基于麻雀搜索算法的微电网分层优化调度

为综合考虑微电网供给侧和需求侧的利益,建立了微电网分层优化模型;上层以净负荷成本和用电满意度为目标优化负荷曲线,下层以运行成本和环境成本为目标优化各单元出力,并选择麻雀搜索算法(SSA)求解这类复杂优化问题。针对SSA易陷入局部最优的问题,提出一种改进麻雀搜索算法(ISSA),改进了发现者搜索方式,引入了变异、贪婪策略;并且加入非支配排序和轮盘赌法将ISSA改进为多目标算法。算例结果表明可转移负荷占比为10%时能够协调微电网供需两侧的利益;对比ISSA与SSA、粒子群算法(PSO)、鸡群算法(CSO)和灰狼算法(GWO)的迭代结果,证明ISSA具有良好的寻优效果和稳定性。

基于麻雀搜索算法与随机森林融合模型的个人信用评估

针对如何准确评估复杂的用户信用问题,提出一种基于麻雀搜索算法的随机森林(SSA-RF)模型,利用SSA优化RF模型中决策树和最小节点数,并基于优化后的RF模型对数据样本进行分类,并评估所提模型和传统模型的性能.研究结果表明:SSA-RF模型具备较高的准确性.

麻雀搜索算法优化极端梯度提升模型的岩石爆破块度预测

为进一步提高岩石爆破块度预测效果,利用多个矿山的岩石爆破统计数据,通过优化极端梯度提升模型(extreme gradient boosting, XGBoost)超参数,建立一种基于随机森林(random forest, RF)特征选择的麻雀搜索算法(sparrow search algorithm, SSA)优化XGBoost爆破块度预测模型。利用麻雀搜索算法对XGBoost模型决策树数量、决策树最大深度、学习率3个核心超参数进行优化以提高运行效率;利用随机森林对输入特征进行筛选,并将优化后的特征集输入预测模型。结果表明:经特征集优化的模型,爆破块度预测效果整体上更加逼近实际值,且预测结果的可决系数(R-squared,R~2)、均方根误差(root mean square error, RMSE)和平均绝对误差(mean absolute error, MAE)分别为0.954、0.026和0.020,相较于BP(back propagation)神经网络、随机森林和XGBoost模型的效果更优,在实际应用中更具适用性,能为爆破参数设计和优化提供借鉴。

基于变分模态分解-门控循环单元-麻雀搜索算法的电能质量稳态指标预测

准确的电能质量预测有助于电网的安全可靠运行,本文提出一种基于变分模态分解(VMD)、门控循环单元(GRU)及麻雀搜索算法(SSA)的混合模型,用于预测电能质量稳态指标。首先利用VMD对电能质量历史数据进行分解,然后通过SSA对GRU神经网络的参数进行寻优,并将分解出的电能质量数据分量输入GRU神经网络,最后将每个分量的预测值相加,得到电能质量稳态指标预测值。以某监测点的电能质量数据对模型进行验证,并将该模型与GRU、VMD-GRU模型进行对比,结果表明所提预测模型的平均绝对百分比误差低于7%,预测效果更佳。

基于改进麻雀搜索算法的最大指数熵分割方法

为了解决基本麻雀搜索算法(sparrow search algorithm,SSA)依赖初始种群和求解精度不高的问题,提出一种基于Circle混沌映射和随机游走的改进的麻雀优化算法(improved sparrow optimization algorithm,CRSSA)。该算法为了增强麻雀种群的多样性,在麻雀初始阶段引入混沌Circle映射;采用随机游走对最优麻雀进行扰动,使其在麻雀寻优后期,增强算法全局搜索能力,跳出局部最优。同时选取15个测试函数对其算法进行性能测试。结果表明:与原始的SSA、蜉蝣算法(mayfly algorithm,MA)、粒子群优化算法(particle swarm optimization algorithm,PSO)、鲸鱼优化算法(whale optimization algorithm,WOA)和灰狼优化算法(gray wolf optimization algorithm,GWO)相比,改进的麻雀搜索算法具有寻优速度快、求解准确度高和鲁棒性强等优点。将该方法应用在多阈值图像分割中,通过对比不同算法的峰值信噪比(peak-to-signal ratio,PSNR)、结构相似性(structural similarity index,SSIM)、适应度函数值和运行时间性能指标,可有效解决多阈值分割问题,具有一定的工程应用价值。

