基于EMSDBO算法的无人机三维航迹规划

针对无人机(unmanned aerial vehicle,UAV)三维航迹规划问题,提出一种增强型多策略蜣螂算法的UAV航迹规划方法。首先,将飞行接近率和响应时间的动态约束添加到威胁成本代价中,并考虑UAV转弯性能的影响,建立三维任务空间模型与航迹代价函数。其次,在蜣螂算法中引入偏移估计策略、变螺旋搜索策略、准反向学习策略和逐维变异策略,提高算法的全局寻优能力和收敛速度。最后,给出了改进算法在三维环境下航迹规划的仿真结果。结果表明:综合考虑UAV机动性能和转弯性能,规划出的路径可以更加安全有效地避开危险源。相比其他算法,改进算法的寻优能力更好,规划的航迹质量更优。

基于DBO-VMD和IWOA-BILSTM神经网络组合模型的短期电力负荷预测

新能源在现代电力系统中占比不断提高,其负荷不规律性、波动性远大于传统电力系统,这就导致负荷预测精度不高。针对这个问题,提出了蜣螂优化(dung beetle optimizer,DBO)算法优化变分模态分解(variational mode decomposition,VMD)与改进鲸鱼优化算法优化双向长短期记忆(improved whale optimization algorithm-bidirectional long short-term memory,IWOA-BILSTM)神经网络相结合的短期负荷预测模型。首先利用DBO优化VMD,分解时间序列数据,并根据最小包络熵对各种特征数据进行分类,增强了分解效果。通过对原始数据进行有效分解,降低了数据的波动性。然后使用非线性收敛因子、自适应权重策略与随机差分法变异策略增强鲸鱼优化算法的局部及全局搜索能力得到改进鲸鱼优化算法(improved whale optimization algorithm,IWOA),并用于优化双向长短期记忆(bidirectional long short-term memory,BILSTM)神经网络,增加了模型预测的精确度。最后将所提方法应用于某地真实的负荷数据,得到最终相对均方根误差、平均绝对误差和平均绝对百分比误差分别为0.0084、48.09、0.66%,证明了提出的模型对于短期负荷预测的有效性。

基于DBO-SVM的学生成绩三分类预测模型

为提高学生学习效率和教师教学管理水平,提出基于DBO-SVM的学生成绩三分类预测模型.首先根据皮尔逊相关系数筛选特征属性;然后针对数据不均衡问题,经对比实验选用ADASYN技术;之后由螳螂优化算法通过迭代寻优支持向量机的参数;最后由支持向量机建立学生成绩三分类预测模型.在学生成绩数据集上进行测试,实验结果表明:本文方法预测准确率比SSA-SVM提高了2.09%,达到了91.67%;F1分数的加权平均值为0.92,证明了模型的稳定性.

基于STM32和DBO-BP的滑坡预警系统

滑坡是一种常见的地质灾害,由于其突发性和破坏力,往往给人类的生命和财产安全造成严重的威胁,故建立精准的滑坡灾害实时监测预警系统至关重要。以STM32F103为核心控制器设计了滑坡监测预警系统,采集了降雨量、压力、位移、土壤含水率4种滑坡的主要影响因子,采用通用分组无线服务(general packet radio service,GPRS)方式将数据传送至现场预警终端,判断是否超过设置的阈值,若超过立即报警,未超过则将数据传送至远程控制中心进行分析处理,控制中心将数据输入到蜣螂算法(dung beetle optimizer,DBO)优化后的反向传播神经网络(back propagation neural network,BPNN)中进行当前滑坡发生概率预测,根据概率预测结果划分滑坡预警等级,实现滑坡实时监测与预警。通过支持向量机(support vector machines,SVM)、BP、遗传算法(genetic algorithm,GA)优化BP、麻雀搜索算法(sparrow search algorithm,SSA)优化BP模型与DBO-BP模型对比实验,得出DBO-BP预测精度更高,其拟合优度达98.8%,更接近真实值,并且相较于北斗、全球定位系统(global positioning system,GPS)等技术在滑坡预警时昂贵的成本,基于嵌入式的滑坡灾害监测预警系统降低了的成本,具有一定的工程应用价值。

