基于改进飞蛾扑火优化算法的奶牛隐性乳腺炎特征选择

为了提高大型牧场奶牛隐性乳腺炎的诊断速度和准确率,进而降低奶牛养殖企业诊疗成本,本研究在基本算法中引入3种不同的改进策略,设计了一种新的飞蛾扑火优化(improved moth-flame optimization,IMFO)算法,在公认的加州大学欧文分校(university of California Irvine,UCI)数据集上测试和评估了IMFO算法在奶牛隐性乳腺炎特征选择中的性能,并将试验结果与其他4种算法的测试结果进行比较分析,将IMFO算法用于奶牛群体改良(dairy herd improvement,DHI)数据的特征选择,并使用K最邻近(K-nearest neighbor,KNN)分类算法进行分类。结果表明:IMFO算法通过引入最优火焰引导(optimal flame guidance,OFG)策略,在寻优过程中使火焰和全局最优个体共同引导飞蛾飞行方向,有效避免了特征选择算法陷入局部最优;通过引入初始化混沌反向学习(initialize chaotic reverse learning,ICR)策略和自适应扰动(adaptive disturbance,AD)策略,提高了初始化模型的空间多样性和质量,增加了种群的多样性,避免了特征选择算法的早熟收敛。将IMFO特征选择算法和其他比较算法在UCI数据集和奶牛隐性乳腺炎疾病数据集上进行试验验证,IMFO与其他算法相比具有更好的特征筛选能力,有效提高了对奶牛隐性乳腺炎的预测性能。说明IMFO算法可提高大型牧场奶牛隐性乳腺炎的诊断速度和准确率。

基于改进飞蛾扑火优化算法的船机桨匹配设计研究

基于改进飞蛾扑火优化(Improved Moth-Flame Optimization,IMFO)算法,以两艘现有船舶为计算实例,展开了综合考虑螺旋桨推进效率、空泡性能和桨叶强度的船机桨匹配工作。以遗传算法(Genetic Algorithm,GA)和原始飞蛾扑火优化(Moth-Flame Optimization,MFO)算法为对比算法,分析了IMFO辅助船机桨匹配工作时的性能。数值实验的结果表明,在解决船机桨匹配问题时,IMFO算法的收敛时间相比GA算法在两个算例中分别缩短了44.24%和54.14%,相比MFO算法分别缩短了23.9%和23.12%。此外,在求解精度方面,在计算示例1中,IMFO算法相比GA算法和MFO算法略有提升;而在计算示例2中,IMFO算法相比GA算法提高了3.66%,较MFO算法提高了0.98%。最后,通过对两个算例的可行解空间进行可视化表示,进一步讨论了IMFO算法的求解性能。上述结果对比证明了IMFO算法具备强大的全局搜索能力,在解决船机桨匹配问题时具有良好的竞争力和鲁棒性。

基于飞蛾扑火算法的电力系统无功优化控制

电力系统的合理无功优化有利于电力系统的稳定、优质、经济运行,飞蛾扑火算法以其收敛速度快速的优势可以适用于电力系统的无功优化控制。基于飞蛾扑火算法研究了电力系统无功优化方法,研究了飞蛾扑火的原理,建立了目标函数和约束条件。通过10机39节点系统验证了该方法的有效性。结果表明,MFO可以有效对系统进行无功优化,减少了系统的网损,且MFO收敛速度较快。

基于改进免疫飞蛾扑火算法的船舱设备布局优化

为有效解决实际的船舱设备布局优化问题,提出了一种改进免疫飞蛾扑火算法。通过引入免疫机制和权重系数非线性递减策略,以有效提升算法的全局优化性能。由仿真验证结果可知,所提算法有效提升了飞蛾扑火算法的全局优化性能,采用所提算法能够更好地求解实际的船舱设备布局优化问题。

基于飞蛾扑火算法的储能参与现货市场交易研究

随着电力现货市场体制建设的逐步推进,储能资源在电力市场交易中的作用日益重要。为解决储能参与电力现货市场收益率低的问题,提出了一种基于飞蛾扑火算法的储能参与现货市场交易方法。首先,通过近邻聚类统计储能终端用户的类型,并进行现货交易申报参数分析、参与现货市场优化。其次,采用飞蛾扑火算法对储能参与现货市场的出清交易价格进行了最优求解。最后,对算法在中国某城市中进行测算,较演化博弈利润提高了23.39%。该方法提升了储能参与电力现货市场交易盈利水平。