基于多策略麻雀搜索算法的微电网容量优化配置

微电网系统的稳定性易受可再生能源不确定因素的影响,为解决能源利用问题、减少弃风弃光现象的发生,结合优化算法进行微电网容量的合理配置至关重要。本文提出将蓄电池和氢储能系统结合,组成独立微电网系统,以提高能源的利用率。同时,考虑到基本麻雀搜索算法(SSA)在处理复杂优化问题时存在搜索空间不足、收敛速度慢和易陷入局部最优等问题,本文利用改进后的多策略麻雀搜索算法(MSSA)得到系统总投资费用最小、源荷偏差率最低的多目标优化方案。最后,通过Matlab仿真证明改进的麻雀搜索算法在容量配比优化问题中具有更好的性能。所得优化配置结果可为解决农村、岛屿及其他偏远地区的供电问题提供参考。

基于麻雀搜索算法优化支持向量机的瓶盖装配检测研究

针对基于支持向量机的瓶盖装配检测算法准确度不高、调参难度大的问题,提出通过麻雀搜索算法(Sparrow Search Algorithm,SSA)对支持向量机(Support Vector Machines,SVM)的关键参数寻找最优解.采集瓶盖部位图像,包括标准、歪斜、铝塑分离、胶塞缺失、高盖5种类型.提取6个典型特征构建数据集,采用二分类支持向量机分类,分别通过遗传算法、粒子群算法和麻雀搜索算法对支持向量机参数进行调节.训练结果表明,麻雀搜索算法优化后的支持向量机模型测试准确率达到98.33%,高于其他几种算法.基于SSA-SVM的瓶盖装配检测模型识别精度高,调参速度快,泛化能力强.

融合学习机制的多混沌麻雀搜索算法

针对麻雀搜索算法(SSA)易受初始解的影响陷入局部极值、迭代后期收敛速度慢等缺陷,提出了一种融合学习机制的多混沌麻雀搜索算法(MMCSSA)。首先,引入重心反向学习策略(COBL)生成精英种群增强对多源优质搜索区域的勘探能力,提升算法的局部极值逃逸能力和收敛性能。其次,提出一种动态调整的黄金正弦领导策略并嵌入SSA中以改善发现者的搜索方式,增强算法的全局搜索能力。然后,提出一种基于学习机制的多混沌映射策略,该机制利用多混沌多扰动模式的特性,通过动态调用不同混沌映射赋予算法不同类别的扰动特征。混沌扰动失败时,引入高斯变异策略对当前解进行深度开发,两种策略协同作用,相互促进,极大增强了算法逃逸局部最优的能力。最后,将所提算法应用于12个不同特征的基准函数进行实验,结果表明与其他算法相比,MMCSSA在收敛精度、寻优速度和鲁棒性方面有更好的表现。

基于麻雀搜索算法优化Elman残差自校正地面沉降预测模型

地面沉降是一种常见的地质灾害,严重阻碍当地居民的生产生活,如何对地面沉降进行准确预测已经成为相关专家学者讨论的热点话题,但常规数学模型难以对地面沉降量做出准确预测。提出了麻雀搜索算法(sparrow search algorithm,SSA)优化Elman的地面沉降量预测方法,同时根据组合模型原理提出了SSA-Elman残差自校正(SSA-Elman residual self-correction,SSA-Elman-RSC)模型的策略,通过残差校正的方式降低神经网络预测误差,成功地将地面沉降量预测模型应用于山西省大同市潇河产业园,将预测结果与未进行残差修正的模型预测结果进行比较分析。结果表明,对于均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)、均方误差(mean square error,MSE)3个指标,SSA-Elman-RSC拥有更高的精度。该模型的提出为山西地区地面沉降量预测提供了一种新方法,并且组合模型的建立提供了一种新思路。

融合排序弹性碰撞的改进麻雀搜索算法

为了改善麻雀搜索算法(SSA)种群初始化结果不充分导致多样性丧失,勘探和开采过程中易受到个别位置信息干扰影响寻优精度等缺点,提出了融合排序弹性碰撞的新型麻雀搜索算法(XSSA)。首先,采用改进的无限折叠迭代混沌映射(ICMIC)初始化种群,提升了初始种群分布的分散程度;其次,使用高斯随机游走策略平衡算法的探勘和开发能力;此外,在发现者更新后对所有个体执行排序弹性碰撞策略,避免算法过早地收敛到局部极值;最后,根据不同阶段的寻优特点制定多策略边界处理机制,保留住种群数量,避免多样性的丧失。同时,结合重要的位置信息对超出边界的个体进行位置再更新,使得处理后的位置更加合理,为接下来的迭代搜索提供质量保证。对12个基准函数进行仿真实验,并画出收敛精度图直观展示算法性能。借助各策略的贡献测试、Wilcoxon秩和检验、Friedman检验的综合排名等证明了XSSA的有效性、独特性和具有较好的寻优性能。

