基于K-means SMOTE和IDBO-RF岩爆烈度等级预测模型

为解决岩爆数据集不均衡和模型参数寻优困难等问题,提出1种基于K-means SMOTE与改进蜣螂算法优化随机森林(random forest,RF)的预测模型。首先,分析岩爆发生机理构建指标体系;其次,使用K-means SMOTE算法对岩爆数据集进行均衡化处理,采用Robust标准化消除量纲;最后,引入Tent混沌映射和非线性递减策略组合改进蜣螂优化(improved dung beetle optimizer,IDBO)算法,寻优RF超参数,建立岩爆烈度等级预测模型(IDBO-RF)并与其他模型对比验证其有效性。研究结果表明:数据均衡处理后,各模型准确率提高10.85%~16.02%;设计的IDBO-RF预测模型平均准确率约为94.37%,较RF、GWO-RF、DBO-RF模型分别提高约7.76百分点、1.69百分点、1.11百分点;IDBO-RF预测模型准确率最高约为96.43%,优于RF、GWO-RF、DBO-RF模型。研究结果可为解决岩爆预测问题提供一定参考。

基于IDBO-LSSVM的输电线路覆冰厚度预测模型

针对输电线路受多种气象因素影响导致覆冰厚度预测精度低的问题,提出基于改进蜣螂优化(improved dung beetle optimizer,IDBO)算法优化最小二乘支持向量机(least square support vector machine,LSSVM)的输电线路覆冰厚度预测模型。首先,使用皮尔逊相关系数(Pearson correlation coefficient,PCC)计算输电线路覆冰厚度与不同气象因素之间的相关性,选择具有高相关性的气象因素以确定输入变量;其次,通过引入Halton序列、Levy飞行策略和T分布扰动来改进蜣螂优化(dung beetle optimizer,DBO)算法;最后,使用IDBO算法寻优LSSVM参数:调节因子、核函数宽度,提高模型预测精度。以某地输电线路历史监测数据为样本,将IDBO-LSSVM的输电线路预测结果与其他7种预测模型进行比较,发现平均绝对误差分别降低了约27%、36%、25%、23%、24%、44%和39%。该研究证实了基于IDBO-LSSVM的输电线路覆冰厚度预测模型可以有效提高预测精度。

基于IDBO-PID的联合收获机割台控制系统

该研究专注于提升无人农场联合收获机在复杂地形作业时,割台高度控制的精确性与响应速度。首先,提出了一种基于双倾角传感器的高度检测补偿方法,通过最小二乘法拟合建立割台倾角与高度的相关模型,相关系数0.9958,显著提高测量准确性。随后,引入群智能算法优化的PID控制策略,利用Bernoulli混沌映射、粒子群算法(PSO)、t分布扰动改进蜣螂优化算法,解决了传统PID控制的精度低和响应慢等问题。基于这些优化,IDBO-PID控制器在仿真对比中相较于DBO-PID和传统PID,具有更优的响应速度和稳定性。试验验证表明,改进的控制策略使割台的上升速度达到0.44m/s、下降速度达到0.32m/s,并且高度误差控制在0.02m内,满足作业需求。

改进蜣螂算法优化LSTM的光伏阵列故障诊断

为提高光伏阵列故障诊断精度,提出一种基于变分模态分解VMD(variational mode decomposition)和改进蜣螂算法IDBO(improved dung beetle optimizer)优化长短期记忆LSTM(long short-term memory)网络的光伏阵列故障诊断方法。首先,针对蜣螂算法DBO(dung beetle optimizer)收敛精度低且易陷入局部最优的问题,提出一种融合Levy飞行策略、T分布扰动策略及多种群机制的IDBO算法,通过与DBO、麻雀搜索算法、鲸鱼优化算法寻优测试对比,证明IDBO算法的优越性,再与LSTM结合搭建IDBO-LSTM故障诊断模型。其次,为充分挖掘故障特征,利用VMD提取故障数据多个层面的特征分量,作为IDBO-LSTM模型输入量。最后,实验对比结果表明,该方法的故障诊断准确率达到98.34%,优于其他5种模型,证明了所提方法的可行性及优越性。

基于改进蜣螂优化的GEO轨道多脉冲追逃博弈

研究了考虑J_(2)摄动、脉冲推力情况下,具有感知延迟的GEO(geosynchronous Earth orbit)轨道追逃博弈问题,建立了综合考虑燃料消耗、单次脉冲速度增量、脉冲时间间隔、任务时长、脉冲数量以及终端距离下的轨道追踪策略优化模型。涉及的优化变量包括脉冲个数、机动时刻序列以及脉冲增量序列。追踪航天器通过多次脉冲追踪目标航天器。为了提高问题求解效率,提出了一种利用Bernoulli混沌映射和最优值引导的改进蜣螂优化算法IBDBO(improved Bernoulli dung beetle optimization),并且为解决终端约束难以满足的问题,引入Lambert机动修正。通过与其他智能算法的对比试验,验证了本算法在收敛速度、收敛稳定性和优化效率上的优势。进而,在一些存在感知延迟的真实场景下的仿真验证了本算法规划追踪策略的有效性,探讨了博弈双方最小距离与目标航天器机动能力以及感知延迟时间之间的因果关系。

