基于改进WOA的自稳定三轴云台设计

由于三轴稳定云台系统具有非线性时变、迟滞严重等特点,传统的比例积分微分(PID)控制算法难以取得较好的控制效果。针对这一问题,提出了一种改进鲸鱼优化算法(WOA),以实现PID控制器参数的自动整定。首先,确定了三轴稳定云台系统的传递函数模型。然后,针对基本WOA求解精度低、容易陷入局部最优的问题,对算法进行改进。通过引入非线性收敛因子提高算法的搜索能力,避免陷入局部最优的情况。引入多样性变异操作,以减小算法出现早熟收敛现象的概率。最后,利用Matlab仿真软件分别对改进WOA优化PID、遗传算法(GA)优化PID和传统PID控制器进行仿真测试。测试结果表明,改进WOA具有更快的迭代速度和更强的全局寻优能力。改进WOA优化PID控制器响应速度快且超调小,能够有效控制三轴云台系统正常、稳定运行。

基于概率精英差分和自适应黄金正弦的鲸鱼优化算法

针对鲸鱼优化算法收敛速度慢和寻优精度低的缺点,提出一种基于概率精英差分和自适应黄金正弦的鲸鱼优化算法。基于最大最小思想优化拉丁超立方体抽样来初始化鲸鱼种群,使初始种群分布更加均匀,拥有更好的全局搜索能力;提出融合余弦自适应算子的黄金正弦算法改进鲸鱼的螺旋更新,加快收敛速度,提高收敛精度;设计概率精英差分变异方法并进行贪婪选择,优化算法流程,增强算法跳出陷入局部最优的能力。选取4个单峰测试函数、4个多峰测试函数和5个多最优解的多模态测试函数与主流优化算法进行对比实验,实验结果表明,该算法具有更高的寻优精度、更快的收敛速度以及更优的全局搜索能力,通过消融实验验证了该算法改进策略的有效性。

一种多种群进化和差分变异的鲸鱼优化算法

针对鲸鱼优化算法容易陷入局部最优,求解精度低,收敛速度慢,提出了一种多种群进化和差分变异的鲸鱼优化算法(MDWOA).首先,根据适应度值将种群划分为两个大小相等的子种群,并为每个子种群分配不同的移动策略,以平衡全局和局部搜索能力.其次,设计了一种种群进化和差分变异的策略来帮助MDWOA提高收敛速度,避免其陷入局部最优.最后,引入反向学习策略,增加种群多样性.将MDWOA与多种优化算法在13个基准函数上进行仿真测试,非参数检验的结果表明相较于其他优化算法来说改进的算法具有更高的精度和稳定性.在此基础上,建立了基于MDWOA优化BP神经网络模型,预测波士顿房价的实验结果表明所提出的预测模型具有更好的预测性能和有效性.

基于改进鲸鱼优化算法的分数阶PID参数整定

该文提出了一种自适应混合策略鲸鱼优化算法(adaptive mixed strategy whale optimization algorithm,AMSWOA)用于分数阶PID控制器的参数整定。该算法基于鲸鱼优化算法进行改进,引入Tent混沌序列用以提高WOA的种群多样性、全局搜索能力和收敛速度;同时,采用了收敛因子非线性变化策略,并引入自适应权重以克服算法陷入局部最优解的问题;高斯变异的加入则有助于提高算法的搜索精度和寻优性能。通过在MATLAB/Simulink环境下验证整数阶和分数阶系统的被控对象,并与鲸鱼算法、灰狼优化算法及粒子群优化算法进行比较,证实了该文的AMSWOA算法对求解分数阶PID控制器参数整定问题的有效性和实用性。

面向柔性作业车间调度的多策略鲸鱼优化算法

以某大型家具企业的柔性生产制造过程中调度问题为研究对象,提出了一种主要用于求解柔性作业车间调度问题的多策略鲸鱼优化算法(multi-strategy whale optimization algorithm, MWOA),首先,为了提高初始种群的多样性,引入混沌理论来初始化种群;同时设计了非线性收敛因子和自适应惯性权重系数来平衡全局探索和局部开发能力;然后结合差分进化(differential evolution, DE)算子提高了WOA的利用和搜索能力,最后采取最优个体混沌搜索策略,减少WOA算法出现早熟收敛现象的概率.以最小化最大完工时间为求解目标,对基准测试问题与某家具企业的生产制造过程的调度优化问题进行了求解,结果表明提出来的多策略鲸鱼优化算法克服了基本鲸鱼优化算法寻优精度低、收敛速度慢及容易陷入局部最优等缺陷,与对比算法比较,取得了更好的寻优效果.

