基于改进鼠群优化算法的起重机主梁轻量化设计

为提高元启发式算法求解桥式起重机主梁优化问题的寻优精度与效率,文中提出一种改进的鼠群优化算法(IRSO)。该算法采用Hénon混沌随机反向学习初始化种群,提高算法的初始寻优性能;在追逐行为中,引入随机反向学习和高斯变异混合策略对鼠群进行逐维学习,增强算法的全局搜索能力;在搏斗行为中,采用翻筋斗搏斗搜索策略更新鼠群位置,增强算法的局部搜索能力;在算法中引入自适应余弦控制因子,实现算法控制参数之间的动态平衡,提高算法的整体寻优能力。仿真结果表明:与其他算法相比,IRSO算法寻优能力更优、收敛精度更高、稳定性和鲁棒性更强;同时,IRSO算法可高效地解决桥式起重机主梁轻量化设计问题,减重效果可达20.72%,具有较好的工程实际应用能力。

改进鼠群优化算法在地下岩体破裂事件定位中的应用研究

在地质灾害监测过程中,地下岩体破裂事件的定位是实时监测的一项关键技术。针对传统的定位方法均存在着不同程度的误差,为了减小事件定位的误差,提高定位精度,提出了一种改进鼠群优化算法用于地下岩体破裂事件的定位,以提高岩体的定位精度。首先,将Levy飞行策略引入鼠群优化算法中,以增强算法的局部搜索能力和全局寻优能力;其次,采用时差定位(Time difference of arrival,TDOA)方法建立目标函数,将目标函数作为算法的适应度函数进行岩体破裂事件定位;最后,验证了该算法的有效性和可行性,与其他定位算法比较,本算法定位精度较高,并且具有较好的鲁棒性和收敛性。

基于改进策略的鼠群优化算法

为了提升鼠群优化(RSO)算法摆脱陷入局部最优解的能力并提高收敛精度,进而提升算法的整体性能,提出了一种基于改进策略的鼠群优化(ISRSO)算法。在猎物攻击过程中,通过Tent映射增加种群个体扰动的方式,实现种群多样性的提升,从而降低算法陷入局部最优解概率。基于标准测试函数的实验研究结果表明,提出的算法能够有效地跳出局部最优解,并且在收敛精度上与对比算法相比有明显提高,整体上提升了该算法的性能。

基于Sin混沌空翻反向学习鼠群算法的路径规划

对于移动机器人路径规划问题,鼠群优化算法存在求解效率和精度低下等不足,为克服此不足,提出Sin混沌空翻反向学习鼠群优化算法。受空翻动作启发提出一种新颖的空翻反向学习策略,将其引入算法搏斗行为中对种群进行空翻反向学习,提高算法全局寻优能力;同时,引入Sin混沌空翻反向学习机制丰富算法初始种群,保证算法初期寻优效率与精度;进一步,在算法追逐行为中,嵌入非线性跳跃衰减波动因子实现算法全局勘探与局部开发之间的动态平衡,增强算法局部和全局寻优能力。实验结果表明,所提出的算法寻优性能优于其他算法,且能快速稳定获得最小路径长度,具有较好的实际实用性。

基于多策略改进鼠群算法的机器人路径规划

鼠群优化(RSO)算法求解复杂环境下移动机器人路径规划问题时易出现早熟现象导致求解精度不足,针对此问题,提出一种多策略改进鼠群优化(MRSO)算法。首先,提出一种旋转小孔成像反向学习搜索策略,将其嵌入算法攻击猎物过程中对种群进行反向学习,提高算法全局搜索能力;其次,引入Iterative混沌RPOBL反向学习策略保证了算法的初始种群多样性,提高了算法初始寻优效率与收敛精度;最后,在算法追逐猎物过程中,采用“双平滑”和“双碗式”非线性自适应因子动态平衡了算法的全局搜索与局部探索,增强了算法局部和全局寻优能力。结果表明,在不同地图环境中,MRSO算法的路径寻优结果优于RSO、TSO和GWO算法,MRSO算法可快速和高效地解决复杂环境中移动机器人路径规划问题。

基于反向学习的DE-RSO混合优化算法

鼠群优化算法(Rat Swarm Optimizer, RSO)是一种可以解决全局优化问题的新型仿生优化算法,它的灵感主要来自于自然界种鼠群追逐猎物和与猎物搏斗的行为。然而,它具有收敛速度过慢和收敛精度不高的缺陷,为解决这一问题,本文提出了一种改进的鼠群优化算法——基于反向学习的DE-RSO混合优化算法(Opposition-Based Learning DE-RSO Hybrid Optimizer, OBLDE-RSO)。该算法使用了DE-RSO混合策略和反向学习策略,DE-RSO混合策略可以保持种群多样性并降低算法陷入局部最优的可能性,反向学习策略可以针对性地扩大个体的搜索范围,使个体以更高概率找到潜在的更加理想的求解区域。本文用29个IEEE CEC2017基准测试函数对OBLDE-RSO进行测试,并与其他经典算法的测试结果进行对比,实验结果表明,该算法在收敛精度和收敛速度方面都具有良好的性能。

WPD-RSO-ESN和SSA-RSO-ESN模型在径流时间序列预测中应用比较

为提高径流时间序列预测精度,提出小波包分解(WPD)与奇异谱分解(SSA)-鼠群优化(RSO)算法-回声状态网络(ESN)相混合的径流时间序列预测方法。分别利用WPD和SSA将非平稳径流时间序列分解为若干子序列,有效降低径流时间序列的复杂性;介绍RSO算法原理,在不同维度条件下选取6个典型函数对RSO算法进行仿真测试;利用RSO算法对ESN储备池规模、稀疏度等超参数进行优化,建立WPD-RSO-ESN、SSA-RSO-ESN模型,并分别构建WPDRSO-SVM、WPD-ESN、WPD-SVM和SSA-RSO-SVM、SSA-ESN、SSA-SVM作对比分析模型;利用云南省江边街水文站1957-2014年逐月径流时间序列数据对8种模型进行检验及对比分析。结果表明:RSO算法在不同维度条件下均具有较好的寻优精度和全局搜索能力。WPD-RSO-ESN、SSA-RSO-ESN模型对实例后10年120个月月径流时间序列预测的平均绝对百分比误差分别为2.73%、3.90%,预测精度优于同一分解条件下的其他模型。RSO算法能有效优化ESN网络超参数,提高ESN网络的预测性能。WPD对径流时间序列数据的分解效果优于SSA方法。

基于IRSO-TCN的短期电力负荷预测

精准的电力负荷预测对电力系统的安全调度和稳定运行至关重要。为了提升短期电力负荷预测精度,提出了一种基于改进鼠群优化算法(IRSO)和时间卷积网络(TCN)的短期电力负荷预测模型。首先将时序特征输入到TCN预测模型进行预训练;然后针对训练好的TCN模型全连接层阈值与偏置易陷入局部最优的问题,采用改进鼠群优化算法对阈值与偏置进行调整,构建IRSO-TCN组合模型对电力负荷进行预测;最后以澳大利亚实测数据进行仿真建模,实验结果表明,加入交叉算子的IRSO比鼠群优化算法(RSO)寻优能力更强,收敛速度更快,能够有效提高电力负荷的预测精度。