求解大规模优化问题的改进麻雀搜索算法

针对麻雀搜索算法在求解大规模优化问题时存在收敛速度慢、寻优精度低和易陷入局部极值的缺点,提出一种基于精英反向学习策略的萤火虫麻雀搜索算法(ELFASSA).首先,通过反向学习策略初始化种群,为全局寻优奠定基础;其次,利用萤火虫扰动策略提高算法跳出局部最优的能力并加速收敛;最后,在麻雀位置更新后引入精英反向学习策略以获取精英解及动态边界,使精英反向解可以定位在狭窄的搜索空间中,有利于算法收敛.通过选取10个高维标准测试函数进行仿真实验,将其与麻雀搜索算法(SSA)及4种先进的改进算法进行性能对比,并与3种单一策略改进的麻雀搜索算法进行改进策略的有效性分析,仿真结果表明, ELFASSA算法在收敛速度和求解精度两方面明显优于其他对比算法.     

基于CSSA-F-SVM模型的矿用卡车发动机智能故障诊断

针对矿用卡车发动机小样本故障数据导致诊断精度不足的问题，提出了一种基于改进的麻雀搜索算法优化基于凸半径边缘的ＳＶＭ 模型（Ｆ-ＳＶＭ）的矿用卡车发动机智能故障诊断方法。首先，针对麻雀搜索算法中全局搜索能力不足的问题引入链式搜索策略。其次，遵循位置最优原则，对加入者位置更新进行改进，以提高其收 敛性能。最后，使用改进后的麻雀算法对 Ｆ-ＳＶＭ 的核参数犵和惩罚因子犆 进行寻优，进而构建矿用卡车发动机故障诊断模型。实验结果表明，本文 ＣＳＳＡ-Ｆ-ＳＶＭ 模型方法的预测准确度更高，分别较传统ＳＶＭ 和 Ｆ-ＳＶＭ 模型提高了２１．５％和４．１％。该模型能够较好地实现矿用卡车发动机常见故障的诊断，适用于小样本数据的故障预测，可为矿山机械设备的智能故障诊断提供参考。