飞蛾扑火优化的尺度比例感知空间长期跟踪器

针对无人机长期跟踪过程中尺度变换导致目标丢失和跟踪精度低的问题,提出了一种基于飞蛾扑火优化(moth-flame optimization,MFO)的尺度比例感知空间长期跟踪器。首先,设计了高斯初始化以代替飞蛾扑火优化算法的随机初始化策略,降低优化算法在跟踪过程中的计算复杂度,减少算力浪费;其次,结合快速梯度直方图特征,构建了改进的飞蛾扑火优化跟踪器;然后,为了解决无人机航拍长期跟踪中目标尺度变化的问题,设计了一种自适应尺度变换的判别尺度空间跟踪(discriminative scale space tracking,DSST)算法,进一步提出了一种尺度比例感知空间跟踪器,解决了尺度滤波器中因长宽比固定而导致的跟踪漂移;同时,分析了滤波器响应峰值在各背景下的变化情况,提出了一种能反映环境变化下跟踪置信度的指标,并通过置信度将MFO优化跟踪框架与尺度比例感知空间跟踪器相结合,解决了尺度变化与长期跟踪目标丢失的问题;最后,在无人机长期跟踪数据集上开展了性能验证。结果表明:提出的算法可有效防止漂移现象的发生,提升跟踪效率;与目前跟踪领域中12种同类文献算法进行对比可知,提出的算法精度较高,满足实时性,能够有效解决无人机长期跟踪下的尺度变化及目标丢失等问题。

求解高维复杂函数的改进飞蛾扑火算法

提出一种融合自适应动态扰动系数和分段可调节搜索策略的飞蛾扑火优化算法(a moth-flame optimization algorithm with adaptive dynamic disturbance coefficient and piecewise adjustable search strategy,ADMFO),求解高维复杂函数优化问题。通过自适应动态扰动系数策略来提高算法的全局搜索能力,避免算法陷入局部最优;通过分段可调节搜索策略来平衡全局探索和局部开发的比重,以此实现更好的寻优策略。对15个单峰和多峰复杂高维基准函数进行寻优实验,与粒子群算法、正弦余弦算法、蝴蝶算法、灰狼算法和其他4种改进算法进行对比。实验结果表明,ADMFO算法具有更好的寻优精度和稳定性。

基于改进飞蛾扑火优化算法的并网复合装置滑模变控制器参数优化

针对背靠背MMC-HVDC并网复合装置滑模变控制参数整定困难的问题,提出一种基于改进飞蛾扑火优化算法的控制器优化方法。引入佳点集初始化,在初始化种群时增加变量取值的多样性,加快算法收敛速度,减少计算量;结合Lévy飞行更新机制,避免算法陷入局部最优。通过8个标准测试函数测试所提改进飞蛾扑火算法的性能,并与多个常见群智能优化算法进行对比,验证所提算法的优越性。研究实现Python-PSCAD联合仿真方法,以综合ITAE指标为目标函数,对滑模变控制器进行参数优化。仿真结果表明,经改进飞蛾扑火算法优化的控制器参数可以使并网复合装置具有更好的动态性能。

基于改进飞蛾扑火算法的集成调度仿真

针对制造型企业成本上升等问题,建立生产与运输集成调度的数学规划模型,提出一种双自适应权重飞蛾扑火算法(double adaptive weights for moth flame optimizer,DAWMFO)进行求解。提出了一种双自适应权重机制;使用螺旋函数更新种群,提高了算法的收敛速度和精度。采用改进算法对基准函数进行了测试,结果表明:DAWMFO不仅能够快速收敛且不易陷入局部最优,寻优能力较其他算法也有所提升。通过对生产与运输集成调度的数据集做仿真实验,验证了改进算法在求解此类问题时可行高效。

基于改进飞蛾扑火算法的电动汽车充电站选址

为解决电动汽车充电站的选址问题,将Tent混沌映射反向学习策略和动态惯性权值策略与飞蛾扑火优化算法相结合,得到混沌反向学习的飞蛾扑火算法。在所提算法中,引入Tent混沌映射和反向学习初始化策略来提高初始解的多样性;采用动态惯性权值策略在前期提高探索能力,并在后期加快迭代速度。用算例进行分析,采用改进算法对电动汽车充电站进行选址比标准飞蛾扑火算法和标准粒子群算法更有效。

