基于测距修正和蜜獾优化的改进DV_Hop定位算法

针对传统DV_Hop算法在无线传感器网络中定位精度不足的问题,提出一种基于测距修正和蜜獾优化的改进DV_Hop定位算法。首先,通过多通信半径细化节点间最小跳数;其次,利用最小均方差准则与修正因子减少跳距误差;最后引入全局寻优性能优异的改进蜜獾算法代替最小二乘法计算未知节点坐标,进一步降低计算误差。经网络仿真验证,在不同条件下,优化算法较传统DV_Hop算法和改进算法（PDDV_Hop）定位误差平均下降16.62%、3.92%,能够有效地提高定位精度,且优化算法定位精度受锚节点数量影响较小,可在保证定位精度的前提下降低锚节点部署成本。     

基于测距修正和蝙蝠优化的改进DV-Hop定位算法

本文对DV-Hop算法定位误差大的问题进行研究。针对DV-Hop算法在求解平均跳距和未知节点位置两个阶段的缺陷，提出一种基于测距修正和蝙蝠优化的改进DV-Hop定位算法。首先，采用最小均方误差准则求解锚节点间的平均跳距，并添加校正因子减小测距误差；其次，利用混沌映射策略初始化种群并设置阈值M控制映射的次数，采用速度加权策略控制搜索的步长，增强蝙蝠算法跳出局部最优的能力；最后，使用改进蝙蝠算法确定未知节点的位置。仿真结果表明，提出的定位算法具有更高的定位精度，相比DV-Hop算法、BADV-Hop算法、PSODV-Hop算法分别提升了32.35%、18.80%、8.16%。     

基于蜣螂算法优化的 DV-Hop 定位算法

针对无线传感器网络中传统DV-Hop(distance vector-hop)算法定位误差大的问题,提出了一种基于蜣螂算法优化的DV-Hop定位算法。首先使用双通信半径的方式细化节点间跳数,并使用最小均方误差准则计算锚节点的平均跳距,将改进后的平均跳距的平均值当做每个未知节点的平均跳距,最后引入权重因子优化适应度函数,使用蜣螂优化算法代替三边测量法进行坐标计算。仿真结果表明,所提算法比经典DV-Hop算法平均定位误差提升了55.69%、59.61%和67.59%,误差方差提升了52.41%、45.58%和36.87%,具有良好的定位精度和较好的稳定性。     

基于改进哈里斯鹰优化算法的有源配电网故障定位

针对改进的遗传算法、二进制粒子群算法等智能优化算法在复杂的有源配电网中故障定位的准确率不高、易于陷入局部最优、收敛速度慢以及定位时间长等问题,提出一种基于改进哈里斯鹰优化算法的有源配电网故障区段定位方法。首先,通过Tent混沌映射改善初始种群和将逃逸能量非线性化,以加快哈里斯鹰优化算法的收敛速度。其次,通过结合黄金正弦算法跳出局部最优。最后,所提方法在IEEE33节点有源配电网模型上进行了仿真测试验证,表明改进后的哈里斯鹰优化算法能很大程度地加快收敛速率,故障定位方法具有很高的容错率。     

基于改进哈里斯鹰优化算法的主动配电网规划

针对大规模可再生能源(renewable energy sources,RESs)接入电网后的间歇性和波动性,配电网向主动配电网(active distribution network,ADN)过渡资源配置的复杂化等问题,提出了基于改进哈里斯鹰优化(improved Harris hawk optimization,IHHO)算法的主动配电网最优规划模型.首先,对风光出力和负荷需求的典型场景进行构建;建立考虑系统电压增强指数、有功和无功损耗指标在内的最优规划模型;采用IHHO算法进行优化求解;最后,以IEEE57节点系统为例对所提出的模型和方法进行了仿真分析,验证了模型和方法的有效性和先进性.     

