基于RF-SFLA-SVM的装配式建筑高空作业工人不安全行为预警

为有效预警装配式建筑高空作业工人不安全行为的发生趋势或状态,增强对装配式建筑工人不安全行为(PBWUBs)的管控,采用随机森林(RF)-混合蛙跳算法(SFLA)-支持向量机(SVM)模型,开展工人不安全行为预警研究。首先,采用SHEL模型分析处于高空作业危险中的PBWUBs的影响因素,并通过RF确定关键预警指标;然后,采用SFLA对SVM的参数进行寻优改进;最后,利用RF-SFLA-SVM预警高空作业PBWUBs,提出应对措施,并与其他预警模型对比。研究结果表明:基于RF-SFLA-SVM预警高空作业PBWUBs,准确率最高,为91.67%,与其他模型的预警性能相比,最高提升14%。研究结果可为高空作业PBWUBs的防控提供参考。

基于改进SFLA-Elman神经网络的电离层杂波抑制方法

针对高频地波雷达目标检测中电离层杂波的干扰问题,提出了一种基于改进混合蛙跳算法优化Elman神经网络预测抑制电离层杂波的策略。为解决混合蛙跳算法初始种群分布不均匀、收敛精度低、易陷于局部极值等问题,引入Cubic混沌映射、莱维飞行策略、非线性平衡因子和复制操作,增强种群多样性,提高算法搜索能力。利用改进后的算法和其他算法分别优化Elman神经网络预测抑制模型,结果表明,改进后的算法无论是在收敛精度和稳定性上,还是在临近距离单元电离层杂波的预测抑制上,都取得了显著的提升。在基本保留目标信号的基础上,平均信杂比较原始回波提升18.52 dB,较原始混合蛙跳算法提升1.08 dB,对于电离层杂波的抑制具有较高应用价值。

基于SFLA优化变分模态提取的滚动轴承故障诊断

为解决变分模态提取(variational mode extraction, VME)在分解轴承故障信号过程中近似中心频率和惩罚因子的选择过于依赖专家经验的问题,提出混合蛙跳算法(shuffled frog leaping algorithm, SFLA)与VME相结合的滚动轴承故障诊断方法。首先,为解决单一指标作为目标函数提取特征时信息不全面的问题,结合信息熵(information entropy, IE)、包络谱峭度和相关系数建立新的参数优化指标—KIC;然后,将KIC的极小值作为SFLA的目标函数自适应地选取VME期望模态的中心频率和惩罚因子;最后,通过包络解调分析期望模态进行故障诊断。仿真信号与轴承试验台相关数据集的分析结果表明,所提出的SFLA-VME方法能够准确地提取出期望模态并诊断轴承故障。

基于SFLA改进卷积神经网络的滚动轴承故障诊断

针对卷积神经网络(CNN)用于滚动轴承故障诊断时,训练次数比较多,网络结构不容易确定等问题,设计了一种基于混合蛙跳(SFLA)优化CNN的算法(SFLA-CNN),以及基于该算法的滚动轴承故障诊断模型。该模型利用SFLA强大的全局寻优能力和局部深度搜索能力来优化CNN结构,随后运用具有最优结构的CNN模型直接从原始振动信号中提取低维故障特征,并将其输入到Softmax分类器中进行故障识别。与BP神经网络、CNN等方法对比分析,试验结果表明,SFLA-CNN算法具有更高的准确率以及更少的训练次数。

基于混沌优化策略的SFLA算法

针对基本混合蛙跳算法的缺陷,提出了一种基于混沌优化策略的改进混合蛙跳算法(SFLA)。在青蛙更新策略中引入自适应扰动机制,平衡了算法搜索深度,并利用高斯变异算子代替随机更新操作,提高了算法搜索速度;在全局迭代中借鉴混沌优化策略思想,以概率形式对最优个体进行优化,避免了族群陷入局部最优,并证明了改进算法以概率1收敛于全局最优解。最后用MATLAB对测试函数进行了仿真,仿真结果表明改进的混合蛙跳算法在收敛速度、优化精度上有较大改善。

