牛粪好氧堆肥发酵微生物菌剂组合筛选研究

为了筛选出牛粪好氧堆肥发酵效果好的微生物菌剂组合,试验将胶质芽孢杆菌、细黄链霉菌、固氮菌和黑曲霉菌按不同组合配伍开展牛粪好氧堆肥试验。结果表明,添加0.2%的胶质芽孢杆菌+细黄链霉菌+固氮菌+黑曲霉菌1∶1∶1∶1组合对牛粪好氧堆肥发酵效果最好,堆体升温快,温度高,高温持续期长,堆肥后含水量低,有机质和C/N降低幅度大,全氮、全钾和全磷含量增加,pH和种子发芽指数高,可以在牛粪好氧堆肥发酵中推广应用。

基于EMSDBO算法的无人机三维航迹规划

针对无人机(unmanned aerial vehicle,UAV)三维航迹规划问题,提出一种增强型多策略蜣螂算法的UAV航迹规划方法。首先,将飞行接近率和响应时间的动态约束添加到威胁成本代价中,并考虑UAV转弯性能的影响,建立三维任务空间模型与航迹代价函数。其次,在蜣螂算法中引入偏移估计策略、变螺旋搜索策略、准反向学习策略和逐维变异策略,提高算法的全局寻优能力和收敛速度。最后,给出了改进算法在三维环境下航迹规划的仿真结果。结果表明:综合考虑UAV机动性能和转弯性能,规划出的路径可以更加安全有效地避开危险源。相比其他算法,改进算法的寻优能力更好,规划的航迹质量更优。

基于改进DBO优化BiLSTM的IGBT老化预测模型

为了表征逆变器故障中IGBT模块的老化趋势,提高老化过程的预测精度,本文提出一种基于改进蜣螂搜索算法(IDBO)优化双向长短期神经网络(BiLSTM)超参数的IGBT老化预测模型。首先提取老化过程中Vce.on的时频域特征,利用核主成分分析进行降维构建归一化综合指标。其次,针对蜣螂搜索算法(DBO)的不足,通过引入改进Circle混沌映射、Levy飞行和自适应权重因子提升了DBO寻优能力和收敛性能,利用IDBO对BiLSTM预测模型超参数实现全局寻优。最后,通过实际IGBT退化数据验证了基于IDBO优化BiLSTM老化预测模型的有效性和优越性。结果表明,所构建的IDBO-BiLSTM模型与BiLSTM模型相比RMSE平均下降36.42%、MAE平均下降31.77%、MAPE平均下降41.03%。

面向特征选择任务的改进蜣螂优化算法

蜣螂优化算法是一种基于蜣螂不同行为模式的新型启发式算法,与其他算法相比的收敛速度更快,逃脱局部最优的能力更强。针对蜣螂优化算法不能进行特征选择的问题,在蜣螂优化算法的基础上提出了蜣螂灰狼融合算法。该算法基于3种改进策略:精英初始化种群策略、灰狼蜣螂融合策略、运行加速策略,进一步提高蜣螂优化算法在特征选择任务上的性能,并给出了算法整体的伪代码。实验结果表明,比较其他改进型启发式算法,蜣螂灰狼融合优化算法在12个分类数据集中能够得到更高精度、更低维度的特征子集,同时兼备收敛速度、运行速度更快的优点。

多策略改进的蜣螂搜索算法优化3DDV-Hop节点定位

为了提升传统3DDV-Hop算法的定位精度和稳定性,提出了MIDBO-3DDV-Hop算法。该算法利用多策略改进蜣螂搜索算法(multi strategy improvement dung beetle optimizer, MIDBO)来提高3DDV-Hop算法的定位精度。该算法通过通信半径分级方法细化跳数,使用加权平均跳距来修正节点之间的跳距误差。MIDBO算法引入立方混沌初始化和反向折射机制来初始化算法种群,采用变螺旋策略增强全局搜索能力。算法还融入Levy飞行策略和自适应权重因子,以避免陷入局部最优,并平衡算法的收敛性和搜索多样性。通过MIDBO算法对3DDV-Hop算法中未知节点位置进行优化。仿真结果显示,与传统的3DDV-Hop、IPSO-3DDV-Hop和IGA-3DDV-Hop算法相比,MIDBO-3DDV-Hop算法在定位精度、稳定性和收敛速度方面均达到最优水平。

