基于WOA-BP神经网络下马铃薯产量预测分析模型

马铃薯是我国重要的粮食作物之一,营养丰富,用途广泛,是一种谷物、蔬菜和水果功能兼具的食物,其蛋白质含量远高于其他块茎类食物,且富含优质的氨基酸。马铃薯生育期短,在湖北平原、丘陵地区冬种春收适宜发展早熟品种,对于填补全国南北方鲜薯市场供应空档期具有重要意义。因此,马铃薯产量的高效预测对于制定生长期间的种植管理措施及相关决策具有重要意义。为此,针对传统BP神经网络在产量预测中存在精度低、鲁棒性差等问题,利用鲸鱼算法(Whale optimization algorithm,WOA)对BP神经网络模型进行优化。同时,基于湖北地区2009-2021年间田间物联网获取的气象因子(大气湿度、大气温度、降雨量)、田间水热因子及马铃薯产量,采用BP神经网络模型、GA-BP神经网络模型(遗传算法优化)及WOA-BP神经网络模型对所选地区马铃薯产量进行预测。研究结果表明:WOA-BP神经网络模型精度明显高于GA-BP神经网络模型及BP神经网络模型,R2达到0.9764,预测值与试验值之间拟合程度较高,表明基于WOA-BP神经网络模型可以更加科学、合理、准确地进行马铃薯产量预测。

基于多源信息融合和WOA-CNN-LSTM的外脚手架隐患分类预警研究

面对施工现场外脚手架隐患信息的多样性,传统的基于传感器监测的单一信号预警研究存在容错力不佳、含有信息有限等问题。针对施工现场外脚手架“图像+监测”数据,提出一种基于数据层和特征层信息融合的脚手架隐患分类预警方法。首先,利用Revit三维建模软件建立外脚手架实体模型,对不同初始隐患下的外脚手架进行有限元分析,划分隐患预警等级;其次,利用无迹卡尔曼滤波算法(Unscented Kalman Filter,UKF)及卷积长短时记忆网络(Convolutional Neural Network-Long Short Term Memory Network,CNN-LSTM)实现脚手架同类信息数据层融合及异类信息特征层融合;最后,通过实时收集西安市某在建项目落地式双排扣件式钢管脚手架隐患信息,对其进行分类预警,并使用鲸鱼优化算法(Whale Optimization Algorithm,WOA)对CNN-LSTM网络进行参数优化,发现隐藏节点个数为30、学习率为0.0072、正则化系数为1×10^(-4)时分类效果最佳,优化后预警精度达到了91.4526%。通过可视化WOA-CNN-LSTM、CNN-LSTM、CNN-SVM(Support Vector Machine,支持向量机)及CNN-GRU(Gate Recurrent Unit,门控循环单元)分类预警结果,证实了优化后的CNN-LSTM网络在脚手架分类预警方面的优越性。

基于IWOA-ELM的模拟电路故障诊断方法

针对模拟电路故障诊断中非线性和高维度输出信号带来的诊断困难问题,提出一种基于改进鲸鱼算法(IWOA)优化极限学习机(ELM)的模拟电路故障诊断方法。首先,采用主成分分析(PCA)法对初始故障电路特征进行降维;其次,在鲸鱼算法的基础上引入Tent映射来初始化种群,并且加入了非线性时变因子、自适应权重以及随机差分变异策略;再利用改进后的鲸鱼算法对ELM进行优化;最后将降维后的故障特征向量输入ELM中得到故障诊断结果。通过Sallen-Key带通滤波器电路以及CSTV滤波器电路仿真测试实例表明:IWOA优化ELM的故障诊断方法具有更优的故障诊断性能,故障诊断准确率高达99.41%。

基于免疫选择和自适应权重的鲸鱼优化定位算法

针对鲸鱼优化算法(WOA)在到达时间差和到达角度混合定位中存在后期迭代种群多样性减小,容易导致局部最优、定位精确度降低的问题,提出一种基于免疫选择和自适应权重的鲸鱼优化算法(IM-WOA).由最大似然估计法得到目标定位函数,为丰富种群多样性引入免疫机制,能够有效产生新的个体,从而避免种群陷入局部最优.通过将自适应惯性权重应用于个体位置的更新公式,实现算法全局探索能力和局部开发能力的平衡和协调,对经典基准函数和目标定位函数进行求解.结果表明,与WOA、AWOA、CSSOA、PIO、CASSA算法相比,IM-WOA算法对绝大多数基准函数的求解具有更高的精度、稳定性和定位精度.

