基于改进麻雀搜索算法的3DDV-Hop定位算法

针对经典3DDV-Hop算法定位精度不高的问题,提出一种基于改进麻雀搜索算法优化的改进的3DDV-Hop算法;算法首先通过多通信半径优化传感器节点之间跳数,并且在平均跳距计算过程中引入动态加权因子提高平均跳距计算精度,其次在麻雀搜索算法的基础上融合反向学习策略与萤火虫算法分别对麻雀搜索算法的种群与位置更新迭代进行优化,最后将未知节点坐标计算问题转化成改进后的麻雀搜索算法寻优问题,利用改进后的麻雀搜索算法替代最小二乘法计算未知节点坐标,进一步提高未知节点位置计算精度;经过MATLAB仿真验证,改进算法对比于经典3DDV-Hop算法和相关算法,定位精度得到有效提高。

基于VMD-ISSA-LSTM的短时交通流预测研究

针对城市短时交通流随机波动性强、可靠性低、预测精度差等问题,将变分模态分解(VariationalMode Decomposition,VMD)和改进麻雀搜索算法(ImproveSparrowSearchAlgorithm,ISSA)与长短期记忆(LongShort-Term Memory, LSTM)神经网络相结合,建立一种短时交通流预测模型(VMD-ISSA-LSTM)。首先利用VMD对历史原始交通流数据进行分解;然后采用佳点集、正弦函数扰动和Tent混沌映射等策略对标准的SSA算法加以改进,增强ISSA算法的寻优能力;最后,将每个分量送入ISSA-LSTM中进行预测,同时将预测结果线性叠加,得到交通流量预测值。以上海市中山北路-曹杨路口2018年11月1日—30日的历史交通数据对模型进行验证。结果表明,与LSTM、VMD-LSTM、VMD-SSA-LSTM等传统预测模型相比,VMD-ISSA-LSTM模型的预测结果的平均绝对百分比误差为1.278 4%,能够更好地应用于短时交通流预测中。

计及误差补偿的两阶段短期电力负荷预测方法

针对短期电力负荷预测中的不确定性和波动性问题,提出了一种计及误差补偿的两阶段短期电力负荷组合预测方法:第一阶段,采用变分模态分解将电力负荷数据分解为若干个简单模态,利用基于萤火虫扰动优化的麻雀搜索算法对双向长短时记忆神经网络的超参数进行寻优,建立负荷预测模型,得到初始负荷预测功率值;第二阶段,综合考虑误差序列以及外界影响因素,建立误差补偿模型,得到误差补偿值,将两个阶段的值相加即为最终的负荷预测结果。以两个地区小区的实际负荷数据进行算例仿真,与其他的组合预测方法相比,本研究提出的方法具有更高的预测精度,平均绝对百分比误差和均方根误差分别达到1.26%、16.20 kW,验证了所提方法的有效性。

基于萤火虫扰动麻雀搜索算法-极限学习机的光伏阵列故障诊断方法研究

光伏阵列具有随机性、间歇性输出特点,发生故障严重影响电力系统安全运行。针对有效表征不同程度局部阴影与雨天接地故障的故障特征量缺乏的问题,分析不同故障状态下光伏阵列运行特征,提出一种新的6维故障特征向量:开路电压Uoc、最大功率点电压Um与短路电流Isc、最大功率点电流Im分别表征短路与断路故障;U-I特性曲线二阶导数零点数表征局部阴影故障,并利用遗传模拟退火算法优化的模糊C均值聚类算法(the fuzzy C-means clustering algorithm optimized by the genetic simulated annealing algorithm,GSA-FCM)验证Um、Im表征不同程度局部阴影故障的有效性;并网电流总谐波畸变率表征雨天接地故障。引入萤火虫扰动的麻雀搜索算法(sparrow search algorithm with firefly perturbation,FSSA)优化传统极限学习机(extreme learning machine,ELM),建立FSSA-ELM模型,解决传统故障诊断方法实现复杂、收敛速度慢的问题。基于现场数据驱动,建立考虑对地寄生电容的光伏系统仿真模型和实验平台,设计2种不同辐照度范围的仿真方案和实验方案进行方法验证,结果表明,FSSA-ELM模型结合ELM实现简单且FSSA收敛速度快的特点,利用6维故障特征向量,可准确识别光伏阵列故障类型。

