基于高斯概率分布采样学习的SSA算法探讨

针对基本的樽海鞘群算法(Salp Swarm Algorithm,SSA)收敛性能差等缺点,利用基于高斯概率分布采样学习的方法对樽海鞘群算法进行优化.文章用一种基于全局最优位置的高斯采样方式改变樽海鞘(追随者)的位置更新公式,在一定程度上避免陷入局部最优,同时提高收敛性能.通过8个不同特征的测试函数仿真,与其他算法的实验结果进行对比,验证了所提算法在收敛速度、收敛精度和局部搜索能力方面的良好性能.

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MS-ISSA-LSSVM混合算法的功率曲线建模

风电机组功率曲线是风电机组重要的性能指标,能及时且精准地绘制风电机组的功率曲线,在确保风电机组出力性能、合理安排能源调度及提高能源利用率等方面具有十分重要的意义。因此,文章提出了一种基于MS-IS-SA-LSSVM混合模型的功率曲线模型,算例结果表明,该算法可得到精度更高的功率曲线模型。

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和双稳随机共振的车削颤振微弱特征提取

围绕车削颤振激发过程,针对车削颤振过渡阶段特征微弱且存在噪声和转频干扰的问题,提出一种基于麻雀优化算法(sparrow search algorithm, SSA)和双稳随机共振(bistable stochastic resonance, BSR)系统的车削颤振微弱特征提取方法。该方法利用SSA优良的寻优特性,以信噪比作为优化指标确定最佳BSR系统参数,用优化后的参数对车削颤振信号进行滤波处理,提取颤振特征频率。仿真试验表明SSA-BSR方法可以实现对强噪声背景下微弱特征信号的提取与增强,同时兼顾寻优速度快和获得全局最优解概率高的优点。开展车削颤振检测试验,颤振激发过程的加速度信号图谱分析结果验证了车削颤振特征频率幅值与颤振激发程度之间的相关性;不同模型在车削颤振过渡阶段特征提取的对比结果验证了SSA-BSR模型的有效性和优越性,并且能够满足车削颤振检测对实时性的要求,实现在进入剧烈颤振阶段前发出预警,为量化车削颤振和车削颤振在线监测提供一种新思路。

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。

基于变分模态分解和SSA-LSTM的SCR脱硝系统入口NO_(x)浓度预测

燃煤机组的SCR入口NO_(x)浓度测量具有较大迟延、影响因素复杂和波动性大等特点,往往不能真实反映NO_(x)浓度的实时变化。针对上述问题,提出一种基于变分模态分解(VMD)和SSA-LSTM的SCR入口NO_(x)浓度的预测模型。首先采用变分模态分解法分解SCR入口NO_(x)浓度,互信息选择算法选择与目标变量强相关的辅助变量;然后利用SSA算法寻优LSTM神经网络参数构建SSA-LSTM预测模型;最后进行VMD-SSA-LSTM与LSTM、VMD-LSTM的仿真对比实验。结果表明,VMD-SSA-LSTM预测模型具有更高的预测精度、更小的误差和更强的泛化能力。

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.

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。

SSA-BP神经网络模型在地震伤亡人数预测中的应用

为快速准确地预测地震伤亡人数,提高地震应急救援效率,基于皮尔逊相关系数法定量刻画地震伤亡人数与影响因素之间的关联程度,挖掘地震伤亡人数的有效影响因素,并通过多元回归分析法检验有效影响因素的可靠性;采用麻雀搜索算法(SSA)优化BP神经网络,构建SSA-BP神经网络模型对地震伤亡人数进行预测,并将该模型与SVM、RBF、BP模型的预测数据和实际值进行对比。结果表明:与地震伤亡人数相关程度从高到低的有效影响因素依次为震中烈度、震级、房屋受损情况、发震时间、震源深度;SSA-BP神经网络模型较SVM、RBF、BP预测模型的均方误差分别降低93.3%、91.4%、85.2%,平均绝对误差分别降低69.3%、64.9%、54.7%,均方根误差分别降低74.1%、70.8%、61.6%,预测结果与实际地震伤亡人数接近,该模型可用于地震伤亡人数预测。

