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。

引入Circle映射和正弦余弦因子的改进粒子群算法

针对粒子群算法在搜索寻优过程中存在收敛速度慢、精度低和易陷入局部最优等问题,提出了引入Circle映射和正弦余弦因子的改进粒子群算法。采用引入Circle映射的种群初始化操作,能获得更加均匀和多样的初始种群,有利于提高算法的收敛速度和精度。采用非线性递减的惯性权重并引入正弦余弦算法中的正弦余弦因子的策略,更好地平衡了算法全局探索能力和局部开发能力。受鲸鱼优化算法启发,提出并采用带有淘汰制的随机搜索策略,增强了算法跳出局部最优和全局探索的能力。在16个基准测试函数上对该算法进行了仿真实验,并与4种粒子群相关算法及其他4种群智能优化算法进行了比较和分析,验证了所提出的改进算法具有更强的收敛性能和稳定性。

嵌入Circle映射的混合策略多目标粒子群算法

多目标粒子群算法具有收敛速度快、原理简单和易于实现等优点,被广泛应用于解决多目标优化问题。然而,它存在容易过早收敛、陷入局部最优等缺点。针对上述问题,提出了一种嵌入Circle映射的混合策略多目标粒子群算法(CMEMOPSO)。当粒子当前位置与其个体历史最优位置互不支配时,在一定概率下,利用Circle映射调整粒子位置,使其找到更优的解。同时,若外部存档达到预定阈值,则使用结合个体密度和拐点距离的混合评价指标评估非劣解的综合性能,去除较差的非劣解以实现对外部存档的更新,提高算法的综合性能。最后,利用所提出的算法在12个典型测试函数上进行实验。实验结果表明CMEMOPSO具有良好的收敛性和更快的收敛速度,它在大多数测试函数上优于其他比较算法。

嵌入Circle映射和逐维小孔成像反向学习的鲸鱼优化算法

针对鲸鱼优化算法(WOA)容易陷入局部最优解、收敛速度慢等缺陷,提出一种改进鲸鱼优化算法.首先,利用Circle混沌序列取代原始算法中随机产生的初始种群,提高初始个体的多样性;其次,提出一种逐维小孔成像反向学习策略,增加寻优位置的多样性,提高算法摆脱局部最优的能力;最后,提出融合贝塔分布和逆不完全Γ函数的自适应权重,在保留鲸鱼优化算法优点的前提下,协调算法的搜索能力.通过对10个基准函数进行仿真实验,同时使用Wilcoxon检验、MAE等方法来评价改进后鲸鱼优化算法的性能,实验结果表明,改进算法在求解效率和稳定性等方面都有较大提升,同时,算法的寻优精度和收敛速度也比原始算法更优秀.

改进麻雀搜索算法的入侵检测特征选择

针对网络入侵检测所处理数据存在特征维数高、检测效率低、准确率不高的问题,提出一种改进麻雀搜索算法的特征选择方法,旨在减少特征冗余的同时提高分类准确率。利用改进Circle映射初始化种群;结合秃鹰搜索算法中的螺旋搜索方式更新发现者位置;采用单纯形法和小孔成像法优化适应度较差和最优麻雀的位置,提升算法的寻优能力。将该算法与其它算法在6个经典基准函数上进行对比测试,其在收敛速度、精度等方面均有提升。使用数据集CIC-IDS2017进行特征选择实验,平均保留了7.6个特征,准确率达到了99.5%,结果表明,该算法可以在保证准确率的同时有效降低特征维度。

基于改进型蛇算法的RFID网络规划部署

针对无线射频识别(RFID)网络规划的优化部署问题,提出一种基于Circle映射的嵌入正弦余弦算法和自适应阈值的改进型蛇算法(ESO)。在种群初始化阶段利用Circle混沌映射的均匀性和遍历性等特点,在局部搜索阶段和开发阶段分别引入正弦余弦算法(SCA)和自适应阈值等算法机制,弥补了蛇算法初始化过程不够均匀、容易陷入局部最优和收敛速度慢等缺点。在满足100%标签覆盖率、减少阅读器之间的碰撞干扰、实现阅读器的负载均衡,以及降低总的发射功率这4个目标的基础上,求解阅读器最佳的部署位置,将所提算法与粒子群算法(PSO)、灰狼算法(GWO)、樽海鞘算法(SSA)进行了对比分析。实验结果表明,改进型蛇算法在对RFID网络进行优化部署时寻优能力更强,对RFID网络部署的综合性能提升明显,在相同的实验条件下,ESO的最佳适应度值比PSO提高了28.1%,比GWO提高了17.7%,比SSA提高了22.9%,可以更有效地得出最优的RFID网络规划部署方案。

