Neural Network Nonlinear Predictive Control Based on Tent-map Chaos Optimization

With the unique erggdicity, i rregularity, and.special ability to avoid being trapped in local optima, chaos optimization has been a novel global optimization technique and has attracted considerable attention for application in various fields, such as nonlinear programming problems. In this article, a novel neural network nonlinear predic-tive control （NNPC） strategy baseed on the new Tent-map chaos optimization algorithm （TCOA） is presented. Thefeedforward neural network＇is used as the multi-step predictive model. In addition, the TCOA is applied to perform the nonlinear rolling optimization to enhance the convergence and accuracy in the NNPC. Simulation on a labora-tory-scale liquid-level system is given to illustrate the effectiveness of the proposed method.

跳跃跟踪SSA交叉迭代AP聚类算法

针对传统近邻传播聚类算法以数据点对之间的相似度作为输入度量,由于需要预设偏向参数p和阻尼系数λ,算法精度无法精确控制的问题,提出了一种跳跃跟踪麻雀搜索算法优化的交叉迭代近邻传播聚类方法.首先,针对麻雀搜索算法中发现者和加入者位置更新不足的问题,设计了一种跳跃跟踪优化策略,通过考虑偏好阻尼因子的跳跃策略设计大步长更新发现者,增加麻雀搜索算法的全局勘探能力和寻优速度,加入者设计动态小步长跟踪领头雀更新位置,同时,利用自适应种群划分机制更新发现者和加入者的比重,增加算法的后期局部开发能力和寻优速度;其次,设计基于扰动因子的Tent映射,在此基础上增加3个参数,使映射分布范围增大,并避免了陷入小周期点和不稳周期点;最后,引入轮廓系数作为评价函数,跳跃跟踪麻雀搜索算法自动寻找较优的p和λ,代替手动输入参数,并融合基于扰动因子的Tent映射优化近邻传播算法,交叉迭代确定最优簇数.使用多种算法聚类University of California Irvine数据集的10种公共数据集,仿真结果表明,本文提出的聚类算法与经典近邻传播算法、基于差分改进的仿射传播聚类算法、基于麻雀搜索算法优化的近邻传播聚类算法和进化近邻传播算法相比具有更优的搜索效率以及聚类精度.对国家信息数据进行了聚类分析,提出的方法更加准确有效合理,具有较好的应用价值.

基于多策略麻雀搜索算法的径向基神经网络时延预测方法

网络诱导时延序列存在随机性和不稳定性,单一的预测算法难以准确预测,针对该问题,提出一种基于多策略麻雀搜索算法(ISSA)的径向基神经网络(RBF)时延预测方法来准确预测网络时延。首先,为了应对麻雀种群初始分布不均匀的问题,增加改进Tent混沌映射来提高种群早期的分布质量,并引入新的惯性权重因子改进发现者位置更新策略,扩大麻雀早期寻优范围;随后引入正余弦优化算法(SCA)更新跟随者位置,避免种群后期陷入局部最优。其次,考虑到RBF隐含层节点中心,幅值以及输出层权值不确定的问题,提出利用ISSA算法寻优求取。最后,搭建改进的时延预测模型并输入实测时延数据得到预测时延值。实验研究结果表明:相较于传统SSA-RBF模型,文中提出的ISSA-RBF时延预测模型的MSE、MAE和MAPE分别提高了69.46%、32.83%、34.43%,可有效预测网络时延,为之后的时延补偿提供基础。

一种改进的变权科莫多优化算法及其应用

针对科莫多算法(KMA)在求解复杂函数和高维情况下容易出现早熟收敛的问题,提出了一种改进的变权科莫多优化算法(VWCKMA)。首先利用Tent混沌映射产生的序列对科莫多个体位置进行位置初始化,为全局搜索的多样性奠定基础。然后提出可变惯性权重,分别对不同社会等级的科莫多个体的运动进行不同控制,较好地提高了收敛速度。最后利用Tent混沌映射进行局部扰动,使其能够进行更加精确的局部搜索,避免局部最优值。仿真实验表明,在单峰函数和多峰函数求解的标准差和均值中,VWCKMA在收敛精度和收敛速度方面均有很大的提高。针对实际空气污染物PM_(2.5)预测非线性的问题,利用VWCKMA对BP神经网络的权值和阈值进行迭代寻优,基于最优参数的条件下使用BP神经网络对PM_(2.5)进行预测。实验结果表明预测准确率为85.085%,相比单一BP神经网络预测准确率提高19.85个百分点,体现VWCKMA具有一定的实践应用价值。