基于SSA-SVM改进算法的高压断路器故障诊断策略

为了提高高压断路器的故障诊断精度,提出一种基于樽海鞘群算法-支持向量机(Salp Swarm Algorithm-Support Vector Machine,SSA-SVM)改进算法的高压断路器故障诊断方法。采用SSA算法优化SVM的惩罚系数和核系数,建立基于SSA-SVM的高压断路器故障诊断模型。算例分析结果表明,所提方法在断路器故障诊断时只出现了一次误诊断,诊断结果准确率高达98%,验证了所提断路器故障诊断方法的正确性和实用性。

基于FA-ISSA-PPR模型的旋风分离器分离效率预测

旋风分离器是气田开发中常用的气固分离设备,准确预测旋风分离器的分离效率对于指导其结构设计和方法优化具有重要意义。在对数据集进行相关性分析的基础上,采用因子分析(factor analysis, FA)简化变量,降低预测模型的复杂程度,利用改进的樽海鞘群算法(improved salp swarm algorithm, ISSA)对投影寻踪(projection pursuit regression, PPR)的模型参数进行优化,形成FA-ISSA-PPR组合模型。结果表明,利用FA模型,原数据集的10个变量可以简化合并为4个公因子,分别代表尺寸参数、颗粒沉降特性、粒子运行轨迹和等效分割粒径对分离效率的影响;与半经验模型和其余机器学习模型相比,组合模型在预测精度和训练时间上具有一定的优越性,在测试样本上的平均绝对误差(MAE)为0.005 91,R^(2)可达0.995,证明了其在小样本、非线性数据分析上的准确性、鲁棒性和泛化性。

基于SSA-模糊PID的AUV姿态控制研究

针对AUV高精度、高稳定性姿态控制的提升需求,提出一种结合麻雀算法(SSA)和模糊PID控制的姿态控制器;采用麻雀算法对模糊PID控制器参数进行优化,并将寻优后模型用于算法的反馈补偿,有效解决了模糊PID控制过度依赖经验,难以应对水下复杂工况的问题;仿真结果表明,SSA-模糊PID控制器在AUV姿态调节中表现出较传统模糊PID控制器更好的响应速度和抗干扰能力,有效改善了AUV姿态控制性能;经实际应用验证,控制器在复杂工况下可快速收敛至期望姿态并维持稳定。

用震源扫描算法(SSA)研究列车源的运动

用震源扫描算法(Source-Scanning Algorithm,SSA)对2004年5月山东兖州试验时地震仪记录到的列车产生的一次振动波形进行研究.结果表明,在3个短暂时间段内,我们可以清楚地看到列车运动所产生的鸟巢形波形的精细结构.通过分段分离的方法,我们得到了3张有关震源分布的图像,图像显示列车正在由NW往SE行走穿过本区.扫描结果表明,列车震源经过适当预处理可以当作许多分散的小震源来分别处理,也显示了SSA方法处理象列车这种无法识别震相的数据波形具有的潜力.

基于油中溶解气体分析的ISSA优化LSSVM变压器故障诊断研究

为了提升变压器故障诊断的准确率,提出一种基于等规度映射(Isomap)与改进樽海鞘群算法(ISSA)优化最小二乘支持向量机(LSSVM)的变压器故障诊断方法。首先,基于油中溶解气体分析技术,构建14种能够反映变压器运行状态的故障特征,并结合Isomap对样本数据进行维数约减,消除变量信息之间的冗余数据;然后结合半数均匀初始化、混合反向学习策略和非线性递减权重因子策略对樽海鞘群算法(SSA)进行改进,并通过5个基准测试函数与原始SSA、粒子群算法(PSO)、正弦余弦算法(SCA)进行对比,证明其寻优能力和分类精度均有较大提高;最后用ISSA算法动态寻优LSSVM的惩罚参数γ和核函数参数σ,获取基于Isomap与ISSA-LSSVM相结合的故障诊断模型,并与PSO-LSSVM、SSA-LSSVM、SCA-LSSVM做对比实验,诊断精度分别为90.83%、81.67%、83.33%、80%。结果证明,所提方法能够有效地增强变压器故障诊断的性能。