基于离散变邻域蜉蝣优化的装配作业车间调度算法

由于受到疫情影响,企业迫切地需要通过升级改造自动化柔性生产线来实现降本增效。在这一背景下,装配作业车间调度问题(Assembly Job Shop Scheduling Problem,AJSSP)再一次成为学术界和企业界的研究热点。AJSSP比普通作业车间调度问题多了一道装配阶段,故其存在前后工序相互制约和多机并行现象,问题求解也更加复杂。针对该问题,提出了一种基于离散变邻域蜉蝣优化算法(Discrete Variable Neighborhood Mayfly Algorithm,D-VNMA)的调度方法,主要工作如下:1)采用符合Lamarkian特性的编码解码机制,实现个体有效信息的迭代继承;2)使用Circle映射融合常见启发式算法初始化蜉蝣种群,保证种群的多样性;3)加入新的邻域探索策略,采用多种不同的邻域结构和搜索策略的差异组合,增加搜索方案的多样性,提高寻找局部最优解的搜索效率;4)提出改进的雌雄蜉蝣交配策略,提高算法全局探索能力,加快算法整体收敛速度。在实验过程中,通过试验设计(Design of Experiment,DOE)方法获得D-VNMA的最佳参数设置,并在不同规格AJSSP算例数据上将D-VNMA和其他算法进行比较。实验结果表明,D-VNMA得到最优解的概率提升了30%,且收敛效率最高可提升62.15%。

基于VMD⁃ESA和IPOA⁃XGBOOST相结合的异步电机故障诊断

为了提高异步电机故障诊断的准确度,提出一种结合变分模态分解(VMD)、包络谱分析法(ESA)和改进的鹈鹕优化算法优化的极限梯度提升模型(IPOA‐XGBOOST)的智能诊断方法。首先,对实测的异步电机振动信号进行VMD分解,并用ESA计算VMD分解得到的本征模态分量(IMFs)的瞬时能量矩阵;然后用奇异值分解法(SVD)对得到的瞬时能量矩阵进行特征提取;最后,使用提取到的特征向量训练IPOA‐XGBOOST模型,得到异步电机的故障诊断准确率。另外,为了解决鹈鹕优化算法容易陷入局部最优解、寻优速度慢等问题,使用Circle映射改进鹈鹕优化算法。将改进的鹈鹕优化算法、遗传算法(GA)和鹈鹕优化算法进行寻优分析,实验结果表明,改进的鹈鹕优化算法的寻优效果最好。

基于改进INFO-Bi-LSTM模型的SO_(2)排放质量浓度预测

针对火电机组SO_(2)排放质量浓度的影响因素众多,难以准确预测的问题,提出一种改进向量加权平均(weighted mean of vectors,INFO)算法与双向长短期记忆(bi-directional long short term memory,Bi-LSTM)神经网络相结合的预测模型(改进INFO-Bi-LSTM模型)。采用Circle混沌映射和反向学习产生高质量初始化种群,引入自适应t分布提升INFO算法跳出局部最优解和全局搜索的能力。选取改进INFO-Bi-LSTM模型和多种预测模型对炉内外联合脱硫过程中4种典型工况下的SO_(2)排放质量浓度进行预测,将预测结果进行验证对比。结果表明:改进INFO算法的寻优能力得到提升,并且改进INFO-Bi-LSTM模型精度更高,更加适用于SO_(2)排放质量浓度的预测,可为变工况下的脱硫控制提供控制理论支撑。

基于MDS和改进SSA-SVM的高速铁路道岔故障诊断方法研究

针对高速铁路道岔设备故障频繁,现场维修工作量大等问题,提出基于多维尺度缩放法(MDS)和改进麻雀搜索算法(SSA)优化支持向量机(SVM)的高速铁路道岔故障诊断模型。首先以ZDJ9道岔转换功率曲线为研究对象,总结现场典型道岔故障类型及故障原因,分别提取道岔功率曲线的时域、频域特征指标以及小波包能量熵,组成特征指标向量;其次采用MDS方法进行多维特征指标的降维优化,建立道岔故障特征指标样本数据库;最后利用改进Circle混沌映射初始化种群,并通过自适应t分布增强麻雀种群的多样性,再以改进SSA算法优化SVM模型中的惩罚因子和核函数方差2个关键参数,构建改进SSA-SVM的道岔故障诊断模型。故障诊断结果表明,本模型的故障诊断正确率高达96.25%,诊断效果优于其他方法,可以为道岔设备的故障维修提供理论依据。