混合策略改进的风驱动优化算法

为解决风驱动优化算法存在的易陷入局部极值及收敛性差等问题,提出一种混合策略改进的风驱动优化算法。首先,使用Tent混沌映射初始化种群,增加初始个体的多样性;其次,引入柯西变异策略,扩大算法搜索范围,增强算法搜索能力并加速算法收敛;然后,利用反向学习策略生成新的全局最优解,提高算法逃离局部极值能力;最后,针对6个基准测试函数进行仿真实验,结果表明,所提算法收敛速度和精度均优于其他算法。

考虑运营成本和用户体验的电动汽车充电站布局优化模型

针对电动汽车充电站布局优化问题,综合考虑充电站建设运营成本和交通流量变化情况下的用户体验,据此建立充电站布局优化模型。先分析充电站城市土地转让成本、基建及充电设备成本、运营成本各项构成要素,并建立相应的数学模型,再结合交通拥堵指数建立用户体验数学模型,最终以满足充电站建设运营成本最低和用户体验最优为预期目标,建立充电站布局优化模型。引入Tent混沌映射对初始解空间进行均布化,采用AVOA优化算法对该模型进行问题求解。仿真结果表明:与对比文献模型相比,新的充电站选址方案与随机产生的需求点距离更近、更平均;在典型测试场景下,新选址方案可有效降低配电网络的网损率、提升充电站效能,并能为用户提供更优的用户体验,充分说明该模型能够较好解决充电站优化布局问题。

一类加随机扰动的Tent-Map数字混沌序列研究

提出了一类加随机扰动的Tent-Map,克服了周期性和不稳定性的缺点.用软件仿真,研究了所加随机扰动的幅度对数字混沌序列特性的影响.结果表明,随机扰动的幅度只有达到合适的值,才能得到性能优良的扩频码.

全粒子推动野马优化算法的无人机三维路径规划

针对无人机路径规划求解计算量大、难收敛等问题,提出了一种基于全粒子推动野马算法的路径规划方法。建立三维环境模型与路径代价模型,将路径规划问题转化为多维函数优化问题;采用一种自适应邻域搜索策略,改善算法的开发能力;利用高斯随机游走策略对个体的历史最优位置进行回溯搜索,改善算法的探索能力;考虑到自适应策略对初始种群多样性敏感的问题,结合Tent混沌映射初始化种群,提高算法的鲁棒性以及全局寻优能力;将提出的改进算法在13个经典测试函数中进行性能验证,并移植于无人机三维路径规划问题中。在30峰、40峰、50峰的环境模型下进行测试,与遗传算法、粒子群算法、SRM-PSO(self-regulating and self-perception particle swarm optimization with mutation mechanism)算法以及野马算法对比,全粒子推动野马算法皆取得最短平均路径,且在所有测试中都找到满足约束、无碰的路径。仿真结果证明,在复杂环境下全粒子推动野马算法具有优秀的全局寻优能力以及较好的鲁棒性。

改进灰狼优化算法的草坪修剪机器人路径规划

为解决传统灰狼算法(GWO)用于全覆盖路径规划草坪修剪作业时易陷入局部最优、收敛速度慢、迭代次数高、除草效率低等问题,提出了启发式混沌算子灰狼优化算法(CGWO)。通过对GWO算法融入启发式思想与Tent混沌映射后,加入自适应的参数调节策略,调节加速因子及不同控制参数以增加搜索过程中的随机性,帮助算法跳出局部最优解,获得更好的全局搜索能力。仿真分析发现:改进后的灰狼优化算法即CGWO算法比GWO、PSO(粒子群算法)算法的路径成本、迭代次数、耗时更优,且路径更平滑。在3种草坪环境下,进行实车试验。结果表明:CGWO算法提高了全覆盖效率和除草效率,试验结果优于GWO和PSO算法。

基于改进GOOSE算法的VMD体征信息研究

本文中依靠60 GHz调频连续波(FMCW)毫米波雷达,通过改进的GOOSE算法,在种群初始化阶段结合Tent混沌映射,在探索阶段运用Levy飞行策略提升算法的全局搜索能力。然后,通过改进的GOOSE算法去应用到变分模态分解(VMD)中,得到k和α最优值。对GOOSE算法的改进提高了呼吸心率的检测的精度。最后,该实验结果表明:利用改进的GOOSE优化算法对VMD算法进行参数自适应优化,通过对信号的重构后分析,有效地去除了噪声分量,提高了分解效率。

