基于改进鲸鱼优化算法的冷链配送路径优化

随着“互联网+”的不断发展,冷链物流也逐渐成为低碳物流发展的必然选择。以低碳为切入点进行研究,有助于实现企业与社会的利益均衡。在此基础上,文章建立了一个考虑碳排放的冷链配送模型,将Beta分布应用于鲸鱼优化算法(Whale Optimization Algorithm,WOA)进行种群初始化,再引入非线性收敛因子改善迭代后期陷入局部最优的情况,最后结合变邻域算法改进了鲸鱼优化算法来增加邻域结构的多样性,并将此算法应用于该模型求解。通过对文章提出的算法进行MATLAB实验验证,结果表明:与基本鲸鱼优化算法相比,文章提出的算法能够有效地降低物流配送成本,提高收敛速度和搜索能力,从而为冷链物流路径规划提供了新思路。

基于改进动态因子的鲸鱼优化算法

为了实现鲸鱼优化算法(whale optimization algorithm,WOA)的种群多样性、减小计算复杂度,构造具有搜索上下界的初始种群。设计动态收敛因子和动态权重因子,以提高算法的收敛速度和计算精度,在此基础上,提出基于改进动态因子的鲸鱼优化算法并证明了其收敛性,分析了其复杂度。为了验证新算法优化性能和普适性,将改进的鲸鱼优化算法与其他优化算法进行比较,并将其应用到无人机(unmanned aerial vehicle,UAV)路径规划中。结果表明:基于改进动态因子的鲸鱼优化算法相比于其他优化算法有更好的收敛精度和更快的收敛速度。可见,基于改进动态因子的鲸鱼优化算法性能更好,能更高效的完成任务。

一种基于鲸鱼优化的TOA/AOA最优化定位算法

针对非视距(NLOS)环境下,基于最优化原理的无线定位算法在迭代运算后期容易陷入局部最优,进而导致定位精度下降的问题,提出一种基于非线性、自适应、动态惯性权重的鲸鱼优化到达时间(TOA)/到达角(AOA)最优化定位算法:基于双基站定位场景建立TOA/AOA混合定位模型;并且在对种群位置进行初始化时,在混合线性定位算法中增加角度约束条件避免种群在定位初期陷入局部最优;然后在搜索更新最优个体时,引入自适应动态惯性权重系数对鲸鱼优化算法进行改进,以更好地协调优化算法的全局随机搜索与局部寻优能力。仿真结果表明,与现有的粒子群优化(PSO)、鲸鱼优化(WOA)和改进的鲸鱼优化(MWOA)等智能优化算法相比,所提算法在迭代寻优过程中具有更快的收敛速度和更优的收敛精度;相较于WOA算法,其平均消耗时间可降低约50%,平均定位误差可降低约41%,定位性能更优。

改进鲸鱼优化算法的机器人时间最优轨迹规划

针对鲸鱼优化算法(WOA)存在的收敛精度低、易陷入局部最优解等问题,提出一种非线性收敛因子并引入非线性惯性权重对基础WOA进行改进,以智能制造生产线中核心单元6R机器人为研究模型做轨迹优化,其以时间最优为优化目标。首先将WOA中收敛因子改为非线性收敛因子并引入一种非线性惯性权重,以达到提高收敛精度、局部开发能力和全局搜索能力的目的,然后将该算法与五次多项式相结合,基于实际应用场景对某型号的6R工业机器人做时间最优轨迹规划。实验结果表明,该研究场景中机器人运动优化后完整的上、下料过程的时间比优化前缩短20%至50%,说明改进后的WOA在相关领域应用中有效可信且具有实际意义。

基于WOA-RF的船用风机故障诊断

针对船用风机典型故障诊断问题,利用鲸鱼优化算法优化随机森林(random forest optimized bywhale optimization algorithm,WOA-RF)对故障进行诊断,并通过实验验证该方法的准确性。实验模拟包括正常工况和5种异常工况在内的6种工况。采集所有不同工况下的振动信号,分别提取时域、频域下的特征参数构建第一特征向量。通过传统随机森林筛选得到具有更优分类效果的第二特征向量,再输入WOA-RF中完成故障识别。实验结果表明,本文提出的方法能够有效识别故障模式,平均预测准确率超99%。与其他算法对比,这种基于信息融合和WOA-RF的船用风机故障诊断方法准确性更高。