基于SFLA-FCM聚类的城市交通状态判别研究

针对城市道路交通状态判别的问题,提出了一种混合蛙跳算法(SFLA)与模糊C-均值算法(FCM)相结合的SFLA-FCM聚类算法。SFLA是一种全新的后启发式群体进化算法,具有高效的计算性能和优良的全局搜索能力。SFLA-FCM使用SFLA的优化过程代替FCM的基于梯度下降的迭代过程,有效地避免了FCM对初值敏感及容易陷入局部极小的缺陷。将该算法用于城市交通流数据的聚类分析结果表明,与单一FCM聚类算法相比,SFLA-FCM聚类算法更准确,效果更佳,能够快速而有效地对城市交通流状况进行判别,为动态交通拥堵预警和交通诱导策略的制定提供依据。

基于ISFLA⁃SVM的变压器故障诊断

为提高变压器故障诊断的准确性,提出了一种改进混合蛙跳算法优化支持向量机模型参数的变压器故障诊断方法。该方法首先采用均匀随机化与反近似对立相结合的方法对混合蛙跳算法的种群初始化进行改进,提高初始解的质量;其次引入差分变异算子,并将余弦适应性骨架差分进化算法内嵌入混合蛙跳算法的局部搜索算法中,同时利用Levy变异算子代替随机更新操作,提高了局部搜索算法的精度,加快了收敛速度;最后利用改进后的混合蛙跳算法对支持向量机模型参数进行优化,建立故障诊断模型。经典测试函数的仿真结果和实例验证结果表明,文中提出的改进混合蛙跳算法的性能有大幅度提高,优化后的支持向量机故障诊断模型相比于SFLA、AS⁃SFLA、ODSFLA算法优化结果具有更高的诊断准确率,更快的迭代速度,可对变压器故障进行有效诊断。

基于MapReduce的并行SFLA-FCM聚类算法

模糊C均值算法(Fuzzy C-Means,FCM)是目前应用比较广泛的一种聚类算法。FCM算法的聚类质量依赖于初始聚类中心的选择并且易陷入局部极值,结合混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)较强的搜索能力,提出一种基于MapReduce的并行SFLA-FCM聚类算法。该算法利用SFLA算法的子群内模因信息传递和全局信息交换来搜索高质量的聚类中心,根据MapReduce编程模型设计算法流程,实现并行化,使其具有处理大规模数据集的能力。实验证明,并行SFLA-FCM算法提高了的搜索能力和聚类结果的精度,并且具有良好的加速比和扩展性。

SFLA优化模糊免疫PID在煤矿风量调节系统中的应用

针对目前我国煤矿局部通风机风量调节系统结构不合理、控制方法智能化程度低及能源浪费严重等问题,采用变频器直接控制异步电动机拖动风机负载的方法组建了风量调节控制系统,针对被控对象模型较为复杂的问题,采用BP网络进行辨识,在控制器设计上,采用了自适应能力更强的模糊免疫PID控制器,并采用SFLA(混洗蛙跳算法)对智能控制器的参数进行了离线优化,不仅使整个控制系统的机构更加合理,而且实现了煤矿井下掘进工作面瓦斯浓度迅速、智能调节,既保证了安全生产,同时也极大节约了电能。

基于SFLA-GA混合算法求解时间最优的旅行商问题

该文以经典的对称旅行商问题(Symmetric Traveling Salesman Problem,STSP)为基础,求解时间最优的旅行商问题(Time Optimal TSP,TOTSP),将拟合函数引入到混合蛙跳遗传算法(SFLA-GA)的适应度函数来反映景点客流量随时间的变化,旨在旅游旺季为游客提供一条游览时间最短的路径推送服务。实验结果表明:相对于随机游览路径,SFLA-GA混合算法得到的游览路径明显节省了游览时间;与SFLA和混合粒子群遗传算法(PSO-GA)相比较,SFLA-GA混合算法具有计算量少、收敛速度快、对初始种群依赖性低以及全局性更好等优点,在求解TOTSP上搜索性能更强、时间更优。