基于IDBO-ARIMA的电力变压器振动信号预测

为解决电力变压器振动信号因非平稳特性而导致难以预测的问题,提出一种基于改进蜣螂优化算法的差分整合移动平均自回归预测模型。首先,利用ADF检验和KPSS检验对变压器原始振动信号进行平稳性检验,若不平稳则进行差分处理直至信号平稳。其次,通过在蜣螂优化算法中引入周期突变机制以提升算法的寻优能力,并利用改进后的蜣螂优化算法对差分整合移动平均自回归模型参数p和q进行定阶,实现对变压器振动信号的预测。最后,利用某个0.4-/0.4-k V,15-k VA三相双绕组干式变压器实际采集的振动数据,验证所提出模型的有效性。仿真结果表明,该模型的平均绝对百分比误差可达3.77%,而差分整合移动平均自回归模型、长短时记忆网络、循环神经网络和卷积神经网络的平均绝对百分比误差分别为5.34%、4.74%、5.03%、5.40%。因此,所提出的模型可以实现变压器振动信号的精准预测。

基于蜣螂优化-集成加权融合的NO_(x)浓度动态预测

针对SCR入口NO_(x)浓度单一预测模型无法满足在不同工况下保持预测精度的问题,提出了一种基于蜣螂优化(dung beetle optimizer,DBO)集成模型加权融合的预测SCR入口NO_(x)浓度的动态模型。首先使用CatBoost与LightGBM的混合模型在筛选辅助变量的同时,求取辅助变量的迟延时间和阶次信息,并根据以上信息确定预测模型的输入变量;然后建立由LightGBM,XGBoost与CatBoost组成的集成模型,并使用蜣螂优化算法对预测结果进行加权融合;最后将DBO-集成加权融合动态预测模型与3种单模型和蜣螂算法优化2种模型加权融合的预测模型进行对比。结果证明DBO综合加权融合动态预测模型的评价指标优于其他模型,具有更高的预测精度、实时性和适应性,能够更好地满足不同工况下的NO_(x)浓度预测要求。

基于蜣螂算法优化BP的冬夏生菜根区温度预测模型

为解决生菜应用营养液膜技术(nutrient film technique,NFT)在冬夏季根区温度控制的问题,该研究基于机器学习方法,结合温室内外历史环境数据,构建BP神经网络根区温度预测模型。为提高模型精度,采用蜣螂算法(dung beetle optimizer, DBO)优化BP神经网络模型的输入权重和阈值,构建了冬夏两个季节的基于DBO-BP神经网络的栽培槽内根区温度预测模型,并与GA-BP、BP神经网络模型进行对比。结果表明,根区温度预测值与真实值变化趋势较为一致,DBO-BP模型温度预测最大误差为2.21°C,决定系数为0.943,而GA-BP与BP模型决定系数分别为0.928、0.892;DBO-BP模型评价指标的均方根误差、平均绝对误差分别为0.707、0.549°C,均小于其他模型评价指标。DBO-BP神经网络可满足在NFT栽培中根区温度预测精度的需求,能够为生菜栽培根区快速控温提供有效方法。

蜣螂优化算法在Canny边缘检测算法中的应用

针对传统Canny边缘检测需要手动选取阈值以及不能有效提取边缘轮廓的问题,提出了一种基于改进的蜣螂优化算法(DBO)来优化Canny算子的边缘检测算法。首先通过快速引导滤波代替传统高斯滤波对图像进行保边去噪;其次用4方向的Sobel模板来计算图像的梯度幅值和梯度方向;最后利用蜣螂优化算法优化的二维大津法自适应获取高低阈值。针对蜣螂优化算法种群多样性不强问题,提出用tent映射初始化种群;为了提高算法跳出局部最优的能力,采用精英差分变异策略对最优蜣螂个体进行变异扰动。实验结果表明,在边缘准确度和连接性上,该算法与传统Canny边缘检测算法对比有一定程度的提升,能够有效提取图像的边缘轮廓,提高了Canny边缘检测的边缘连接性,具有一定的实用性。