基于混合引导策略的高精度萤火虫优化粒子滤波算法

针对现有群智能优化粒子滤波算法精度较低和收敛速度较慢的问题,提出了一种基于混合引导策略的萤火虫优化粒子滤波算法(MSFA-PF).通过在萤火虫寻优过程中加入混沌扰动搜索策略,以权衡粒子的寻优能力与开发能力;提出一种动态视觉搜索策略,以提高粒子向高似然区域移动的寻优利用率;根据粒子滤波机制设计了新的荧光亮度计算公式,以扩展观测信息,从而提高了粒子质量.仿真结果表明,所提出的MSFA-PF算法能够有效提高智能优化粒子滤波对非线性系统状态估计的精度和速度.

改进麻雀搜索算法在WSNs覆盖优化中的应用

针对无线传感器网络(WSNs)中随机部署传感器节点而造成节点覆盖率低的问题,提出基于改进麻雀搜索算法(SSA)的覆盖优化方法。首先,利用反向学习策略初始化种群,使种群具有多样性;其次,利用鲸鱼算法中的随机搜索策略改进麻雀算法中发现者的更新方式,提高麻雀种群的全局搜索能力;最后,利用萤火虫算法对麻雀个体进行扰动更新,避免算法陷入局部最优。通过实验结果分析,改进后的算法在优化过程中提升了收敛速度和网络覆盖率,从而改善了网络的整体性能。

基于ISSA优化的Elman神经网络短期电力负荷预测

精准的短期电力负荷预测可以保障电力系统的安全可靠和经济高效运行,而传统预测方法难以满足愈发精确的负荷预测要求.针对该问题,提出一种基于改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化的Elman神经网络方法进行短期电力负荷预测.首先,利用logistic混沌映射策略初始化麻雀种群以增加群体位置的多样性,并通过引入萤火虫扰动策略更新麻雀的最终位置,提升麻雀搜索算法的准确度;其次,采用ISSA算法优化Elman神经网络,避免Elman神经网络的初始权值阈值过于盲目随机,从而提高预测结果的稳定性;最后,根据扬州电网的电力负荷数据进行仿真验证.结果表明,采用ISSA算法优化的Elman神经网络进行电力负荷预测时的预测精度高,稳定性好.

基于FASSA-SVM的充电桩故障预测算法研究

为了电动汽车直流充电桩的安全稳定运行,提出一种基于改进支持向量机的充电桩故障预测算法。该算法首先针对充电桩的运行参数进行缺失值填充、归一化等预处理;然后将预处理后的数据输入支持向量机模型训练,之后引入萤火虫算法改进麻雀算法对支持向量机模型进行参数寻优,得到最优模型;最后利用得到的最优模型预测诊断充电桩运行状态,来判断充电桩是否发生故障。实验结果表明,本文的预测算法预测精度可达94.68%,远高于传统的支持向量机模型的72.34%,能较准确地预测充电桩运行状态,为其预知维修、保障安全运行提供有力保障。

基于SDAE预测模型和改进SSA的NO_(x)排放优化

为降低锅炉燃烧系统氮氧化物(nitrogen oxide,NO_(x))的排放浓度,基于某1000MW火电机组采集的真实历史运行数据,采用堆叠降噪自编码器(stacked denoising auto-encoder,SDAE)建立了NO_(x)排放浓度的预测模型,进而提出一种基于改进麻雀搜索算法(sparrow search algorithm,SSA)的锅炉配风配粉优化策略。为提高SSA的寻优能力,提出一种引入萤火虫扰动的混沌优化麻雀搜索算法(chaotic optimized sparrow search algorithm with the introduction of firefly perturbation,FCOSSA),该算法采用Tent混沌映射使初始个体尽可能分布均匀,以增加初始种群的多样性,利用萤火虫扰动方式对所有麻雀位置进行更新。经典测试函数优化试验表明了FCOSSA的优越性。针对某给定负荷稳态运行工况,以降低NO_(x)排放为目标,利用方法对锅炉各磨煤机的给煤量及二次风门开度等进行寻优,结果表明优化后锅炉的NO_(x)排放浓度可有效降低,验证了方法的有效性。