基于随机差分变异的改进鲸鱼优化算法

针对基本鲸鱼优化算法(whale optimization algorithm,WOA)求解复杂问题时存在解精度低、收敛速度慢和易陷入局部最优的缺点,提出了一种基于非线性调整控制参数和随机差分变异策略的改进鲸鱼优化算法(IWOA),设计了基于余弦函数非线性调整控制参数的策略,以协调算法的探索和开发能力;随机选择个体与当前个体进行差分变异产生新个体以增强群体的多样性,减小陷入局部最优的概率。对6个标准测试函数进行仿真实验,结果表明,IWOA的寻优精度和收敛速度均有明显的提高。

基于混合策略改进的鲸鱼优化算法

针对标准WOA算法初始种群分布不均、收敛速度较慢、全局搜索能力弱且易陷入局部最优等问题,提出一种混合策略改进的鲸鱼优化算法。采用Sobol序列初始化种群以使初始解在解空间分布更均匀;通过非线性时变因子和惯性权重平衡并提高全局搜索及局部开发能力,并结合随机性学习策略增加迭代过程中种群的多样性;引入柯西变异提升算法跳出局部最优的能力。通过对12个基准函数和一个水资源需求预测模型的参数估计进行优化实验,结果表明,基于混合策略改进的鲸鱼优化算法在寻优精度及收敛速度上均有明显提升。

改进鲸鱼算法优化支持向量回归的光伏最大功率点跟踪

针对光伏阵列处于局部遮阴情况下其P-U特性曲线呈现出多极值点特性,传统最大功率点跟踪(MPPT)算法由于搜索机制导致难以跳出局部最优准确跟踪到最大功率点问题,提出一种基于改进鲸鱼算法优化支持向量机回归(SVR)的最大功率点跟踪方法。该方法在普通鲸鱼算法的基础上引入对数权重因子与随机差分变异策略,增强了算法在全局搜索与局部开发协调性能、避免陷入局部最优的能力。利用该改进鲸鱼算法对SVR参数寻优,建立光伏阵列最大功率点电压预测模型,并与电导增量法(INC)相结合应用于MPPT控制。Matlab/Simulink仿真结果表明,所提的复合MPPT控制算法在各种局部遮阴及光照突变情况下都能够有效避免陷入局部寻优,迅速准确地跟踪到全局最大功率点(GMPP)。

改进微分进化算法在软硬件划分中的应用

针对嵌入式系统的软硬件划分问题,在混合优化策略微分进化算法的基础上,提出一种采用随机变异策略的改进微分进化算法。在扩大最优向量影响范围的同时,减小变异向量受最优向量影响的程度。实验结果表明,与混合优化策略微分进化算法相比,该算法具有更快的收敛速度和更高的可靠性,能够较好地解决嵌入式系统的软硬件划分问题。

求解函数优化问题的改进鲸鱼优化算法

针对鲸鱼优化算法(WOA)易陷入局部最优、寻优精度低等问题,提出一种改进的鲸鱼优化算法(EWOA).首先,将自适应策略引入鲸鱼位置更新公式中,以便平衡算法全局探索和局部开发能力的同时,加快算法收敛速度、提高算法的寻优精度;然后,引入差分变异思想,对较优的鲸鱼位置进行变异操作以避免算法陷入局部最优,防止早熟收敛现象;最后,通过对9个基准测试函数在固定参数和不同维度的实验表明,改进算法在寻优精度和收敛速度比传统算法均有显著提高,尤其在高维函数的优化问题中表现出更好的收敛性能.