多策略改进的蜣螂优化算法及其应用

蜣螂优化算法(DBO)是近年提出的智能优化算法,与其他优化算法一样,DBO也存在收敛精度低、易陷入局部最优等缺点。针对DBO的这些局限性,提出一种多策略改进的蜣螂优化算法(MIDBO)。首先,改进雏球和偷窃蜣螂对局部最优解和全局最优解的接受程度,使其根据自身搜索能力动态变化,既提升了种群质量又保持了适应度高的个体的良好搜索能力;其次,融合麻雀搜索算法中的追随者位置更新机制对算法进行扰动,并用贪婪策略更新位置,提升了算法的收敛精度;最后,当算法陷入停滞时引入柯西高斯变异策略,提高了算法跳出局部最优解的能力。仿真实验基于20个基准测试函数和CEC2019测试函数,验证了3种改进策略的有效性,将所改进算法和对比算法的优化结果进行收敛性分析和Wilcoxon秩和检验,证明了MIDBO具有良好的寻优性能和鲁棒性。将MIDBO运用在汽车碰撞优化问题的求解上,进一步验证了MIDBO在求解实际工程问题中的有效性和可靠性。

基于二次模态分解和深度学习的大坝变形预测模型

为充分提取大坝变形监测数据的非线性和非平稳性特征,深度挖掘其前后信息的拓扑关系,有效提高预测精度,提出了一种基于二次模态分解和蜣螂优化算法的双向长短期记忆神经网络大坝变形预测模型。该模型引入融合自适应噪声完备集成经验模态分解和变分模态分解的二次模态分解对数据进行预处理,有效降低高频非平稳性分量对预测精度的不利影响,并利用蜣螂优化算法对双向长短期记忆神经网络进行超参数寻优以深度挖掘大坝变形数据的有效信息。以某水电站大坝为例,将该模型预测结果与多种常用模型的预测结果进行对比分析,结果表明该模型可有效挖掘大坝变形数据复杂的非线性特征,其预测精度明显优于对比模型,验证了该模型在大坝变形预测中的可行性与优越性。

多策略融合改进的蜣螂优化算法

针对标准蜣螂优化算法(DBO)存在的全局探索能力欠缺、收敛精度低及易陷入局部最优等不足,提出了一种融合多策略的改进蜣螂优化算法(MSDBO).首先,引入社会学习策略引导推球蜣螂进行位置更新,提高了算法全局探索能力,避免算法陷入局部最优;其次,提出一种方向跟随策略,建立起小偷蜣螂与推球蜣螂个体间的交互,提高了寻优精度;最后,引入环境感知概率,引导小偷蜣螂合理采用方向跟随策略,兼顾了性能与时间消耗.在12个基准测试函数上进行求解分析,并与其他优化算法进行对比,证明了MSDBO的寻优性能明显优于对比算法,在压力容器设计优化问题上的结果验证了MSDBO求解实际工程约束优化问题的有效性.