基于改进GWO的多无人机三维协同航迹规划

针对GWO算法求解多无人机协同航迹时存在协同性差、易陷入局部最优、收敛速度慢以及求解精度差的问题,提出一种基于改进GWO的多无人机三维协同航迹规划方法。首先,建立多无人机三维协同航迹规划数学模型,以消耗代价、高度代价、威胁代价、空间约束、时间约束5者的加权和以及惩罚项作为目标函数;其次,利用贪心算法和Tent映射相结合的方法来提高种群适应度,并保留种群的多样性来减小陷入局部最优的可能性;再改进收敛因子来提高算法收敛速度;然后,设计一种动态权重位置更新方法来提高算法的探索和开发能力;最后,将改进的GWO算法应用于多无人机航迹规划问题求解。与GWO算法和CSGWO算法对比的仿真结果表明,所提出的改进GWO算法在求解精度上分别提高了64.8%和16.7%,在收敛速度上分别提升了28.5%和25.4%,并且协同能力明显优于对比算法。

基于改进袋獾算法的破片图像多阈值分割

针对静爆场中所拍摄图片存在破片目标小、背景复杂的问题,提出一种基于改进袋獾算法的破片图像多阈值分割。基于Tent混沌映射初始化种群,加入自适应权重策略以提高算法全局搜索能力,结合精英反向学习策略来避免算法过早陷入局部最优。基于优化袋獾算法求解Tsallis相对熵的最小值,作为目标函数值计算最佳阈值对破片图像进行目标分割。仿真结果表明,ITDO在12类基准函数上相较于其他算法表现出更强的收敛性和稳定性。ITDO-Tsallis算法与其他两种先进算法相比,收敛时间更快、求解目标更精准,说明该算法能有效解决静爆场破片图像目标分割问题。

基于混沌精英和Lévy飞行策略的鲸鱼优化算法

针对鲸鱼优化算法(Whale Optimization Algorithm,WOA)存在的收敛速度慢、精度低的问题,提出了基于Tent混沌精英和Lévy飞行策略的鲸鱼优化算法(TELWOA)。使用Tent混沌映射初始化鲸鱼种群,保持种群的多样性,并通过引入精英反向学习策略,对初始种群的精英个体生成反向解,选取适应度高的种群作为下一代鲸鱼种群,加快算法收敛速度。其次,通过使用非线性收敛因子,缓解算法全局搜索和局部搜索能力不平衡的现象。最后,在鲸鱼位置寻优过程中使用Lévy飞行策略,避免算法陷入局部最优,提升算法的全局搜索能力。通过对不同改进策略的有效性分析、与其他智能算法的对比分析,证明了TELWOA算法在收敛精度、算法稳定性和全局寻优能力上与对比算法有显著提升,具有一定的实际工程应用能力。

多项式变异和自适应权重优化的阿奎拉鹰算法

针对基本阿奎拉鹰算法存在收敛精度低、易陷入局部最优的问题,通过在全局搜索阶段引入多项式变异扰动策略,在局部开发阶段引入自适应权重优化策略,改进了阿奎拉鹰算法的局部探索能力,并且引入了Tent混沌映射初始化种群,增加种群多样性,引入动态转换概率策略来平衡全局探索和局部开发的比重,故提出多项式变异和自适应权重优化的阿奎拉鹰算法。采用基本阿奎拉鹰算法、哈里斯鹰算法、灰狼算法、鲸鱼算法、海鸥算法做对比,9个基准测试函数和2个工程优化问题对改进后的算法进行寻优性能验证,结果表明:改进后的算法在多数测试函数上取得较好的寻优效果,在工程优化问题中,效果优于多数对比算法。证明了改进后的算法具有更快的收敛速度和精度,并在工程应用中取得较好效果。

整数帐篷映射周期现象的分析及抵抗策略研究

该文设计一种改进型耦合动态整数帐篷映射模型,引入Rabbit流密码中的计数器机制。针对整数帐篷映射的短周期现象,从扩展精度、动态扰动和扩展维度三个角度,对四种不同的整数帐篷映射模型生成的混沌序列进行周期性分析,证明了改进型模型能够较大地改善整数帐篷映射的短周期现象。针对该模型的相关性、初值敏感性、离散Lyapunov指数、NIST随机性等混沌特性进行仿真分析,结果表明该模型性能优越,具有极高的密码学应用价值。

