,并针对DBN网络超参数选取困难的缺点,提出采用IAOA优化DBN网络模型的超参数;再者,针对AOA算法容易陷入局部最优和搜索能力差等不足,引入多种改进策略优化AOA的方法提高AOA的寻优能力。最后,通过搭建充油电缆终端故障模拟实验平台,收集充油电缆终端故障样本数据并创建类别样本标签,验证了该模型的可行性。实例表明,所提出的诊断方法可以较好地完成故障诊断,测试集的准确率为98.33%。与传统故障诊断模型相比,该方法稳定性好、识别精度高,可为保障高压充油电缆终端的可靠运行提供理论基础。