牛粪和核桃果枝混合发酵理化特性试验及设备工艺优化

通过鲜牛粪、牛粪与核桃果枝、牛粪核桃果枝加发酵菌剂三个不同配比的堆肥试验,开展牛粪和核桃果枝的化学特性参数试验;同时,参照土壤力学试验方法,对有机肥发酵各阶段的含水率、电导率、硬度、湿密度、抗剪强度等物理特性参数进行试验研究。试验结果表明,三种堆体有机质质量分数、总氮、总磷和总钾质量分数在堆肥初期都有所下降,随后缓慢上升,最后趋于平稳,分别稳定在32%、39%、40%,6.33%、9.48%、9.53%,0.95%、1.26%、1.29%和1.71%、2.59%、2.48%,添加果枝和菌剂的堆肥营养物质损失最少。三个堆体EC值的变化趋势基本一致,逐步升高,随着CO_(2)、NH_(3)的挥发,EC值开始缓慢下降,三个堆体EC值最终分别稳定在5.44ms/cm、5.94ms/cm、5.54ms/cm。3个堆体的湿密度在堆肥过程中都随着堆肥天数的增加总体呈下降趋势,堆肥结束时,三个堆体湿密度分别是0.71g/cm^(3)、0.65g/cm^(3)、0.45g/cm^(3)。

基于K-means SMOTE和IDBO-RF岩爆烈度等级预测模型

为解决岩爆数据集不均衡和模型参数寻优困难等问题,提出1种基于K-means SMOTE与改进蜣螂算法优化随机森林(random forest,RF)的预测模型。首先,分析岩爆发生机理构建指标体系;其次,使用K-means SMOTE算法对岩爆数据集进行均衡化处理,采用Robust标准化消除量纲;最后,引入Tent混沌映射和非线性递减策略组合改进蜣螂优化(improved dung beetle optimizer,IDBO)算法,寻优RF超参数,建立岩爆烈度等级预测模型(IDBO-RF)并与其他模型对比验证其有效性。研究结果表明:数据均衡处理后,各模型准确率提高10.85%~16.02%;设计的IDBO-RF预测模型平均准确率约为94.37%,较RF、GWO-RF、DBO-RF模型分别提高约7.76百分点、1.69百分点、1.11百分点;IDBO-RF预测模型准确率最高约为96.43%,优于RF、GWO-RF、DBO-RF模型。研究结果可为解决岩爆预测问题提供一定参考。

基于蜣螂优化-集成加权融合的NO_(x)浓度动态预测

针对SCR入口NO_(x)浓度单一预测模型无法满足在不同工况下保持预测精度的问题,提出了一种基于蜣螂优化(dung beetle optimizer,DBO)集成模型加权融合的预测SCR入口NO_(x)浓度的动态模型。首先使用CatBoost与LightGBM的混合模型在筛选辅助变量的同时,求取辅助变量的迟延时间和阶次信息,并根据以上信息确定预测模型的输入变量;然后建立由LightGBM,XGBoost与CatBoost组成的集成模型,并使用蜣螂优化算法对预测结果进行加权融合;最后将DBO-集成加权融合动态预测模型与3种单模型和蜣螂算法优化2种模型加权融合的预测模型进行对比。结果证明DBO综合加权融合动态预测模型的评价指标优于其他模型,具有更高的预测精度、实时性和适应性,能够更好地满足不同工况下的NO_(x)浓度预测要求。