基于改进蜣螂算法优化CNN-BiLSTM-Attention的串联电弧故障检测方法

针对故障电弧特征提取不足、检测精度不高等问题,提出一种多特征融合的改进蜣螂算法(IDBO)优化融合注意力(Attention)机制的卷积神经网络(CNN)和双向长短期记忆(BiLSTM)神经网络的串联电弧故障检测方法。通过实验平台提取电流的时域、频域、时频域以及信号自回归参数模型特征;利用核主成分分析(KPCA)对特征进行降维融合,并将求取的特征向量作为CNN-BiLSTM-Attention的输入向量;引入Cubic混沌映射、螺旋搜索策略、动态权重系数、高斯柯西变异策略对蜣螂算法进行改进,利用改进蜣螂算法对CNN-BiLSTM-Attention超参数优化实现串联电弧故障诊断。结果表明,所提方法故障电弧检测准确率达到97.92%,可高效识别串联电弧故障。

基于多策略改进蜣螂算法优化的变压器故障诊断

为了保证油浸式变压器故障诊断的可靠性,提出了一种基于多策略改进蜣螂算法(multi-strategyimproved dung beetle optimizer, MIDBO)优化双向长短时记忆网络(bi-directional long short-term memory, BiLSTM)的变压器故障诊断方法。由于蜣螂算法存在全局搜索能力较差、容易陷入局部最优解的缺点,首先通过Bernoulli混沌映射、引入自适应因子和Levy飞行策略融合动态权重系数进行改进,并对其性能进行评估。然后针对Bi LSTM的诸多超参数利用MIDBO进行优化,形成MIDBO-Bi LSTM故障诊断模型。通过核主成分分析(kernel principal component analysis,KPCA)提取特征值,进而深入分析特征值与故障类型之间的关联性,提高模型的收敛速度。最终实验结果表明所提出的MIDBO-Bi LSTM变压器故障诊断方法准确率高、泛化能力强。其准确率高达94.67%,适用于变压器的故障诊断。

基于蜣螂优化的改进粒子群算法

针对标准粒子群算法存在的局部最优、早熟和慢收敛等问题,提出了一种新的粒子群更新方法。改进了算法惯性权重,引入一种新的更新方式;借鉴蜣螂优化算法中蜣螂滚球、繁殖、觅食和偷窃行为,将基本粒子群的操作划分为寻优、变异、波动和跳跃,从而提高了算法的全局寻优能力和收敛速度,并避免了早熟问题。通过与其他9种智能算法进行实验对比表明,在10个基准测试函数中,基于蜣螂优化的改进粒子群算法在寻优能力和收敛速度方面表现出色,证实了该算法的优越性。

基于改进蜣螂算法的微电网优化调度研究

为了协调微电网中各分布式电源的出力,以达到微电网综合运行成本最小的目的,构建了包含风电、光伏、柴油发电机、微型燃汽轮机、燃料电池及蓄电池的微电网优化调度模型。为了克服蜣螂算法(DBO)随机初始化生成的种群个体质量不高和求解高维问题时容易陷入局部最优的缺点,将反向学习策略和自适应t分布变异运用到蜣螂算法中,提出了一种改进的蜣螂算法(IDBO),将IDBO、DBO、灰狼算法及蝙蝠算法运用到所建立的微电网优化调度模型中,并对求解结果进行分析。研究发现,在收敛速度、收敛精度和稳定性方面,IDBO均优于其他三种算法。同时,按照IDBO所求得的分布式电源出力方案,可降低微电网的综合运行成本,证明了算法改进的有效性。

基于ICEEMDAN分解与SE重构和DBO-LSTM的滑坡位移预测

滑坡位移预测是防灾减灾的一项重要工作,针对位移分解后趋势项和周期项重构的合理性问题以及周期项位移预测精度不高的问题,提出了一种改进的自适应噪声完备集合经验模态分解(ICEEMDAN)、样本熵(SE)以及蜣螂算法(DBO)优化的长短期记忆网络(LSTM)组合模型进行位移预测。以八字门滑坡为研究对象,利用ICEEMDAN方法将滑坡累计位移进行分解,并用样本熵值表征分解得到的子序列,将其重构为趋势项和周期项位移。之后利用LSTM模型预测趋势项和周期项位移;通过灰色关联度的方法确定周期项位移的影响因素。考虑到LSTM网络中超参数的随机性会影响模型预测精度,引入蜣螂优化算法获取LSTM最优超参数,最终将预测得到的趋势项和周期项位移叠加得到累计位移。本文所提的ICEEMDAN-SE-DBO-LSTM模型预测周期项位移的RMSE、MAE、R23项指标分别为1.803 mm、1.584 mm、0.988,相较于DBO-BP,LSTM,GRU和BP模型预测效果更优,证明了模型的有效性。