基于鲸鱼优化混合神经网络的滑坡位移预测

针对静态机器学习模型难以有效反映滑坡的动态演化特性,且存在时序过长时历史数据遗忘导致位移预测结果不稳定的问题。提出一种基于鲸鱼优化卷积神经网络(convolutional neural networks, CNN)和双向门控循环神经网络(bidirectional gated recurrent neural network, BiGRU)的滑坡位移动态预测方法。首先对滑坡影响因子进行特征筛选,构建数据集,建立CNN-BiGRU网络模型,使用鲸鱼优化算法(whale optimization algorithm, WOA)对模型进行超参数寻优,使用CNN网络模型从滑坡数据中提取潜在的特征向量,将特征向量以时间序列的形式输入BiGRU模型中,利用其处理时间序列数据的优势,完成滑坡位移预测。结果表明:所提出模型得到的滑坡位移预测精度较高,与未优化的CNN-BiGRU相比均方根误差(root mean square error, RMSE)下降了0.030 5 mm。

基于SPA-WOA-SVR的青霉素发酵过程软测量建模方法

针对青霉素发酵过程中关键参数难以直接在线测量这一工程技术难题提出基于SPA-WOA-SVR的软测量方法。采用连续投影算法(SPA)选取发酵过程辅助变量,以选取的特征辅助变量(CO_(2)浓度η、溶解氧浓度D_(O)、pH值、酸流加速率μ、碱流加速率l)为输入,以发酵过程关键参数(菌体浓度X、基质浓度S和产物浓度P)为输出,基于支持向量机回归(SVR)建立软测量模型。为提高软测量模型的预测精度和稳定性,采用鲸鱼优化算法(WOA)对模型的重要参数(核函数宽度σ、惩罚因子c和不敏感系数ε)进行寻优。将构建的软测量模型应用于青霉素发酵过程关键参数预测,仿真结果表明,与传统SVR软测量建模方法相比,采用SPA-WOA-SVR软测量方法,关键参数X、S、P测试集中的决定系数R^(2)均在0.953 3以上,均方根误差R_(MSE)均小于0.029 3,特别是菌体浓度R^(2)由0.904 4提升到0.987 9,R_(MSE)由0.031 4下降为0.009 8,说明基于SPA-WOA-SVR的软测量建模方法有效提升了模型的预测性能,具有更高的预测精度和稳定性,可推广应用于一般非线性系统的软传感器建模。

基于WOA-ELM算法的矿井突水水源快速判别模型

我国是世界上煤炭生产量和消耗量最大的国家,但由于水文地质条件复杂,在煤矿生产过程中煤层顶底板突水事故频发,常常造成严重的经济损失和人员伤亡,快速精准地判别水害来源是矿井突水水害防治的关键步骤。基于河北开滦赵各庄矿的67个水样实测数据,将Na^(+),Ca^(2+),Mg^(2+),Cl^(-),SO_(4)^(2-),HCO3^(-)六种离子的物质的量浓度作为输入项,突水水源类型为其输出项,应用鲸鱼优化算法(WOA)改进极限学习机(ELM)形成WOA-ELM判别模型实现突水水源判别。研究结果表明:以往的单一极限学习机具有稳定性差的缺点,采用鲸鱼算法对其权值和阈值进行迭代寻优,通过环形包围、气幕袭击、随机搜索3种方式的鲸鱼优化算法对最优参数进行搜索,收敛速度快、全局搜索能力强。根据座头鲸捕食行为建立的数学模型,由于猎物(突水)位置不确定,WOA算法首先假设当前的最佳候选解是目标猎物位置或最靠近猎物的位置,然后通过随机产生向量A和概率p来决定鲸鱼更新位置的方式。当|A|>1时随机搜索猎物;当|A|<1时,以0.5为分界点,p<0.5选择环形包围模式,p>0.5则通过螺旋运动来更新位置。依据最低适应度值得到最优个体的位置,最终将输出的42个最优权值和阈值赋给ELM模型,对待测样本进行判别。通过对比,WOA-ELM判别模型在矿井突水水源识别中的准确率高达95%以上,与单一ELM模型相比,准确率提升了15%左右。与支持向量机模型(SVW)、粒子群优化的极限学习机(PSO-ELM)模型以及灰狼优化算法改进的极限学习机(GWO-ELM)模型等相比,该模型具有更快的收敛速度与更高的精度,稳定性和泛化能力也均得到提升。