漏缝地板下粪水贮存周期内猪舍空气环境的监测

[目的]研究漏缝地板下粪水贮存周期内猪舍空气环境,为猪健康生长和生产提供参考。[方法]选取1栋分娩猪舍,测定粪水贮存周期(21 d)内猪舍的空气环境指标。沿猪舍对角线方向均匀选5个测定点,粪水贮存周期内每3 d测1次,每次分别在6:00、11:00、13:00、18:00测定。[结果]猪舍粪水贮存周期内平均温度(26.08±1.45)℃,相对湿度(93.44±3.96)%,氨气质量浓度为(3.58±1.62)mg/m^(3),二氧化碳质量浓度为(1760.63±284.98)mg/m^(3)。第18天的温度、相对湿度、二氧化碳浓度最高,各指标基本与其他测定时间差异显著;第21天氨气浓度最高,与第3天、第6天差异显著;[结论]漏缝地板下粪水贮存周期内,温度略高,相对湿度过高,氨气浓度持续上升但未超过标准,二氧化碳浓度较高,应增加通风设备,改善猪舍空气环境。

高比例新能源接入下的历史策略库辅助源网荷储协同实时电压控制研究

随着“双碳”目标的推进,储能、充电桩等用户侧新型负荷设备数量增多。在此背景下,由于量测条件不满足造成的不可观测区域将直接导致传统的电压控制方法难以完成对分布式电源的精准调控。为解决上述问题,提出一种基于蜣螂优化算法(DBO)的极限学习机(ELM)构建历史策略库,用以辅助源网荷储协同实时电压控制的方法,可实现对配电网电压实时精确控制。首先介绍了基于近似灵敏度计算的电压控制方法,然后介绍了DBO改进的极限学习机和历史策略库的概念及结合应用方法,构建了以基于近似灵敏度计算的电网节点有功及无功功率为输入,母线期望电压为输出的ELM模型。模型输出的母线电压作为控制依据,进一步转换为下发的用户侧可调设备调节指令。仿真算例的结果验证了所提方法的有效性和优越性。

基于CVMD和DBO-SVM的光纤周界安防信号识别方法

为降低光纤周界安防信号中噪声对分类结果的影响,提升信号分类的准确率和运行效率,提出一种融合了相关变分模态分解(Correlation Variational Mode Decomposition,CVMD)、蜣螂算法(Dung Beetle Optimizer,DBO)和支持向量机(Support Vector Machine,SVM)的分类方法。利用CVMD去除原始信号中的噪声分量,并提取去噪后信号的能量、能量熵和峭度作为特征向量。采用DBO算法优化SVM,得到最佳惩罚因子和核函数参数,并构建DBO-SVM分类模型。搭建了基于相位敏感光时域反射(Φ-OTDR)技术的周界安防系统,采集了攀爬、敲击、踩踏和无入侵四类信号。实验结果表明,CVMD-DBO-SVM的分类准确率相比CVMD-PSO-SVM和CVMD-GA-SVM更高,达到了98.75%,同时运行时间更短,综合性能最优。

基于DBO-LSSVM的空气质量指数预测

针对当下空气质量指数预测的模型精度不高的问题,提出一种基于蜣螂优化(DBO)算法,优化最小二乘支持向量机(LSSVM)的空气质量指数预测模型。该模型利用蜣螂优化算法对最小二乘支持向量机的两项参数进行寻优,提高预测速度和精度。并与传统最小二乘支持向量机、灰狼优化最小二乘支持向量机模型进行比对,通过实验仿真结果表明,蜣螂优化算法优化最小二乘支持向量机预测模型的均方误差、平均绝对误差及决定系数均为最优值,可以为空气质量指数预测提供更准确的支持。

蜣螂算法优化概率神经网络的变压器故障诊断

针对仅靠人工经验选取平滑因子的概率神经网络(PNN)变压器故障诊断模型存在诊断正确率偏低的问题,提出1种采用蜣螂算法(DBO)优化PNN平滑因子的变压器故障诊断模型。选取测试函数对DBO算法进行寻优测试,并与粒子群算法(PSO)、人工蜂群算法(ABC)、灰狼优化算法(GWO)对比,DBO在寻优精度、收敛速度和避免局部最优方面更具优势;采用DBO对PNN平滑因子寻优以建立DBO-PNN诊断模型,并与PSO-PNN、ABC-PNN和GWO-PNN模型进行诊断对比,结果表明DBO-PNN模型的诊断效果更好,正确率达96%。

