基于CEEMDAN-PE-WPD和多目标优化的超短期风电功率预测方法

为了提高风电功率预测的精度,提出了一种基于总体平均经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)、排列熵(permutation entropy,PE)、小波包分解(wavelet packet decomposition,WPD)和多目标优化的超短期风电功率预测方法。首先,利用CEEMDAN、PE和WPD构成的信号处理方法降低原始风电信号的随机性和波动性;然后,将分解后的子分量输入到长短期记忆(long short-term memory,LSTM)神经网络,并且利用精英T分布麻雀优化算法(elite t-distribution sparrow optimization algorithm,ETSSA)优化LSTM的隐藏层单元数,提升LSTM网络的预测性能;最后,建立多目标优化损失函数,将准确率、稳定度和合格率3个优化目标同时加入到损失函数中,综合提升模型的预测性能。对内蒙古某地区风力发电场的实测数据进行实验分析结果表明,与其他经典预测方法相比,所提方法提升风电功率预测性能有显著效果,并且在不同季节风况下预测效果良好。

基于混合策略改进的麻雀搜索算法

为克服基本麻雀搜索算法(Sparrow Search Algorithm,SSA)存在的迭代过程中种群多样性减少、易陷入局部最优停滞、早熟收敛等不足,提出一种基于混合策略改进的麻雀搜索优化算法(EGSSA)。首先,迭代时利用精英反向学习机制在个体求解过程中计算精英反向解,提升算法寻优过程中种群丰富性和种群质量,为提高算法全局寻优能力以及收敛精度奠定基础;其次,将黄金正弦策略用以改进发现者位置更新方式,协调算法局部开发和全局搜索能力,并且提高算法的收敛能力;最后,在加入者的更新中采用了莱维飞行随机步长,以使新加入者所搜索的范围更为全面,一定程度避免算法陷入“早熟收敛”。选取12个基准测试函数进行仿真实验,分别与4种元启发式算法以及3种改进麻雀搜索算法进行比较,实验结果以及Wilcoxon秩和检验均表明,EGSSA算法具有更好的全局探索能力和稳定性以及较强跳出局部极值的能力。

基于SSO的铀尾矿库无线传感器网络定位算法

为提高铀尾矿库无线传感器网络(WSN)定位算法的定位精度和收敛速度,利用优化的麻雀搜索算法(SSA)改进基于信号强度指示(RSSI)的定位算法。首先,引入混沌映射和精英方向学习初始化麻雀种群,丰富种群多样性,提高算法的全局寻优能力;其次,采用莱维飞行策略改进搜索者的位置更新方式,避免陷入局部最优;然后,采用优化的SSA代替最小二乘法来定位未知节点,并将定位算法应用于铀尾矿库放射性核素污染监测定位;最后,在不同的锚节点数、通信半径以及噪声标准差条件下,对比麻雀搜索优化定位算法(SSOLA)与加权质心定位算法(WCLA)、接收信号强度指示差定位算法(RSSID)、麻雀搜索定位算法(SSA)、粒子群定位算法(PSO)以及樽海鞘群定位算法(SAP)的性能。结果表明:SSOLA与其余5种算法相比定位误差平均下降41.9%、45.2%、26.8%、39.9%和36.9%,定位精度更高,收敛速度更快。

一种改进的多船转向避碰决策算法

针对开阔水域多船会遇场景下的船舶避碰决策问题,提出一种改进后的多目标麻雀搜索算法(ImprovedMulti-objectiveSparrowSearchAlgorithm,IMOSSA).为增强种群多样性,引入模拟退火算法中的退火策略更新麻雀种群位置;基于精英选择策略,对所有非支配解的拥挤度距离进行降序排列,剔除最小的解并重复直到保留前沿解个数,以提高算法的全局收敛性能,更快去除劣解.仿真结果表明,改进后的IMOSSA在ZDT1上的反世代距离和空间评价指标较MOSSA分别下降了94.5%和89.7%,在多船会遇局面中能够得到符合条件的最优避碰转向角,有助于提高船舶智能避碰决策水平。

基于ISSA模型的矿井通风系统优化

矿井通风系统对矿井安全生产起着重要作用,为了确保矿井通风系统的安全,必须要有良好的通风系统来保障空气的流通和新鲜空气的供应。笔者以矿井通风系统能耗最小为目标,建立改进麻雀算法,对矿井通风系统网络进行优化,使矿井通风系统达到最优状态,提高通风系统的效率,降低运营成本,同时保障通风系统的安全运行,确保工作人员的人身安全。通过仿真试验表明,该方法可行有效,具有一定的精度,为矿井通风安全提供了一种实时有效的技术手段。

求解大规模优化问题的改进麻雀搜索算法

针对麻雀搜索算法在求解大规模优化问题时存在收敛速度慢、寻优精度低和易陷入局部极值的缺点,提出一种基于精英反向学习策略的萤火虫麻雀搜索算法(ELFASSA).首先,通过反向学习策略初始化种群,为全局寻优奠定基础;其次,利用萤火虫扰动策略提高算法跳出局部最优的能力并加速收敛;最后,在麻雀位置更新后引入精英反向学习策略以获取精英解及动态边界,使精英反向解可以定位在狭窄的搜索空间中,有利于算法收敛.通过选取10个高维标准测试函数进行仿真实验,将其与麻雀搜索算法(SSA)及4种先进的改进算法进行性能对比,并与3种单一策略改进的麻雀搜索算法进行改进策略的有效性分析,仿真结果表明,ELFASSA算法在收敛速度和求解精度两方面明显优于其他对比算法.