基于IAFS算法融合小波神经网络的变压器故障诊断研究

鉴于小波神经网络训练模型在电力变压器故障诊断中存在易陷入局部最优与对初始值高难度、高要求性问题,通过将人工鱼群算法和小波神经网络技术有机地融入到变压器故障诊断中,开发出一种全新、高效的方法。采用人工鱼群算法改善小波神经网络训练模型的权重和阈值,以达到最佳的模型性能,提升模型的准确性和可靠性。在整个学习过程中,小波神经网络训练模型的复杂度和泛化能力都得到了较大的提升,同时加快了收敛速度,从全局搜索逐步转向精细搜索,避免算法出现局部最优的情况。最后,通过仿真实验结果证明所提方法可有效地提升变压器故障诊断的准确度,提高了变压器故障诊断效率。

基于遗传算法的渔情预报HSI建模与智能优化

鱼类栖息地适宜性指数模型(HSI)基于鱼类分布与海洋环境之间存在的非线性关系而构建。然而,海洋环境因子之间存在着传统方法无法消除的相关性,导致获取的HSI参数较难准确表达环境因子与渔场之间的复杂关系。基于遗传算法(GA),自动消除海洋环境因子之间的相关性,构建了一种通用的鱼类HSI建模与智能优化框架(GeneHSI)。GeneHSI框架的核心是HSI建模空间向遗传算法空间的映射以及GA适应度函数的构建。该函数构建的思想是HSI预测的渔场概率与商业捕捞获取的渔场概率之间的累计误差值达到最小化。GeneHSI由待解问题构建、GA初始化和GA优化策略3部分组成。利用随机生成的标准化海洋环境数据与渔场概率数据,验证了GeneHSI模型框架的有效性。研究表明,GeneHSI能够有效优化HSI的建模并能自动获取HSI参数。不同限制条件下,遗传算法获取的HSI具有较大的差异,其中一般优化策略下获取的HSI参数最差;不等式、等式和上下界条件下,GeneHSI优化过程显著地更加合理,因此获取的HSI参数也更准确。此外,100、1000、5000和10000样本量下的优化建模表明,GeneHSI具有处理海量样本数据的能力。

基于混合遗传模拟退火算法的SaaS构件优化放置

目前,对于SaaS优化放置问题的研究都是假定云环境中的虚拟机的种类和数量都是确定的,即,在限定的资源范围内进行优化.然而,在公有云环境下,SaaS提供者所需要的云资源数量是不确定的,其需要根据Iaa S提供者所提供的虚拟机种类以及被部署的SaaS构件的资源需求来确定.为此,站在SaaS提供者角度,提出一种新的SaaS构件优化放置问题模型,并采用混合遗传模拟退火算法(hybrid genetic and simulated annealing algorithm,简称HGSA)对该问题进行求解.HGSA结合了遗传算法和模拟退火算法的优点,克服了遗传算法收敛速度慢和模拟退火算法容易陷入局部最优的缺点,与单独使用遗传算法和模拟退火算法相比,实验结果表明,HGSA在求解SaaS构件优化放置问题方面具有更高的求解质量.所提出的方法为SaaS服务模式的大规模应用提供了理论与方法的支撑.

SFOA算法在电力系统多目标无功优化的应用

电力系统由于无功分布不合理引起的事故越来越多。以系统网损、电压平均偏离、电压安全稳定裕度3个指标建立无功优化模型,引入了动态罚函数体现状态变量约束在优化过程的影响,并用个人偏好约束下的权值分配方法根据用户的需求对各个指标分配权值,采用SFOA算法求得电力系统多目标无功优化在可行域内的最优解。从SFOA算法和PSO算法运用于IEEE 30和IEEE 57节点系统优化结果比较表明:所提出的算法是可行有效的。

TSP问题的智能优化算法研究

智能优化算法比较常见的有模拟退火算法、遗传算法、人工鱼群算法、神经网络算法等。本文主要对前三种算法优化性能进行研究。首先介绍了三种算法的基本原理,然后总结了各自的优缺点并从原理和参数两个方面对三种算法进行了对比分析,以经典NP难题——TSP为例进行了仿真研究给出了未来针对TSP问题的研究重点。

基于模拟退火改进人工鱼群算法的交通信号配时优化

针对传统的信号配时算法无法适用于过饱和流量的交叉口的限制,结合模拟退火算法初值鲁棒性和局部收敛精度高的特点改进人工鱼群算法以提升其全局搜索能力,然后综合考虑周期时长、绿灯时间和饱和度等作为约束条件,以交叉口车均延误最小为目标函数构建信号配时优化模型,分别利用单一智能算法(模拟退火算法,人工鱼群算法)及其组合改进算法(模拟退火改进人工鱼群算法)对模型进行求解,并对现状方案和3种智能算法求解方案情况下的交叉口整体车均延误进行对比。结果表明,模拟退火改进人工鱼群算法的效果明显优于现状和单一算法,在迭代的初期便能非常接近最优解和稳定下降趋势,表现出快速寻优能力,验证了模拟退火改进人工鱼群算法的可行性与适用性。