基于SSA-RBF的灌区流量预测

水资源短缺问题日益严重,快速准确的灌区流量测量具有重要意义。现有流量测算模型一般采用传统的测流方法或简单的神经网络模型进行处理,采用上述方法将面临测量成本、测量精度等挑战。故将麻雀搜索算法(sparrow search algorithm,SSA)与径向基神经网络(radial basis function,RBF)相结合,以渠道水深、测点流速、测点位置为输入,灌区流量为输出,设计了一种新的SSA-RBF神经网络模型用于预测灌区流量。以都江堰人民渠渠首站点在27种不同水力条件下的实测数据为基础,对SSA-RBF模型和RBF模型以及极限学习机(extreme learning machines,ELM)模型进行评估和比较,实例结果表明SSA-RBF模型能够快速准确地预测出流量,其确定系数为0.975、均方根误差为6.186、平均绝对误差为4.324、残差质量系数为0.0119,4种评价指标以及预测结果偏差均优于ELM模型以及RBF模型,为提升灌区流量测算精度提供了思路。

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SSA-BP神经网络的试验品室内温度预测

在弹药试验品日常存储温度监测过程中,传统传感器测量存在滞后性。为解决这一问题并实现试验品储存室下一时刻温度的精准预测,文中提出一种基于SSA优化BP神经网络的智能算法。通过SSA算法与BP神经网络相结合的方法,在局部搜索中快速找出阈值更新的最优位置,为BP神经网络的训练提供更好的参数。利用Matlab仿真平台搭建SSABP温度预测模型,并与PSO-BP算法温度预测模型进行仿真对比。测试结果表明:SSA-BP神经网络算法稳定性好,鲁棒性强,收敛速度快;相比PSO-BP网络,该算法的MAE和MSE误差值分别减少2.31%和0.54%,预测精准度高。所提方法可为弹药试验品储存室温度精准预测提供重要依据和参考。

SSAS聚类分析算法在顾客分组分析中的应用

介绍一种利用数据挖掘技术建立顾客分类分析的挖掘模型。主要介绍了基于Microsoft SQL SERVER Analysis Services(SSAS)的聚类分析算法,以及SSAS聚类分析算法在对某销售信息进行顾客分组分析中的应用,通过分析聚类分析算法挖掘模型所发现的模式,得出了对顾客分类的结果,为销售公司管理层的营销决策提供有力的参考和辅助。

基于小波KPCA-SSA-ELM的盐穴储气库注采管柱内腐蚀速率预测

为提升盐穴储气库注采管柱的内腐蚀速率预测精度,建立了基于小波核主成分分析方法(Kernel Principal Components Analysis, KPCA)和樽海鞘群算法(Salp Swarm Algorithm, SSA)优化的极限学习机(Extreme Learning Machine, ELM)腐蚀速率预测模型。首先通过小波KPCA提取影响注采管柱内腐蚀的主要特征,应用ELM建立盐穴储气库注采管柱内腐蚀速率预测模型,并采用SSA对模型参数进行迭代寻优,避免原参数选取的强随机性对模型泛化能力和预测性能的影响。结果表明,经小波KPCA特征提取后得到包含98.73%原信息的3项主成分,SSA-ELM模型的预测结果与实际值基本吻合,其均方根误差(E_(RMS))为0.009 3,平均绝对百分比误差(E_(MAP))为0.336 0%,决定系数(R~2)高达0.991 2,较其他3种对比模型性能更优。研究表明,所建模型具有强泛化性能和高预测精度,能够有效预测盐穴储气库注采管柱的内腐蚀速率,为盐穴储气库注采系统的完整性评价和风险预警提供参考。