基于深度强化学习哈里斯鹰算法的路径规划

哈里斯鹰算法存在容易早熟、陷入局部最优陷阱、稳定性较差等问题。为了提升算法性能，本文提出了一种利用深度确定性策略梯度算法（DDPG）改进的哈里斯鹰算法。该改进将深度强化学习和启发式算法结合，利用深度确定性策略梯度算法训练神经网络，再通过神经网络动态地生成哈里斯鹰算法关键参数，平衡算法全局搜索和局部搜索，并赋予算法后期跳出局部最优陷阱的能力。通过函数优化和路径规划对比实验，实验结果表明，DDPGHHO算法具有一定的泛化性和优秀的稳定性，且在不同环境下均能够搜索到更优路径。     

融合跳距修正与麻雀搜索的改进DV-Hop算法

针对WSN节点定位中DV-Hop算法存在较大定位误差的问题,深入分析产生误差的原因,提出了一种基于跳距改进和麻雀优化DV-Hop定位算法(ISSA-DH)。该算法首先通过通信半径细化精确跳数,并添加加权修正因子来降低平均跳距的误差;然后通过估计距离和实际距离的偏差量进一步加权修正跳距;再利用改进的麻雀算法取代最小二乘法,把无线传感器的定位问题转化为求解最优问题,进而得到未知节点的位置。通过仿真,在不同的条件下ISSA-DH算法较DV-Hop算法和改进算法（DCAI DV-Hop）定位误差平均下降50.3%、34.3%,证明ISSA-DH算法能够有效减少定位误差。     

基于改进哈里斯鹰算法优化核极限学习机的短期电网负荷预测研究

利用改进的哈里斯鹰算法对核极限学习机进行优化,构建了CEHHO-KELM电力负荷预测模型。首先,在充分考虑了经济、时间、气候以及电网自身影响的基础上,采用灰色关联分析法筛选主要影响因素作为预测模型输入向量。然后,将优化的哈里斯鹰算法融合到核极限学习机的参数优化中,建立了CEHHO-KELM电力负荷预测模型。将某省电力负荷数据及其影响因素数据用于实证分析。仿真结果表明,CEHHO-KELM算法相较于HHO-KELM、LSSVM、KELM算法,能够较好地搜索核极限学习机的参数、更好地平衡全局和局部性能,从而使得KELM预测模型具有更高的预测精度。     

基于分层混合灰狼-哈里斯鹰算法的水火电调度优化

短期水火电调度优化的主要目的是减少水火电系统中火电厂的发电成本,由于这一问题具有较多的复杂约束条件,带来了非线性、非凸特征等难题.采取分层结构将两种较新的群智能算法改进灰狼优化与哈里斯鹰优化相结合,从而获得二者易实现、收敛能力强、全局搜索能力好的优点.算例的仿真计算结果表明,此算法比传统的智能算法有明显的提升,取得了更优的结果,是针对这一问题有效的解决方法.     

基于网络跳距修正的DV-Hop定位算法

针对DV-Hop算法在网络拓扑结构不规则的环境中存在较大误差的问题,提出改进的DV-Hop算法,该算法通过引入全网平均每跳误差修正值获得未知节点到锚节点的有效距离,可避免后续计算过程中误差的累积。利用MATLAB7.5.0仿真平台对DV-Hop算法和改进算法进行仿真分析的结果表明,在没有增加通信开销的基础上,随着锚节点所占比例的增加,改进后的DV-Hop算法比原DV-Hop算法在定位精度、覆盖率及稳定性上都得到了大大提高。     

高心墙堆石坝大场景视频监控网络覆盖NCHHO优化

覆盖率和成本是衡量高心墙堆石坝视频监控网络部署优劣的重要指标。然而,现有研究缺乏对建设成本的综合考虑,且常用的视频监控网络覆盖优化求解方法存在收敛速度慢、易陷入局部最优等不足。针对上述问题,本文提出一种高心墙堆石坝大场景视频监控网络覆盖改进哈里斯鹰优化模型——非线性混沌哈里斯鹰优化（nonlinear chaotic Harris hawks optimization, NCHHO）模型。首先,提出表征视频网络部署成本的单位摄像头重复采样率指标,并基于集合覆盖理论构建以覆盖率和单位摄像头重复采样率最大为目标的视频监控网络覆盖优化模型。其次,利用混沌序列和非线性能量更新策略改进哈里斯鹰算法的种群初始化和搜索过程,提高算法的收敛速度、避免陷入早熟,并利用其求解视频监控网络覆盖优化模型。实例验证了改进哈里斯鹰算法在视频监控网络部署优化中的有效性和优越性,本研究得到的优化方案覆盖率和重复采样点比例分别为99.98%和60.3%,相比经验方案提高了13.8%和23.2%,显著优化了视频监控效果。     

