基于IABC算法的地铁列车运行节能优化研究

为了寻求低能耗列车运行策略,建立了一种基于改进的人工蜂群算法(Improved Artificial Bee Colony algorithm,IABC)的优化模型。首先分析列车实际运行情况以及多因素复杂线路条件,建立以列车运行速度、加速度和运行距离等为参数的能耗方程,然后利用IABC对各个工况最佳运行参数进行全局寻优,获得低能耗的列车运行策略,以使列车正常运行过程中牵引变电所的能耗能有效地减少。最后以南宁地铁一号线某站间为例进行仿真验证,结果表明,考虑了复杂多因素线路条件的能耗模型经过IABC全局寻优后得出的列车运行策略能使牵引变电所能耗较未优化之前节省了7. 33%。证明该方法起到了良好的节能效果,可为地铁复杂线路节能领域提供一定的参考。

基于IF&IABC算法的多机器人路径规划研究

论文结合改进的蜂群算法和改进的模糊算法,为解决机器人路径规划问题提出了一种新的方法,即IF&IABC(Improved Fuzzy&Improved Artificial Bee Colony)算法。对人工蜂群算法进行改进,首先利用混沌思想和反向学习策略初始化种群,通过免疫信息调节机制在当前解和反向解之间进行选择,扩大种群多样性,增强跳出局部最优的能力;通过引入量子策略改进邻域搜索,引入独立的惯性权重来调节全局和局部寻优能力;采用边界变异法避免算法在搜索的过程中陷入局部最优。同时,结合具有速度反馈的模糊算法规划机器人的避障行为,从而控制机器人在特定状态下准确方便地改变路径,保证其在最佳状态下运行到目标点。实验结果证明论文算法步骤简捷,能很好解决不同机器人数量与不同任务目标点数量情况下的路径规划,且具有较大的实用性。

基于IABC算法的风力机叶片参数优化

为了降低风力机叶片的单位输出能量成本,改善风能利用情况,将风力机叶片的弦长、扭角和相对厚度参数作为设计变量,建立了叶片单位输出能量成本最小的目标函数,运用改进人工蜂群算法(IABC算法)对风力机叶片不同截面进行参数优化,并对叶片单位输出能量成本进行分析和验证。研究表明,某2MW的风力机叶片经优化后,年输出能量增加了0.5%,叶片成本减少了1.9%,叶片单位输出能量成本降低了2.4%。

云计算中基于IABC算法的负载预测的研究

针对云计算中的资源负载预测的问题,采用改进的人工蜂群算法和SVM相互结合的方式构建预测模型,首先通过采用反向学习对种群进行初始化,差分进化对种群个体进行选择,吸引点策略构建算法的蜜源选择,通过反馈机制和森林法则降低算法陷入局部最优的缺点,其次,将SVM预测模型中参数通过改进的蜂群算法进行优化得到了最佳的参数,最后仿真实验中,提出的IABC算法预测精度优于SVM,LSSVM等预测算法,具有一定的推广价值。

基于IABC优化LSSVR的变形预测研究

针对最小二乘支持向量回归机(LSSVR)中惩罚参数c和核函数参数σ难以确定,以及标准人工蜂群算法(ABC)易陷入局部最优、收敛速度慢等问题,提出一种改进的人工蜂群算法(IABC)来优化LSSVR的参数并进行变形预测研究。首先,IABC算法利用反向学习策略生成正反2个种群来增加初始群体的多样性,一次迭代后对双种群的当前最优食物源进行信息交换以实现优中选优,并设计食物源自适应权重函数及适应度自适应选择函数平衡ABC的勘探和开发能力;其次,以LSSVR的预测精度为目标函数,并将其转化为IABC的适应度函数,以此构建出基于IABC优化LSSVR的预测模型;最后,以基坑监测数据为例,将IABC优化的LSSVR模型、ABC优化的LSSVR模型以及基于PSO的组合模型进行预测对比分析。结果表明,IABC增加了种群的多样性,提高了收敛精度,基于IABC优化的LSSVR模型预测的变形趋势更符合实际,预测精度高于对比模型。

基于IABC-FCM-RVM算法的拱坝变形预测模型

针对传统统计模型中温度和水压因子交叉影响、效应量不易分离的问题,提出了一种基于IABC-FCMRVM算法的拱坝变形预测模型。首先采用基于改进的人工蜂群(IABC)的模糊C-均值聚类算法(FCM)对变形数据进行分类,然后分别对分类后的数据建立分段的相关向量机模型(RVM),最后以某高拱坝变形数据对该模型进行了检验,并与统计模型和未聚类的RVM模型预测结果对比分析,结果表明,IABC-FCM-RVM模型具有更好的预测精度。

