基于非线性搜索策略的改进灰狼优化算法及其应用

灰狼算法(GWO)在大工业复杂的优化问题求解中存在许多不足之处,如容易陷入局部最优解、收敛速度慢、最优解精度低等缺点,由此提出一种改进的灰狼优化算法.在灰狼算法的基础上,通过引入非线性参数和新的位置迭代更新方程,构建一种基于非线性策略的灰狼优化算法,并通过软件实现算法.通过8个标准测试函数在多维度下的数值对比实验和一个工程设计优化问题求解,分析验证算法的稳定性和优越性,并证明其性能均优于原有的GWO系列算法,是一种具有潜力的元启发式算法.

基于优化领先狼群算法的微震源定位研究

为分析不同启发式方法对求解微震源定位精度问题的影响,提出一种优化领先狼群算法。该算法在领先狼群算法的基础上,调整搜索步长和围攻步长两个参数,提高了在搜索过程中跳出局部最优解的能力。通过理论模型反演和工程数据分析,验证了优化领先狼群算法的有效性。与常用的粒子群算法和模拟退火算法两种启发式算法相比,优化领先狼群算法收敛更快,精度更高,受P波波速误差影响更小。该算法为智能启发式算法应用于微震源定位提供了新思路。

基于Bi-LSTM神经网络的室内可见光定位方法

双向长短时记忆(Bi-LSTM)神经网络由于超参数众多,难以获得最优系统模型。同时,考虑到灰狼优化(GWO)算法可能过早收敛的情况,提出了一种采用GWO结合粒子群(GWO-PSO)算法优化Bi-LSTM神经网络的单灯定位方法。通过优化网络中的学习率、隐藏神经元个数等超参数,提高系统的稳定性和定位精度。最后,采用加权K邻近(WKNN)算法对误差较大的点进行优化,以获得更精确的定位位置。仿真结果表明,在3 m×3.6 m×3 m的室内环境中,所提定位方法的平均定位误差为3.57 cm,其中90%的定位误差在6 cm内。

协同围攻策略改进的灰狼算法及其PID参数优化

针对灰狼优化算法(GWO)在求解优化问题时收敛速度慢和全局搜索能力弱的缺点,提出一种基于Chebyshev融合狼群协同围攻策略的改进GWO算法(CCA-GWO)并成功应用于PID参数优化。首先,通过对比三种混沌映射优缺点并最终将Chebyshev映射用于算法初始化中以增强初始解的多样性;其次,为平衡算法的全局勘探和局部开采能力,通过模拟灰狼群狩猎时头狼和次头狼的交替行为,提出一种新的非线性策略对控制参数A和C及位置更新方程进行修正;最后,将改进算法应用于PID参数优化。通过8组基准测试函数在10维、30维和100维下进行实验,并与BOA、MFO、ASO、MVO、WOA、GWO进行对比,数值实验结果表明,CCA-GWO不仅在求解不同维度的基准测试函数上具有更好的寻优性和稳定性,而且在PID参数优化中相较于6种元启发式算法表现出更好的优化性能。

基于IGWPSO-SVM的HMCVT湿式离合器摩擦副温度预测

针对传统机器学习模型预测重型拖拉机液压机械无级变速箱(Hydro mechanical continuously variable transmission,HMCVT)湿式离合器温度的局限性,提出了基于改进灰狼粒子群优化-支持向量机(Improved grey wolf particle swarm optimization-support vector machine,IGWPSO-SVM)的HMCVT湿式离合器摩擦副温度预测模型。首先,对湿式离合器摩擦副滑摩过程进行热分析,确定影响湿式离合器摩擦副温度的因素;然后,基于支持向量机(Support vector machine,SVM)搭建温度预测模型,并利用改进灰狼粒子群优化(Improved grey wolf particle swarm optimization,IGWPSO)算法对SVM的结构参数进行优化;最后,基于HMCVT湿式离合器试验台数据搭建离合器摩擦副温度预测模型的样本数据库,以湿式离合器摩擦副对偶钢片为对象,对IGWPSO-SVM模型进行试验验证。试验结果表明,IGWPSO-SVM模型预测摩擦副对偶钢片内、中、外径温度的平均绝对误差(Mean absolute error,MAE)、均方误差(Mean square error,MSE)、均方根误差(Root mean square error,RMSE)、平均绝对百分比误差(Mean absolute percentage error,MAPE)的均值分别为3.3557℃、24.3212℃^(2)、4.5976℃、3.95%,最高温度预测误差分别为7.8700、5.4300、0.9900℃,3次试验的对偶钢片内、中、外径温度MAE、MSE、RMSE、MAPE均值的平均值分别为3.3522℃、24.7380℃^(2)、4.9737℃、4.12%,3次试验的内、中、外径最高温度平均绝对误差(Maximum temperature mean absolute error,MTMAE)平均值为4.3733℃,相比于其他4种已有的模型为最低。研究结果可为重型拖拉机湿式离合器温度的高精度预测及整车的可靠性控制提供理论依据。

