基于STSSA-PID神经网络多变量解耦控制器优化

由于传统PID神经网络多变量解耦控制器在实际过程中出现超调量较大和调节时间较长的现象。设计出一种基于融合T分布策略的麻雀搜索算法PID神经网络解耦智能控制算法(STSSA-PID神经网络控制器算法)。针对PID神经元网络解耦控制器算法利用梯度学习法。由于权值随机的,权值在利用梯度学习过程中网络权值会得到局部最优解问题。因此,利用改进的麻雀搜索算法优化神经元网络权值,使其获得全局最优权值。在实验中通过比较PID,SSA-PID以及STSSA-PID神经网络三种控制器仿真结果,结果表明改进算法可以提高PID神经网络解耦控制器的收敛性速度,较大提高了调节精度,缩短调节时间。

基于切线飞行的麻雀搜索算法

为解决在临近全局最优条件下,原始麻雀搜索算法(sparrow search algorithm,SSA)存在种群多样性降低,局部开发能力薄弱导致不容易跳出局部最优点的问题,提出基于切线飞行的麻雀搜索算法(tangent flight sparrow search algorithm,tanSSA)。首先,使用自适应t分布策略改进发现者位置更新公式,可以提高麻雀个体的寻优能力,同时防止算法早熟。然后,利用切线搜索算法中切线飞行策略所具有的可以增强算法探索搜索空间能力,且能使算法跳出局部最优解的优势,在原始麻雀搜索算法中使用切线飞行扰动策略对最优解进行扰动。这两种策略相结合,可以有效提升tanSSA算法的勘探与开发性能。最后,使用12个标准基准测试函数,结合Wilcoxon秩和检验来测试验证tanSSA算法的优化性能,并与原始SSA算法、鲸鱼优化算法、粒子群优化算法以及自适应t分布SSA算法进行比较。实验证明,基于切线飞行的麻雀搜索算法的寻优能力和收敛速度都有显著提升。

基于改进INFO算法的新型可拓云计算机性能评估模型

计算机系统的性能评价和分级是计算机高性能发展的关键环节。为消除评估过程中不确定性导致的性能等级误判,采用可拓云理论构建计算机性能评价的理论模型;其次,为兼顾等级边界的分明性和模糊性,提出一种可自适应评估对象的最优云熵计算方法,提高了模型的合理性和准确性;最后,针对模型参数的非线性求解问题,提出改进向量加权平均算法(INFO)。该算法采用差分进化策略扰动向量来产生候选解,从而优化潜在解的初始分布均匀性;并且在搜索阶段结合t分布策略,根据概率值扩大算法的搜索范围,提高算法的全局搜索能力。经实例验证,结果表明所提模型是一种有效的计算机性能评估方法。

基于Baker映射的自适应樽海鞘群算法

为了克服樽海鞘群算法(Salp Swarm Algorithm,SSA)求解准确性不足和易过早收敛的缺点,提出了一种多策略改进的樽海鞘群算法(MISSA)。引入Baker混沌映射生成樽海鞘群的初始种群,以提高初始个体的均匀性;将T分布策略应用到食物源位置公式中,对原始位置进行随机干扰,引导樽海鞘个体向最优解空间运动;在跟随者位置更新公式中引入不完全Γ函数的自适应权重,以改善算法的局部和全局搜索能力。将改进算法在8个测试函数上进行仿真实验,并与不同的群智能算法进行了比较。结果表明,改进算法具有更好的全局和局部搜索性能以及更高的搜索精度。