基于改进鸡群优化算法的质子交换膜燃料电池模型参数辨识

针对当前大部分智能算法在求解质子交换膜燃料电池模型参数辨识问题时易陷入局部最优,导致参数辨识精度低、模型泛化能力差等问题,提出一种基于改进鸡群优化算法的质子交换膜燃料电池模型参数辨识方法。首先,引入Tent映射策略初始化种群,提高种群的均匀性和遍历性;其次,设计基于个体进食速度的自适应惯性权重,改善母鸡个体寻优效率,平衡算法的开发与探索能力;然后,利用Levy飞行策略的长短跳跃特点对小鸡位置进行随机更新,增强算法的全局最优搜索能力。最后,通过4组测试函数验证了该算法的优越性,并将算法应用于H-12电堆的参数辨识问题中。结果表明:相比于鲸鱼优化算法、花卉授粉算法等算法,该算法具有更高的参数辨识精度,所辨识出的模型具有更强的泛化能力。

基于混合鸡群优化算法的WSN节点部署优化

无线传感网络(Wireless Sensor Network,WSN)技术,在节点随机部署的情况下,容易出现节点分布不均的问题.为了提高节点部署的覆盖率,提出了一种基于混合鸡群优化算法(Hybrid Chicken Swarm Optimization Algorithm,HCSO)的WSN节点部署优化方法.首先为了平衡算法的全局搜索和局部搜索的能力,提出了一种自适应种群分配策略;其次,结合正余弦算法思想,改进了公鸡种群更新公式,提高其收敛速度和精度;最后,优化小鸡种群学习方式,使其不仅学习母鸡,也向公鸡和最优个体学习,提高小鸡粒子的质量.将HCSO算法在基准函数上测试,实验结果表明,本算法比其他算法的法收敛精度提高了10%,收敛速度均比原算法提高了0.05~0.10 s.最后将HCSO算法应用于WSN节点部署优化中,结果表明所提出的方法所得到的覆盖率高于其他算法,提高了0.2~13.1个百分点,充分证明了基于HCSO算法的WSN节点部署优化方法的优越性.

基于改进鸡群优化算法的机械臂轨迹规划

针对机械臂在工厂中的工作效率和运动中冲击造成的振动与磨损问题,提出了一种基于改进鸡群优化算法的机械臂轨迹规划方法。通过关节空间中位置与时间的序列,使用五次B样条函数构造关节空间插值曲线,把时间和冲击视为优化目标,把机械臂关节的角速度、角加速度、角加加速度为约束,对鸡群优化算法中公鸡、母鸡、小鸡的位置更新方法进行改进优化,并引入变异操作,得到改进后的鸡群优化算法,采用改进后的鸡群优化算法对目标进行优化。仿真实验表明,采用改进鸡群优化算法优化后的机械臂运动时间降低,并且机械臂各个关节在运动过程中的最大冲击大大降低,可以有效提升工作效率,降低振动和运动磨损,延长机械臂使用寿命。

改进的鸡群优化算法及其在DTI-FA图像配准中的应用

鸡群优化算法(Chicken Swarm Optimization,CSO)是一个全新的群智能优化算法,简单且具有良好的扩展性。针对鸡群优化算法中因为母鸡的寻优能力差而使算法容易陷入局部极值的问题,提出了一种结合混沌思想的改进鸡群优化算法(Chaotic Improved Chicken Swarm Optimization Algorithm,CICSO)。该算法结合混沌思想的遍历性初始化鸡群位置,将母鸡的位置更新公式改为仅向全局适应度值最好的公鸡学习,并引入学习系数来避免陷入局部最优。最后将改进的鸡群优化算法(CICSO)应用于DTI-FA图像配准。仿真实验结果表明,在解决高维问题时,改进的鸡群优化算法避免了陷入局部极值,提高了收敛精度,在DTI-FA图像配准中提高了图像的配准精确度。