混合随机量子鲸鱼优化算法求解TSP问题

为克服基本鲸鱼优化算法(WOA)解决TSP问题时收敛精度低、容易陷入局部最优的缺陷,本文借鉴量子计算思想提出了四种算法改进方案,并进行了基于TSP标准测试实例的仿真实验及与文献中其他算法的对比分析.研究发现,在解决TSP问题时混合随机量子鲸鱼优化算法(HSQWOA)收敛精度更高、全局搜索能力更强,能够跳出局部最优,具有更加优越的性能.

基于自适应鲸鱼优化算法和容错邻域粗糙集的特征选择算法

针对传统鲸鱼优化算法(WOA)不能有效处理连续型数据、邻域粗糙集对噪声数据的容错性较差等问题,文中提出基于自适应WOA和容错邻域粗糙集的特征选择算法.首先,为了避免WOA过早陷入局部最优,基于迭代周期构建分段式动态惯性权重,改进WOA的收缩包围和螺旋捕食行为,设计自适应WOA.然后,为了解决邻域粗糙集对噪声数据缺乏容错性的问题,引入邻域内相同决策特征所占的比例,定义容错邻域上下近似集、容错近似精度和近似粗糙度、容错依赖度及容错近似条件熵.最后,基于容错邻域粗糙集构造适应度函数,使用自适应WOA,不断迭代以获取最优子群.高维数据集上采用费雪评分算法进行初步降维,降低算法的时间复杂度.在8个低维UCI数据集和6个高维基因数据集上的实验表明,文中算法可有效选择特征个数较少且分类精度较高的特征子集.

基于改进鲸鱼算法优化支持向量机的故障诊断的研究与应用

故障诊断在工业生产过程中具有很重要的作用,尤其是对于要求比较高的分子蒸馏来说,微小的故障都会造成其提纯率,因此提出一种基于改进鲸鱼算法优化支持向量机的故障分类方法(improved whale optimization algorithm-support vector machine,IWOA-SVM),加入反向学习策略和对数权重因子到普通鲸鱼算法中。首先,用反向学习策略(opposition-based learning,OBL)代替随机初始种群,用反向学习策略选取出反向种群,对种群进行择优选择,一方面OBL能够高效地提高群智能算法的全局搜索能力,另一方面提高鲸鱼算法在重复迭代中的多样性,使其跳出局部最优解;其次,引入自适应权重因子并将其加入到鲸鱼优化算法中,利用权重因子的动态变化,很大程度上增强了全局搜索能力;最后,采用改进之后的鲸鱼算法对SVM的参数进行寻优,并利用优化之后的支持向量机对刮膜蒸发过程获得的故障数据进行诊断识别,将IWOA-SVM的结果与其他3种做对比。结果表明,IWOA-SVM算法分类准确率提升了2%,且其准确率保持在98%以上,在分类结果的准确性以及算法的鲁棒性方面优于其他算法。

基于改进鲸鱼优化算法的锂离子电池充电方法

多阶恒流充电策略大多采用全局优化算法寻找各段电流,但目标函数的权重系数设置和求解稳定性存在不足,导致充电电流序列不能更好地满足要求。将目标函数设置为充电时间和能量损耗的加权形式,通过模糊逻辑推导得出加权因子的最佳调节规则,指导鲸鱼优化算法(WOA)的搜索路径,引入非线性收敛因子和多样性变异操作,提高寻优能力,得到分段优化充电电流。优化充电比1.0 C恒流充电的平均温升低0.35℃,即电池内阻消耗的能量更少;与传统五阶充电相比,充电时间缩短12%,能量损耗减少2.7%以上。