融合T-分布小波变异的混沌鲸鱼优化算法

针对鲸鱼优化算法难以跳出局部最优导致收敛精度不足的问题,提出一种融合了T-分布小波变异和多项式差分学习策略的鲸鱼优化算法.该算法首先引入Circle混沌扩大搜索范围,提高收敛速度;然后采用T-分布小波变异策略平衡全局和局部搜索能力;最后采用多项式差分学习策略改进算法的优化精度.对3种改进策略作单一引入的仿真对比分析,并将改进的鲸鱼优化算法在12个可变维度的基准测试函数上进行仿真,对本文改进的鲸鱼优化算法与其他改进策略的鲸鱼优化算法以及其他几种智能算法进行比较.结果表明,基于T-分布小波变异和多项式差分学习策略的改进鲸鱼优化算法具有较好的稳定性,收敛速度和精度更好.

基于ISSA-LSTM模型的可再生能源电力需求预测

为了更精准地预测未来能源结构调整方向及成效,选用ISSA-LSTM组合预测模型对中国2023-2030年可再生能源的电力需求进行预测。首先,利用Circle混沌映射改进麻雀搜索算法(SSA)以提高搜索能力以及种群多样性;然后引入长短期记忆神经网络(LSTM)以有效捕捉可再生能源电力需求随机波动性和时序性;最后,通过ISSA-LSTM模型预测长期可再生能源的电力需求,验证测试集数据,并与其他传统模型进行对比。结果表明:ISSA-LSTM模型预测结果能够满足对可再生能源电力需求预测的精度要求;在未来2023-2030年可再生能源电力需求稳定,波动幅度不大,可达到全国用电量的1/3;利用Circle混沌映射改进策略能有效提升SSA寻优能力。与PSO算法相比,SSA算法寻找LSTM超参数最优解的能力更优,ISSA-LSTM模型预测可再生能源电力需求精度更高。

基于改进蛇优化算法的WSN覆盖优化研究

为解决无线传感器网络中节点随机部署易出现分散不均、低覆盖率等问题,提出一种改进蛇优化算法的WSN覆盖优化算法。首先,使用Circle映射种群初始化增强种群的多样性,并在蛇的探索阶段使用自适应螺旋搜索算法增大搜索范围。其次,通过引入黑寡妇算法中的信息素解决蛇的开发阶段易陷入局部最优解,并使用差分进化策略提高寻优的能力。最后,将改进蛇优化算法应用到传感器节点的部署中,利用传感器的覆盖模型确定最大的覆盖率。实验表明,改进后的算法能有效提升节点覆盖率,扩大WSN覆盖范围,从而减少节点能耗并延长网络寿命。

基于自适应权重与透镜成像学习的麻雀算法

为了解决麻雀搜索算法(SSA)存在的跳出局部最优值能力弱、寻优精度不理想等缺陷,提出了一种基于自适应权重因子与透镜成像反向学习的麻雀搜索算法(LIW-SSA)。利用Circle映射和一般反向学习策略生成麻雀种群,提升了初始种群的质量以及丰富性。将自适应权重因子引入到麻雀种群警戒者更新公式中,能有效平衡算法前后期搜索能力。采用透镜成像学习机制对当前麻雀最优个体实施干扰,提高了算法的跳出局部最优以及寻优性能。通过对基准测试函数的寻优对比,验证了提出的LIW-SSA算法相较于基本麻雀搜索算法以及其他优化算法,在算法稳定性以及寻优精度上得到了很大的提高。

混合多项自适应权重的混沌麻雀搜索算法

麻雀搜索算法具有原理简单、搜索能力强、快速寻优等优点,但是存在全局搜索不足、易陷入局部最优等缺点,针对其缺点提出了混合多项自适应权重的混沌麻雀搜索算法。增加改进Circle混沌映射提高种群多样性;在发现者引入自适应权重策略,提高发现者的全局搜索能力和搜索范围;在加入者引入改进鲸鱼优化算法的气泡网捕食策略,提高算法的局部搜索性能和跳出局部最优的能力;结合反向学习策略机制,对所有的个体进行最优选择,使每次迭代后的个体质量得到提升,以提高算法的寻优效率和寻优精度。将混合多项自适应权重的混沌麻雀搜索算法与4种经典基本算法和9种改进的麻雀搜索算法在12种测试函数和CEC2022测试函数上进行对比,改进算法有更好的寻优性能和收敛速度。