基于改进蜣螂优化算法的永磁同步电机参数辨识

针对目前永磁同步电机多参数辨识准确率不足、效率低等问题,提出了一种基于改进蜣螂优化算法的参数辨识方法。首先,建立了在同步旋转坐标系下PMSM满秩离散方程;其次,为提高蜣螂优化算法辨识PMSM模型的精度,采用Tent映射和反向学习策略改进了初始种群的均匀性,并设计一种非线性更新因子,该因子随着迭代次数的增加进行调整,提高了算法的搜索和开发能力;最后,针对蜣螂优化算法收敛慢的问题,改进了无障碍滚球蜣螂位置更新策略来加速算法收敛,并设计了PMSM参数辨识适应度函数以及改进蜣螂优化算法应用于参数辨识的流程。仿真及试验验证表明,改进的蜣螂优化算法对永磁同步电机参数辨识速度更快,精度更高。

蜣螂优化算法下“互联网+营销服务”虚拟机器人应用模型

为了应对新形势下的电力营销服务形势,提升互联网时代的电网优质服务水平,利用蜣螂优化(dung beetle optimizer,DBO)算法,设计了一种“互联网+营销服务”虚拟机器人模型。首先针对电网营销部门可能发生的人机交互情景开展交互分析与关系框架设计,然后基于深度Q网络(deep Q network,DQN)建立虚拟机器人自主学习模型,引入DBO算法完成模型超参数的高效寻优并通过训练完成优化后的模型学习,最终将实际的电力营销数据输入到模型中进行实验测试。在特定的测试环境下综合检测模型的实际应用情况,测试结果表明:该虚拟机器人模型在功能性实验、非功能性实验和安全性实验中模型运转和系统运转正常率达到100%,能够较好地实现人机交互功能,达到全天候客户需求精准响应的战略目标。

RIS辅助的通感性能联合优化研究

通感一体化是6G的主要场景之一。为了解决因障碍物遮挡等导致的非视距下传输的区域通信和感知性能下降问题,提出了一种智能超表面辅助的通感性能联合优化方法。首先,建模了最小化均方位置误差和最大化平均覆盖信号强度的区域性能联合优化问题,并提出了改进的DBO算法,快速获得RIS的部署位置和相位参数。进一步,分析探测需求因子和RIS大小对区域通感性能的影响。仿真结果显示,相较于仅优化期望反射角,联合优化RIS的期望波束反射角和部署位置可以使区域平均均方位置误差降低80%左右,改进的DBO算法相较于传统的优化算法如PSO、SSA以及原DBO算法拥有更快的收敛速度和更低的适应度。

基于改进蜣螂优化算法的瑞雷波频散曲线反演方法

瑞雷波勘探方法是一种常用的近地表勘探技术,频散曲线反演是瑞雷波勘探数据处理流程中的关键步骤之一。作为一个典型的多参数、多极值、高度非线性的地球物理优化问题,频散曲线的准确、高效反演对计算近地表横波速度场,进而获取地层结构信息具有重要意义。提出一种基于改进的蜣螂优化算法的瑞雷波频散曲线反演方法,使用Halton序列初始化种群个体的位置,更好地控制初始化种群的空间分布;通过种群划分,对不同的子种群采用不同的搜索策略,一方面避免反演搜索陷入局部最优,同时实现算法的快速收敛。使用3个理论地质模型和实际资料,对改进蜣螂优化算法应用于频散曲线反演以获取地下横波速度分布的有效性进行验证。结果表明,与使用当前较为主流的改进自适应遗传算法进行频散曲线反演相比,新方法有效、稳定且能够快速收敛得到最优解。

改进正弦算法引导的蜣螂优化算法

蜣螂优化器(dung beetle optimizer,DBO)是一种有效的元启发式算法。蜣螂优化算法虽然具有寻优能力强,收敛速度快的特点,但同时也存在全局探索和局部开发能力不平衡,容易陷入局部最优,且全局探索能力较弱的缺点。提出了一种改进的DBO算法来解决全局优化问题,命名为MSADBO。受改进正弦算法(improved sine algorithm,MSA)的启发,赋予蜣螂MSA的全局探索和局部开发能力,扩大其搜索范围,提高全局探索能力,减少陷入局部最优的可能性。同时加入了混沌映射初始化和变异算子进行扰动。为了验证MSADBO的有效性,对该算法采用23个基准测试函数进行了测试,并与其他知名的元启发式算法进行了比较。结果表明,该算法具有良好的性能。为了进一步阐述MSADBO算法的实际应用潜力,将该算法成功地应用于3个工程设计问题。实验结果表明,所提出的MSADBO算法可以有效地处理实际应用问题。