多策略改进的麻雀搜索算法及应用

针对麻雀搜索算法收敛速度慢、精确度不高、易陷入局部最优等问题,文中提出了一种融合多策略改进的麻雀搜索算法(improved sparrow search algorithm based on multiple strategies,ISSAMS)。通过引入Circle混沌映射初始化种群,增加种群的多样性,提高全局搜索能力;利用正余弦搜索策略,更新发现者的位置,选择最佳位置,增强局部搜索能力,避免陷入全局最优;加入萤火虫扰动更新最优个体位置,寻找可行解,提高局部搜索能力和寻优速度。为了验证算法改进的有效性,选取5个基准函数进行仿真实验,其中3个基准函数为单峰函数,2个为多峰函数,并与遗传算法、灰狼算法、粒子群算法和麻雀搜索算法比较。通过仿真实验结果表明基于多策略改进后的麻雀搜索算法具备跳出局部最优解能力,收敛速度更快,同时精确度更高,在对比其他4种算法后其总体性能更好。通过将该改进应用到优化BP神经网络的阈值和权值中,对比未改进的麻雀搜索算法优化的BP模型,其误差降低了14.73%,并且与另外3种算法优化的BP模型对比,其基于多策略改进的麻雀搜索算法优化模型的平均绝对百分比误差是最低的,效果最好,进一步验证了该改进算法的有效性。

局部遮荫下基于IP&O-SSA的MPPT控制研究

为了解决传统最大功率点跟踪(maximum power point tracking,MPPT)控制算法在局部遮荫环境中易陷入局部最优的问题,以及智能优化算法寻优速度慢的问题,提出了一种基于自适应扰动观察(IP&O)和改进麻雀搜索算法(sparrow search algorithm,SSA)的复合IP&O-SSA。该算法对SSA加入了Tent序列初始化,对预警者加入了Levy飞行策略,再对P&O进行了自适应和滤波处理。该算法采用双层控制结构,先通过改进后的SSA进行全局搜索到最大功率点附近,再通过改进后的IP&O进行小步平缓搜索到跟踪最大功率点。通过在Simulink仿真标准环境、局部遮荫、环境突变3种情形,仿真结果表明:在标准环境下,该算法最先跟踪到最大功率点,收敛时间比改进前的扰动观察(P&O)和SSA缩短了3 ms、16 ms,跟踪效率高达99.99%;局部遮荫条件下,只有P&O会陷入局部最优,无法有效跟踪到系统的最大功率点,相较于改进前的SSA,该文算法的平均收敛时间缩短了8 ms,同时跟踪效率高达99.68%,提升了0.09%。验证了该算法适用于日常大部分应用情景,为提升光伏阵列的发电效率提供了理论控制算法基础,为之后的光伏阵列并网减少了不必要的功率损耗。

基于ISSA−LSTM的浓缩池溢流浓度预测

浓缩池溢流浓度监测是实现煤泥水智能加药的关键。针对基于传感器的溢流浓度监测方式会导致絮凝剂调节滞后的问题,提出了一种基于改进麻雀搜索算法(ISSA)−长短期记忆(LSTM)的浓缩池溢流浓度预测方法。首先,对浓缩生产过程中的多参数时间序列进行相关性分析和预处理,得到输入变量。其次,采用多策略联合改进麻雀搜索算法(SSA):引入Tent混沌映射对麻雀种群进行初始化,以保证种群多样性,加快算法收敛速度;用螺旋捕食策略改进SSA的寻优过程,以兼顾局部开发和全局搜索能力;用萤火虫扰动策略对麻雀搜索结果进行扰动,以提高全局搜索能力,避免算法陷入局部最优。然后,采用ISSA优化双层LSTM网络模型的超参数。最后,构建基于ISSA−LSTM的浓缩池溢流浓度预测模型,进行在线监测。实验结果表明:①选取Ackley函数和Rastrigin函数作为测试函数,得出ISSA的全局寻优性能和收敛速度均优于粒子群优化(PSO)算法、鲸鱼优化算法(WOA)和标准SSA。②3种改进策略中,螺旋捕食策略对ISSA性能的提升起主导作用,混沌映射和萤火虫扰动策略协调算法的收敛速度和全局搜索能力,进一步提升算法寻优性能。③采用ISSA优化LSTM的超参数,解决了依靠主观经验取值时存在的欠拟合或过拟合问题,ISSA−LSTM模型的溢流浓度预测精度达97.26%,高于双层LSTM、SSA−LSTM、最小二乘支持向量机(LSSVM)等模型。④数据预处理可以提升模型的精度,降噪后溢流浓度预测精度比降噪前提升了30.25%。