基于狼群算法的虚拟同步发电机并网逆变器不平衡电网下多目标优化控制研究

针对电网电压不平衡情况下虚拟同步发电机(VSG)并网逆变器并网输出电流不平衡、有功功率及无功功率波动的问题,提出一种基于狼群算法的VSG并网逆变器多目标优化控制方法。针对电流平衡、抑制有功、无功波动间的矛盾,设计多目标优化控制,引入调节系数和不平衡度,建立负序参考电流统一表达式及多目标优化函数,并通过狼群算法对多目标函数寻优,实现三个控制之间的协调控制,提高了VSG逆变器输出电能质量。最后,对所提出控制方法进行仿真分析,验证其可行性和有效性。

基于PSO-GWO的省级能耗强度预测与碳减排潜力估算

准确预估省域节能降碳潜力是政策制定与调整的基础。针对目前省级降碳潜力估算方法仍存在难以指导实践的局限性问题,提出一种主客观相结合的新方法,构建包含经济、技术投入、规模效应3个因素的能耗强度学习曲线,并以灰狼算法改进粒子群优化算法优化拟合曲线;充分考虑碳汇技术,构建减排潜力核算框架;以S省为例,设定12种组合情景进行实证研究。结果表明,优化产业结构与调整能源结构是目前降低碳排放量、确保实现“碳达峰”目标的主要手段;零碳、负碳技术现阶段能够为减排做出较少贡献,但可促进碳达峰进程。

基于金豺优化算法的PID参数优化研究

针对控制系统PID参数难以寻优的问题,提出一种金豺优化(Golden Jackal Optimization,GJO)算法。该算法受金豺家族狩猎过程的启发,以PID的3个参数组成金豺的位置坐标,根据金豺的狩猎规则更新公豺和母豺豺对的位置,使其向最优解迭代。为了验证算法的效果,将该算法分别与Z-N临界比例法、粒子群优化算法和灰狼优化算法进行比较。仿真结果表明,采用金豺优化算法控制系统的PID参数,系统具有调节时间短、上升速度快和超调量小等优点,为PID参数优化提供了参考。

局部阴影下光伏阵列的最大功率点跟踪算法研究

针对局部阴影下光伏阵列输出功率的多峰值问题,传统的MPPT跟踪算法不能准确跟踪系统的最大功率点,为此,该文研究了3种基于人工智能算法的光伏阵列MPPT算法,包括粒子群算法、灰狼算法和改进人工蜂群算法。该文详细介绍了3种人工智能算法的原理及算法流程,并在Matlab/Simulink中搭建系统的仿真模型,对比3种算法在静态阴影遮挡和阴影突变情况下的MPPT跟踪性能,结果表明:3种人工智能算法均能有效跟踪光伏阵列的最大功率点,跟踪误差均小于0.5%,其中粒子群算法跟踪精度最高,收敛速度最慢,而灰狼算法跟踪精度最低,收敛速度最快,在收敛稳定性方面,相较于灰狼算法和改进人工蜂群算法,粒子群算法更易陷入局部最优。

基于灰狼-鸟群算法的特征权重优化方法

针对特征权重难以准确量化的问题,提出一种基于灰狼优化(grey wolf optimizer, GWO)算法和鸟群算法(bird swarm algorithm, BSA)的混合算法,用于特征权重的寻优。首先,将Chebyshev映射、反向学习与精英策略用于混合算法的初始种群生成;其次,将改进后的GWO算法位置更新策略融入BSA的觅食行为中,得到一种新的局部搜索策略;然后,将BSA的警觉行为与飞行行为用作混合算法的全局搜索平衡策略,从而得到一种收敛的灰狼-鸟群算法(grey wolf and bird swarm algorithm, GWBSA),通过GWBSA的迭代寻优可获得各特征的权重值。利用标准测试函数和标准分类数据集进行了对比实验,与遗传算法、蚁狮算法等方法相比,GWBSA具有较快的收敛速度且不易陷入局部最优,可以提高模式分类问题的求解质量。