基于改进MOSFLA的多机协同任务分配

为解决多机协同任务分配这一多约束组合优化问题,提出了一种基于矩阵二进制编码的改进多目标混合蛙跳算法(multi-objective shuffled frog-leaping algorithm,MOSFLA)的任务分配策略。首先,建立了基于目标剩余价值、战机攻击损耗和航程代价的多目标优化模型;然后,对混合蛙跳算法的位置更新策略进行了改进,以保证更新过程中解的可行性及算法的全局收敛能力;最后,利用改进算法求解多机协同对地攻击任务分配问题,得出问题的Pareto最优解集。仿真实验表明,改进算法能够在较短时间内同时得出多个分配方案,增加决策的灵活性。

改进SFLA算法在云计算资源调度中的应用

为了提高云计算任务调度的效率,采用改进的SFLA算法实现任务调度。本文先对云计算任务调度原则和调度策略进行了分析,接着对SFLA算法基本原理及数学模型进行了详述,并提出了智能群体算法和自适应SFLA混合的改进SFLA算法,最后运用实例仿真验证该算法在云计算调度中的性能,与传统SFLA算法比较,改进算法在云计算调度中具有更快收敛性和更高精确性,具有一定的研究价值。

基于SFLA-PSO算法的几何约束求解

为提高求解几何约束问题的效率和收敛性,将几何约束问题等价为求解非线性方程组问题。并将约束问题转化为一个优化问题,采用基于混洗蛙跳(SFLA:Shuffled Frog Leaping Algorithm)和粒子群优化(PSO:Particle Swarm Optimization)算法求解该问题。SFLA-PSO算法采用将SFLA和PSO二者相结合的方法,利用PSO算法进行族群局部搜索,利用SFLA的多种群的进化方法进行族群的混选,相互取长补短,以达到收敛速度快和全局搜索的目的。实验表明,该方法可以提高几何约束求解的效率和收敛性。

基于SFLA-M-L模型的景观格局优化研究

以内蒙古自治区巴彦淖尔市磴口县为研究区,基于混合蛙跳算法,耦合逻辑回归与马尔可夫模型构建了SFLA-M-L(Shuffled frog leaping algorithm-Markov-logistic regression)模型。利用逻辑回归,综合考虑高程、坡度、地下水埋深、干旱度指数、归一化植被指数与当前景观分布进行了景观适宜性分析;利用Markov模型,构造了县域景观转移概率矩阵。利用景观适宜性指数和景观聚集度指数构造目标函数,以景观转移概率矩阵为景观变异的控制条件,对2016年景观格局分布进行了县域景观格局优化。优化结果中,景观聚集度为96.71%,比2016年景观分布提升了6.43个百分点;景观适宜性指数为96.23%,比2016年景观分布提升了4.18个百分点;不同景观类型间相互转移超出转移概率矩阵控制仅4.66 km^2,确保了优化结果的合理性。

PSO和SFLA混合优化算法

各种智能优化算法由于进化原理不同,优化性能各异,将不同种类的智能优化算法混合起来,往往能够取长补短,互相促进,提高混合算法的优化性能。利用粒子群优化(PSO)算法的快速收敛特性和混合蛙跳算法(SFLA)突出的全局协同搜索能力,提出了一种PSO-SFLA混合优化算法。该混合算法在执行过程中将种群分为2个子群体,一个子群体采用PSO算法进化寻优,另一个子群体采用改进的SFLA进化寻优,2个子群体共享整个种群极值信息。通过对3个标准函数进行实验并与基本PSO算法进行比较,实验结果表明混合算法获得了更好的解,具有更好的优化性能。

