基于多模型和改进WOA算法的Delta机器人柔性夹持器抓取方法研究

[目的]解决Delta机器人柔性夹持器抓取方法存在的控制精度和适应性较差等问题。[方法]以Delta机器人柔性夹持器为研究对象,提出一种多模型和改进鲸鱼算法相结合的Delta机器人柔性夹持器抓取方法。建立稳定抓取优化模型,在抓持对象表面寻求最佳接触位置。建立无损抓取优化模型,在确保稳定抓起物体的前提下使接触力尽可能地小。结合粒子群算法和鲸鱼算法求解模型。通过试验验证了所提抓取方法的优越性。[结果]所提方法不仅具有良好的控制精度,还能够适应不同形状和大小的物体,具有较高的灵活性和适应性,抓取成功率>96%,抓取损伤率为0。[结论]所提方法有效提高了Delta机器人柔性夹持器抓取方法的性能,适用于果蔬和易碎物品的分拣工作。

基于概率精英差分和自适应黄金正弦的鲸鱼优化算法

针对鲸鱼优化算法收敛速度慢和寻优精度低的缺点,提出一种基于概率精英差分和自适应黄金正弦的鲸鱼优化算法。基于最大最小思想优化拉丁超立方体抽样来初始化鲸鱼种群,使初始种群分布更加均匀,拥有更好的全局搜索能力;提出融合余弦自适应算子的黄金正弦算法改进鲸鱼的螺旋更新,加快收敛速度,提高收敛精度;设计概率精英差分变异方法并进行贪婪选择,优化算法流程,增强算法跳出陷入局部最优的能力。选取4个单峰测试函数、4个多峰测试函数和5个多最优解的多模态测试函数与主流优化算法进行对比实验,实验结果表明,该算法具有更高的寻优精度、更快的收敛速度以及更优的全局搜索能力,通过消融实验验证了该算法改进策略的有效性。

考虑多资源约束的并行机分批调度问题研究

鉴于实际生产中工人的能力和加工效率存在差异,本文提出了考虑工人差异性和刀具限制的多资源约束并行机分批调度问题,以最小化最大完工时间、最小化交付时间偏差为优化目标,构建了工人熟练度、刀具资源约束的混合整数线性规划模型,研究子批数量和大小、机器分配、工人分配、子批加工顺序之间的耦合关系,设计了一种改进的多目标混合灰狼-鲸鱼群算法(manyobjective hybrid grey wolf optimizer and whale swarm algorithm,MO-HGWSA).根据模型特点,设计了一种两阶段编码和解码方案表示问题的可行解;利用多种引导策略提高算法的进化效率;设计了局部搜索策略,增强算法的局部搜索能力.最后引入案例验证算法的有效性,结果表明本文所提算法在收敛性、分布性和解集支配关系方面均优于对比算法.

鲸鱼优化算法研究与应用进展

鲸鱼优化算法WOA是一种根据概率收敛的新型群体智能优化算法,具有原理简单易实现、参数量少易设置和全局与局部开发分别控制易平衡等特点。系统地分析WOA的基本原理和算法性能影响因素,重点论述现有的算法改进策略和算法混合策略的优点及局限性,并阐述了WOA在支持向量机、人工神经网络、组合优化和复杂函数优化等方面的应用与发展。最后,结合WOA的特点及其应用成果,对WOA的发展方向进行了展望。

考虑多源供能波动性的企业生产运作与能源计划耦合优化

多源供能是提高清洁能源占比,助力制造企业绿色低碳转型的有效方式。然而受季节、天气等因素影响,可再生能源出力存在波动性,影响能源系统供应的稳定性。针对该问题,构建了企业生产运作与能源计划耦合优化的不确定整数规划模型,利用区间数描述能源出力的不确定信息。同时通过设计多种群融合策略、外部档案更新策略,提出了多目标混合鲸鱼群算法,有效地利用各个算法的寻优特性,提升整体性能,获得更优的Pareto解集。最后通过算法性能和能源策略对比实验,证明了所构建模型及求解方法的可行性和有效性。同时验证了所设计算法对求解不确定优化模型的优势和竞争力,以及多源供能模式能够有效帮助企业实现节能减排、可持续生产目标。