基于蜣螂算法优化的DV-Hop定位算法

针对无线传感器网络中传统DV-Hop(distance vector-hop)算法定位误差大的问题,提出了一种基于蜣螂算法优化的DV-Hop定位算法。首先使用双通信半径的方式细化节点间跳数,并使用最小均方误差准则计算锚节点的平均跳距,将改进后的平均跳距的平均值当做每个未知节点的平均跳距,最后引入权重因子优化适应度函数,使用蜣螂优化算法代替三边测量法进行坐标计算。仿真结果表明,所提算法比经典DV-Hop算法平均定位误差提升了55.69%、59.61%和67.59%,误差方差提升了52.41%、45.58%和36.87%,具有良好的定位精度和较好的稳定性。

风光储一体电动汽车充电站混合储能容量优化配置

针对大规模电动汽车(electric vehicle,EV)接入配电网引起联络线功率波动过大的问题,提出风光储一体电动汽车充电站的混合储能容量优化配置模型。首先,考虑EV充电需求,确定联络线协议功率和混合储能系统(hybrid energy storage system,HESS)总功率;然后,利用鲸鱼优化算法(whale optimization algorithm,WOA)优化的变分模态分解(variational mode decomposition,VMD)对HESS的总功率进行分解,根据不同功率临界点得到蓄电池和超级电容的充放电功率指令,采用蜣螂优化算法(dung beetle optimizer,DBO)求解以蓄电池和超级电容的额定容量为优化变量的年综合成本最小模型,获得最优的储能容量配置和功率分配方案。基于某风光储一体EV充电站进行算例分析,验证了所提方案的经济性和合理性,结果表明,EV充电站配置HESS相较单一储能降低了年综合成本。

改进二进制麻雀搜索的特征选择及文本聚类

针对文本中存在冗余特征影响聚类精度等问题,提出一种结合蜣螂优化算法改进二进制麻雀搜索算法的特征选择及文本聚类算法。利用基于特征词权重的适应度函数完成文本特征评估,构建矢量空间模型;引入蜣螂优化算法中的圆周方向搜索机制,改进传统麻雀搜索算法中麻雀发现者位置更新策略,并融入滚动方向机制的随机游走策略提升全局搜索能力,结合转移函数对连续型麻雀位置进行更新,得到优化的二进制麻雀搜索算法,筛选出优质特征子集;选用k-means++算法完成文本聚类。通过多种基准函数及公共数据集进行验证,结果表明:所提方法能够有效降低文本特征维度,提高聚类效果。

基于群智能算法的土壤水分特征曲线模型参数优化

土壤水分特征曲线Van-Genuchten模型(以下简称VG模型),因其拟合精度高、适应性广被广泛应用,但VG模型的参数多(θ,θr,θs,h,α,n,m),其参数拟合属于非线性问题。为提高参数拟合的精度,引入高斯混沌变异理论将蜣螂优化算法(DBO)进行改进,使用Circle混沌序列增加种群多样性,提高初始解质量,形成CDBO优化算法。将DBO,CDBO算法分别应用于VG模型参数优化并计算模拟含水量,使用MATLAB R2021a仿真软件和SPSS26软件进行仿真模拟以及数据分析。结果表明使用CDBO优化后的VG模型含水量模拟值与实测值的误差范围在(0,0.8),而DBO在(0,3.0);最后结合HYDRUS-2D软件进行土壤水分运移模拟,采用SPSS26软件对模拟结果进行曲线估算分析,优化前后均方根误差值(RMSE)分别是0.051、0.039,决定系数(R^(2))分别是0.733,0.859。结果表明CDBO算法优化后的VG模型在含水量模拟及土壤水分特征描述中有更高的精确度和更强的适用性。