基于DE-GWO算法的矿井风网风量调节方法

为及时满足井下某一用风地点的需风要求,提出一种根据分支风量期望值来选择不同调节分支的智能应急调风方案。首先,以矿井通风网络需风分支风量可调最大化为目标,建立通风网络的非线性优化数学模型,针对该优化模型中的风量平衡、风压平衡等约束条件,采用不可微精确罚函数将其转化为目标模型中的惩罚项。然后,通过对风网灵敏度矩阵的计算求解,得出最优的可调分支集和风阻调节范围,并基于灰狼算法实现寻优。为克服灰狼算法在求解复杂问题上易陷入局部最优的缺陷,提出一种差分灰狼算法(DE-GWO),该方法在对种群个体位置不断迭代更新的基础上,加入差分进化算法的变异、交叉、选择操作,进而维持种群的多样性。最后,基于矿井智能控制系统实验平台验证应急调风方案的可行性。研究结果表明:相比于GWO算法,本文提出的DE-GWO算法在寻优性能和稳定性方面提升显著,可用于及时调节风量。

基于CP结合DE-GWO-SVR的海上风电基础结构损伤识别

结构仅输出的振动信号往往是各种源信号通过复杂规律形成的混合信号,对结构损伤特征提取与数据挖掘造成了很大困难。对此,提出了一种基于盲源分离(BSS)理论的复杂度追踪(CP)算法结合差分进化(DE)改进灰狼(GWO)算法优化的支持向量机(SVR)用于解决复杂结构的模态与损伤识别;CP算法基于信号预测性函数通过使分离信号的时间预测性度量最大化找到其线性混合矩阵,使分离分量具有最小复杂度并据此估计源信号。利用CP算法对结构响应信号进性分离得到信号分布向量(SDV)与分离源信号,通过定义差值曲率分布向量可以对结构损伤位置进行准确定位;对于损伤程度的识别,提出了一种DE改进的GWO对SVR进行优化的算法,即在GWO算法迭代过程中利用差分进化思想引入动态缩放因子以及交叉概率因子提高搜索和收敛速度,扩大种群所搜范围;利用不同工况下CP算法提取的差值曲率分布向量对结构损伤程度进行识别。通过对海上风电基础结构数值模型的分析,结果表明:CP算法对于高阶模态参数识别较fastICA表现出较强的适应性与优越性;同时,DE-GWO能够提高收敛速度,通过SVR算法对损伤的识别结果相比于BP神经网络更加准确。

基于改进灰狼算法的自动导航小车控制策略

针对灰狼算法(grey wolf optimizer,GWO)易陷入局部最优、后期收敛速度慢等问题,通过引入改进Tent混沌映射反向学习策略和非线性收敛因子,并加入差分进化的变异、交叉、选择操作,提出一种改进的差分灰狼优化算法(improved differential evolution grey wolf optimizer,IDE-GWO)。将改进算法应用于优化自动导航小车(automated guided vehicle,AGV)的比例积分微分(proportion integration differentiation,PID)控制参数,并与其他几种算法进行对比。Simulink仿真实验结果表明:该改进算法优化PID参数的控制效果明显优于其他智能优化算法,能够有效地提升AGV轨迹跟踪性能,使得AGV实际轨迹能较好拟合目标轨迹。

参数优化的SVR移动网络流量预测

准确预测移动网络流量,不仅可以保障互联网络安全稳定运行,还可以给运营商的资源调度做参照,使运营商能合理分配网络资源。采用参数优化的支持向量回归(SVR)进行网络流量预测研究。原始数据为淮南移动2019年1月1日至5月15日吾悦广场的流量数据,数据采集粒度为15分钟;为了寻找一种SVR的最佳优化方案,将粒子群优化(Particle Swarm Optimization,PSO)、差分灰狼优化(Differential Evolution-Grey Wolf Optimizer,DE-GWO)、布谷鸟搜索(Cuckoo Search,CS)算法用于SVR的参数寻优;同时将基本的手动调参的SVR用于流量预测对比。实验结果表明,DE-GWO参数优化的SVR具有较好的预测性能。

基于改进灰狼优化算法的WSN覆盖优化

针对无线传感器网络(WSN)节点在随机部署时,存在分布不均匀的情况,从而导致覆盖率较低的问题,提出了一种改进的灰狼优化(GWO)算法.首先利用Tent混沌映射初始化种群,增加种群的多样性;其次利用改进的非线性收敛因子,平衡算法的全局搜索能力与局部搜索精度;最后将差分进化(DE)算法的变异、交叉的理念融入GWO算法,避免算法陷入局部最优,并提高算法的收敛速度.基本测试函数仿真结果验证了改进算法的有效性,随后将其应用于WSN覆盖优化问题,可以使节点的分布更加均匀,显著提高覆盖率,进而改善网络性能.