基于变异算子与模拟退火混合的人工鱼群优化算法

人工鱼群算法(AFSA)是一种新型的群智能随机全局优化技术.本文在分析AFSA存在不足的基础上,提出了基于变异算子与模拟退火混合的人工鱼群优化算法.该算法保持了AFSA算法简单、易实现的特点,克服了人工鱼漫无目的随机游动或在非全局极值点的大量聚集,显著提高了算法的运行效率和求解质量.通过函数和实例测试验证,表明了该算法是可行和有效的.

模拟渔夫捕鱼寻优算法在多目标无功优化中的应用

模拟渔夫捕鱼寻优算法(Optimization algorithm on simulating the fisher fishing,SFOA)是模拟渔夫捕鱼行为习惯而提出的一种新的智能算法。通过对该算法的研究,并将SFOA算法用于求解电力系统多目标无功优化问题。无功优化模型采用计及网损和电压平均偏离两个指标,并提出了基于考虑用户偏爱区域把目标函数转化为约束条件的方法,它可以有效地处理多目标优化问题。由于无功优化是多变量优化问题,而SFOA算法在处理多维问题时寻优速度受到限制,因此,采用在方体内随机初始化方法,简化了移动搜索和收缩搜索在方体内的复杂搜索,提高了算法的搜索速度。通过IEEE-30节点和IEEE-57节点算例仿真结果表明,该算法有较好的全局搜索性能和较稳定的收敛速度,能有效提高系统运行的经济性和安全性。

基于模拟退火算法的改进人工鱼群算法研究

研究人工鱼群算法优化问题,为了改进AFSA优化精度低、运行时间长的问题,借鉴模拟退火算法中的Metropolis判别准则改进了人工鱼的觅食行为,在利用人工鱼全局寻优的同时并利用模拟退火算子实施局部细化,提出了一种改进的人工鱼群优化算法(SA_IAFSA),保持了AFSA算法简单、易实现的特点,克服了人工鱼漫无目的随机游动以及容易陷入局部最优值的缺点,显著提高了算法的运行效率和求解质量。通过函数和实例进行仿真,结果表明改进算法的可行性和有效性。

用于水轮机-引水管道参数辨识的改进型人工鱼群算法

提出了一种融合蚁群算法的改进型人工鱼群算法,对水轮机-引水管道系统进行参数辨识。该算法在每次迭代中先应用鱼群算法对搜索空间进行全局搜索,然后以当代全局最优解为基础利用蚁群算法对其领域进行局部搜索。根据现场实测数据,所提算法通过最小化目标函数辨识出了水轮机-引水管道模型参数。基于实测数据的建模结果表明,与传统辨识方法相比,所提算法具有更好的全局优化能力和鲁棒性能。

改进的人工鱼群算法采煤机调高控制策略

为了提高煤矿开采中采煤机调高的控制精度,提出了一种基于改进的人工鱼群算法采煤机滚筒调高控制的策略。在传统的人工鱼群算法的基础上,引入步长递减和视野变化的策略,以ITAE的倒数作为目标函数寻优计算得到PID控制器的参数。通过采煤机调高系统的传递函数搭建Simulink仿真模型,和模拟退火算法、粒子群算法进行对比,结果表明改进后的人工鱼群算法误差更小,控制精度更准确,系统的阶跃响应更平滑,为实现更为精准的采煤机调高控制提供一种新的方法,为煤炭的高效生产提供依据。

多峰函数优化的生境人工鱼群算法

针对人工鱼群算法在多峰问题寻优时难以找到全部最优解及精度不高的问题,提出了一种基于生境人工鱼群算法的多峰问题优化算法.该算法融合了模拟退火、小生境技术的思想,并加入了变异算子和自动生成合适小生境半径机制.通过对几种典型多峰函数的测试,表明该算法不仅能有效、精确找出多峰问题的全局和局部所有最优解,而且无需预先设置小生境半径,实现了真正的自适应搜索,较好地解决了复杂多峰优化问题.

