多策略融合改进的飞蛾火焰优化算法

针对飞蛾火焰优化算法容易出现局部最优解、接近全局最优时开发能力不足等问题,提出一种多策略融合改进的飞蛾火焰优化(RGMFO)算法。在每次迭代开始时,使用随机反向学习策略获得高质量飞蛾种群;利用高斯变异将较差的火焰个体替换为优秀个体;使用阿基米德螺线、权重因子和围绕最优火焰飞行3种方式改进飞蛾更新机制。为验证所提算法的有效性,与11个不同类型的基准函数进行寻优测试,基准函数实验结果与秩和检验表明:相较于其他优化算法及其他MFO改进算法,所提算法具有更好的全局搜索能力与更高的寻优精度。将所提算法应用于减速器设计和槽形舱壁设计的实际工程场景中,以进一步验证算法的实用性与可行性。

Tsne降维可视化分析及飞蛾火焰优化ELM算法在电力负荷预测中应用

电力系统的稳定运行具有负荷平衡的强约束性,准确的电力负荷预测在保证电力系统规划与可靠、经济运行方面具有十分重要的意义,影响着电力系统的诸多决策,如经济调度、自动发电控制、安全评估、维护调度和能源商业化等。该文针对电力负荷预测的多种气象因素影响,提出一种基于Tsne降维可视化分析及飞蛾火焰优化ELM算法(MFOELM)的电力负荷预测新方法。针对影响电力负荷预测的高维气象数据,采用改进的SNE降维可视化分析方法Tsne,解决了数据拥挤造成可视化效果不佳且数据结构易发生改变的问题,通过与Kpca、SNE降维方法的对比实验,证明了Tsne可以更好地将高维气象数据向低维空间映射,较高地保持高维空间中的数据结构并改善数据可视化效果;针对ELM负荷预测模型的局限,利用MFO在求解具有约束和未知搜索空间的复杂问题时具有的优越性对ELM优化,更好地解决了ELM权值输出不稳定,易陷入局部最小值等问题。通过对SAELM、PSOELM、MFOELM三种预测算法进行寻优实验,结果表明MFO不但具有更快的求解速度,而且提高了ELM的预测精度。通过对国际公开的美国日气象数据降维,协同负荷数据进行预测进行对比实验,证明了该文方法的有效性和优越性。该文方法在唐山实际电网负荷预测中应用,为制定合理的电网运行方式提供依据。

新型飞蛾火焰优化算法的研究

飞蛾火焰优化算法(Moth-Flame Optimization,MFO)是一种自然激励且易于实现的全局优化算法,在许多实际优化任务中表现出良好的性能。然而,MFO算法存在早熟收敛和容易陷入局部最优解的问题,针对这些不足,提出了一种Kent混沌动态惯性权值的改善飞蛾火焰优化算法(Ameliorative MFO,AMFO)。在AMFO算法中,引入Kent混沌映射搜索策略帮助当前最优解跳出局部最优;采用基于适应度值和迭代次数的动态惯性权值策略来平衡算法的开发和探索能力,以进一步提升MFO算法性能。在8个经典benchmark函数上验证AMFO算法的搜索精度和性能,并将其结果与标准飞蛾火焰优化算法、粒子群算法和差分进化算法进行比较,仿真结果表明AMFO算法具有较好的搜索性能。

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。

基于飞蛾火焰优化算法的改进GM(1,1)模型

飞蛾火焰优化(MFO)算法是受飞蛾在自然界中的横向定位导航方法启发而提出的一种新的元启发式算法。初值是影响灰色模型预测精度的主要因素之一,针对由辨识参数和初值引起的GM(1,1)模型误差,本文提出一种基于飞蛾火焰优化算法改进的GM(1,1)模型——MFOGM(1,1)。以最小化平均绝对相对误差为目标函数,利用飞蛾火焰优化算法优化GM(1,1)模型的参数,同时在连续区间[x;(1),x;(n)]中搜索最优初值。分别用基本GM(1,1)模型,初值为x;(n)的GM(1,1)模型,MFOGM(1,1)模型对绝缘电阻历史数据进行模拟,三个模型的平均绝对百分比误差MAPE分别是4.30%, 4.60%, 3.74%。实例结果展示,改进的MFOGM(1,1)模型的精度得到了改善,在三个模型中是最好的,表明了所改进的模型的有效性和可行性。