新型随机分形搜索算法

针对随机分形搜索算法在更新阶段中存在收敛速度慢、求解精度不高和易陷入局部最优等缺陷,提出一种新型随机分形搜索算法。通过将差分进化算法的变异操作引入到随机分形搜索算法的更新阶段,进一步增加生成群体的多样性并提高算法的求解精度,有效提高算法的搜索性能。采用12个标准测试函数进行数值实验,将新型随机分形算法与随机分形搜索算法和引力搜索算法进行比较。实验结果表明,新型随机分形搜索算法具有良好的优化性能。

基于随机收敛因子和差分变异的改进灰狼优化算法

针对基本灰狼优化算法在求解高维复杂优化问题时存在解精度低和易陷入局部最优的缺点,提出一种改进的灰狼优化算法。受粒子群优化算法的启发,设计一种收敛因子a随机动态调整策略以协调算法的全局勘探和局部开采能力;为了增强种群多样性和降低算法陷入局部最优的概率,受差分进化算法的启发,构建一种随机差分变异策略产生新个体。选取6个标准测试函数进行仿真实验。结果表明:在相同的适应度函数评价次数条件下,此算法在求解精度和收敛速度上均优于其他算法。

非封闭式FDM 3D打印机喷头温度控制器研究

针对非封闭式熔融沉积成型(FDM)技术3D打印机喷头温度受环境温度、打印机内部加热元件、打印喷头系统的散热性能和空气流速等因素的影响,喷头温度的控制变得复杂且呈非线性,传统比例-积分-微分(PID)控制无法满足打印需求的问题,提出改进鲸鱼优化的反向传播(BP)-PID控制器对PID参数自适应控制,从而对喷头温度精确控制。实验表明:改进的鲸鱼优化算法比遗传算法与粒子群算法寻优能力更强,且经改进鲸鱼算法优化的BP-PID喷头温度控制器稳定速度更快,自适应能力更强。

一种增强型鲸鱼优化算法

鲸鱼优化算法(whale optimization algorithm,WOA)具有独特的搜索机制,非常适合解决复杂的优化问题。针对基本鲸鱼优化算法收敛速度慢、容易陷入局部最优的缺点,提出了一种增强型鲸鱼优化算法(enhanced whale optimization algorithm,EWOA)。首先通过引入非线性时变的自适应权重,提升了鲸鱼算法在全局探索和局部寻优阶段的性能;其次在鲸鱼算法的收缩包围阶段引入差分变异微扰因子,避免了算法出现早熟收敛现象;另外改进了鲸鱼个体的对数螺旋搜索方式,提高了算法遍历求解的能力。实验结果表明,所提算法的寻优精度和收敛速度较基本鲸鱼算法有较大提升。

面向特征选择问题的差分鲸鱼优化算法

近年来混合元启发式算法在优化算法中越来越受到关注。受气泡网狩猎策略启发而出现的鲸鱼优化算法(WOA)是一种模仿座头鲸社会行为的算法。差分进化(DE)是一种结构由突变、交叉、选择三部分组成的进化算法。DE的操作是随机执行的,使得DE缺乏很好的挖掘能力,很容易陷入局部最小。文中提出了一种基于鲸鱼优化的混合差分进化算法,结合了鲸鱼优化算法和差分进化算法的优点。混合算法已在CEC2017函数集中进行了测试,并且在26个问题上获得了更优结果。此外,它还被应用于特征选择问题,分类正确率比传统差分进化算法提高了约4%~6%。

一种改进的鲸鱼优化算法

鲸鱼优化算法(WOA)是一种基于元启发式的群智优化算法,针对鲸鱼优化算法收敛速度精度低和容易陷入局部最优解的问题,提出一种基于反向学习的鲸鱼优化算法(OWOA)。采用改进的反向差分进化算法(IODE)替换随机产生的初始解以提高算法的全局收敛速度,在迭代过程中融合动态反向学习算法,增强算法的全局搜索能力,避免算法出现早熟现象。通过7个测试函数的仿真实验,证明该算法(OWOA)具有更好的收敛精度、收敛速度和稳定性。

基于混合策略的转炉终点锰含量预测研究

转炉终点钢水锰含量预测,对原料添加和冶炼成本节约具有重要作用。针对凭经验预估的终点锰含量值与实际值较大偏差导致的生产成本升高的问题,建立了一种基于混合策略的改进型鲸鱼优化算法(IWOA)与最小二乘向量机(LSSVM)的转炉终点锰含量预测模型,引入柯西变异提高鲸鱼优化算法(WOA)跳出局部最优的能力;借助惯性权重增强鲸鱼算法局部搜索能力和收敛精度;提出差分变异以增加鲸鱼算法在探索末期的物种多样性和降低陷入局部最优概率。实验结果表明,IWOA-LSSVM锰含量预测模型不仅在全局和局部寻优以及收敛速度有较大的提升,在误差性能指标方面优势明显,且预测误差于±0.01%间的命中率为93.3%。