考虑新能源接入的电网有功无功协调双层优化策略研究

随着高比例新能源接入电力系统,电网的安全、经济运行面临巨大的挑战。该文提出了考虑储能和多无功源的有功无功协调多目标优化控制策略。建立以有功网损和电压偏差最小的双层优化调度模型;采用鲸鱼群算法对该模型进行求解,得到帕累托最优解的分布;根据优化结果制定无功补偿装置的投切功率以及储能系统充放电策略,提升系统电压稳定性与平缓新能源出力波动,有效减少功率损耗,实现电网的安全、节能运行;在改进IEEE39节点系统上进行分析,验证所提模型与求解算法的有效性与合理性。

基于智能算法的气藏水体参数计算

气藏水体参数的合理确定是准确计算水侵量的重要因素,为水侵气藏动态分析、开发方案的调整提供有力支撑。为此,以水驱气藏物质平衡方程为基础,建立水体参数模型以形成目标函数,在拟合地层压力与实测地层压力误差最小的前提下计算水体参数,探讨基于智能算法的气藏水体参数计算方法。以某气藏A井区为例,分别采用鲸鱼优化算法和粒子群优化算法对目标函数进行优化,计算水体参数,并作对比分析,研究结果表明:①用鲸鱼优化算法得到最佳的水体参数组合是水体内边界半径(r_(w))1101 m,无因次外边界半径(r_(eD))5.10,水侵角度(θ)25.07°,储容比(ω)0.13,窜流系数(λ)0.00035;用粒子群优化算法得到最佳的水体参数组合是水体内边界半径(r_(w))1030 m,无因次外边界半径(r_(eD))4.83,水侵角度(θ)15.68°,储容比(ω)0.21,窜流系数(λ)0.00016。②两种算法得到拟合地层压力值与实测地层压力值的相对误差均较小,整体不超过5%;同时,鲸鱼优化算法的平均相对误差1.36%,较之粒子群算法平均相对误差2.01%,鲸鱼优化算法的误差相对更小。③鲸鱼优化算法具有收敛速度快、全局搜索能力强和操作简便等优势;粒子群算法作为一种进化算法,具有计算目标函数收敛值更小的特点。两种算法均可行。水体参数计算结果为该气藏水侵规律分析确定了基础参数,算法对比研究结果则增添了新的技术手段,为我国同类气藏的水体参数计算及基于计算结果的气藏高效开发提供技术参考。

基于鲸群优化算法的铸造起重机主梁结构轻量化设计

本文首先介绍一种鲸群优化算法(WOA),该算法具有收敛速度快,收敛精度高的优点。根据结构理论设计的铸造起重机金属结构强度与刚度的冗余,采用WOA对铸造起重机金属结构主梁进行轻量化设计。建立了基于WOA的钢结构轻量化数学计算模型,应用Matlab软件基于WOA编写程序。通过程序计算出了具有安全性和经济性双重属性的结构设计参数,从而达到对铸造起重机金属结构主梁的轻量化设计,以满足在安全使用的同时降低产品成本。

考虑新能源不确定出力的有功无功协调降损控制策略研究

在高比例新能源接入电力系统的背景下,电网安全、经济的运行面临着巨大挑战。该文考虑风光出力的不确定性,建立有功无功协调优化的多目标优化模型。运用拉丁超立方抽样(latin hypercube sampling,LHS)场景生成法和Kantorovich距离的场景缩减技术,得到典型日的风电和光伏出力;建立以系统运行有功网损和电压偏移最小的多目标综合优化调度模型,采用传统的鲸鱼优化算法(whale optimization algorithm,WOA)与粒子群优化(particle swarm optimization,PSO)相结合的鲸鱼群(WOA-PSO)算法求解该模型,得到Pareto解的分布;根据优化结果制定无功补偿装置的投切功率以及储能系统充放电策略,达到提升系统电压稳定性与平缓新能源出力波动的效果,减少功率在线路上的损耗,实现电网的安全、节能运行;在改进IEEE30节点系统上进行实验分析,验证所提模型与求解算法的有效性与合理性。

基于混合智能优化算法的输变电工程全环节关键数据处理方法

为了提升输变电工程全环节的数据管理质效,提出了一种基于混合智能优化算法的输变电工程全环节关键数据处理方法。该方法以造价数据管理为核心,利用层次分析法建立工程造价控制评估模型,获得了造价评估指标与指标权重。同时设计了一种改进的随机邻域嵌入算法实现数据降维,进而引入经自适应改进的鲸鱼优化算法及粒子群算法。在交叉策略框架下,将两者相结合并得到鲸鱼粒子群混合优化算法。实验结果表明,所提方法对输变电工程全环节关键数据的处理效果较优,而与其他方法相比,其精度和效率也均具备显著优势,能够提升数据管理水平。