基于改良的鸡群优化算法优化锅炉NO_x排放质量浓度

为达到锅炉NO_x排放质量浓度最优的目标,针对鸡群优化算法收敛速度慢、容易早熟等缺点,对算法中母鸡和小鸡的觅食行为分别进行了修改,得到改良的鸡群优化(A-CSO)算法,并通过测试函数验证了A-CSO算法性能优于粒子群算法、引力搜索算法、磷虾群算法和原鸡群优化算法.利用A-CSO算法以及快速学习网建立锅炉NO_x排放质量浓度预测模型,对锅炉运行时的可调参数进行优化,获得锅炉燃烧优化调整方式.结果表明:优化后所有工况的NO_x排放质量浓度明显下降,相对下降率优于文献[12]中的结果;由于锅炉燃烧中飞灰含碳量的影响,可适当调整优化后的氧量和一次风量,以达到锅炉高效低污染燃烧.

基于改进鸡群优化算法的食品拣取机器人路径规划

目的:优化多工位食品拣取机器人路径。方法:提出了一种基于改进鸡群优化算法(Improved Chicken Swarm Optimization, ICSO)的食品拣取机器人路径规划方案,充分考虑单个工位点机器人最优拣取位置和多工位点之间机器人移动最短距离,构建多工位食品拣取机器人路径规划双层模型。利用密度峰值聚类算法对种群进行聚类分析,重新定义个体编码方式和更新进化机制,并采用ICSO对路径规划双层模型进行求解,从而实现食品分拣和机器人移动最短路径求解。结果:相比于其他路径规划方法,基于改进鸡群优化算法的食品拣取机器人路径规划方案总路径缩短了7.3%~16.7%,运行时间减少了8.14%~39.33%。结论:所提方案提高了食品分拣机器人路径规划效率,具有较好的实际应用价值。

基于动态自确定并行模糊聚类鸡群优化算法的水稻机器人路径规划

为了有效提高水稻机器人路径规划精度,提出了一种基于动态自确定并行模糊聚类鸡群优化算法的水稻机器人路径规划方法。首先,构建基于碰撞威胁度、路径长度和路径平滑度的极坐标水稻机器人路径规划模型,在降低问题求解维度的同时,提高了机器人路径规划的可行性。其次,设计动态自确定并行模糊聚类鸡群优化算法(DMCSO),该算法利用动态自确定分类个数的核FCM对鸡群进行聚类分析,并在MPI并行架构下执行协同进化操作,以提高算法求解高维复杂问题的优化性能,经典测试函数对比结果表明,DMCSO算法无论是在收敛精度上还是在运算效率上都要优于其它算法。最后,利用DMCSO算法对路径规划模型进行求解,以获得更为满意的路径规划方案。仿真结果表明,机器人路径规划方法更具可行性和合理性,路径长度降低了约(15.9~26.5)%,运算时间降低了约(20.3~44.3)%。

基于改进鸡群优化算法的海上筑堤有限元反演分析

鉴于海上筑堤预测施工结束后稳定期的沉降是关系到堤防质量、安全和经济的重要问题,依据初期实测资料,提出了基于改进鸡群优化算法材料参数反演程序,反演出更为准确的土体材料参数,进而建立整个施工期内的有限元数值模型,加入反演获得的计算参数,预测了施工后期和稳定期的堤坝沉降,并将预测结果与实测值进行对比。结果表明,预测效果良好,拟合度较高。说明基于改进鸡群优化算法反演程序可以更快的收敛速度与更高的收敛精度找到最优的土体参数,全局寻优能力强。

基于鸡群优化算法的配电网络重构

鸡群优化算法是模仿鸡群觅食的群体智慧发展而来的生物启发式算法,将鸡群优化算法应用到配电网重构当中,充分利用鸡群优化算法高效的全局和局部搜索能力,快速寻找使配电网在满足约束条件下目标函数最小的网络状态,保证配电网运行的经济性和可靠性。给出了基于鸡群优化算法的配电网重构具体实现流程,以IEEE33节点系统为例,采用鸡群优化算法(CSO)和粒子群算法(PSO)两种算法进行仿真实验,结果表明鸡群优化算法较粒子群算法搜索效率平均提高了11.6%,寻优速度更快更稳定。