基于自适应位置调节的飞蛾扑火MPPT控制方法

为了解决传统光伏阵列最大功率点追踪(maximum power point tracking,MPPT)算法易陷入局部最大功率点(local maximum power point,LMPP)的问题,本文提出一种基于自适应位置调节的飞蛾扑火(adaptive position adjustment for moth-flame optimization algorithm,AMFO)MPPT控制方法,该方法在飞蛾的位置更新机制中引入自适应位置插值策略和自适应权重因子策略,提高了算法的求解精度和优化速度,使之不易陷入局部最大功率点。将改进后的算法应用于光伏系统MPPT中,仿真实验结果表明:改进后的算法相较于传统的飞蛾扑火优化(moth-flame optimization,MFO)算法、灰狼优化(grey wolf optimizer,GWO)算法和粒子群优化(particle swarm optimization,PSO)算法,在均匀光照和局部遮阴条件下的追踪速率和精度均有较大提升。

基于自适应飞蛾扑火优化算法的三维路径规划

三维路径规划问题是在干扰环境下寻找出发点到目的地之间最优路径的组合优化问题。针对传统群智能算法在求解该问题时存在收敛精度低、易陷入局部最优等缺陷,提出了一种自适应飞蛾扑火优化算法对该问题进行优化求解。改进算法通过引入飞行方向动态调整策略和位置交叉策略,在动态调整飞蛾飞行方向的同时不断产生新个体,有效避免了算法陷入局部最优;通过自适应调整火焰的数量,在算法全局探索阶段增强了种群多样性,避免了早熟收敛。将自适应飞蛾扑火优化算法与其他群智能算法用于三维路径规划问题求解,实验结果表明,改进的自适应飞蛾扑火优化算法在所有算法中代价值最小,收敛速度最快,说明该算法在三维路径规划问题中具有更好的求解能力。

全局扰动和互利因子作用的飞蛾扑火优化算法

为解决飞蛾扑火优化(moth-flame optimization, MFO)算法收敛速度慢、容易陷入局部最优等问题,提出一种飞蛾扑火优化(DBMFO)算法。使用Bernoulli混沌映射,提高初始种群的多样性;引入全局扰动因子,提高算法的全局搜索能力;使用互利因子对全局扰动后的位置再次进行更新,避免新的算法陷入局部最优,使得算法更快收敛。通过对10个基准函数进行仿真实验,确定迭代系数的取值,通过Wilcoxon秩和检验来验证算法性能,其结果表明,改进的DBMFO算法在求解的精确度以及收敛速度上均有明显提升。

基于飞蛾扑火算法的关键节点挖掘方法

关键节点挖掘在理解和控制复杂网络系统方面具有重要作用和巨大潜力。提出了一种基于飞蛾扑火优化算法的关键节点挖掘算法,解决关键节点问题。该算法引入了反向学习等策略,以提高解集的质量和加快收敛。同时,设计了快速种群演化和复合高斯进化等方法,以优化解集并增强解空间探索能力,从而克服局部最优陷阱。在多个合成网络和真实网络数据集上进行的对比实验结果表明,提出的算法相较以于其他先进的对比算法具有更高的鲁棒性,并验证了该算法部件的有效性。

基于改进飞蛾扑火算法的无人机低空突防路径规划

针对传统群体智能优化算法在复杂环境下求解无人机突防过程中路径搜索能力不足,易陷入局部最优、搜索时间长等问题,提出了一种基于改进的飞蛾扑火优化算法的无人机智能突防方法。首先,建立基本地形模型、威胁源模型,实现三维等效地形;然后,在飞蛾扑火算法中引入交叉算子和高斯变异算子,引起火焰变异,在迭代前期加快寻优速度,增强算法的全局搜索能力;最后,在算法中引入自适应权重,增大适应度较差飞蛾运动轨迹的搜索空间,改善寻优精度。实验结果表明,所提出算法可以使无人机快速地自主避开危险区域,选择最优路径,所提出算法规划的突防路径相比MFO及GWO算法分别降低了25.14 km和14.77 km,代价相比其他两种算法分别降低了3.63及10.25,提高了无人机的生存概率,较大地降低了风险成本,实现低空突防的目的。