基于WPSO-BP和L-MBWO的多翼离心风机优化研究

针对多翼离心风机气动性能、噪声情况难以同时改进的问题,提出了一种基于变权重粒子群优化算法的反向传播神经网络风机性能预测模型(WPSO-BP),以及一种基于逻辑混沌初始化的多目标白鲸优化算法(L-MBWO),并将二者应用于多翼离心风机的优化设计中。首先,选取了叶片进出口角、倾斜蜗舌的最大蜗舌半径、叶片切除角度作为设计变量,把风机的全压、效率、声压级作为优化目标;然后,构建了WPSO-BP预测模型,以反映设计变量与优化目标之间的关系,定量分析对比了该模型与BP神经网络预测模型,预测值用于风机的性能优化;接着,将逻辑混沌初始化引入到白鲸优化算法(BWO),基于第三代非支配排序遗传算法(NSGA-Ⅲ)构建了L-MBWO优化算法;最后,在实验验证仿真可靠的前提下,将提出的预测模型和优化算法应用于风机优化,并对优化效果进行了综合分析。研究结果表明:优化后的风机全压增加了34.79 Pa,效率提高了0.67%,噪声降低了1.73 dB,实现了多个优化目标之间的平衡,有效改善了风机的综合性能,为多翼离心风机的优化设计提供了一种新思路。

鲸鱼优化算法研究综述

鲸鱼优化算法是一种受座头鲸的狩猎行为启发所提出的新型群体智能优化算法,其性能远超传统算法。为了跟踪最新研究成果、促进群体智能优化算法领域的研究,首先介绍了鲸鱼优化算法的基本原理,简述了其实现步骤,并对比分析了其性能特点。针对其收敛速度慢、收敛精度低等缺点,总结分析了融入其他智能优化算法、Lévy飞行策略、混沌策略等改进方式及其优势与局限;接着阐述了其在组合优化、图像分割、数据预测等方面的应用及取得的效果;最后,对未来发展趋势进行总结与展望。

多策略融合鲸鱼算法与二维最大熵的图像分割

传统的图像分割算法存在抗噪声差、迭代速度不高等缺陷,为了提高图像分割的质量,提出一种引入反向学习策略的鲸鱼优化算法(WOA)与二维最大熵结合的图像分割方法,并通过结合Sobol序列、自适应权重系数、收敛因子的非线性调整优化后的WOA算法,得到目标图像的最优阈值,并对其进行分割。通过与原始WOA算法在测试函数上的对比,表明改进算法具有较好的收敛性和较快的收敛速度。将改进算法实际运用到草坪背景下,分割后图片的峰值信噪比值相较于另外2种对比算法分别提高了5.2%、3.5%,在天空背景下分别提高了3.6%、2.2%,证明了改进后的算法可以提高分割的图片质量,体现了该算法的优越性。

约束条件下基于改进免疫算法的项目工期进度优化

为了提高约束条件下项目工期进度优化水平,采用免疫算法(Immunity algorithms,IA)对工期进度目标函数进行优化求解,并采用鲸群算法(Whale swarm algorithm,WSA)对免疫算法进行改进,以进一步提高IA队项目工期进度的优化精度。首先,对项目工期样本特征进行编码和向量化,确定约束条件和工期进度目标函数,然后以目标函数为抗原,建立IA工期进度优化模型。接着,采用WSA算法搜寻与抗原亲和度最高的抗体,通过WSA算法的猎物搜索、螺旋运动和包围运动等获得亲和度最高个体即为本次最优解。最后,IA根据抗体浓度可重新生成抗体,形成新的种群进行下次迭代求解最优适应度的抗体,获得的最优抗体即为工期进度调度结果。试验结果表明,在相同约束条件下,通过合理设置WSA参数和IA的浓度阈值,相比于其他工期进度优化算法,WSA-IA算法能够获得更优的工期和成本。

基于WOA-VMD-TCN的水电机组振动趋势预测

水电机组振动趋势预测是保障机组正常运行的重要举措,但由于机组振动信号的复杂性和非平稳性使得准确预测成为难题。为此,提出一种基于自适应变分模态分解和时间卷积网络(TCN)的组合趋势预测模型。首先利用鲸鱼群算法(WOA)优化选择变分模态分解(VMD)参数,避免盲目选择参数的弊端,实现振动信号的最优自适应分解,然后对分解后的每个分量信号进行归一化处理并建立TCN进行趋势预测,最后将所得结果叠加即可得到原振动信号预测结果。以国内某电站实际运行数据对所提模型进行论证试验,结果表明所提模型具有较高的预测精度,可用于工程实际。

