一种基于认知引擎的t分布变异萤火虫算法

针对认知引擎中智能优化的问题,提出了一种基于t分布变异萤火虫算法的认知无线电决策引擎技术,分析了萤火虫算法的仿生原理,从数学角度对算法实现优化过程进行了定义,并设计了一种基于t分布随机扰动的变异方案。最后,在多载波环境下对该算法进行了仿真实验,结果表明与普通基于遗传算法的认知引擎相比,该算法收敛速度快且具有较高的目标函数值,并且在加入t分布变异之后,算法的全局寻优能力进一步加强。

基于自适应t分布变异麻雀搜索算法的无人机航迹规划

为使无人机可以在复杂环境中高效率地完成指定任务,提出一种基于自适应t分布变异的麻雀搜索算法的航迹规划方法。建立用于无人机航迹规划的三维空间模型和航迹代价模型,将航迹规划问题转化为多维函数优化问题,并对其进行优化求解。仿真结果表明,相比传统的粒子群算法和麻雀搜索算法,改进后的算法能够得到一条避开障碍物和威胁区域的最优路径,证实该方法在无人机路径规划中具有更强的稳健性和可行性。

基于t分布变异的飞蛾加权质心定位算法

针对现有无线传感器网络中基于RSSI定位算法受外部环境影响,在恶劣环境下定位精度低的问题,提出一种基于t分布混合变异飞蛾加权质心定位算法。首先对接收到的信号值进行RSSI测距,然后对RSSI测距的值利用改进后的四点加权质心定位算法得到预估计的坐标值,最后利用t分布混合变异的飞蛾扑火算法对预估计坐标的值和损耗模型参数进行优化并得到最终定位坐标。仿真结果表明,该算法比传统的RSSI定位算法、RR WCL算法和PSO GSA算法有更高的定位精度。

基于Circle映射和自适应t分布变异改进的鹈鹕优化算法

针对传统鹈鹕优化算法(POA)存在收敛速度慢、易陷入局部最优解等缺陷,提出一种基于Circle映射初始化和自适应t分布变异的改进的鹈鹕优化算法(IPOA)。首先,在种群初始化阶段,采用Circle映射生成具有高度多样性的初始解,并结合反向学习策略,提高种群多样性,增强种群的探索能力。其次,在迭代过程中,采用自适应t分布变异操作对个体进行扰动,有助于鹈鹕优化算法跳出局部最优解并提高收敛速度。另外,在鹈鹕优化算法的探索阶段引入自适应因子和改进惯性权重,更好地平衡算法全局探索能力和局部开发能力。最后,在多个测试函数上将IPOA与其他4种经典算法进行比较。实验结果表明,IPOA在收敛速度、全局搜索能力和收敛鲁棒性方面均有显著提升。

基于自适应t分布混合变异的人工萤火虫算法

针对人工萤火虫(AGSO)算法中存在一些漫无目的随机运动的萤火虫及一些萤火虫在非全局极值点出现严重聚集时,收敛速度降低,甚至陷入局部极值的问题,提出一种基于自适应t分布混合变异的人工萤火虫算法。用自适应t分布变异和最优调教变异来增强种群的多样性,限制算法陷入局部最优;定义了变异控制因子对变异的运行进行控制,结合历史状态信息给出了自适应t分布混合变异描述。该变异方法能使算法同时提高全局探索能力和局部开发能力。通过典型函数算例和实际应用算例实验结果表明,该算法是可行有效的,比传统算法具有较快的寻优速度和较高的寻优精度。

基于动态自适应t分布变异的人群搜索算法

针对人群搜索算法在进化后期大量个体聚集局部最优时,易陷入局部最优,搜索精度低的缺陷,提出一种基于t分布变异的人群搜索算法.算法使用动态自适应方式确定变异步长,引入t分布变异算子以融合柯西变异和高斯变异的优点,促进算法在进化早期具备良好的全局探索能力,在进化后期收获较强的局部开发能力,增加种群的多样性;采用边界缓冲墙策略处理越界问题,避免越界个体聚集在边界值上的缺陷.实验结果表明,算法比基本人群搜索算法具有更高的寻优精度和收敛速度,是一种有效的算法.