基于CEEMD与GWO-SVM算法的配电网高阻接地故障选线方法

针对配电网高阻接地故障选线准确率低的问题,提出一种基于CEEMD与GWO-SVM的高阻接地故障选线方法。首先使用互补型集合经验模态分解(CEEMD),对原始数据进行多频段分解,得到消除混频信号冗余特征的本征模态分量,将含较多信息的前3个高频分量叠加为线路的特征频段;结合差分进化算法的交叉变异操作,对灰狼算法(GWO)进行改进,用其优化支持向量机(SVM)参数获取,得到CEEMD与DE-GWO-SVM相结合的综合故障选线模型。结果表明,该预测模型比其它智能算法基准模型选线精度高,且在高阻接地故障中具有优越性。

改进GWO优化SVM的服务器性能预测

为更加精确地对服务器性能进行评估与预测,提出一种基于差分进化(DE)与灰狼寻优(GWO)相结合的SVM模型(DE-GWO-SVM)。利用灰狼寻优算法(GWO)寻求SVM的最优参数组合惩罚因子C和核函数参数γ,提升SVM算法的预测性能,将DE算法用于生成灰狼寻优算法初始种群的最优值,克服GWO的初始种群随机生成的局限性,使GWO具有更加良好的寻优能力,获取SVM算法的参数组合C和γ的最优解。实验结果表明,相比于传统的SVM、ABCSVM、GWOSVM模型,DEGWOSVM预测模型具有较高的预测精度、良好的稳定性和泛化能力。

基于时间序列与DEGWO-SVR模型的隧道变形预测方法

为了对准确预测隧道变形的非等距性及复杂非线性特征,结合时序分析理论、差分进化算法(DE)、灰狼优化算法(GWO)和支持向量回归机(SVR)模型,提出新的隧道变形预测模型.利用3次样条函数插值法将非等距监测数据等距化;基于时间序列原理将变形分解为趋势项及平稳随机项,并采用所提模型分别对2个分解项进行预测;将各位移分量叠加,实现隧道累积变形的预测.以重庆市兴隆隧道实测拱顶沉降为例,预测前方ZK37+900和ZK37+910断面拱顶沉降,并与已有模型进行对比.结果表明:所提模型预测的均方根误差分别为0.1937、0.0869 mm,平均绝对百分比误差分别为1.21%、0.55%,相关系数分别为0.9971、0.9928.相比于已有模型,所提模型的预测精度更高、误差更小,具有更好的适用性及应用前景.

基于Newton插值与混合灰狼优化SVR的RFID定位算法

针对RFID定位系统中,传统的LANDMARC定位算法定位精度不高且需要布置大量参考标签的问题,提出了一种基于牛顿插值和差分进化改进灰狼优化支持向量回归机(Newton-HGWOSVR)的定位算法。该算法采用高斯滤波对参考标签的采样数据进行预处理;通过牛顿插值法对其它位置的信号强度进行估值来扩充信号数据库;通过HGWOSVR构建物理位置和信号接收强度值之间的非线性关系来完成定位。实验结果表明,该算法提升了室内定位的精度,并且能减少布置参考标签的工作量,提高了室内定位方法的工作效率。

基于时域卷积网络的水文模型

水位预测是防洪预警工作的辅助决策支持。为了进行准确的水位预测,为预防自然灾害提供科学依据,提出一种结合改进的灰狼优化(MGWO)算法与时域卷积网络(TCN)的预测模型MGWO-TCN。针对标准灰狼优化(GWO)算法存在早熟停滞的不足引入差分进化(DE)算法,扩展灰狼种群的多样性;改进灰狼种群更新时的收敛因子和变异时的变异算子,以自适应的形式对参数进行调整,提升算法的收敛速度,均衡算法的全局与局部搜索能力;利用MGWO算法对TCN的重要参数寻优,提升TCN的预测性能。将MGWO-TCN预测模型用于河流水位预测,预测结果的均方根误差(RMSE)为0.039。实验结果表明,与对比模型相比,MGWO-TCN预测模型具有更好的寻优能力和更高的预测精度。