WOA-SVM算法在钛合金端铣刀具磨损预测的研究

针对钛合金加工中刀具磨损状态的准确识别问题,建立了基于支持向量机(SVM)和鲸鱼优化算法(WOA)的钛合金刀具磨损预测模型。将SVM和WOA相结合,提出了一种新的WOA-SVM模型,用于钛合金立铣刀刀具磨损的精确估计。通过提取切削力的信号特征作为监测特征,利用邻域保持嵌入(NPE)对监测特征实现降维,提高了WOA-SVM模型的建模效率。实验结果表明:在保证预测精度的前提下,NPE的使用使WOA-SVM的建模时间减少了90%以上;与PSO-SVM和GSA-SVM等常用方法相比,WOA-SVM具有较高的预测精度,建模时间减少了30%以上;所建模型能有效预测钛合金加工刀具的磨损状态。

鲸鱼优化算法下气体泄漏源波达方向估计法

为减小压力容器气体泄漏实时位置估算误差,准确监测容器工况,首先,从声学监测角度提出一种引入鲸鱼优化算法(WOA)的泄漏源估计方法,采用波达方向(DOA)估计法预测气体泄漏位置方向,获得泄漏源角坐标;然后,引入WOA自适应选择方法分解DOA的特征值,多次迭代得到最精确的泄漏位置;最后,以某化工厂中压力容器数据为实际算例,比较基于WOA的气体泄漏源估计结果。结果表明:该方法可以实现压力容器泄漏精确定位,通过仿真性能曲线可直观地看出,相比于传统DOA方法及基于其他仿生智能算法的DOA方法,该方法鲁棒性和抗噪性能更好,且定位准确率高达95%,节省时间消耗达92.2%,可增强工程应用实时性。

求解高维优化问题的改进鲸鱼优化算法

针对鲸鱼优化算法在处理高维优化问题时全局勘探能力不足和易陷入局部极值的问题,提出一种改进的鲸鱼优化算法。首先,在搜索空间中采用Fuch混沌映射和优化的对立学习相结合的初始化策略,利用Fuch映射较高的搜索效率产生多样性良好的优质混沌初始种群,然后结合优化的对立学习策略在保证种群多样性的同时产生优良鲸鱼种群,为算法全局搜索奠定基础;其次,在全局勘探阶段对参数A进行调整,帮助鲸鱼种群更有效地进行全局搜索,在平衡全局勘探和局部开发的同时避免早熟收敛;最后,在局部开发阶段引入拉普拉斯算子对最优个体进行动态交叉操作,迭代前期产生距离父代较远的子代提高全局搜索能力摆脱局部极值束缚,迭代后期产生距离父代较近的子代精细搜索范围提高求解精度。选取10个标准测试函数在100维、500维、1000维下进行仿真实验,结果表明该算法在收敛速度、求解精度和稳定性方面明显优于其他对比算法,能够有效处理高维优化问题。

基于WOA-BP神经网络估算锂离子电池SOC

准确的荷电状态(SOC)估算可为电动汽车的可靠运行提供安全保障。提出将鲸鱼优化算法(WOA)和BP神经网络相结合的锂离子电池SOC估算方法。电池模型采用一阶RC电路,基于遗忘因子递推最小二乘法对模型参数进行辨识,通过电池实际状况自适应地调整校正,并采用WOA-BP神经网络算法,克服BP神经网络易陷入局部极小值和收敛速度慢的难点。与传统BP神经网络算法相比,基于WOA-BP的SOC估算方法,平均绝对误差降低1.9%,均方根误差减小4.1%,表明具有更高的鲁棒性和精确性。