粒子群算法和灰狼算法的融合

为了解决传统粒子群算法(PSO)容易“早熟”、陷入局部最优以及灰狼算法(GWO)收敛速度慢的问题。首先,采用GWO算法的个体极值更新策略来实现个体包围式向最优值趋近,融入PSO算法的速度更新策略来实现群体向最优值的趋近,并且在原始粒子群算法基础上加入线性惯性权重递减来提高算法的收敛速度,从而提出了一种基于灰狼算法和改进的粒子群算法(IPSO)的融合优化算法(GW-IPSO);其次,通过6个经典算例进行仿真试验,将融合算法与PSO算法、IPSD算法、灰狼和粒子群结合算法(GW-PSO)进行对比;最后,应用融合算法对二级直线倒立摆的控制器设计进行参数寻优。结果表明:针对6个标准测试函数,混合算法的30次试验结果平均值更接近最优值,且标准差几乎都是最小的;应用在倒立摆控制问题上,系统在5 s左右进入稳定状态。融合后的GW-IPSO算法能够在一定程度上避免早熟和陷入局部极值的问题发生,并且能够很好地应用于控制器设计过程中参数寻优问题。

基于三支决策的多目标优化自然计算策略研究

为提高优化算法的优化效率,解决早熟收敛的问题,本文提出一种基于三支决策的多目标优化自然计算策略。利用分段Tent混沌初始化种群,生成均匀分布的初始化种群;引入三支决策思想,根据适应度值大小将种群分为正域、负域以及边界域,分别对三域中的最优个体执行不同的变异行为;结合个体在目标空间中的欧氏距离,充分发掘可能为最优解的潜在价值。将该策略分别应用到粒子群算法及灰狼算法中,并与这两个经典算法进行对比,实验结果表明:该策略具有更好的求解精度和更快的收敛速度,具有较高的寻优性能以及一定的普适性。

基于改进灰狼算法优化ELM的边坡稳定性评价

采用改进的灰狼算法对极限学习机进行了优化,以改善边坡稳定性评估的准确性。首先,在GWO中加入了逆向和非线性的收敛因子,并给出了一种新的GWO优化方法;其次,为了改善ELM的性能,利用IGWO算法优化了ELM的输入层次权重和隐含层偏差,从而得到了IGWO-ELM的最佳模式。最后,选取重度、黏聚力、摩擦角、边坡角和坡高5个指标作为边坡稳定性评估参数,研究结果表明,与ELM、PSOELM、GWO-ELM相比,应用IGWO-ELM对边坡的稳定性进行评估,其结果更为准确。

基于改进智能优化算法的磁偶极子目标参数估计方法研究

针对磁偶极子实时定位问题,提出了一种基于改进智能优化算法的磁偶极子目标参数估计方法。具体地,针对标准灰狼优化(GWO)算法易陷入局部最优的不足,提出一种GWO—粒子群优化(PSO)混合算法。首先,通过佳点集初始化使初始种群位置更加均匀;其次,结合PSO算法改进种群位置更新公式,增强种群之间的交流;另外加入改变概率和莱维飞行(LF),增强种群的活性,避免算法陷入局部最优。本文采用仿真数据对所提方法的有效性进行验证,结果表明:所提的改进定位算法在低信噪比下的定位精度更高,收敛速度更快,稳健性更优,可用于磁性目标探测。

基于狼群优化算法的DG与分布式储能的调度策略

为了缓解分布式电源对电网的影响,构建了一种基于狼群优化算法的DG与分布式储能联合调度模型。首先,对DG与分布式储能的运行特性进行分析,构建了以SOC、电压偏差和功率波动等指标为目标函数的调度模型;其次,考虑到分布式电源和分布式储能的出力随机性,提出了一种狼群优化算法;最后,利用狼群优化算法求解调度模型,并在IEEE30节点系统进行仿真。结果表明,与传统的优化调度算法相比,文章提出的狼群优化算法在保证系统安全稳定运行的同时可有效减少分布式电源的出力波动和调度成本。