基于蜣螂优化的改进粒子群算法

针对标准粒子群算法存在的局部最优、早熟和慢收敛等问题,提出了一种新的粒子群更新方法。改进了算法惯性权重,引入一种新的更新方式;借鉴蜣螂优化算法中蜣螂滚球、繁殖、觅食和偷窃行为,将基本粒子群的操作划分为寻优、变异、波动和跳跃,从而提高了算法的全局寻优能力和收敛速度,并避免了早熟问题。通过与其他9种智能算法进行实验对比表明,在10个基准测试函数中,基于蜣螂优化的改进粒子群算法在寻优能力和收敛速度方面表现出色,证实了该算法的优越性。

多策略改进的蜣螂优化算法及其应用

蜣螂优化算法(DBO)是近年提出的智能优化算法,与其他优化算法一样,DBO也存在收敛精度低、易陷入局部最优等缺点。针对DBO的这些局限性,提出一种多策略改进的蜣螂优化算法(MIDBO)。首先,改进雏球和偷窃蜣螂对局部最优解和全局最优解的接受程度,使其根据自身搜索能力动态变化,既提升了种群质量又保持了适应度高的个体的良好搜索能力;其次,融合麻雀搜索算法中的追随者位置更新机制对算法进行扰动,并用贪婪策略更新位置,提升了算法的收敛精度;最后,当算法陷入停滞时引入柯西高斯变异策略,提高了算法跳出局部最优解的能力。仿真实验基于20个基准测试函数和CEC2019测试函数,验证了3种改进策略的有效性,将所改进算法和对比算法的优化结果进行收敛性分析和Wilcoxon秩和检验,证明了MIDBO具有良好的寻优性能和鲁棒性。将MIDBO运用在汽车碰撞优化问题的求解上,进一步验证了MIDBO在求解实际工程问题中的有效性和可靠性。

多策略融合改进的蜣螂优化算法

针对标准蜣螂优化算法(DBO)存在的全局探索能力欠缺、收敛精度低及易陷入局部最优等不足,提出了一种融合多策略的改进蜣螂优化算法(MSDBO).首先,引入社会学习策略引导推球蜣螂进行位置更新,提高了算法全局探索能力,避免算法陷入局部最优;其次,提出一种方向跟随策略,建立起小偷蜣螂与推球蜣螂个体间的交互,提高了寻优精度;最后,引入环境感知概率,引导小偷蜣螂合理采用方向跟随策略,兼顾了性能与时间消耗.在12个基准测试函数上进行求解分析,并与其他优化算法进行对比,证明了MSDBO的寻优性能明显优于对比算法,在压力容器设计优化问题上的结果验证了MSDBO求解实际工程约束优化问题的有效性.

蚯蚓处理添加不同硒源牛粪的比较研究

根据蚯蚓的生长繁殖和蚓体富硒情况,选出两种不同的硒源按不同的浓度混入牛粪中,利用蚯蚓处理牛粪,实现养殖业粪污的资源化利用。试验利用亚硒酸钠(Sodium selenite,SS)与富硒酵母(Selenium enriched yeast,SY)易富硒、价格低廉优势,选取亚硒酸钠和富硒酵母作为硒源添加剂,促进蚯蚓对硒富集,生产优质富硒肥料。探索有机硒与无机硒对蚯蚓生长繁殖的影响,以期实现蚯蚓养殖处理粪污的同时生产富硒肥料,提高特种养殖经济效益。试验通过在牛粪基料中添加2种硒源(亚硒酸钠SS、富硒酵母SY)、3个水平(5、10、15 mg·kg^(-1)),以硒元素计,选择出两种硒源的最适富硒量。结果表明,随着牛粪中硒添加量升高,蚯蚓的生长繁殖逐渐被抑制,硒浓度越高,蚯蚓的生长繁殖被抑制程度越高,当SY的硒添加量为15 mg·kg^(-1)时,蚯蚓有明显的中毒现象;硒浓度越高,蚯蚓体硒含量越高,二者成正比;牛粪中添加同一水平的SS与SY,SY组蚯蚓的硒含量明显高于SS组。