基于WOA-SVM的引水隧洞岩爆烈度评估模型

为减少引水隧洞施工过程中岩爆事故的发生,在施工前做好岩爆烈度评估,选取4项评价指标作为岩爆的评价指标,分别为:岩石单轴饱和抗压强度R_(c)、岩石单轴抗拉强度R_(t)、围岩最大切向应力σ_(θ)和岩石弹性能量指数W_(et);基于前人研究成果,选取120组岩爆实例作为机器学习样本数据,构建基于鲸鱼优化算法(WOA)优化支持向量机(SVM)的评估模型;并以滇中引水工程香炉山深埋长引水隧洞为例进行岩爆烈度评估的验证。结果表明:机器学习可以较好避开人为因素,完全由数据驱动,WOA-SVM评估精度达到97.22%;经过对比,所构建的模型比PSO-SVM、GA-SVM和WOA-BP神经网络模型在评估精度、泛化程度上均更优;同时,WOA-SVM模型在处理岩爆问题上可以更好地捕捉岩爆等级与指标之间的联系。

混沌多精英鲸鱼优化算法

针对无人机(UAV)的航迹规划问题,提出了一种基于混沌多精英鲸鱼优化算法(CML-WOA)的航迹规划方法。首先,在已知飞行环境下,建立3D飞行空间模型和航迹代价模型。通过引入罚函数,将有约束3D航迹规划问题转化为无约束多维函数优化问题,利用CML-WOA求解模型来获得最优航迹。其次,为克服WOA易陷入局部最优的缺陷,引入立方映射混沌算子改善初始种群,增强种群多样性,并通过自适应框架融入正余弦算法(SCA),利用多精英搜索策略有效地提高了算法开发能力和探索能力。最后,使用贪婪策略保证了收敛效率。通过20个基准函数测试和航迹规划仿真实验对提出的改进WOA进行验证。结果表明:所提算法相对其他算法,寻优性能明显提升,具有较强局部最优规避能力和更高的收敛精度与收敛速度;能够稳定快速地规划出代价最少、满足约束的安全可行的飞行航迹。

基于改进鲸鱼算法优化LSTM的滚动轴承故障诊断

适应性动量(Adam)估计优化器易使深度长短时记忆神经网络(long short-term memory,LSTM)陷入局部极小值,导致故障诊断精度过低;鲸鱼算法(whale optimization algorithm,WOA)的寻优区域过大,导致寻优效率过低。针对上述两问题,将WOA进行改进(improved whale optimization algorithm,IWOA),并优化LSTM,提出IWOA-LSTM新方法。所提方法将WOA赋予动量驱动功能,继承了LSTM中的Adam优化器动量项,可优化细胞权值的搜索区域,进而提高权值寻优效率;将其与Adam优化器联合优化更新权值矩阵,以跳出局部最小值,提高故障诊断精度。此外,还系统地分析了学习效率和迭代次数对IWOA-LSTM的诊断精度影响,实现高效的故障诊断分析。通过分析实测滚动轴承内圈、外圈和滚动体三种故障可知,IWOA-LSTM的故障诊断效率分别较浅层BP神经网络(BPNN)、深度卷积神经网络(convolutional neural network,CNN)、深度门限循环单元神经网络(gated recurrent unit,GRU)、LSTM、WOA优化的LSTM(WOA-LSTM)高出了47.60%,38.06%,37.62%,26.82%,22.71%,且实现高达97%的诊断精度。

基于小生境技术的改进鲸鱼优化算法

针对标准鲸鱼优化算法全局搜索能力不足、收敛速度慢等问题,采用小生境技术和引入自适应权重对鲸鱼优化算法进行改进。首先,引入小生境技术中的竞争选择策略,通过比较距离添加共享函数计算适应度来提高鲸鱼算法的寻优能力,避免WOA算法陷入局部最优,解决算法早熟现象;其次,采用自适应参数作为位置权重调整鲸鱼算法的位置公式,提高算法的收敛速度和寻优精度。将该算法引入单峰和多峰模态基准测试函数中,仿真实验表明,在保证算法收敛速度的同时,所提出的改进鲸鱼优化算法有效地提高了搜索能力和寻优精度。