基于改进麻雀搜索算法优化BP神经网络的PM_(2.5)浓度预测

针对传统BP神经网络模型收敛速度慢、易陷入局部极值等问题,本文采用分段线性混沌映射(PWLCM)和萤火虫算法(FA)改进麻雀搜索算法(SSA),并优化BP神经网络模型初始权值和阈值,对西安市PM_(2.5)浓度进行预测。通过比较不同模型预测结果的评价指标,并与性能较优的SSA-BP模型对比,ISSA-BP模型预测结果的RMSE、MAPE、MAE分别下降了3.70、3.73、3.34。试验结果表明,改进后的麻雀搜索算法具有高效的全局最优搜索能力,优化后的ISSA-BP神经网络预测稳定性高,精度优于BP、SSA-BP神经网络模型,可用于预测PM_(2.5)浓度。

基于优化算法的CNN-BiLSTM-attention的月径流量预测

为有效提取径流时间序列的信息特征,提高径流预测模型的高维非线性拟合能力和预测性能的稳定性,将卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和注意力机制(attention)相结合,构建了CNN-BiLSTM-attention的径流组合模型。以长江流域中游汉口站径流量数据进行模拟验证,对比分析BiLSTM,CNN,BiLSTM-attention,CNN-BiLSTM和CNN-BiLSTM-attention 5种径流预测模型模拟月径流的误差特征,利用FA-SSA,GWO和BAO 3种优化算法分别对CNN-BiLSTM-attention组合模型的卷积核个数、BiLSTM隐藏层神经元个数、全连接隐藏层神经元个数、dropout层、批量大小和学习速率6个超参数优化,探究3种优化算法对CNN-BiLSTM-attention月径流预测性能的影响。结果表明:BiLSTM-attention预测误差最大,BiLSTM次之,CNN-BiLSTM-attention组合模型整体预测精度最高;CNN-BiLSTM-attention径流组合模型能有效捕获关键信息和掌握径流时序变化规律,预测径流值与实际值能够较好吻合;FA-SSA优化算法优于GWO和BAO,更能优化CNN-BILSTM-attention的超参数值,并进一步提高该模型的预测精度。

一种改进的麻雀搜索算法

麻雀搜索算法(SSA)作为一种新颖的群体智能优化算法,已被证明具有较好的寻优性能。但由于SSA在某些情况下迭代中后期搜索性减小,种群多样性降低,导致算法存在收敛速度慢、求解精度低、易陷入局部最优解等不足。针对SSA存在的缺陷,融合萤火虫算法(FA)迭代策略,提出了一种加入萤火虫搜索扰动的麻雀搜索优化算法(FSSA)。首先,在麻雀搜索后,利用萤火虫扰动策略对种群中所有个体进行位置更新,使得算法在解空间搜索更加充分,有效避免陷入局部最优,进而提升算法的收敛速度以及收敛精度。其次,通过6个基准测试函数对改进算法与粒子群优化算法(PSO)、鲸鱼优化算法(WOA)、原始的SSA算法进行对比,仿真结果表明该算法能够克服SSA易陷入局部最优的不足,在寻优精度、收敛速度以及鲁棒性等方面均获提升。最后,将FSSA应用于具有14座城市的旅行商问题(TSP)求解,仿真实验对比原始的SSA算法,该算法具有更好的结果,进一步验证了FSSA的寻优能力。

