基于SHO-SVM的火法炼铜工艺风险评估研究

为准确判断火法炼铜工艺风险等级,文章提出了一种精准有效的风险评估模型。基于火法炼铜工艺按功能区段筛选出人员、环境、设备、管理四方面的20项风险指标因素,利用斑点鬣狗优化算法(SHO)寻优支持向量机(SVM)的正则因数与核参数,建立SHO-SVM风险评估模型。结果表明,该模型正确分类了21组数据的风险等级,判别准确率为87.5%,在各项性能指标上均优于对照模型,表明其对电火法炼铜工艺风险评估等级具备高识别精度。

基于SHO-NSGA混合算法的飞机油舱管路自动布局方法

针对飞机油舱内部管路路径规划问题,提出一种基于改进斑鬣狗算法的飞机油舱管路自动布局方法。为了提高斑鬣狗算法的全局搜索能力以及收敛速度,在种群进化过程中引入扩散搜索机制对迭代过程中最优解进行扩散,以达到提高全局搜索能力的目的;在算法迭代后期引入深度包围机制,使其在最优解中随机搜索以提高算法的收敛速度。采用栅格法构建敷设空间数学模型,以管路路径最短为优化目标,以管路路径不与障碍物发生干涉、管路折弯角度及管路折弯半径为约束,建立管路布局优化数学模型。进一步,考虑管路的支臂布局问题,以支臂总长和支臂姿态作为支臂布局双目标优化函数,运用遗传算法NSGA-Ⅱ对管路支臂布局方案进行编码生成初始个体,设计交叉、变异规则,求解管路支臂布局的Pareto解集,进而获得管路支臂布局方案。最后,通过数值算例及管路敷设仿真验证所提方法的有效性。

基于SHO优化SVM的输电线路雷电过电压识别

为提高输电线路雷电过电压识别结果的准确性,以能量谱雷击波头、时域波形、时频谱等特征信息为输入量,采用斑点鬣狗算法对支持向量机进行优化,建立基于斑点鬣狗算法优化支持向量机的输电线路雷电过电压识别模型。仿真分析结果表明,SHO-SVM对非故障性过电压、感应雷过电压、反击故障过电压和绕击故障过电压识别的正确率分别为100%、100%、95%和95%,综合正确率高达97.5%,验证了模型的正确性和优越性。

考虑需求响应和用户满意度的主动配电网优化调度

为提高主动配电网(active distribution network,ADN)运行经济性和用户满意度,提出一种考虑需求响应和用户满意度的ADN优化调度方法。综合考虑ADN运行过程中的购电成本、发电成本、维护成本和需求响应成本,建立了以ADN总运行成本最小为目标函数的优化调度模型。利用混沌映射、莱维飞行和收敛因子非线性变化等策略对斑点鬣狗优化算法(spotted hyena optimization,SHO)进行优化,以提高斑点鬣狗算法的优化性能。采用改进斑点鬣狗优化算法(ISHO)对ADN优化调度模型进行求解,算例分析结果表明,ISHO算法的优化效果优于其他算法,2种需求响应同时参与系统调度时的ADN总运行成本最小,经济性更好。

基于PCA-SHO-SVM和PCA-SHO-BP模型的径流预测

为提高径流预测精度,研究主成分分析(PCA)、斑鬣狗优化(SHO)算法与支持向量机(SVM)、BP神经网络相融合的预测方法。在样本数据筛选上选取PCA方法进行数据降维,使数据样本简洁且更具代表性。利用SHO算法优化SVM关键参数及BP神经网络权阈值,分别提出PCA-SHO-SVM、PCA-SHO-BP径流量预测模型,并与SHO-SVM、PCA-SVM、SVM和SHO-BP、PCA-BP、BP模型的预测结果作对比,通过云南省龙潭水文站年径流量及枯水期月径流量预测为例进行验证。结果表明,PCA-SHO-SVM、PCA-SHO-BP模型对实例年径流量预测的平均相对误差分别为2.34%、2.50%,对月径流量预测的平均相对误差分别为6.15%、6.08%,预测精度均优于其他6种模型,具有较高的预测精度和更强的泛化能力。