基于改进秃鹰算法优化极限学习机的谐波发射水平估计

针对目前电力系统谐波发射水平难以直接测量的问题,提出了一种基于改进秃鹰算法(improved bald eagle search,IBES)优化极限学习机(extreme learning machine,ELM)的谐波发射水平估计方法。首先,在传统秃鹰搜索算法中引入Tent混沌映射和柯西变异算子,利用IBES算法对ELM模型的输入权重和阈值进行寻优。其次,输入公共连接点(point of common coupling,PCC)处谐波电压和谐波电流,代入IBES-ELM模型,估计用户侧和系统侧谐波发射水平。最后进行仿真和工程实例分析,并与其他算法的估计结果进行对比。结果表明,所提IBES-ELM方法估计精度优于长短期记忆网络(long short-term memory,LSTM)、卷积神经网络(convolution neural network,CNN)、反向传播神经网络(back propagation neural network,BP)和CNN-LSTM算法模型,验证了该方法的有效性和稳定性。

基于灵敏度分析的同步调相机及其励磁系统参数分类辨识方法

同步调相机及其励磁系统间由于电气耦合而导致参数辨识困难,但目前缺少对待辨识参数量与观察量间耦合特性的分析。对此,提出一种基于灵敏度分析的同步调相机及其励磁系统参数分类辨识方法。分析同步调相机在不同时间尺度下的关键参数,基于轨迹灵敏度信息划分待辨识参数的类型,构建关联参数集合。考虑稳态、次暂态和暂态下同步调相机及其励磁系统响应特性的差异,在不同时间尺度上分别建立参数分类辨识模型。依据关联参数集合进行参数分类辨识,采用基于Tent混沌映射的改进蛇优化算法求解。通过算例分析验证了所提方法的有效性和适应性。

基于CSSA-LSTM的IGBT模块退化趋势预测

针对逆变器中绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor,IGBT)模块失效率高且易损伤老化以及器件退化过程难以预测的问题,文中提出一种结合长短期神经网络(Long Short-Term Memory,LSTM)和混沌麻雀的神经网络预测模型。通过引入二维皮尔逊相关系数法获取组合退化特征,构建基于LSTM的电压退化预测模型。利用模型自适应提取退化特征内部相关性,实现对关键信息筛选,挖掘深层次退化特征。在麻雀搜索算法的可行域中引入高斯变异的正态分布随机数和Tent映射对应的混沌序列,提升预测的精度和稳定性。对模型的学习率、神经元个数、batch-size进行寻优,寻找最优值匹配网络拓扑。采用最优结构参数的LSTM对各原始数据分别预测,得到最终的退化预测值。以NANS实验中心的加速退化数据集进行算例分析,并与常规预测算法对比,验证所提算法的有效性和准确性。

基于多种策略改进的鲸鱼优化算法

针对标准鲸鱼优化算法收敛速度慢、搜索与开发不平衡、种群之间信息交流匮乏、容易陷入局部最优的问题,提出了一种改进算法。首先,采用Tent混沌映射提高初始种群的分布均匀性,并引入非线性收敛因子,提升算法前期的全局搜索和中后期局部开发的能力,协调了搜索与开发的转换机制。然后,将种群的平均位置向量引入随机搜索过程中,有效改善个体与种群之间缺乏信息交流的问题。接着,将自适应惯性权重引入位置更新公式中,以加快算法的收敛速度,提高求解精度。最后,利用柯西算子对陷入局部最优的个体进行变异扰动。通过15个基准测试函数对改进算法进行仿真实验,实验结果表明,改进后的鲸鱼优化算法具有良好的性能,并通过Wilcoxon秩和检验证明了改进算法的有效性。

混合策略改进的蜣螂优化算法及其工程应用

针对原始蜣螂优化算法(dung beetle optimizer,DBO)容易陷入局部最优,收敛精度不够等问题,提出一种混合策略改进的蜣螂优化算法(TDBO)。运用Tent混沌映射策略初始化种群,使得初始蜣螂的位置分布更加均匀,提高种群的多样性;在蜣螂繁衍阶段使用自适应惯性权重,提升寻优能力;在蜣螂偷窃行为公式中引入莱维飞行,提高算法的搜索能力,使算法跳出局部最优,平横搜索多样性与收敛准确性之间的关系。在9个测试函数上分别与基础DBO算法、4种对比算法以及单一策略改进的DBO算法进行比较,并通过Wilcoxon秩和检验验证TDBO算法的性能。结果证明,TDBO算法在多个函数上速度和精度优于对比算法,并具有显著性差异。通过基准函数的测试、Wilcoxon秩和检验,以及3个工程优化问题的验证,TDBO算法具有较优的收敛精度和速度。