一种基于麻雀搜索算法优化PID的气体流量控制系统设计

为了解决气体流量控制器(MFC)在使用过程中因受到系统扰动所导致的输出流量震荡不稳定以及调节时间长等问题,通常采用比例、积分、微分(PID)控制方法来改善控制效果.采用基于麻雀搜索算法(SSA)的PID参数优化方法,模拟麻雀对环境的搜索行为,对比PID参数进行优化,并将优化后的模型用于反馈补偿控制.实验结果表明,与传统PID参数设置方法相比,基于SSA的PID参数优化方法可以更快地找到最优解,系统输出流量的稳态误差远小于3%,调节时间缩短至300 ms,最大超调远小于4%,显著提高了MFC的控制性能.

基于FSSA-ELM的模拟电路故障诊断方法

在大规模电路中,模拟电路的故障率高达80%。针对模拟电路故障诊断方法准确率低、耗时长的问题,提出了一种分数阶麻雀搜索算法结合极限学习机(FSSA-ELM)的模拟电路故障诊断方法。利用核主成分分析与局部线性嵌入(KPCA-LLE)联合方式对电路故障数据进行特征提取,通过分数阶与麻雀搜索算法(SSA)相融合,对极限学习机(ELM)的权重和阈值进行寻优,将提取后的特征数据输入到FSSA-ELM模型中进行训练和测试。T型反馈网络反相比例运算电路诊断实例表明,FSSA-ELM的故障诊断用时相较于SSA-ELM缩短了891 s,单故障诊断准确率可达972%,比SSA-ELM和ELM分别提高了19%和28%;双故障诊断准确率可达95%,分别提高了04%和10%。该故障诊断方法准确率高、耗时短,具有较强的模拟电路故障检测能力。

基于SSA-RBF神经网络的煤自然发火预测模型

为解决传统煤自燃预测模型预测状态单一和预测精度不高的问题,提出基于麻雀搜索算法(SSA)优化的径向基(RBF)神经网络煤自然发火预测模型。首先,采用程序升温试验分析煤样指标气随温度的变化特征,将煤自然发火过程按煤温分为缓慢(80≤t_(i)<120℃)、加速(120≤t_(i)<160℃)和激烈(t_(i)≥160℃)3个氧化阶段,同时分析这3个阶段指标气与煤温的灰色关联度;其次通过不同维度测试函数检验粒子群算法(PSO)、灰狼算法(GWO)和SSA算法性能;最后利用6个矿区数据验证基于SSA-RBF神经网络的煤自燃预测模型的优越性。结果显示,缓慢氧化阶段CO/ΔO_(2)、CO、C_(2)H_(4)这3种指标气体与煤温的灰色关联系数最大;而加速氧化阶段C_(2)H_(4)/C_(2)H_(6)、CO/ΔO_(2)、CO_(2)/CO_(3)种指标与煤温的灰色关联系数最大。3种不同维度函数的测试结果表明:SSA与PSO、GWO相比具有更好的全局搜索能力和稳定性,其收敛速度更快;神经元数量为5个、迭代次数为300次时,SSA-RBF神经网络预测模型对缓慢氧化和加速氧化阶段的预测准确性分别达到了99%和93%。

基于智能优化算法的边坡稳定性预测方法研究

针对边坡稳定性预测中数据分析片面、模型预测精度低的问题,基于302个边坡案例,选取6个变量特征,利用麻雀搜索算法(SSA)更新BP神经网络的敏感因子,建立SSA-BP边坡稳定性预测模型。采用混淆矩阵、受试者工作特征(ROC)曲线及曲线下面积A_(UC)值作为衡量指标,通过五折交叉验证法提高模型的泛化能力并与RF、BP、SVM、PSO-BP、GA-BP和LSTM 6种机器学习算法进行预测效果对比。结果表明,SSA-BP模型的A_(UC)值、准确率和F_1分数均最高,分别为91.90%、85.81%和85.87%,相较于优化前的BP网络A_(UC)值提高了23%。经典算例证明SSA-BP预测模型与ABAQUS计算的安全系数相近,并可给出可靠的预测结果,为岩土工程中边坡稳定性预测提供了一种新方法。