基于自适应网格多目标鲸鱼算法的火力分配问题研究

传统多目标优化算法在解决多于两个目标函数的火力分配问题时收敛效果不佳,多样性差,耗时过大。基于此,提出了一种自适应网格多目标鲸鱼优化算法(AG-MOWOA)来解决以震塌比例、弹药成本和自身剩余价值为目标函数的火力分配问题。该算法引入混沌映射和外部Pareto存档进化策略提高了种群的多样性,通过自适应网格选取最优个体的方法极大地减少了算法运行时间。仿真实验结果表明,该算法较其他算法收敛速度更快、收敛质量更高、解集分布更多样,能够有效解决火力分配问题。

基于E-WOA与AnyLogic耦合的土石方调配机械配置优化

机械配置是土石方调配工程的核心,合理的机械配置是工程施工成本、进度和质量的有效保障。为了精确、高效地寻求出最优的机械配置方案,提出了增强型鲸鱼算法(E-WOA)与AnyLogic耦合的土石方调配机械配置优化方法。首先,通过系统分析土石方调配流程,建立总费用最小的优化模型;其次,采用AnyLogic仿真平台构建了基于多智能体的仿真模型,全面描述设备(挖掘机、自卸汽车、推土机、碾压机)、道路、平台(卸料平台、停车平台)等实体元素之间的交互关系和动态过程;最后,引入收敛速度快、全局性强的E-WOA算法与AnyLogic进行耦合,开发仿真控制器实现耦合模型对优化问题的求解,并结合工程实例进行了分析。结果表明该方法可以节省11.11%的时间和27.34%的费用,为土石方调配工程施工管理决策提供借鉴。

基于AMOWOA的区域综合能源系统运行优化调度

目前,智能优化算法已广泛应用于工程优化中,在当前多能耦合与互补的能源发展趋势下,仅考虑系统经济指标的单目标优化模式已经不再适用于目前区域综合能源系统(Integrated energy system, IES)的运行优化调度,需要研究一种多目标运行策略来解决区域综合能源系统的运行优化调度问题.首先综合考虑经济与能源利用两个指标并结合商业住宅区域的特性,以系统日运行收益和一次能源利用率为优化目标构建商业住宅区域综合能源系统多目标运行优化调度模型.其次由于传统多目标智能优化算法缺乏一种最优解综合评价方法,基于非支配排序以及拥挤度计算的多目标算法框架,提出一种利用模糊一致矩阵选取全局最优解的多目标鲸鱼优化算法(A multi-objective whale optimization algorithm, AMOWOA),并将提出算法对商住区域综合能源系统多目标运行优化调度模型进行求解.最后以华东某商业住宅区域综合能源系统为例进行仿真,验证了该方法的有效性和可行性.

基于IWOA-SA-Elman神经网络的短期风电功率预测

由于风力发电的随机性和不确定性使其短期功率的预测工作十分困难,而神经网络模型依靠其强大的自学习能力在风电功率预测领域有着广泛的应用。但神经网络预测精度受初始权重影响较大,且易出现过拟合的问题。为此构建一种基于改进鲸鱼算法和模拟退火组合优化的Elman神经网络短期风电功率预测模型,模型首先利用改进鲸鱼算法结合模拟退火策略获得高质量神经网络初始权值,接着引入正则化损失函数防止其过拟合,最后以西班牙瓦伦西亚某风电场陆上短期风电功率为研究对象,将该算法与BP、LSTM、Elman、WOA-Elman、IWOA-Elman 5种神经网络算法进行算法性能测试对比,结果表明IWOA-SA-Elman神经网络模型预测误差最小,验证了该算法的合理性和有效性。

移动边缘计算中计算卸载与资源分配联合优化策略

为了在移动边缘计算(MEC)中最大限度地减少处理用户任务的时延和能耗,改善用户体验,以最小化用户的完成时间和能耗的加权和为目标,在计算资源的约束下研究了多用户、多MEC服务器中的计算卸载问题。针对此问题,考虑卸载决策和资源分配之间存在的依赖关系,首先将原问题解耦为卸载决策和计算资源分配2个子问题。然后,使用鲸鱼优化算法求解卸载决策问题,通过添加非线性收敛因子和惯性权重加快收敛速度;引入反馈机制,防止陷入局部最优,得到更高概率可行的卸载决策;对于资源分配问题使用拉格朗日乘子法得到每个卸载决策下的最佳计算资源分配解。最后,通过多次迭代得到稳定的收敛解。仿真实验结果表明,与其他基准方案相比,最多减少了44.6%的系统开销。

