基于E-WOA与AnyLogic耦合的土石方调配机械配置优化

机械配置是土石方调配工程的核心,合理的机械配置是工程施工成本、进度和质量的有效保障。为了精确、高效地寻求出最优的机械配置方案,提出了增强型鲸鱼算法(E-WOA)与AnyLogic耦合的土石方调配机械配置优化方法。首先,通过系统分析土石方调配流程,建立总费用最小的优化模型;其次,采用AnyLogic仿真平台构建了基于多智能体的仿真模型,全面描述设备(挖掘机、自卸汽车、推土机、碾压机)、道路、平台(卸料平台、停车平台)等实体元素之间的交互关系和动态过程;最后,引入收敛速度快、全局性强的E-WOA算法与AnyLogic进行耦合,开发仿真控制器实现耦合模型对优化问题的求解,并结合工程实例进行了分析。结果表明该方法可以节省11.11%的时间和27.34%的费用,为土石方调配工程施工管理决策提供借鉴。

基于改进鲸鱼群算法的低碳柔性车间调度研究

针对柔性制造车间单独考虑完工时间或设备利用率等问题,本文建立以最大完工时间、碳排放量为目标的双目标优化问题的调度模型。对于传统鲸鱼群算法收敛速度较慢,易陷入局部最优的问题,本文提出了一种基于惯性权重和混沌扰动的收敛因子二者相结合的搜索方式,设计了一种改进的鲸鱼群算法。该算法根据车间调度特点,采用两段等长式编码,加快机器选择与个体位置之间的转换速度;采用混合式初始化种群,提高种群多样性;加入惯性权重以及混沌扰动的收敛因子,平衡算法搜索能力;引入多项式变异策略,帮助算法及时跳出局部最优。在测试函数下,与遗传算法和传统鲸鱼群算法进行了对比,验证了该算法的搜索能力更优。同时,通过实例验证,进一步表明了改进的鲸鱼群算法的有效性。

基于奇异谱分析和改进WOA-BP的大坝变形预测模型

变形是大坝安全性态的综合反映,建立其与环境量的可靠关系模型对保障大坝长效服役具有重要意义。现有预测模型易受数据集噪声和结构参数的影响,陷入局部极值或过拟合。为提高大坝变形预测的精度和泛化能力,本文提出了一种基于奇异谱分析(SSA)和改进鲸鱼优化算法(IWOA)的BP神经网络大坝变形预测方法。该方法利用SSA筛除数据噪声信息,提取大坝变形时间序列的特征分量;之后利用IWOA优化的BP神经网络挖掘去噪后数据和环境量之间的复杂非线性关系。以白莲崖拱坝为例并与传统优化算法对比分析,结果表明奇异谱分析可以有效剔除原始资料中的异常值,通过IWOA优化后BP神经网络具有更高的预测精度和稳定性,为大坝变形监测数据分析与预测提供了一种新的可行方法。

生物冶金氧化预处理过程温度预测研究

针对工业现场,尤其是高寒、高海拔地区受气候条件影响,温度变化剧烈,无法准确测量,难以建立精确的温度模型,进而影响生物冶金浸出率的问题,提出一种基于改进鲸鱼算法(EWOA)和核极端学习机(KELM)综合建模的方法。首先从工业现场采集100组实验数据,然后将前66组数据作为训练样本,后34组数据作为测试样本,最后分别采用KELM、WOA-KELM、EWOA-KELM方法建立氧化槽温度预测模型。研究结果表明,EWOA-KELM预测模型的平均绝对误差(MAE)、均方根误差(RMSE)和平均相对百分比误差(MAPE)均比其它几种预测模型的低。该模型具有更高的预测精度和更强的泛化能力,为测量氧化槽的温度变化情况提供了一种新的方法。

基于OOMP的滚动轴承故障特征增强方法

为解决正交匹配追踪(OMP)过度匹配和非正交投影的问题,提出优化正交匹配追踪(OOMP)。根据轴承故障振动信号的特性,设计一个组合时频原子字典。为提高信号稀疏表示的准确性,将鲸鱼优化算法(WOA)引入到OMP中选择最优原子,实现信号重构和故障特征增强。通过试验验证,较之其他方法,OOMP对故障特征增强效果明显。

面向学生成绩预测的组合优化算法

利用机器学习算法分析和预测学生成绩是大数据技术应用之一.将启发式算法与梯度提升算法相结合,提出组合优化算法预测模型.首先,通过采用动态对立学习增加种群初始化的多样性,引入非线性收敛因子和自适应权重等方法,得到增强鲸鱼算法,改进原来的全局搜索和局部开发能力.其次,基于XGboost模型加以增强鲸鱼算法的迭代,动态优化XGboost的超参数,提出组合算法预测模型.准确率ACC作为模型的评价标准,以学生数据集为研究对象,以学生成绩预测为目标,选用5种算法进行对比实验.实验结果表明,组合算法的预测准确度相对较高.