永磁同步直线电机SFLA-FUZZY的PID控制

针对永磁同步直线电机,提出了一种混合蛙跳结合模糊控制器的PID控制方法。设计了模糊控制器,编写混合蛙跳算法,搭建了永磁同步直线电机模型和SFLA-FUZZY(混合蛙跳与模糊控制器)结合控制的Matlab仿真模型。通过仿真对比了电机分别在传统PID、模糊控制器、SFLA-FUZZY控制条件下的运行状况。仿真分析表明,SFLA-FUZZY控制的响应速度更快,超调量更小,具有较好的动静态性能。

基于LWSFLA-SVM的人脸识别算法

目的用线性调整惯性权重的蛙跳算法(linear decreasing inertia weight shuffled frog leaping algorithm,LWSFLA)训练支持向量机(support vectors machines,SVM),解决人脸识别中SVM在训练样本数较多且维数较高时,识别效果不理想的缺陷。方法该算法先用反向学习法产生初始群体提高初始解的质量,再修改最差青蛙的更新策略,并引入线性递减的惯性权重,最后应用于人脸识别中。结果与结论 ORL和CAS-PEAL-R1人脸库的仿真实验表明,LWSFLA-SVM方法的人脸识别时间短,识别率高,在训练样本不足时,识别效果良好。

一种交叠的Shuffled-BP LDPC译码算法

Shuffled-BP(SBP)译码算法是一种基于变量节点的串行消息传递译码算法,其收敛速度快于原有的置信度传播译码算法,然而由于实际工程实现中的半并行化处理,其收敛速度和误码性能均有所降低。为了进一步提高SBP算法的性能,该文提出一种交叠的Shuffled-BP(Overlapped Shuffled-BP,OSBP)译码算法。该算法采用若干个相同的子译码器以不同的更新顺序同时进行更新,对于每个变量节点,在每次迭代更新后选取最可靠的信息参与下一次迭代,以此提高迭代的收敛速度。理论分析和仿真实验均表明,在不增加额外存储空间的条件下,OSBP算法相比于SBP算法有着更优的误码性能以及更快的收敛速度。此外,提出的OSBP算法对于规则和不规则LDPC码均有效。

基于MD-CM-SFLA神经网络的耳语音情感识别

提出了一种基于分子动力学模拟与云模型理论的改进混合蛙跳算法(MD-CM-SFLA).该算法将青蛙个体等效成分子,仅考虑最差个体和全局最优个体之间的吸引力,采用一种新的分子间作用力来代替两体间经典的Lennard-Jones作用力,并利用Velocity-Verlet算法和正态云发生器代替混合蛙跳算法的更新策略,有效平衡了种群的多样性和搜索的高效性.然后,将MD-CM-SFLA算法与BP神经网络相结合,设计出一种MD-CM-SFLA神经网络,并将其应用于耳语音情感识别中.耳语音情感识别结果表明,MD-CM-SFLA神经网络相对于BP神经网络具有明显的优势,在相同的测试条件下,其平均识别率较BP神经网络提高5.2%.由此表明,利用MD-CM-SFLA算法优化BP神经网络的参数,可以实现BP神经网络的快速收敛,获得较好的学习能力,从而为耳语音情感识别提供一种新思路.

基于WPA-SFLA算法的瓦斯突出预测方法

针对煤矿工作面瓦斯突出系统的非线性、复杂性、不确定性等特点,提出了狼群-蛙跳算法与Elman神经网络结合的耦合方法用于煤与瓦斯突出的非线性映射.依据预测残差方差比检验策略确定动态训练样本集,可实时的对Elman网络权值、阈值寻优,建立了基于狼群-蛙跳最优估计的瓦斯突出预测模型,并结合矿井监测数据进行实例分析.试验结果表明:采用动态的训练样本和网络结构建立的狼群-蛙跳与ENN模型跟踪能力好,收敛速度快,有效地实现了瓦斯突出危险性预测.