冷蠕成形系统飞蛾火焰算法的优化控制

针对冷蠕成形系统控制过程中存在压力波动的问题,常规PID控制算法存在易陷入局部极值的缺陷,设计一种基于飞蛾火焰优化(MFO)算法的PID控制策略。引入有限元数值模拟软件DEFORM进行冷蠕成形时金属的受力和流向分析,利用所提的算法在全局搜索空间中进行勘探,以螺旋路径的形式逼近火焰,在最佳工况点提升三相异步电机的动态响应水平,优化高阶非线性系统的复杂建模过程,同时,减少滑块压力的波动对液压泵的影响。仿真结果表明,所设计的控制策略可以精确优化PID参数,减少压力扰动的影响,在减少超调量和增强系统鲁棒性等方面具有显著效果。

飞蛾火焰优化算法在承压含水层参数反演中的应用

通过10个典型低维函数对一种新型群体智能仿生算法——飞蛾火焰优化(MFO)算法进行仿真验证,并与粒子群优化(PSO)算法的寻优结果进行对比。以无界井流问题及直线隔水边界附近井流问题的解析解为基础,将MFO算法应用于分析抽水试验数据,进行反演承压含水层参数,并以2个实例对MFO算法进行验证。结果表明:MFO算法在低维函数极值寻优问题上具有较好的收敛精度和全局寻优能力,寻优精度较PSO算法提高了7个数量级以上。MFO算法对2个实例的反演精度较文献改进SA算法等提高了56.5%以上,具有较好的稳健性能、收敛速度和全局寻优能力。利用MFO算法对承压含水层参数进行反演,可获得比相关文献更高的反演精度,不但为精确估计承压含水层参数提供了有效方法,而且拓展了MFO算法在地下水模型参数反演中的应用,具有良好的应用价值和前景。

基于混沌初始化和高斯变异的飞蛾火焰优化算法

针对飞蛾火焰优化算法(moth-flame optimization algorithm,MFO)在求解最优化问题时存在寻优精度低、易陷入局部最优等问题,提出一种基于混沌初始化和高斯变异的改进飞蛾火焰优化算法。首先,采用立方混沌映射对飞蛾种群进行初始化操作,使飞蛾更均匀地分布于搜索空间;其次,应用高斯变异对种群中少数较差个体进行扰动以增强算法跳出局部最优的能力;最后,通过阿基米德曲线扩大搜索范围,提高算法对未知领域的探索能力。在CEC14测试函数及21个可扩展Benchmark函数上进行了一系列实验,与标准飞蛾火焰优化算法、遗传算法、人工蜂群算法、粒子群算法、差分进化算法、花授粉算法和蝴蝶优化算法进行比较,结果表明,该算法能明显提高解的精度和算法的收敛速度。

改进飞蛾火焰算法在多目标水资源优化配置中的应用

水资源紧缺局面愈演愈烈,迫切需要进行水资源优化配置,以此提高水资源利用效率。基于自然元启发的优化算法越来越多的应用于求解多目标水资源优化配置问题。飞蛾火焰算法全局收敛性能较差且容易陷入局部最优解,针对以上问题,结合帕累托最优解概念,引入快速非支配排序策略,利用拥挤度及拥挤度比较算子对飞蛾火焰算法进行改进,继而采用改进的飞蛾火焰算法对ZTD1、ZTD2及ZDT3等3个多目标函数进行仿真实验,结果表明计算得到的帕累托最优前沿接近于理想帕累托前沿,收敛性能及精度优于本文所列举大部分多目标优化算法。最后将改进飞蛾火焰算法应用于三亚市水资源优化配置中,得到了23组帕累托最优解。选择了对缺水量最小有特殊偏好的方案作为最终决策方案,结果显示三亚市不同用水户总需水量39015万m^3,各用水户总分配水量为39015万m^3,缺水量为0,产生的经济效益为203.91亿元。改进的飞蛾火焰算法为多目标水资源优化配置问题提供了新的求解方法。