基于HPO-SVM的拖拉机柴油机故障诊断研究

[目的]针对传统机器学习在拖拉机柴油机故障诊断应用中的局限性,本研究提出一种HPO-SVM(hybrid population optimization-support vector machine)拖拉机柴油机故障诊断模型。[方法]采用SVM(support vector machine)作为故障诊断模型的基体,针对SVM优化问题,以PSO(particle swarm optimization)和GWO(grey wolf optimization)算法为基础提出了HPO(hybrid population optimization)算法对SVM的重要参数c、g进行优化;分析柴油机的故障机制,确定反映故障发生的数据信号;基于CAN(controller area network)总线和Arduino UNO-MCP 2551组合模块采集潍柴WP6型拖拉机柴油机传感器信号数据对HPO-SVM的性能进行测试,并将测试结果与SVM、PSO-SVM、GWO-SVM、GWOPSO-SVM和LWD-QPSO-SOMBP(linear weight decrease-quantum particle swarm optimization-self organizing maps back propagation)神经网络的测试结果进行对比。[结果]相比于其他4种SVM模型,HPO-SVM充分发挥了GWO算法和PSO算法在SVM参数寻优方面的优势,故障诊断准确率大幅度提升,相比于SVM,诊断总准确率由80%上升至100%,提高20%;HPO算法提高了单种群优化算法的寻优性能,相较于PSO算法,HPO算法最佳适应度由70提升至90,提高22.22%,达到最佳适应度时的迭代次数由105下降至27,下降74.29%;为避免偶然性,对5种SVM模型采取6次重复试验,试验结果表明,相较于其他4种模型HPO-SVM模型的性能更稳定,HPO-SVM的6次诊断总准确率均为100%;HPO-SVM采用SVM作为故障诊断模型,缓解优化算法的寻优压力,提高模型的效率,相比于LWD-QPSO-SOMBP神经网络,HPO-SVM模型的运行时间由45 s降低至15 s,下降66.67%。[结论]本文研究结果可为高效率拖拉机柴油机故障诊断提供参考。

基于改进灰狼算法的多任务优化算法

针对已有多任务优化算法寻优精度受限、计算时间成本过高等问题,提出一种基于改进灰狼算法的多任务优化算法(improved grey wolf algorithm based multitask optimization algorithm,IGWMTO)。该算法采用灰狼算法代替典型多任务算法中的遗传算法,计算个体的因素等级和技能因子实现狼群分类,并以此更新个体隶属任务,引入扰动因子和动态权重改善狼群个体的更新方式。仿真测试结果表明:相比于传统多任务优化算法,所提算法在4个优化问题上的寻优精度的提升均超过了4.8%,计算耗时降低了70%以上。

基于任务分配的无人机蜂群攻击控制优化

为提高无人机蜂群执行任务的效率,提高无人机蜂群与敌方对抗时获胜的概率,引入多种群机制和帕累托分配理论对多目标灰狼优化算法进行改进,使用改进后的灰狼优化(IMOGWO)算法进行无人机蜂群任务分配。仿真验证结果表明,IMOGWO算法具有更高的有效性、充分性和收敛性,获取最佳任务分配方案的用时更少,任务分配方案更优,优化后的算法基本满足无人机蜂群的任务分配要求。

一种新的群体智能算法--狼群算法

基于狼群群体智能,模拟狼群捕食行为及其猎物分配方式,抽象出游走、召唤、围攻3种智能行为以及"胜者为王"的头狼产生规则和"强者生存"的狼群更新机制,提出一种新的群体智能算法———狼群算法(wolf pack algorithm,WPA),并基于马尔科夫链理论证明了算法的收敛性。将算法应用于15个典型复杂函数优化问题,并同经典的粒子群算法、鱼群算法和遗传算法进行比较。仿真结果表明,该算法具有较好的全局收敛性和计算鲁棒性,尤其适合高维、多峰的复杂函数求解。

三级领导式的快速自适应狼群优化算法

为提高狼群算法的收敛速度,在此提出了一种称为三级领导式和微粒进化方程的自适应狼群算法,人为地把灰狼分成两类,领导层三只灰狼:如αβ和δ,剩下的为猛狼w。在游走搜索阶段随机设定一个猎物位置,利用狼群与猎物之间的距离来指导游走搜索猎物;在召唤阶段,利用三个领导层灰狼作为头狼来引导猛狼向猎物靠近,避免了传统狼群算法只有一只头狼引导整个狼群就容易陷入局部最优的情况;在围攻猎物阶段利用惯性因子来表示以往奔袭的经验、学习因子与随机数之间的乘积来表示猛狼自身经验的认识与总结、迭代影响因子来表示整体狼群经验的认识与调整,综合起来狼群粒子奔袭速度加快收敛速度和跳出局部最优,从而找到真实的整体最优值。本次选取的8个测试函数对应的对比性实验结果表明:该方法较为精确地实现寻找到了测试函数的最优值且较早地快速收敛到最优解,在后期也平稳收敛到真实的最优值,该算法适用于多维多波峰函数求极值问题。