基于自适应t分布混合变异的人工鱼群算法

针对人工鱼群算法在非全局极值点出现较严重聚集情况时,收敛速度降低,甚至陷入局部极值,搜索性能劣化的问题,把变异操作加入到人工鱼群算法中,增加了种群的多样性,从而在一定程度上避免算法陷入局部最优。提出了一种基于自适应t分布混合变异的人工鱼群算法。该算法对最优鱼进行高斯最优调教变异,对非最优鱼进行自适应t分布变异。引入t分布变异算子将高斯变异和柯西变异的优点结合起来,使得算法在进化初期具有良好的全局探索性,而在进化后期具有较优的局部开发性。四个典型函数算例、多个应用算例及大量的实验数据仿真结果表明,该算法是可行有效的,较ACM-AFSA和AGM-AFSA求解精度更高,算法更稳定。

基于改进黏菌算法优化BiLSTM的短期供热负荷控制预测

针对短期供热负荷控制预测的问题,提出了一种基于改进黏菌算法优化BiLSTM的预测模型。利用猫映射、T分布变异和随机反向学习等改进策略对黏菌算法进行改进,改进后的黏菌算法优化BiLSTM网络参数,构建ISMA-BiLSTM模型,对换热站热负荷进行预测。实验结果表明,ISMA-BiLSTM模型与SMA-BiLSTM、BiLSTM和LSTM模型相比,预测结果更加合理且预测精度有所提高,在短期供热负荷预测中能满足实际工程控制需要。

基于t分布烟花算法的土石坝碾压参数多目标优化

通过碾压正交试验,在定量分析碾压参数对土石坝料压实质量影响的基础上,建立综合考虑土石坝施工效率、压实密度和质量保证的碾压参数多目标优化模型,提出用于求解该优化模型的t分布变异烟花算法,以确定经济合理的碾压参数。该算法可以减小开展碾压试验的工作量,有助于寻得合理的碾压参数组合方案。工程实例分析表明,改进烟花算法相较传统优化算法收敛速度更快,寻优效率和稳定性更好;采用改进烟花算法优化的碾压参数,堆石坝料的压实密度和孔隙率均满足设计要求。

融合改进Logistics混沌和正弦余弦算子的自适应t分布海鸥算法

针对基本海鸥算法存在的缺陷,提出一种融合改进Logistics混沌和正弦余弦算子的自适应t分布海鸥算法(ISOA).首先,采用改进Logistics混沌映射初始化种群,使海鸥更加均匀地分布于初始解空间;其次,在海鸥位置更新方式中引入正弦余弦算子来协调算法的局部搜索和全局搜索,同时加入改进的参数A加快算法收敛速度;然后,引入自适应t分布变异策略,在最优解位置进行扰动变异产生新解,增强算法跳出局部最优的能力;最后,基于8个标准测试函数与3种基本算法进行对比仿真实验,结果表明ISOA与其余3种算法相比,有较强的跳出局部最优能力,收敛速度更快,精度更高.

自适应t分布与动态边界策略改进的算术优化算法

针对算术优化算法(arithmetic optimization algorithm,AOA)存在的收敛速度慢、易陷入局部最优等问题,提出了自适应t分布变异和动态边界策略改进的算术优化算法(t-CAOA)。利用引入自适应t分布变异策略提高种群的多样性和质量可以有效提升算法的收敛速度,同时通过引入余弦控制因子的动态边界策略优化AOA的寻优过程,从而协调AOA的全局勘探和局部开发能力。对10个单模态和多模态函数进行寻优实验,并与鲸鱼优化算法、灰狼优化算法等算法进行对比,实验结果表明,经过改进的算术优化算法具有更高的寻优精度和稳定性。进一步对t-CAOA进行求解大规模优化问题的实验,实验结果表明,改进过的t-CAOA可以有效地解决大规模优化问题。