飞蛾火焰优化算法-投影寻踪回归模型在需水预测中的应用

基于用水时间序列构建投影寻踪回归(PPR)需水预测模型。针对PPR模型矩阵参数难以确定的不足,利用一种新型群体智能仿生算法——飞蛾火焰优化(MFO)算法优化PPR模型矩阵参数,提出MFO-PPR预测模型,并构建MFO-BP模型作对比,以1980—2013年上海市需水预测为例,分别利用实例前20组和后10组数据对模型参数进行率定及预测。结果表明:MFO-PPR模型对实例后10 a需水预测的平均相对误差绝对值和最大相对误差绝对值分别为1.84%、4.20%,预测精度优于MFO-BP模型的2.06%、4.61%。MFO算法具有较好的全局寻优能力,将MFO算法应用于PPR模型参数寻优,可有效地提高PPR模型的预测精度。

飞蛾火焰优化算法在马斯京根模型参数优化中的应用

通过10个典型二维函数对一种新型群体智能仿生算法——飞蛾火焰优化(MFO)算法进行仿真验证,并与粒子群优化(PSO)算法的寻优结果进行对比。利用该算法优化马斯京根模型参数,并以相关文献中的3个实例进行验证。结果表明:MFO算法在二维函数极值寻优问题上具有较好的收敛精度和全局寻优能力,寻优精度较PSO算法提高了7个数量级以上。利用MFO算法优化马斯京根模型参数,可以获得比相关文献更高的模拟精度,为精确估计马斯京根模型参数提供了有效方法。

飞蛾火焰优化算法及其在梯级水库优化调度中的应用

利用一种新型群智能仿生算法——飞蛾火焰优化(MFO)算法求解某梯级水库群丰、平、枯优化调度问题,求解结果与混合蛙跳算法(SFLA)、粒子群优化算法(PSO)、布谷鸟搜索算法(CS)和入侵杂草优化算法(IWO)的求解结果进行比较。结果表明,MFO算法丰、平、枯优化调度发电量分别比其他4种算法增加了0. 179 2～0. 960 2、0. 097 2～0. 564 1、0. 082 4～0. 322 0亿kW·h,具有较好的优化调度效果。将MFO算法应用于实际工程,验证了该算法具有较好的收敛精度和全局极值寻优能力,是一种有效可行的水库群优化调度模型求解方法,可为求解水库优化调度问题提供新的途径和方法。

基于飞蛾火焰优化算法的过热汽温PID参数优化控制仿真

为了达到过热汽温系统的优化运行以提高热效率,将飞蛾火焰优化算法用于锅炉过热汽温控制系统的PID优化整定,使过热汽温得到了良好的控制,提高了整个系统的鲁棒性。控制仿真结果表明该算法是一种可行、有效的寻优方法 ,使控制系统获得较好的动态特性和很强的鲁棒性,适用于PID参数优化。

基于高斯变异的改进型飞蛾火焰优化算法

为了解决飞蛾火焰优化算法(Moth-flame optimization algorithm,MFO)早熟收敛、寻优精度低和容易陷入局部最优等问题,提出了一种基于高斯变异的改进型飞蛾火焰优化算法(Gaussian Mutation Moth-flame optimization algorithm,GMFO)。该算法通过高斯变异对适应度值较差的少数个体进行局部扰动,增强了算法跳出局部最优的能力。仿真结果表明,GMFO算法提高了求解的精度、收敛的速度和全局搜索的能力。

基于改进飞蛾火焰算法的单相逆变器参数辨识

提出一种基于改进飞蛾火焰优化算法的逆变器电路参数辨识方法。针对飞蛾火焰算法的不足,改进了飞蛾火焰优化算法。前期使飞蛾向最优个体位置直线移动,加快了算法收敛速度;后期利用Levy飞行增强种群多样性,提高了算法全局搜索能力。参数辨识结果表明,改进飞蛾火焰算法辨识得到的参数值与实际值非常接近,误差很小。改进飞蛾火焰算法能够有效实现逆变器电路参数的精确辨识,进而可应用于参数型故障诊断、运行状态监测和预知维护。