云计算任务调度的粒子鸡群优化算法研究

粒子群优化算法已经有许多的研究应用在云计算任务调度上,但是粒子群优化算法在应用过程中易出现陷入早熟、求解精度低的缺点。针对上述不足,提出混合标准粒子群与鸡群优化算法的策略,将粒子群算法以任务完成总时间和任务执行成本为目标进一步优化,最后用cloudsim对新算法与标准粒子群算法、鸡群优化算法进行比较。实验结果表明,新算法在任务完成总时间和任务总的执行成本上取得了明显改善,能够更好地提高对用户的服务质量和需求。

基于鸡群优化算法的SAR图像快速分割

为提高SAR图像分割的速度和质量,利用鸡群优化算法,提出了一种SAR图像快速分割方法。该方法使用二维灰色Otsu模型作为鸡群优化算法的适应度函数,利用鸡群中公鸡、母鸡和小鸡的角色分工、协同工作快速逼近最佳阈值。实验结果表明,该方法在收敛速度和分割效果两方面均优于基于遗传算法、人工鱼群算法等群体智能优化算法的分割方法。

基于鸡群优化算法的PID参数优化

PID控制器在现代工业生产中拥有极为广泛的运用,而PID参数对于PID控制器的效果发挥着至关重要的作用。为了解决PID参数的优化问题,提出了一种基于鸡群优化算法的PID参数优化方法,该算法以PID三个参量构造鸡群位置坐标,以误差绝对值和控制输入平方项的时间积分作为优化目标,经过迭代寻优计算得到系统最优控制量。仿真结果表明,与遗传算法、粒子群算法和人群搜索算法的PID参数相比,该算法具有更高的系统控制精度、更快的系统响应速度和更强的鲁棒性,为控制系统的PID参数整定提供了参考。

鸡群优化算法-投影寻踪洪旱灾害评估模型

利用15个复杂函数对鸡群优化算法进行仿真验证,并同狼群算法、粒子群算法、鱼群算法和遗传算法进行对比。利用鸡群优化算法搜寻投影寻踪模型最佳投影方向,建立鸡群优化算法-投影寻踪洪旱灾害评估模型。以文山州1990—2013年洪旱灾害评估为例,分别选取受灾人口等5个洪灾评估指标及农作物受灾面积等4个旱灾评估指标,利用洪旱灾害投影系列均值及标准差构造洪旱灾害评估分级标准对实例进行评估。结果表明:鸡群优化算法具有较好的计算鲁棒性和全局寻优能力。将该算法用于投影寻踪模型最佳投影方向的选取,可有效提高评估精度,避免最佳投影方向寻优结果变化范围过大的缺陷。

基于Powell搜索的混沌鸡群优化算法

针对传统鸡群优化算法(CSO)易陷入局部极值且容易早熟收敛的缺陷,提出了一种混合改进的鸡群优化算法(Powell-LCSO).首先,改进算法利用Logistic混沌映射对种群进行初始化,使得种群较好的分布在解空间中;其次,对鸡群中占据重要地位的母鸡的位置更新方式进行了改进;最后,通过引入Limit阈值判断算法是否陷入局部极值,并利用Powell搜索对全局最优个体进行局部搜索,避免了算法的过早收敛,提高其跳出局部最优的能力.通过实验表明,改进后的鸡群优化算法具有较好寻优精度和收敛效率.