基于t-SSA-BP的煤矿噪声职业健康损害预测

为精准预测煤矿接噪人员职业健康损害情况,基于分位图法选取健康损害数据影响因素,依据噪声职业健康损害评估方法,以自适应t分布变异因子和麻雀搜索算法(SSA)作为参数优化算法,建立t-SSA-BP煤矿噪声职业健康损害预测模型,利用基准函数测试算法寻优性能,并以陕北地区10个煤矿为研究对象,采用现场调查、理论分析和Matlab仿真模拟方法验证煤矿噪声职业健康损害预测模型。结果表明:噪声暴露强度、个体年龄、接噪工龄和接噪岗位4个指标是煤矿噪声健康损害的影响因素;t-SSA较SSA在4种基准函数上整体精度提升660%,5种噪声健康损害神经网络预测模型预测精度从高到低依次为:t-SSA-BP>SSA-BP>PSO-BP>CFA-PSO-RBF>PSO-GRNN,t-SSA-BP预测模型的平均绝对误差(MAE)、平均绝对百分误差(MAPE)相比SSA-BP分别降低681%、667%,决定系数(R2)达0999,预测精度明显提升,且收敛速度更快。

基于混合策略改进的鹈鹕优化算法

针对鹈鹕优化算法求解精度低、稳定性不足、易陷入局部最优等问题,文章提出一种混合策略改进的鹈鹕优化算法(IPOA)。首先,为了增强种群的随机性和多样性,扩大种群的搜索范围,引入反向折射学习机制;其次,利用正余弦算法和鹈鹕算法融合,改进鹈鹕搜索猎物的方式,增强算法的局部搜索与全局搜索能力;然后,采用Levy飞行机制对鹈鹕位置进行更新,从而提高算法的搜索能力以寻找最优值;最后,引入自适应t分布变异算子,使用算法的迭代次数作为t分布的自由度参数来增强鹈鹕种群的多样性,避免算法陷入局部最优。通过12个标准测试函数对改进算法与海鸥优化算法、黑猩猩优化算法、鲸鱼优化算法、蛇群优化算法和基本鹈鹕优化算法进行测试比较,结果表明,IPOA具有更好的收敛速度和稳定性。最后将改进鹈鹕算法应用于压力容器设计优化问题,进一步证实改进后的算法具有较好的求解性能。

采用改进北方苍鹰算法的微电网优化调度研究

微电网系统通常由多种分布式电源组成,为降低运行成本,常使用智能算法对微电网进行调度。智能算法在求解微电网调度模型时容易陷入局部最优解,导致求解精度差,因此在北方苍鹰算法的基础上,提出了一种混合策略改进的北方苍鹰算法(HNGO),利用反向学习、Metropolies准则以及自适应t分布变异提高求解精度,同时构建了考虑可再生能源出力特性的需求响应模型,使负荷曲线与可再生能源出力曲线更贴近,然后建立日运行成本最低的微电网优化调度模型,并利用HNGO求解。对比仿真结果显示所提算法具有更好的求解精度,且所提需求响应模型能显著降低燃料成本。

基于指数惯性权重和自适应变异的樽海鞘算法

针对樽海鞘算法(SSA)求解精度低,收敛速度慢,易陷入局部最优等缺陷,提出一种基于指数惯性权重和自适应t分布变异的改进樽海鞘算法。通过用最优位置替代个体位置改进了跟随者位置更新公式,提升了其寻优能力。将带有随机扰动项的指数递减惯性权重引入到改进后的跟随者位置更新公式中,平衡了算法全局搜索和局部搜索能力。在搜索过程中对每次更新后的位置以一定概率进行自适应t分布变异,避免其陷入局部最优。将改进算法与4种算法在8个不同维度、峰度的测试函数上进行了对比测试,并将其应用到2种工程设计问题中,结果表明:改进算法具有更好的全局和局部搜索能力,以及更高的寻优精度和更快的收敛速度,同时在求解实际问题时也表现出良好性能。