基于改进斑点鬣狗算法的并网型微电网优化调度

为了实现并网型微电网的经济运行,提出了一种基于改进斑点鬣狗(improved spotted hyena optimization, ISHO)算法的并网型微电网优化调度方法。以微电源维护成本、柴油机发电成本和购售电成本组成微电网调度成本,构建了以微电网调度成本最小为目标函数的并网型微电网调度模型。采用Logistic映射、非线性递减控制参量和反向学习等策略对斑点鬣狗(spotted hyena optimization, SHO)算法进行改进,获得ISHO算法。采用ISHO算法对并网型微电网调度模型进行求解,并将优化结果与其他算法进行对比分析,结果表明,ISHO算法获得的最低调度成本为3 575.25元,相比其他几种对比算法的求解精度更高,验证了ISHO算法在微电网优化调度方面的有效性。

混合多策略改进的斑点鬣狗优化算法及应用

针对基本斑点鬣狗算法求解精度低、易陷入局部最优值等缺点,提出一种混合多策略改进的斑点鬣狗优化算法。通过Fuch混沌映射实现鬣狗种群的多样性,利用自适应惯性权重平衡斑点鬣狗算法的全局搜索和局部开发能力,引入拉普拉斯算子进行动态交叉操作,提高SHO算法跳出局部最优的能力,将小孔成像反向学习和逐维反向学习机制相结合,使种群更符合迭代规律,提高算法的收敛速度和寻优能力。通过若干基准函数的仿真实验进行比较,其结果表明,LPSHO具有更优越的寻优性能。将改进后LPSHO运用在机械优化设计和桁架结构优化工程问题上,与其它算法对比进一步表明LPSHO能够很好解决这类结构优化问题。

考虑天气类型和历史相似日的短期光伏输出功率预测

光伏发电的随机性和不确定性是制约光伏发展的主要原因。为了提高短期光伏发电功率预测精度,提出了一种考虑天气类型和历史相似日的短期光伏输出功率预测方法。针对不同季节和天气类型划分历史数据,根据灰色关联度计算结果确定相似日。采用混沌初始化、控制因子非线性调整和莱维飞行等策略对斑点鬣狗优化(spotted hyena optimizer)算法进行改进,采用改进斑点鬣狗算法(improved spotted hyena optimizer)对核极限学习机进行优化,建立基于改进斑点鬣狗算法优化(kernel extreme learning machine,KELM)的短期光伏输出功率预测模型。利用实际光伏电站监测数据进行仿真分析,结果表明,基于ISHO-KELM的短期光伏输出功率预测模型能够降低光伏输出功率预测过程中的波动性,提高预测精度,验证了所提光伏预测方法的正确性和实用性。

考虑可再生能源不确定性的最优潮流研究

文章针对含有可再生能源的电网提出了最优潮流优化模型,并对风电出力、光伏出力以及水轮机组出力的不确定性进行了建模。提出了考虑可再生能源不确定性的最优潮流模型,以机组成本以及网络中的网损最小为目标函数,考虑相应的约束条件,利用改进斑点鬣狗优化算法对模型进行求解,引入混沌序列控制向量提升算法整体的寻优性能。最后,在IEEE 30节点系统中对所提的模型和算法进行了仿真分析。

基于模拟退火斑点鬣狗优化算法的特征选择

特征选择问题是一个基于某些标准找到最相关子集的过程,针对特征选择中的评价标准,设计了一种将斑点鬣狗优化(spotted hyena optimization,SHO)算法与模拟退火算法(simulated annealing,SA)相结合的混合模型来解决上述问题,以增强每次迭代后SHO找到的最优解,并通过UCI存储库中的8个数据集来评估优化算法的性能。实验结果表明:SASHO混合算法的表现不仅优于原始SHO算法,而且与其他优化算法相比,提高了分类精度并减少了所选特征的个数,在空间搜索和特征属性选择方面具有一定的工程实用价值。

基于改进斑点鬣狗优化算法的同步优化特征选择

针对传统支持向量机(SVM)在封装式特征选择中分类精度低、特征子集选择冗余以及计算效率差的不足,利用元启发式优化算法同步优化SVM与特征选择。为改善SVM分类效果以及选择特征子集的能力,首先,利用自适应差分进化(DE)算法、混沌初始化与锦标赛选择策略对斑点鬣狗优化(SHO)算法改进,以增强其局部搜索能力并提高其寻优效率与求解精度;其次,将改进后的算法用于特征选择与SVM参数调整的同步优化中;最后,在UCI数据集进行特征选择仿真实验,采取分类准确率、选择特征数、适应度值及运行时间来综合评估所提算法的优化性能。实验结果证明,改进算法的同步优化机制能够在高分类准确率下降低特征选择的数目,该算法比传统算法更适合解决封装式特征选择问题,具有良好的应用价值。