基于RSSI测距技术的三角形面积和定位算法

为了提高无线传感器网络的定位精度,从提高测量精度、改善信标节点分布的角度提出了一种基于RSSI测距的三角形面积和定位算法。该算法利用高斯模型对非敏感区的RSSI数据进行处理,筛选出RSSI较优值,解决了RSSI易受干扰的问题。研究表明,通过高斯模型筛选出的RSSI值可以较好的预测环境参数;三角形面积和算法可以动态调整环境参数,使未知节点和信标节点达到合理距离,该算法计算简单,无需硬件扩展。     

基于误差校正和自适应算子的SVR-PSO定位算法

针对室内复杂环境易受多径效应和非视距影响，导致RSSI值不可靠，影响SVR模型预测性能和系统定位精度的问题，提出一种基于误差校正和自适应算子的SVR PSO算法。该算法提出利用近邻参考标签的预测误差对待测标签的预测距离进行误差校正，从而弥补SVR模型因RSSI值不可靠而预测不准确的问题。然后构建求解待测标签位置坐标的非线性方程组，利用PSO算法迭代求解。针对标准PSO算法存在的易陷入局部最优且收敛速度慢的问题，设计了一种自适应算子，分别对PSO算法的惯性权重和学习因子进行改进。仿真结果表明，误差校正和自适应算子对提升室内定位精度均有一定的作用。与SVR PSO相比，系统平均定位精度提升了316%。在相同定位精度下，该算法使用的参考标签数量更少。     

基于修正 RSSI 值的四边形加权质心定位算法

在利用接收信号强度指示(RSSI)对无线传感器网络中的未知节点进行定位时,RSSI 值易受环境的影响导致定位误差, 为此提出基于 RSSI 测距修正的四边形加权质心定位算法(QWCRC)。 先对来自同一锚节点的多个 RSSI 值进行卡尔曼滤波,得 到修正的 RSSI 值,致使测距尽可能的接近真实距离;再采用四边形加权定位对未知节点进行定位,同时利用最小二乘法进行辅 助定位,此算法对于相邻锚节点圆不相交的情况给出新的解决方案。 实验结果对比表明,改进的算法相比较于四边形加权质心 算法(QWC)和 RSSI 测距修正的三角形加权算法(TWCRC),在锚节点数目 5×5 和噪声强度为 0 dbm 时,定位精度可分别提升 87. 14%和 35. 51%。     

融合超宽带方位和距离的移动机器人定位

可靠定位是机器人完成导航和路径规划的前提,机器人通过多个超宽带(ultra-wideband, UWB)基站的测距信息实现定 位,但基站数量不足时定位精度受限。 针对这一问题,提出融合超宽带距离和方位的移动机器人定位方法。 根据方位标准差区 分信号来自基站前方(视场)或背后(非视场),消除方位的前后奇异性。 在此基础上,利用 UWB 距离和方位测量值构建约束函 数,通过图优化算法融合里程计和 UWB 测量数据实现全局位姿优化。 实验结果表明,该方法在 13 m×6 m 的室内环境中,移动 机器人无规则运动能够达到 0. 093 m 的定位精度,比传统的基于测距 UWB 和里程计融合方法定位性能提升了 46%,且具有较 强的鲁棒性。     

电力系统粒子群优化模糊聚类算法及其应用

电力系统数据信息处理与应用领域广泛涉及数据挖掘与特征提取问题,为了提高其中聚类算法的有效性,提出了一种粒子群优化算法(PSO)与模糊C均值算法(FCM)有机结合的粒子群优化模糊聚类算法。该算法用PSO优化过程代替FCM中的基于梯度下降的迭代过程,充分利用PSO具有全局寻优、快速收敛的特点,使算法具有很强的全局搜索能力,有效地避免了FCM易陷入局部极小的缺陷;同时也降低了FCM对初始值的敏感度。还通过核方法,将低维特征空间的样本通过核函数映射到高维特征空间,增强了特征的优化,使特征在高维空间更易聚类。电力系统负荷样本聚类的应用仿真研究结果表明:与单纯FCM法相比,该算法聚类更准确,效果更佳。