基于Circle混沌映射的ISSA-ELM神经网络室内可见光定位方法

针对传统室内可见光定位精度较低、基于神经网络的室内可见光定位收敛速度慢且泛化能力弱等问题,提出一种结合基于Circle混沌映射的优化麻雀搜索算法-极限学习机(ISSA-ELM)神经网络和接收信号强度指示(RSSI)的室内可见光定位方法,在考虑天花板、墙壁和地板反射作用的情况下,将每个参考点处的RSSI和光电探测器的真实位置坐标作为训练集数据,对优化后的ISSA-ELM神经网络模型进行训练,建立室内可见光定位预测模型,并利用测试集对定位模型进行测试。仿真结果表明,优化后的ISSA-ELM神经网络的训练时间为0.0454 s,平均定位时间为3.5 ms,在5 m×5 m×3 m的室内环境,对位于0、0.5、1.0、1.5 m高度参考点的平均定位误差分别为1.01、1.14、1.36、3.87 cm,相比极限学习机(ELM)神经网络的定位精度分别提高了20.47%、19.72%、37.91%、42.32%。因此,所提的室内可见光定位方法具有定位速度快、定位精度高、系统性能稳定等优点。

基于改进教与学优化算法的废旧智能手机拆解深度优化研究

针对现有拆解深度决策方法无法客观准确地得到废旧智能手机最优拆解深度的问题,提出了一种基于改进教与学优化(Teaching-Learning-Based Optimization,TLBO)算法的废旧智能手机拆解深度优化方法。构建了拆解利润模型、拆解时间模型和拆解能耗模型并确立拆解深度优化目标,利用改进教与学优化算法求解得到一组最优的拆解深度解集。以小米5手机的拆解过程研究为例,验证了提出的拆解深度优化方法的有效性;结果表明提出的拆解深度优化方法的最优解搜寻能力和收敛速度均得到增强。

基于VMD-CSSA-LSTM组合模型的股票价格预测

针对股票价格非平稳、非线性和高复杂等特性引发的预测难度大的问题,建立一种基于变分模态分解(Variational Mode Decomposition,VMD)-Circle混沌映射的麻雀搜索算法(Circle Sparrow Search Algorithm,CSSA)-长短期记忆(Long Short-Term Memory,LSTM)神经网络的组合模型——VMD-CSSA-LSTM.首先,利用VMD将原始股票收盘价数据分解为若干本征模态函数(Intrinsic Mode Function,IMF)分量.然后,采用Circle混沌映射的SSA算法对LSTM神经网络的隐含层神经元、迭代次数、学习率进行优化,将最优参数拟合至LSTM网络中.最后,对每个IMF分量建模预测,将各分量预测结果叠加得到最终结果.实验结果表明,与其他模型相比,本文模型在多支股票数据集上的均方根误差(RMSE)、平均绝对误差(MAE)及平均绝对百分比误差(MAPE)均达到最小,预测股票收盘价格误差在0附近波动,稳定性更优、拟合更佳、精确度更高.

基于LF-ATSO算法在光伏系统MPPT中的研究

在复杂遮荫工况下,传统MPPT策略在面对多峰值现象时易陷入局部最大功率点(LMPP),而基于元启发式算法的最大功率点跟踪策略也存在寻优精度不高、追踪时间慢等问题。为解决上述问题,文中构建Lévy飞行-自适应金枪鱼群算法(LF-ATSO)。首先,采用基于Circle混沌映射的反向学习策略合理分配初始化种群以提高种群遍历性;其次,改进参数a用以调整最优个体和前一个体的比重,提高收敛速度;然后,嵌入Lévy flight策略提高算法全局搜索能力,帮助其跳出局部最优;最后,加入算法重启机制以应对复杂变化工况。将改进后的TSO算法与未改进TSO算法、PSO算法、改进GWO算法进行仿真对比,实验结果表明,改进后的TSO算法在静态、动态复杂遮荫工况下均能够更快、更精准地追踪到全局最大功率点(GMPP)。

基于改进蜣螂优化算法的机械臂轨迹规划方法研究

本文以ABB-IRB 120为研究对象,建立了机械臂连杆坐标系以及DH参数表,并在给定运动学基础上,将改进蜣螂优化算法应用于4-3-4分段多项式轨迹优化中;最后将改进蜣螂优化算法和粒子群优化算法进行对比,得到了机械臂关节适应度变化曲线。仿真实验结果表明,相较粒子群算法,改进蜣螂算法能有效提高解的寻优精度和收敛速度,大幅度缩短机械臂运行时间,降低了机械臂在运行过程中的冲击与振动。