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。

基于改进MFO优化空间谱的埋地管道泄漏定位

现有管道泄漏声波定位法仅能提供泄漏所在区域。为实现区域内地下泄漏源的精确定位,基于地面均匀圆形阵列(uniform circular array, UCA),提出选择性反向学习飞蛾火焰优化(selective ppposition based moth-flame optimization, SOMFO)结合双波谱的埋地管道泄漏定位方法。针对土壤P1波和S波共存且波速不明确等问题,构造地面UCA的双波谱函数,以其最大输出为优化目标,使用SOMFO寻优双波速度及泄漏源三维坐标共5个参数,并设计了多孔泄漏定位策略。搭建了埋地管道泄漏试验装置,通过互谱解卷绕相位的直线特性验证了P1波和S波的存在。试验结果表明,基于SOMFO优化双波谱的定位方法可准确估计波速及三维坐标,定位误差最大为0.066 m。此外,研究了多孔泄漏及寻优算法对定位精度的影响。与现有两种精确定位方法相比,新方法对单孔泄漏的定位精度分别提升9.68%和24.32%,多孔泄漏分别提升49.17%和61.15%。

基于MFO优化BP神经网络构建冷鲜肉品质预测模型

为能准确预测冷鲜肉在贮藏中品质的变化规律及质量安全,本文探究贮藏温度(0、4和25℃)对冷鲜肉菌落总数、TVB-N、pH、水分含量、色度和生物胺含量的影响,确定冷鲜肉的特征品质指标。基于反向传播(Backpropagation,BP)神经网络和飞蛾火焰优化(Moth-Flame Optimization,MFO)BP神经网络,利用特征指标作为训练数据,构建不同贮藏温度下冷鲜肉的品质预测模型,快速准确评价和预测食品的质量安全。结果表明,不同贮藏温度下冷鲜肉的菌落总数、pH、TVB-N、色泽和生物胺含量随着贮藏时间的延长均呈上升趋势(P<0.05),且各指标在不同贮藏温度下的变化规律不一致,温度越高,腐败变质的速度越快。通过相关性分析得出菌落总数和TVB-N为冷鲜肉品质特征指标,以特征指标为训练数据构建BP神经网络和MFO优化BP神经网络模型。结果显示,MFO优化BP神经网络优于单一的BP神经网络模型,指标菌落总数和TVB-N通过BP神经网络模型训练后的R值分别为0.95018、0.94283,通过MFO算法优化训练后的R值分别为0.97538、0.98001,更接近于1,且优化后的RMSE、MSE和MAE值相对较小,其模型拟合度更好,在整个贮藏期的预测性能更好,准确率更高。因此,MFO优化BP神经网络可用于预测冷鲜肉在贮藏过程中品质的变化规律。

基于MFO-BP算法的移动机器人定位研究

针对移动机器人定位问题,以自主搭建的复合式机器人为基础,提出一种基于飞蛾火焰优化-反向传播(MFO-BP)算法的移动机器人定位预测方法。将移动机器人视为一个“黑箱”,不单独考虑系统和非系统误差的影响,输入理论坐标值,输出预测坐标值。试验结果表明,MFO-BP算法预测模型能有效进行移动机器人定位预测,并且精度远高于传统反向传播(BP)神经网络预测模型。为了验证模型结构对预测结果的影响,将MFO-BP算法预测模型分为单隐含层和双隐含层这两种。试验结果显示,MFO-BP算法双隐含层与单隐含层相比,前者平均绝对误差更小、误差波动范围也更小、预测误差趋势更平稳。MFO-BP算法双隐含层预测效果更优,可以应用于复合式机器人末端定位。

改进MFO-LSTM网络的风电机组齿轮箱故障预警研究

风电机组齿轮箱在数据采集与监控系统(SCADA)的帮助下,通过监控齿轮箱油温是否超过阈值实现故障报警,其判断精度不高且问题发现不及时,因此使用长短期记忆网络模型(LSTM)融合SCADA数据实现对齿轮箱油温状态的预测。用齿轮箱正常运行状态下的数据训练LSTM模型,计算油温预测值与真实值之间的残差,根据正态分布的原则设置残差的上下预警阈值,用来对齿轮箱故障进行预警。为简化训练模型的复杂度,在SCADA数据中选用与齿轮箱油温相关性较为密切的参数作为LSTM模型的输入项。为降低因LSTM模型超参数设置不当造成的预测准确度表现不佳,提出改进飞蛾火焰算法(MFO)与LSTM的组合模型,在保留MFO算法强大的全局搜索能力的同时,使其避免陷入局部搜索的陷阱,通过改进MFO对LSTM模型参数进行迭代优化,最终构建合适的模型。最后通过某风电机组SCADA数据验证该方法能够有效预警齿轮箱的故障,并且与其他方法相比准确度更高,预警更及时,迭代效果更好。