用于物联网的RPL节能负载均衡方法

针对物联网中低功耗有损网络路由协议节点间能量不平衡问题,该文提出一种用于物联网的RPL节能负载均衡方法.该方法包含5个步骤:DODAG构建、最优网格头选择、最优父节点选择、向下路由和数据转发.构建DODAG,该过程从根节点向其他节点传输DIO消息.并根据与根节点的距离构建网格,在每个网格中使用重启随机游走算法选择最优的网格头节点,并处理数据传输过程中的重载条件.设计斑点鬣狗优化算法优化目标函数,并用适合度函数从多个指标进行估算,最终选择最佳父节点来路由数据包.构建向下路由绘制网络内任何节点和根/宿之间的路径,并向根发送数据.实验结果表明,该文所提方法能够实现物联网低功耗有损网络路由低丢包和高负载均衡的数据传输,且性能优于其他方法.

基于斑点鬣狗算法优化支持向量机的短期风电功率预测

为提高短期风电功率预测精度,提出了一种基于斑点鬣狗算法优化支持向量机的短期风电功率预测方法。采用斑点鬣狗算法对支持向量机的惩罚系数和核参数进行优化,建立基于SHO-SVM的短期风电功率预测模型,并采用实际风电场运行数据进行仿真分析。仿真结果表明,SHO-SVM模型的平均相对误差和均方根误差分别为4.15%和0.196,预测精度和数据波动性均优于其他模型,验证了短期风电功率预测方法的正确性和实用性。

基于斑点鬣狗算法的风/光/抽水蓄能联合运行系统优化调度研究

针对分布式能源发电给配电网带来的冲击问题,提出了利用抽水蓄能电站与新能源发电联合运行优化调度的解决方案。综合考虑功率平衡、抽水蓄能机组启停与工况转换等约束条件,构建了含风电、太阳能和抽水蓄能电站的多目标优化调度模型,并采用斑点鬣狗算法进行求解。仿真结果表明,在风光并网系统中加入抽水蓄能电站后,能够实现对电力系统的削峰填谷作用,其经济效益显著;斑点鬣狗算法在收敛速度和全局寻优的能力上具有明显优势。

一种求解小规模CVRP问题的新型斑点鬣狗智能算法

针对带容量约束的车辆路径问题(CVRP)的特性,提出一种融合多策略改进的新型斑点鬣狗智能优化(ISHO)算法.利用K-means聚类和贪心选择相结合的初始化方法.在标准斑点鬣狗算法的基础上,融入鲸鱼优化算法中螺旋探索机制,增强算法全局搜索能力;同时,引入一种变异算子、两种交叉算子与逆操作方法,将螺旋探索与交叉变异算子相结合,重新定义离散域中的斑点鬣狗算法.最后,将ISHO算法在4种不同类型共24个国际基准算例的计算结果与其他智能优化算法进行实验对比分析,结果表明:ISHO算法能够有效避免陷入局部最优和低质量解等缺点,对求解小规模CVRP问题有一定优越性.

基于黄金正弦混沌斑鬣狗优化算法的高光谱波段选择

波段选择是降低高光谱数据维度,减少数据过多冗余的有效手段,是高光谱影像像素分类的重要前提。其本质上是一个复杂的组合优化问题,用传统的搜索方法不易得到满意的解。针对上述问题,提出了一种结合黄金正弦和混沌斑鬣狗算法(GSSHO)的高光谱波段选择方法。首先,使用混沌策略初始化斑鬣狗种群,提高种群的随机性和多样性;然后,用黄金正弦算法改进原始斑鬣狗算法搜索个体位置更新方式,提高算法的全局搜索能力;最后,设计结合分类精度和波段个数的适应度函数,对算法优化性能进行评价。在高光谱遥感数据集上,将该方法与其他先进优化算法进行比较,实验结果表明,该方法所选波段个数接近原波段的1/10,对于Pavia Centre数据集分类精度高达99.08%,优于其他对比方法,能以更合理的收敛方向找到最优解,所选波段数更少,分类精度更高,是一种高效的波段选择方法。