基于反向变异麻雀搜索算法的微电网优化调度

微电网系统包括多种分布式电源,为了降低微电网发电成本,应用优化算法对微电网进行调度很有必要。传统优化算法在微电网调度求解时容易陷入局部最优,导致收敛速度下降,因此文中在麻雀搜索算法(SSA)的基础上,提出一种反向变异麻雀搜索算法(RMSSA)。首先,利用反向学习策略和自适应t分布变异扩大SSA的寻优范围,提高种群多样性,改善SSA的搜索能力,然后建立以综合运行成本最低为目标的微电网优化调度模型,最后设定功率平衡、充放电速率、爬坡速率等约束条件,利用RMSSA对微电网优化调度模型进行求解。对比仿真结果表明此算法具有良好的全局搜索能力,其在收敛速度、寻优精度和稳定性上优于原SSA、灰狼算法、蝙蝠算法,微电网能获得更佳的综合效益。

基于自适应变异蝙蝠优化BP神经网络的短期风电功率预测

风电规模化并网技术的大力发展,进一步增大了对电力系统规划与运行的影响。现今,风电机组出力面临着波动的随机性以及不确定性的技术性问题,为了提高短期风电功率预测的精度,文中提出了一种结合基于群体适应度方差自适应变异的蝙蝠优化算法(AMBA)与BP神经网络算法,就短期风电功率进行精准预测。该模型根据群体适应度方差以及当前最优解的数值来定位当前最优个体的变异概率,并对全局最优个体进行t分布变异,对变异后的蝙蝠个体进行二次寻优。利用AMBA优化BP神经网络中包含的网络参数,进而提高了BP神经网络的预测精度。通过对实例进行分析,将AMBA-BP模型预测效果与其他模型预测结果相对比。结果表明,该模型能有效提高短期风电功率预测精度。

基于改进蚁群算法的机器人路径规划研究

针对传统蚁群算法存在收敛速度慢、易陷入局部最优以及规划路径存在冗余拐点等一系列问题,提出了一种改进的蚁群算法,用于移动机器人在栅格环境中的路径规划。首先,采用初始信息素角度导向分布策略,增强起点到终点线路上的初始信息素浓度,降低算法初期搜索路径的盲目性;其次,为进一步提高机器人移动的安全性,在状态转移概率的基础上引入一种含导向作用的安全因子,避免算法搜索产生曲折路径;最后,提出信息素增量自适应t分布变异策略,以增加种群的多样性,避免算法后期陷入局部最优。同时建立了信息素更新规则和路径评价机制,用来引导蚂蚁以最佳综合指标靠近最佳路径。栅格环境仿真表明,在不同环境下改进的蚁群算法能使机器人获得全局最佳路径,并且具有较高的路径规划实时性和稳定性。

基于不同需求等级改进的动态频谱分配算法

认知无线电系统要根据次用户的需求进行动态频谱分配,而现有研究中缺乏对次用户不同需求等级的分析,针对该问题,提出了一种基于不同需求等级改进的动态频谱分配算法。该算法将频谱资源分配建模为0-1整数规划问题,提出了一种基于t分布变异GA的认知无线电频谱分配算法。仿真结果表明:该分级模型相比于普通模型在处理不同需求等级DSA分配问题时可获得更高的网络效益,且所提算法的频谱分配效率接近最优分配效率,具有较高的应用价值。

融合鲸鱼泡泡网机制的SSA算法

针对基本麻雀搜索算法(Sparrow Search Algorithm,SSA)在迭代寻优过程中,种群多样性减少、易陷入局部极值等问题,提出一种改进的麻雀搜索算法(WSSA)。首先,基于Tent混沌映射策略初始化种群,提高初始解的质量;其次,结合鲸鱼优化算法(WOA)中的鲸鱼泡泡网捕食数学模型,改进发现者的位置更新策略,增强算法全局搜索;然后,采用自适应t分布变异,提升算法跳出局部最优能力;最后,在仿真实验中,结果表明改进麻雀搜索算法具有更好的收敛性和求解精度。