基于改进SSA-LSSVM模型的大学生体育成绩预测

随着我国对体育教育的越来越重视,同时人工智能在教育领域的应用,准确的大学生体育成绩预测对大学生身体素质提高的重要性日益凸显。为了对大学生体育成绩建立可靠的分析方法,基于最小二乘支持向量机研究大学生体育成绩预测方法,提出了一种基于萤火虫改进的麻雀搜索算法,通过引入萤火虫扰动来提高麻雀搜索算法的全局搜索能力,并且通过该算法用于优化LSSVM模型的惩罚因子γ和核函数参数σ,来实现大学生体育成绩的精准预测。最后的仿真结果表明,基于萤火虫改进的麻雀搜索算法优化LSSVM模型的泛化性能和鲁棒性优于其它同类方法,可以实现大学生体育成绩的准确预测,其各项指标均优于其它方法。

基于多种改进策略的改进麻雀搜索算法

针对麻雀搜索算法收敛速度慢、易陷入局部最优值、寻优精度低等缺陷进行研究,提出一种基于多种改进策略的改进麻雀搜索算法(IM-SSA)。首先,利用Tent混沌序列丰富麻雀搜索算法的初始种群,扩大搜索区域范围,并在发现者中引入自适应交叉变异算子,丰富发现者种群的多样性,平衡全局与局部的搜索能力;其次,按照每次迭代后种群个体的特点选用t-分布扰动或差分变异进行扰动,避免算法后期种群单一,提升算法跳出局部最优值的能力;最后,分别使用IM-SSA算法、灰狼算法、粒子群算法、鲸鱼算法和经典麻雀搜索算法对8个测试函数进行仿真。通过仿真结果对比分析可得,IM-SSA比其他4种算法收敛速度更快,跳出局部最优值能力更强,寻优精度更高。与当前现有改进麻雀搜索算法仿真结果的对比也表明,IM-SSA算法的改进策略更优。

基于改进麻雀搜索算法的配送中心选址研究

针对物流配送中心选址不合理导致配送效率低下的问题,采用萤火虫扰动策略改进麻雀搜索算法,构建二级物流配送中心网络结构,解决配送中心选址问题。采用手肘法确定最优二级配送中心数量,将运输成本、运输时间和配送时间三项成本之和最小值作为目标函数,增加运送车辆限制等约束条件,获得合理的配送中心地址和最佳成本。以吉林省某区县小区实际情况为例,将改进后的麻雀搜索算法与常规的麻雀搜索算法进行对比,结果表明:改进后的麻雀搜索算法可将总成本降低16.67%,配送中心选址更加合理有效。

电子侦察卫星作战效能FASSA-SVR评估模型

在电子侦察卫星支援对海作战背景下,为充分发挥卫星作战潜能,提出了基于萤火虫麻雀算法(FASSA)优化支持向量回归(SVR)的卫星作战效能评估模型。首先,运用萤火虫算法(FA)对麻雀搜索算法(SSA)进行改进;然后,建立了电子侦察卫星作战效能评估指标体系;最后,运用FASSA算法优化SVR的相关参数,依据所构建的效能评估指标体系,构建了电子侦察卫星作战效能评估模型。仿真结果表明,该模型具有较高的效能评估精度,在各项指标上均优于其他模型。

基于改进麻雀搜索算法的无人机航路规划研究

针对三维复杂地形环境中无人机航路规划时存在的求解效率低、易陷入局部最优值等问题,提出了一种基于融合多策略改进的麻雀搜索算法(CFSSA)的实时航迹规划方法。为解决麻雀搜索算法收敛速度慢、寻优精度低等问题,首先,采用Circle混沌映射初始化种群,使种群分布更加均匀,提高了麻雀种群位置的多样性;其次,对麻雀的位置信息进行优化,采用萤火虫扰动策略使得算法的灵活性和搜索范围增加,抑制群体过早的收敛,提高了算法的收敛速度和精度。最后,通过6个标准测试函数验证了CFSSA算法的有效性,能够突破局部最优解的限制,获得更高的精度。仿真结果显示CFSSA算法较其他算法代价最优且方差较小。