基于ISSA-SVM的钻井卡钻事故预测

为预防钻井过程中卡钻事故的发生,通过提出了一种改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化支持向量机(support vector machines,SVM)的预测模型方法(ISSA-SVM),在发现者位置更新公式中引入一种改进的自适应非线性惯性递减权重;在警戒者位置更新公式中引入莱维飞行策略。利用主成分分析法(principal component analysis,PCA)对外国某大型油田的实测钻井数据进行降维处理,并利用惩罚参数和核参数进行卡钻事故的预测。实验结果表明:ISSA-SVM的预测准确率高达85.1852%,且收敛速度更快,可见ISSA-SVM可有效预测钻井卡钻事故。

混合多策略MHSSA智能优化风电拉挤板生产排程

针对带序列相关调整时间和顺序齐套约束的风电拉挤板生产排程问题,构建了最小化设备负荷偏差、交货期偏差和最大化设备利用率的多目标优化模型,改进并设计了基于Pareto寻优和拥挤度计算机制的多目标启发式麻雀搜索算法(multi-objective heuristic sparrow search algorithm, MHSSA)。算法具有“组件-区域”两层编码方式和“倒排-修复-优化”启发式解码算子;采用多规则结合反向学习的改进种群初始化策略,增强了全局搜索能力;利用具有交叉算子和外部存档扰动机制的改进搜索策略,提升了寻优精度和种群多样性。通过数据集测试和实例仿真分析,验证了排程优化模型和智能排程算法的有效性。

基于新型拥挤度距离的多目标麻雀搜索算法

现实中的多目标问题日益复杂,解决这类问题需要高效的优化算法。基于麻雀搜索算法,提出多目标麻雀搜索算法(Multi-objective Sparrow Search Algorithm,MSSA),对多目标优化问题进行求解。依据外部存档收敛性动态调整麻雀种群比例因子,以达到全局探索能力和局部开发能力的最佳平衡,确保收敛性;对麻雀种群进行非支配排序;对麻雀种群的发现者引入多项式变异因子,增强算法跳出局部最优的能力;设计一种新型拥挤度距离计算策略,利用外部存档解的拥挤度大小剔除相似个体的方法对种群进行裁剪,使个体不超过存档上限的同时维持种群的多样性。分别使用多目标函数和盘式制动器设计测试算法性能。MSSA与MOPSO、MOGWO、NSGA-II和SPEA2在多目标测试函数上进行对比实验,结果表明MSSA算法在收敛性和均匀性两项指标上有显著的优势。盘式制动器仿真结果表明,MSSA可以快速地找到问题的非支配解,证明了该方法的有效性。

麻雀搜索算法优化BP神经网络的短期风功率预测

传统BP神经网络存在收敛速度慢、易陷入局部最小值,以及对初始权值和阈值选择敏感等缺点。为了保证高效、准确的短期风功率预测,构建了一种基于麻雀搜索算法(SSA)优化BP(SSABP)神经网络的短期风功率预测模型。用该预测模型对我国沿海某风电场的历史数据进行仿真测试,并与其他模型的仿真测试结果进行比较。仿真结果表明:SSA-BP神经网络预测模型的精度较高。

基于麻雀搜索算法的BP神经网络优化技术

采用麻雀搜索算法(SSA)对BP神经网络的初始权值和阈值进行优化,加快BP神经网络对PID控制器参数的整定,最终获得最优参数。将正弦余弦算法和Levy飞行引入SSA的迭代过程中,扩大前期搜索范围,提高后期搜索精度。在Matlab仿真环境下,对比BP神经网络、粒子群优化的BP神经网络以及SSA优化的BP神经网络在优化PID参数方面的效果。结果表明:粒子群优化的BP神经网络PID控制器,在上升、稳定时间方面比BP神经网络PID控制器缩短了33.3%和51.9%,同时超调减小了5.81%;在稳定时间方面SSA优化的BP神经网络PID控制器比粒子群优化的BP神经网络PID控制器缩短了7.4%,同时消除了超调。

基于优化SSA-VMD的滚动轴承故障信号降噪方法

针对滚动轴承故障信号降噪的问题,提出了一种基于优化麻雀搜索算法和变分模态分解的降噪方法。该方法利用优化麻雀搜索算法在既定范围内对变分模态分解的相关参数进行寻优,得到输入信号的最佳分解结果,根据时域相关系数选择有效的分量重构输入信号,从而实现对输入信号的降噪,通过滚动轴承的仿真故障信号和实际故障信号两方面分别验证该方法的有效性。结果表明,该方法相较于传统的变分模态分解方法拥有更好的降噪效果。