基于蜣螂算法优化BP的冬夏生菜根区温度预测模型

为解决生菜应用营养液膜技术(nutrient film technique,NFT)在冬夏季根区温度控制的问题,该研究基于机器学习方法,结合温室内外历史环境数据,构建BP神经网络根区温度预测模型。为提高模型精度,采用蜣螂算法(dung beetle optimizer, DBO)优化BP神经网络模型的输入权重和阈值,构建了冬夏两个季节的基于DBO-BP神经网络的栽培槽内根区温度预测模型,并与GA-BP、BP神经网络模型进行对比。结果表明,根区温度预测值与真实值变化趋势较为一致,DBO-BP模型温度预测最大误差为2.21°C,决定系数为0.943,而GA-BP与BP模型决定系数分别为0.928、0.892;DBO-BP模型评价指标的均方根误差、平均绝对误差分别为0.707、0.549°C,均小于其他模型评价指标。DBO-BP神经网络可满足在NFT栽培中根区温度预测精度的需求,能够为生菜栽培根区快速控温提供有效方法。

基于优化长短期记忆网络的矿坑遗产沉降预测

工业矿坑遗产以其独特风貌和价值逐步受到广泛关注。针对矿坑遗产易发的沉降地质灾害,积极采取预防措施是降低损失的有效途径。为解决工业矿坑遗产沉降灾害预测问题,提出一种融合蜣螂优化算法(DBO)的优化长短期记忆网络(LSTM)算法,用于构建预警模型。选取阜新市海州露天矿作为实验地点,利用小基线集合成孔径雷达干涉测量(SBAS-InSAR)技术采集55景矿区沉降数据。通过两种去噪方法对采集到的样本数据进行去噪处理,应用DBO算法优化LSTM,建立工业矿坑遗产沉降预测模型。LSTM模型的超参数使用DBO算法优化以实现高精度预测模型,并与其他算法优化LSTM后的模型指标进行对比。结果表明:DBO-LSTM模型在工业矿坑遗产沉降预测优势突出,预测模型的均方根误差、平均绝对误差和决定系数分别为0.045 mm,0.038 mm,0.956,均优于其他预测模型。DBO-LSTM模型在预测工业矿坑遗产沉降方面展现了高精度、快速收敛和强稳定性等特点,为工业矿坑遗产保护工作提供了有力支持。

放牧牲畜粪尿返还对季节性冻融高寒草原N_(2)O排放的影响

放牧牲畜粪尿斑块是草地氧化亚氮(N_(2)O)排放的热点区域,季节性冻融会不同程度改变粪尿养分返还效率和土壤特性,使粪尿作用下的土壤N2O排放特性复杂且作用机理尚不明确。本文采用静态箱-气相色谱法开展为期1年的野外控制试验,探究牦牛和藏绵羊粪尿处理对季节性冻融藏北高寒草原土壤氮动态及N_(2)O排放通量的影响和可能的作用机制。结果表明:尿液施加对土壤N2O排放的短期促进作用明显,且均在处理第1天达到排放通量峰值;牦牛粪尿施加对土壤矿化氮含量的增加更为突出,且牛粪和牛尿处理N_(2)O年累积排放量显著高于羊粪和羊尿处理(P<0.05);冻融期各处理N_(2)O累积排放量占全年的比例为29.3%~42.4%,且消融期对非生长季的贡献最大。研究结论有助于为优化牲畜排泄物管理模式和促进季节性冻融高寒草地温室气体减排等提供理论参考。