基于改进ABC算法优化的LSSVM多分类器组机械故障诊断模型

为了提高复杂机械故障诊断的确诊率,提出了一种基于改进人工蜂群算法(improved artificial bee colony,IABC)优化LSSVM多分类器组的故障诊断模型。该模型利用多特征提取方法,获取了较为完备的时频域特征信息,同时选择具有较强搜索能力和快速收敛性的IABC算法优化了LSSVM分类器的参数,提高了分类效率,在诊断决策层,利用评估矩阵进行了多分类器诊断结果的融合决策。通过与传统方法的对比表明:该诊断模型不仅能获取完备的故障特征信息,而且能更快地获取LSSVM最优分类参数;同时,基于评估矩阵的融合决策能够充分考虑各子分类器的性能差异,保证了诊断决策的高效精确。多种数据仿真表明,该诊断模型适用于机械故障诊断。

求解带平衡约束圆形packing问题的改进人工蜂群算法

圆形packing问题是一个著名的NP难题,求解该问题具有很高的理论与实用价值。首先将趋势外推原理和微调算子引入人工蜂群算法,对其搜索的随机性进行有效的引导优化,然后将改进后的人工蜂群算法应用于带平衡约束的圆形布局的参数优化,并在文后采用3个典型实例进行了数值实验。结果表明新算法解决带平衡约束的圆形packing问题具有较强的寻优能力和较高的寻优效率,是一种实用的方法。

合成分队武器目标分配方法研究

在战场火力优化配置的研究中,为解决合成分队多武器平台的火力优化分配问题,提高分队的整体作战打击效能,建立了武器目标分配模型。利用人工蜂群算法结构简单、参数较少、容易实现的优点对武器目标分配模型进行了求解;采用了新型轮盘赌选择策略、多维搜索方式,以及采用帐篷映射混沌序列的全局搜索方法对人工蜂群算法进行改进,克服算法收敛速度慢和易早熟的不足。通过仿真实例,可以看出改进人工蜂群算法相比于粒子群算法、遗传算法和标准人工蜂群算法收敛速度快、求解精度高,可为合成分队的武器目标分配提供有效的优化方案。

改进人工蜂群算法优化的LSSVM在混合气体定量分析中的应用

针对在易燃易爆混合气体定量分析中因交叉敏感易产生测量误差以及最小二乘支持向量机(least squares support vector machine,LSSVM)参数难以确定的问题,提出一种改进人工蜂群(improved artificial bee colony,IABC)算法优化的最小二乘支持向量机。首先,在标准人工蜂群(artificial bee colony,ABC)算法中引入自适应递减因子以更新步长,并结合轮盘赌和反向轮盘赌改进待工蜂跟随概率公式,从而提高收敛精度;然后,利用改进后的人工蜂群算法对最小二乘支持向量机的惩罚参数C和核参数σ~2进行优化;最后,利用优化后的参数重建最小二乘支持向量机定量分析模型,并与利用常用的混合气体定量分析方法--粒子群优化(particle swarm optimization,PSO)算法优化的最小二乘支持向量机定量分析模型进行对比。实验结果表明,在交叉敏感状态下,采用改进人工蜂群算法优化的最小二乘支持向量机时的建模总时间和各组分气体浓度测量的平均相对误差均低于采用粒子群算法优化的,有效提高了混合气体的浓度测量精度。研究表明,改进人工蜂群算法优化的最小二乘支持向量机可为混合气体定量分析提供理论支撑,具有一定的工程应用价值。

基于改进人工蜂群算法的自适应控制策略的设计及应用

为了确保新能源并网条件下电网能够稳定运行,提出了一种基于改进人工蜂群(Improved Artificial Bee Colony,IABC)算法的自适应控制策略。通过建立节点的电压静态稳定域模型,构建非线性静态安全约束优化问题,同时利用IABC算法求解最优控制量,设计电压频率双闭环控制器,从而实现自适应控制。仿真结果表明,与经典的比例-积分(Proportional-Integral,PI)控制相比,所提策略可以明显缩短动态响应时间,减小频率偏差,并提高电压稳定裕度,增强系统稳定性和抗扰动能力。除此之外,该策略无须精确系统模型,具有简单可实现、全局搜索能力强、动态响应性能好等优点,为新能源大规模并网电网的稳定运行提供了一种高效且稳定的新方法。

改进人工蜂群算法在谐振子参数优化中的应用

半球谐振陀螺是一种高精度、高可靠性、长寿命的新型固态陀螺仪。谐振子作为核心零件其性能决定着陀螺整体的性能。目前国内大多采用直径30 mm规格,其余结构参数均有所不同。寻找最优谐振子结构方案成为半球谐振陀螺研究的重点方向。首先通过关键参数提取,建立优化问题数学模型;然后介绍了改进人工蜂群算法;最后将改进人工蜂群算法应用到谐振子参数优化问题中,通过对比仿真目前工程应用方案与优化设计结果表明,谐振子性能有所提升。