基于数字孪生技术的往复式空气压缩机效率预测方法研究

通过建立往复式空气压缩机数字孪生体模型,实现压缩机效率预测和参数寻优的方法,具有灵活、成本低、通用性好的优势.但是在多变量条件下,传统的基于BP神经网络孪生模型训练时间长、工作量大,寻优过程易陷入局部最优解,不易实现全局最优.针对传统孪生体模型存在的问题,提出了基于CIWOA-BPNN算法的孪生体模型构建方法,通过主成分分析法确定孪生体模型关键指标,在BPNN模型基础之上引入改进的鲸鱼优化算法.研究表明,基于CIWOA-BPNN算法的孪生体模型有效避免了BPNN模型陷入局部最优解.用CIWOA-BPNN算法预测压缩机效率相对误差小于0.6%,决定系数为0.99775,与传统模型相比大幅提升了预测精度.

基于改进鲸鱼优化算法的AGV柔性作业车间多目标优化调度

针对柔性作业车间的自动引导车辆(Automated Guided Vehicle,AGV)调度问题,基于可持续视角,考虑车间能耗问题,在机器和AVG数量均存在数量约束的条件下,以最小化最大完工时间、车间能耗和AGV使用数量为优化目标构建可持续柔性车间调度模型。首先,设计一种改进鲸鱼优化算法(Improved Whale Optimization Algorithm,IWOA),在标准的鲸鱼优化算法的基础上引入非线性收敛因子和自适应惯性权重以提升算法的搜索能力和收敛速度;其次,使用模糊隶属度理论构建了损失函数,以获得多目标模型的最优折衷解;最后,基于算例实验验证算法性能。实验结果表明改进鲸鱼优化算法在求解2个算例时均表现出良好的效果,为求解采用AGV运输的可持续柔性作业车间多目标优化调度提供了一种有效的实践途径。

一种改进的距离向量跳段定位算法

针对无线传感器网络距离向量跳段算法(DV-Hop)存在的跳数与平均跳距误差问题,提出一种基于跳数修正和改进鲸鱼算法优化的DV-Hop定位算法。首先利用多个通讯半径对节点的位置进行广播并引入调整因子,减小跳数误差;然后在鲸鱼算法中加入Circle混沌映射优化初始化种群,利用自适应权重和正余弦优化避免其过早陷入局部最优,之后将改进后鲸鱼算法用于计算信标节点之间的平均跳距;再通过加权方法对未知节点的平均跳距进行校正,从而减小跳距误差。实验结果表明:在仿真条件一致时,改进算法的定位精度相比DV-Hop算法、IPSO-D算法和IGWO-D算法均明显提高。

基于改进鲸鱼算法优化神经网络的GPS高程拟合方法

采取混沌映射和自适应惯性权重结合的策略对标准鲸鱼算法进行改进,从而提高算法的全局寻优能力和收敛速度,并针对BP神经网络的劣势,利用改进鲸鱼算法对BP神经网络进行优化处理。在此基础上建立改进鲸鱼算法优化BP神经网络的GPS高程异常拟合预测模型,并通过两组不同地形特征工程中的GPS数据对模型进行验证。结果表明,利用改进鲸鱼算法优化的BP模型进行GPS高程拟合时可取得更高的精度和稳定性。

基于模型迁移和SVM的煤矿电网单相接地电容电流预测方法

针对智慧化矿山背景下煤矿电网单相接地电容电流预测精度低和智能预测实现困难的问题,提出了一种单相接地电容电流智能预测方法。采用模型迁移思想扩充矿用橡套软电缆的电容电流样本数据,以解决智能预测中电容电流数据不完备的问题;基于Sobol’敏感性方法分析了影响单相接地电容电流的关键因素及其各因素的交互关系,确定智能预测模型输入特征量;在此基础上,通过基于稀疏技术的支持向量机建立煤矿电网单相接地电容电流智能预测模型,并引入鲸鱼算法优化预测模型超参数,克服了电容电流数据样本容量小的不足。采用厂家测试数据及多家煤矿电网现场实测数据进行试验,结果表明:电缆绝缘层外径和绝缘层内径是影响单相接地电容电流的关键因素;所提方法预测煤矿电网单相接地电容电流的平均误差为2.26%,相较于现有预测方法,误差分别下降了34.19%,24.91%和7.40%。该方法实现了煤矿电网单相接地电容电流的准确预测,并为其智能化预测提供了新思路。