基于改进蜣螂算法的多区域空调系统需求响应DMPC供冷策略

针对夏季电网高峰期间办公建筑空调系统的峰值负荷造成电网短缺等问题,提出一种基于需求响应的多区域空调系统分布式模型预测控制(DMPC)供冷策略;以西安市某办公建筑的5个区域为研究对象,分别建立该办公建筑的物理模型及空调系统能耗数学模型,并验证模型的准确性;构建多区域空调系统仿真模型,优化目标为最小化空调系统运行能耗和室温与设定值的误差最小;选取蜣螂算法作为优化工具,并针对该算法存在全局搜索速度慢、易早收敛和陷入局部最优等缺点;采取混沌映射策略优化种群初始化,生成更加均匀的种群以提升种群个体质量;利用螺旋搜索策略对蜣螂的觅食和繁殖行为进行更新,进一步扩展算法的全局搜索性;同时引入随机扰动和自适应因子改进蜣螂的偷窃行为,改善算法易陷入局部最优等问题;运用改进后的蜣螂算法对DMPC的滚动优化进行优化求解,并与PID温度反馈控制进行对比,验证DMPC的控制性能;实验结果表明,在所研究的5个区域中,DMPC比PID控制方法的响应速度分别提升了8.91、8.65、12.04、5.79和1.79%;结合需求响应策略利用分时电价进行调控,提出温度与启停优化调控策略对空调系统的峰值负荷进行削峰转移;结果表明两种预冷启停优化策略的峰时负荷转移率分别为27.29%和29.16%,可以有效地将系统高峰时段的冷负荷转移到其他时段,降低电网运行压力。

改进蜣螂优化算法的汽车旋转分配盘减速机优化设计

为解决汽车旋转分配盘减速机的体积大及传动效率低的问题,采用改进蜣螂优化(improved dung beetle optimizer,IDBO)算法进行优化设计。首先,引入Circle混沌映射初始化种群序列,使初始化蜣螂种群分布更均匀;其次,引入多向学习策略更新无障碍模式下滚球蜣螂的个体位置以跳出局部最优解,扩大搜索范围;同时利用自适应t分布变异扰动来更新蜣螂位置,提高算法的全局搜索能力和局部搜索能力,使之快速收敛;最后以减速机总体积及传动功率损耗最小为目标,采用IDBO对其进行优化设计。结果表明,使用IDBO算法优化后减速机体积减小44%,传动损耗功率降低28%,相比于其他智能优化算法,该算法优化结果更优。

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。

基于改进DBO算法的水轮机调节系统优化仿真

针对传统的水轮机调节系统中PID控制存在的响应速度慢和稳定性较差等问题,本文提出了一种改进的蜣螂优化算法(DBO),旨在提高系统性能以满足电力系统动态需求的日益复杂性。首先,本文分析并建立了水轮机调节系统的数学模型。其次,通过引入Tent混沌初始化和精英反向学习策略对DBO算法进行改进,并使用4个基准函数验证了改进算法的先进性。最后,将改进后的混沌精英蜣螂算法(TEDBO)应用于水轮机调节系统的PID调速模块,并进行了MATLAB仿真实验,分别在空载频率扰动和负荷扰动下进行了测试。实验结果表明,在5%频率扰动下,相比于传统粒子群算法(PSO)和万有引力算法(GSA),改进后的TEDBO算法优化的PID调速器调节时间缩短了5个时间单位,超调量减小至0.23%;在10%负荷扰动下,目标函数的最优适应度仅为0.004000,进一步验证了改进的TEDBO算法在水轮机调节系统优化方面的显著优势。

基于改进蜣螂算法优化LSSVM的断路器故障诊断方法研究

为了使断路器故障诊断结果更可靠,笔者提出一种基于改进蜣螂算法(improved dung beetle optimizer,IDBO)优化最小二乘支持向量机(least squares support vector machine,LSSVM)的断路器故障诊断方法。通过采取Circle混沌映射、莱维飞行和T分布扰动等策略对蜣螂优化算法进行改进,以改善IDBO的寻优效果。采用IDBO搜索LSSVM关键参数最优值,建立基于IDBO-LSSVM的断路器故障诊断模型,并通过算例进行仿真实验分析。结果表明,IDBO-LSSVM模型、DBO-LSSVM模型和GA-BPNN模型在进行断路器故障诊断时的平均正确率分别为97.44%、91.25%和90.00%,IDBO-LSSVM模型具有更高的诊断精度,验证了所提断路器故障诊断方法的优越性。

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。

基于改进蜣螂算法的塔式起重机塔身结构优化

针对塔式起重机结构复杂、设计周期长、传统设计过于保守、自重较大等问题,文中提出一种改进的蜣螂算法,对塔式起重机塔身结构进行优化。为了避免蜣螂算法陷入局部最优,通过分段线性映射方法初始化种群及引入Levy飞行策略更新偷窃位置对其算法予以改进,以某型在役塔式起重机为例进行有限元建模及静力学分析,得出塔身结构优化的强度、刚度、稳定性约束条件。结果表明:改进蜣螂算法优化后的塔身结构质量大幅度降低,既满足设计的安全可靠性要求,又达到经济实用的目的。