改进的飞蛾扑火优化算法在网络入侵检测系统中的应用

针对当前网络入侵检测中的数据量较大、数据维度较高的特点,将飞蛾扑火优化(MFO)算法应用于网络入侵检测的特征选择中。鉴于MFO算法收敛过快、易陷入局部最优的问题,提出一种融合粒子群优化(PSO)的二进制飞蛾扑火优化(BPMFO)算法。该算法引入MFO螺旋飞行公式,具有较强的局部搜索能力;结合了粒子群优化(PSO)算法的速度更新方法,让种群个体随着全局最优解和历史最优解的方向移动,增强算法的全局收敛性,从而避免易陷入局部最优。仿真实验以KDD CUP 99数据集为实验基础,分别采用支持向量机(SVM)、K最近邻(KNN)算法和朴素贝叶斯(NBC)3种分类器,与二进制飞蛾扑火优化(BMFO)算法、二进制粒子群优化(BPSO)算法、二进制遗传算法(BGA)、二进制灰狼优化(BGWO)算法和二进制布谷鸟搜索(BCS)算法进行了实验对比。实验结果表明,BPMFO算法应用于网络入侵检测的特征选择时,在算法精度、运行效率、稳定性、收敛速度以及跳出局部最优的综合性能上具有明显优势。

引入改进飞蛾扑火的K均值交叉迭代聚类算法

针对现有K均值聚类(KMC)算法在选取初始聚类中心时随机性较大、全局搜索能力差、聚类精度低等问题,提出了一种引入改进飞蛾扑火的K均值交叉迭代聚类(IMFO-KMC)算法。利用最大最小距离积法初始化聚类中心,避免了KMC算法对随机初始聚类中心较为敏感的问题;利用样条插值预测的思想改进飞蛾扑火算法,提高了算法的收敛速度及寻优精度;以类内平均距离为适应度函数,引导插值扑火算法优化KMC迭代过程中的聚类中心,提高了聚类精度。将IMFOKMC与KMC、K-means++算法、模糊c均值聚类算法在国际标准数据集Iris、Wine和Seeds上进行了实验对比,结果表明:IMFO-KMC算法在Iris数据集上的性能提升最为明显,相比其他算法准确率提高了0.67%~4.18%,标准化互信息提高了1.5%~4.01%。

融合折射原理反向学习的飞蛾扑火算法

飞蛾扑火算法是一种新型群智能优化算法,目前已经应用于特征选择和图像分割等诸多领域。然而,传统的飞蛾扑火算法后期收敛速度不足且容易陷入局部最优,从而影响了算法的整体性能。为了提高飞蛾扑火算法的优化性能,提出了一种基于折射原理反向学习的飞蛾扑火算法(ROBL-MFO)。该算法首先在飞蛾的更新公式中引入历史最优火焰平均值,使火焰间的信息能够互相交流,提高算法的收敛能力;其次利用随机反向学习策略对解进行反向学习,扩大算法的搜索空间;最后使用折射原理对解进行折射操作,提高种群的多样性,帮助算法跳出局部最优。在六个标准实验函数上得到的实验结果表明,对比其他算法,ROBL-MFO算法拥有更好的收敛速度,且能够有效跳出局部最优。

基于MFO算法的新能源汽车永磁同步电机模糊控制

传统新能源汽车永磁同步电机模糊控制方法仅计算永磁同步电机单一数学方程,容易导致控制效果不佳.因此,设计了基于MFO算法的新能源汽车永磁同步电机模糊控制方法.根据永磁同步电机特性,采集多种类型电机数据,并对其进行预处理,分析电机动态行为.在设计电机模糊控制器时,先计算输入变量和输出变量的隶属度函数,利用MFO算法对其进行优化,整定优化后的参数,结合模糊推理实现对永磁同步电机的模糊控制.实验结果表明,本文方法在实际应用中高低超调量仅为1.3%,且控制效果较好.

基于飞蛾扑火优化算法的电力系统最优潮流计算

飞蛾扑火优化(moth-flame optimization,MFO)算法作为一种最新提出的启发式智能优化算法,具有优良的搜索性能和鲁棒性,可用于求解复杂实际工程问题。针对电力系统最优潮流问题,提出采用MFO算法的最优化求解方案。该方案采用发电成本以及发电成本结合有功网损、节点电压偏移的加权和作为优化问题的目标函数,考虑电力系统潮流计算中复杂的约束限制,并与现有的基于其他智能优化算法的最优潮流计算结果展开对比与分析。IEEE 30节点系统仿真算例结果表明,采用MFO算法求解最优潮流问题具有收敛速度更快、搜索精度更高、鲁棒性强等优点。