MPCVD设备样品台温控系统的设计

由于传统MPCVD设备样品台温度控制需要使用手动调节样品台距等离子源的距离,且调节精度差,为此设计一种样品台温控系统,同时设计了样品台温控系统硬件控制器。该控制器以STM32F407单片机为核心,步进电机、丝杠、金属波纹管为执行机构,通过控制样品台在腔体内距等离子源的距离,实现温度控制。并提出一种将改进鲸鱼算法(WOA)与神经网络PID控制算法结合的控制方法,实现PID参数的自适应调整。仿真和实验结果表明:相对于传统PID算法,使用该温控系统进行温度控制时,超调量更小,控制精度更高,控制效果有很大提升。

鲸鱼算法优化CNN-BiGRU-ATTENTION的车辆换道意图识别模型

针对时空多样特征、超参数敏感性影响车辆行为意图识别精度的问题,提出一种改进的CNN-BiGRU-ATTENTION混合换道意图识别模型。采用目标车辆轨迹序列和与周围车辆互动特征作为模型输入进行训练,实现考虑车辆动态变化状态的意图识别预测;使用鲸鱼优化算法对模型调整参数进行多目标寻优,降低模型调优难度;利用NGSIM数据集对模型进行评估校验。结果表明:所提出的WOA-CNN-BiGRU-ATTENTION模型与CNN-BiGRU-ATTENTION模型、Transformer模型相比,准确率分别提升了4.53%、0.97%,达到97.64%;WOA-CNN-BiGRU-ATTENTION模型在不同预判时间下的意图识别准确率最高,在换道前2.5 s的识别精度均能达到91%以上,证明模型具有较强的车辆换道意图识别性能。

基于二次分解策略和BiLSTM的短期碳排放预测模型设计

针对现有短期碳排放预测模型残余噪声大、忽略全局信息的特性导致预测精度不高的问题,提出一种基于二次分解策略和双向长短期记忆神经网络(BiLSTM)的新的短期碳排放预测模型。利用改进的自适应噪声完全集成经验模态分解(ICEEMDAN)方法和二次分解思想,将原始时间序列分解为多个本征模态函数(imfs);利用鲸鱼优化算法(WOA)优化的双向长短期记忆神经网络(BiLSTM)对所有函数序列进行预测,并将每个函数序列的预测值累加得到最终结果。实验结果显示,该文提出模型的R2达到0.999,MAPE和RMSE分别为1.3×10-3和97.4,优于其他对比模型,有效降低了预测误差。

基于自适应神经网络的PDEs求解研究

针对当前基于神经网络的PDEs求解方法效率和精度均不够理想的缺陷,研究提出一种基于改进BP神经网络(BP neural network,BPNN)的PDEs求解模型。首先,参照自适应网格法来改进神经网络结构,构建自适应神经网络,改进模型的输出精度;其次,提出一种引入Levy飞行机制和鲸鱼优化算法(Whale optimization algorithm,WOA)的改进海鸥优化算法(Improved Seagull Optimization Algorithm,ISOA)来优化BPNN,寻找BPNN的最佳参数,提高模型的性能;基于上述内容,构建基于ISOA-BPNNPDEs智能求解模型。结果显示,该模型的F1值为95.74%,准确率达到97.96%,输出误差为0.021,优于当前最先进的两种PDEs求解模型。上述内容表明,研究构建的基于ISOA-BPNNPDEs智能求解模型能够高效、准确地实现PDEs求解,为PDEs求解研究提供了新的路径。

基于智能算法的社区团购配送路径优化

在线上购物配送环节中,综合考虑了碳排放成本、运输成本、货损成本、制冷成本、时间窗惩罚成本等多种成本因素,构建以总成本最小为目标的社区团购配送车辆路径优化模型。利用智能算法鲸鱼算法,对配送路径进行优化,验证了该算法的搜索能力和收敛性。

基于改进DELM在不同放电工况下的锂电池SOH预测方法研究

锂电池性能受到多种因素的影响,尤其在不同放电工况下其健康状态(SOH)预测难度极大增加.因此,研究以基于深度极限学习机为基础的锂电池SOH预测方法为基础,利用改进鲸鱼优化算法解决深度极限学习机中存在的随机权重和偏置问题,旨在提高锂电池SOH预测的精确率.对比实验结果表明,研究提出的预测方法算法的误差在[-0.02,0.04]之间,平均精确率达到96.23%,相比利用麻雀搜索算法、灰狼优化算法,改进的深度极限学习机算法分别提升了9.67%和5.05%.平均召回率为90.83%,平均误报率为3.75%.此外,高负载工况下,100次充放电循环后锂电池SOH值仅有0.221,下降幅度最大.不同工况下研究提出的预测方法平均精确率达到96.07%.研究提出的锂电池健康状态预测方法对于提高电池性能、延长寿命、提高安全性和降低环境影响具有重要的实际意义.