WSNs中基于鸡群优化算法选择簇头的簇路由

能量是无线传感网络(Wireless Sensor Networks,WSNs)的重要资源。有效地利用节点能量可延长网络寿命。簇技术是提高资源分配、缓解网络能耗的有效策略。提出基于鸡群优化算法选择簇头的簇路由(Chicken Swarm Optimization-based Cluster Head Selecting Clustering Routing,CSO-CHS)。CSO-CHS路由先从能量角度构建目标函数,再利用鸡群优化算法产生最优鸡群,进而形成最优的簇。通过最优的簇,平衡节点间能耗,进而实现延长网络寿命的目的。仿真结果表明,相比于同类算法,CSO-CHS路由缓解了节点能耗速度,延长了网络寿命。

基于信息交互的改进鸡群优化算法

针对鸡群优化(chicken swarm optimization,CSO)算法易陷入局部最优、收敛速度慢以及高维和超高维问题求解困难等缺点,提出了一种基于信息交互的改进鸡群优化(information sharing chicken swarm optimization,ISCSO)算法。通过引入信息交互和边界变异策略,增强子群的信息交互能力和种群的多样性,从而提高算法的收敛能力和寻优能力。通过对6个基本测试函数进行数值仿真,实验结果表明:改进后的算法ISCSO相比于CSO具有更好的寻优精度,与其他改进算法相比具有更好的高维寻优能力和收敛性能。

基于量子行为的鸡群优化算法及其收敛性分析

针对鸡群算法易陷入局部最优、出现早熟收敛等缺陷,提出了一种基于量子行为的鸡群优化算法(Quantum-Behaved Chicken Swarm Optimization, QCSO)。通过利用鸡群中的个体信息建立量子化的势阱模型,根据原鸡群更新公式得到个体最优解和全局最优解,采用蒙特卡洛随机采样完成个体极值的更新,在个体极值和全局极值附近以并列的角度进行搜索,提高了算法的局部搜索性能。同时,结合随机算法全局收敛性的判别准则,研究了基于量子行为的鸡群优化算法的收敛性,证明了QCSO是一种全局收敛的优化算法。选取4个基本的测试函数对QCSO的优化能力进行测试,结果表明QCSO的寻优性能较原算法以及传统的优化算法都有较大的提升。

基于DCT变换和鸡群优化算法的图像匹配

根据离散余弦变换(DCT)矩阵的特点和鸡群优化算法收敛速度快、收敛精度高的特点,提出了一种基于DCT变换和鸡群优化算法的图像匹配方法。该方法对匹配区域与图像模板作DCT变换,将两者DCT变换矩阵左上角元素之间的相似性作为适应度函数,然后使用鸡群优化算法进行搜索,将搜索到的适应度值最优的区域作为正确匹配的区域。之后,进行了一系列对比仿真实验,实验结果显示该方法在匹配精度、收敛速度上都有显著优势,在解决相关问题上能有较好表现。

基于鸡群优化的粒子滤波算法研究

针对粒子滤波中重采样所引起的粒子贫化问题,在将鸡群优化算法融入到粒子滤波采样阶段的基础上,提出了一种鸡群优化粒子滤波算法。该算法将粒子权值作为适应度以确定粒子的类型及相互关系,通过不同类型粒子的运动机制完成相应的位置更新,并利用动态变化的粒子群体结构来克服陷入局部最优的不足和加快寻优速度,使粒子向后验概率的高似然区域运动,既保证了样本多样性又提高了粒子质量。仿真实验结果表明该方法提高了滤波的估计精度并保持了滤波过程中粒子的多样性,同时减少了状态估计所需的粒子数量。

改进的鸡群优化算法

针对鸡群优化算法中解的更新效率较低且缺乏探索性等问题,提出了一种改进的鸡群优化算法。该算法基于标准鸡群优化算法的种群分组更新机制,并借鉴狼群优化算法和粒子群优化算法的思想,引入改进因子和去重操作算子分别用以增强算法的寻优能力和提高种群的多样性。通过与其他4种算法在CEC 2014测试函数集上进行比较,结果表明本文算法在绝大多数测试函数上均表现出了良好的优化效果,在求解精度及收敛速度方面也优于其他算法。