渔夫捕鱼优化算法的认知无线电频谱分配

针对认知无线电系统中认知用户频谱分配问题,提出一种基于渔夫捕鱼优化算法(SFOA)的频谱分配算法。以系统效益最大化为优化目标,建立认知无线电频谱分配优化的数学模型,采用设置参数少、易于编码实现、寻优能力强的渔夫捕鱼优化算法对模型进行求解,得到空闲频谱最优分配方案,在Matlab 2012平台上进行仿真实验。结果表明,SFOA不仅提高了用户平均系统效益,而且提高了频谱分配效率。

基于人工鱼群算法的配电网网架优化规划

人工鱼群算法是一种新型的群智能随机全局优化技术。然而该算法很难得到精确的最优解,而且算法在收敛性、计算复杂度等方面还有很大的缺陷。针对人工鱼群算法的这些不足,引入了改进的模拟退火算法和精英选择的思想对人工鱼群算法进行改进。以网络年综合费用最小为优化目标建立了配电网网架规划的数学模型,并利用改进后的人工鱼群算法求得该模型优化解,通过对具体实例的仿真实验,比较了人工鱼群算法改进前后对配电网网架规划进行优化的结果,同时验证了该方法的可行性和有效性。

混沌协同人工鱼粒子群混合算法及其应用

针对基本人工鱼群算法(AFSA)收敛速度较慢、精度较低和粒子群易陷于局部的缺点,提出了混沌协同人工鱼粒子群混合算法(CCAFSAPSO)。该算法采取AFSA、PSO的全局并行搜索与模拟退火算法(SA)的局部串行搜索机制相结合的搜索方式,并用混沌映射的遍历性和模拟退火算法的突跳功能,克服了AFSA、PSO的收敛速度、求解精度和易陷于局部最优的不足。典型函数测试进一步表明CCAFSAPSO算法和同类算法相比,收敛速度更快、求解精度较高。最后将算法应用于化工数据处理,获得满意效果。

基于渔夫捕鱼优化算法的配电网络重构

针对正常运行条件下配电网络重构问题,提出一种基于模拟渔夫捕鱼寻优算法(SFOA)的配电网络重构算法。以有功网络损耗最小为目标函数,建立配电网络重构的数学模型,并采用易于编码实现、寻优能力较强的渔夫捕鱼算法对重构模型进行求解。根据配电网络的特点,应用一种基于网孔开关的编码策略,在不背离算法本身搜索方法前提下,简化移动搜索和收缩搜索,以实现对解空间的全局搜寻。最后利用Visual C++对IEEE-33节点算例进行重构,结果表明,提出的方法是有效可行的。

模拟渔夫捕鱼寻优算法的无功优化

将模拟渔夫捕鱼的寻优算法(Optimization algorithm on simulating the fisher fishing,SFOA)是模拟渔夫捕鱼行为习惯而提出的一种新的智能算法。该算法在搜索域中随机选取若干个点,并以每一个被选中的点为中心各自建立一个方体,然后通过各个方体的独立移动搜索和收缩搜索,最终完成全局最优解的搜寻。通过IEEE-30节点和IEEE-57节点算例仿真结果表明,该算法有较好的全局搜索性能和较稳定的收敛速度,能有效提高系统运行的经济性,有在线应用的前景。

计算机应用考试系统的模拟退火算法研究

针对传统计算机应用考试系统在大规模应用时存在的任务并发拥堵问题,提出一种基于并行组合模拟退火算法的分布式计算机应用考试系统,以便提高分发效率和访问容量。该系统采用B/S结构,解决了传统C/S结构适用性较差的问题。设计中将考试的分发服务进行拆分,并使用模拟退火算法对分配方案进行优化,优化过程考虑到了服务器数量、考生数量和位置信息等约束条件。此外,结合遗传算法和模拟退火算法进行组合改进,提高了并行性和收敛速度。算法仿真测试结果表明,提出的改进算法具有更好的快速收敛性能。实际应用结果验证了提出的设计在大规模考试应用中的可行性和运行效率。

参数联合优化的物联网安全分析与研究

为了提高物联网安全分析的精度,提出基于参数联合优化的物联网安全分析模型.分析了物联网安全分析算法的局限性,通过渔夫捕鱼算法模拟渔夫捕鱼行为对参数进行联合优化,建立物联网安全分析模型.仿真实验结果表明,该模型可以准确找到最合理的参数,提高了物联网安全分析的精度,具有较好的物联网安全分析实时性.

一种新型混合优化算法在机器人路径规划中的应用

针对模拟退火算法收敛速度慢这一缺点 ,提出了一种基于模拟退火算法和复合形法相结合的新型混合优化算法 ,并成功应用于机器人神经网络路径规划中。该算法不仅继承了模拟退火算法能得到全局最优解的优点 ,又能搜索到理想的下降方向 ,提高了算法的收敛速度。仿真实验研究表明 :这种新型混合优化算法 ,计算简单 ,收敛速度快 。