基于鲸鱼群算法的交直流混联系统无功电压控制方法研究

高效安全地实现交直流混联系统降损与电压控制受到广泛关注,以网络损耗或电压偏移量为单一目标的传统的无功优化模型不能精确反映电网的安全性和经济性。该文针对交直流混联系统,建立了兼顾网络损耗和电压偏差的多目标无功电压控制优化模型,提出一种基于传统的鲸鱼算法(whale optimization algorithm,WOA)与粒子群(particle swarm optimization,PSO)相结合的鲸鱼群(WOA-PSO)模型求解算法。通过引入基于鲸鱼算法的包围策略,加速粒子群的迭代搜索过程,从而提高算法的全局优化能力;通过算例验证,并与基本粒子群算法、鲸鱼算法对比分析,说明所提方法具有良好的收敛性和寻优能力。

改进鲸鱼优化算法在机器人路径规划中的应用

针对使用标准鲸鱼优化算法求解机器人路径规划问题时,存在收敛速度慢且容易陷入局部最优值的问题,提出混合粒子群优化算法与自适应权重策略的改进鲸鱼优化算法(PSO-AWOA).通过在标准PSO和WOA算法中引入非线性惯性权重因子,使种群进化过程中自适应更新权重,提高了算法的全局探索能力和收敛速度,同时通过将寻优能力较强的PSO算法引入WOA算法的开发阶段,保证迭代的新解优于原始解,增强了算法跳出局部最优的能力.最后,将PSO-AWOA算法应用到的栅格地图仿真环境中进行机器人最佳路径求解.通过对比给定算法的耗时、规划路径长度以及拐点数,结果表明,提出的PSO-AWOA算法在优化精度和收敛速度上优于文中给定的其他算法,验证了改进算法的有效性.

一种改进的鲸鱼优化算法

鲸鱼优化算法(WOA)是一种模拟鲸鱼捕食猎物而提出的元启发式算法,具有操作简单、调节参数少等优点。但由于WOA在迭代中后期探索和开发能力不足,导致算法求解精度低,易于陷入局部最优。针对WOA收敛速度慢、精度低、全局探索能力不足且易于陷入局部最优等缺点,提出了一种改进的鲸鱼优化算法(GFWOA)。通过引入反向学习策略,对初始种群生成反向解,提高了初始种群质量,进一步加快了算法的收敛速度。通过引入高斯随机游走策略到鲸鱼优化算法局部寻优阶段,提高了算法的开发能力,增强了算法全局探索的能力和跳出局部最优的能力。并分别在单峰测试函数、多峰测试函数、低维多峰测试函数上进行仿真实验,通过平均值、标准差与最优值作为衡量算法性能的标准。结果表明,GFWOA在收敛精度、收敛速度和稳定性方面均较对比算法有明显提升。最后通过假设检验方法将GFWOA与其他算法进行比较,得出GFWOA在性能方面更具优势。

基于莱维飞行和布朗运动的鲸鱼优化算法

针对鲸鱼优化算法存在的求解精度不高、收敛速度较慢和易陷入局部最优等缺点,设计了一种基于莱维飞行和布朗运动的鲸鱼优化算法.先利用莱维飞行方法对鲸鱼种群进行初始化,以增加初始种群的多样性;再根据布朗运动原理对鲸鱼种群的位置更新进行随机扰动,以避免算法提前陷入局部最优.将改进的鲸鱼优化算法与鲸鱼优化算法、粒子群优化算法、遗传算法和蚁群优化算法在7个不同的基准测试函数上进行对比测试,结果表明,改进的鲸鱼优化算法在求解精度、收敛速度方面均优于其他4种算法.对初始化阶段采用莱维飞行策略的改进鲸鱼优化算法与采用随机搜索策略的鲸鱼优化算法的初始解探索范围进行仿真对比实验,结果表明,改进鲸鱼优化算法一定程度上可以避免陷入局部最优.

一种新的全局优化鲸鱼群算法(Global_WOA)

通过对鲸鱼群算法中勘探阶段和开发阶段的两个数学模型中的相关参数优化,提出一种新鲸鱼群智能优化算法的策略,该策略主要解决了算法在精度较低和收敛速度缓慢的问题,并在实际中应用。如目前研究比较热门的特征选择中,对应用结果有较高的提升。最后通过对6个典型基准测试函数的仿真来验证算法的有效性。