临时优劣重心反向融变的麻雀优化WSN定位算法

针对群智能优化算法在无线传感器网络(WSN)定位问题中迭代效率慢和容易陷入局部最优等问题，提出了临时优劣重心反向融变的麻雀优化WSN定位算法。该算法利用节点估计距离构建盒子模型，初步确定节点的位置区域，缩小了前期的搜寻区域范围；利用Circle混沌映射初始化种群，使种群分布更加均匀；并提出临时优劣重心反向学习策略，在充分利用种群的搜索经验的同时也保持了种群的多样性；结合融变策略使算法更容易跳出局部最优，提高了全局搜寻的效率。仿真实验表明，所提算法在定位精度和收敛效率方面均有较好的效果。     

基于TS模糊推理的自适应量子行为粒子群优化算法

为进一步改善量子行为粒子群优化算法的性能,保证搜索过程中粒子群的多样性,本文提出了基于Takagi-Sugeno(TS)模糊推理的自适应量子行为粒子群优化算法。该算法利用群体分布和搜索进程信息,通过TS模糊推理,动态调整算法参数及迭代方式,提升种群在更大空间搜索的能力,减少陷入局部最优的几率,并通过若干标准测试函数仿真和威氏(Wilcoxon)符号秩次检验。研究结果表明,与传统的粒子群优化算法相比,自适应量子行为粒子群优化算法性能更好,不但迭代初期收敛快,而且能收敛到理论最优值,尤其对复杂高维函数的优化问题更有效。该研究改善了量子行为粒子群优化算法的性能。     

融合粗糙数据推理的多策略改进麻雀搜索算法

针对麻雀搜索算法在迭代过程中种群多样性减少、容易陷入局部最优的问题,提出了一种融合粗糙数据推理的多策略改进麻雀搜索算法(RSSA)。该算法先结合低差异序列的思想进行种群初始化,增强算法的全局搜索能力,保障粗糙数据推理论域的完整性;然后引入粗糙数据推理理论,结合适应度与距离建立个体间的联系,提高收敛速度,增强跳出局部最优的能力,改良麻雀搜索算法在多峰值问题中的不足;并且对于迭代中的超界个体,在超界的同时将其赋值为边界附近的值而非边界最大或最小值,保证种群的多样性且提高算法收敛速度。仿真实验结果表明,RSSA与其他4种算法相比,收敛速度更快,精度更高,在面对多峰值问题时效果更好。     

改进麻雀搜索算法的轮毂减速器优化设计

针对麻雀搜索算法(SSA)存在开发能力较差,在接近全局最优时,种群多样性减少,易陷入局部最优解等问题,提出一种改进的麻雀搜索算法(ISSA)。该算法引进粒子共生机制、Levy飞行机制,利用当前个体来平衡个体只由历史最优个体和全局最优个体引导三种策略,和其他4个算法对12个基准函数进行仿真实验,实验表明ISSA提高了全局最优搜索能力、避免算法陷入局部最优,基于体积和效率建立轮毂减速器多目标优化模型,优化后减速器在保证效率不变的情况下体积降低53.44%。     

一种改进的混合蛙跳算法

针对基本混合蛙跳算法存在的易陷入局部最优、随着迭代次数增加种群退化的缺点,提出了一种改进的混合蛙跳算法。该算法将混合蛙跳算法中子群体内最差解根据子群内最优解和全局最优解进行更新的方式转换为最差个体根据子群内中心点和全局最优解进行更新的方式,使得最差解通过获得来自子种群内其他解的更多信息量来调整自身的状态。同时,算法在完成一次内迭代合并之后利用选择算子对整个种群进行选择更新。中值策略较好地平衡了算法的全局搜索与局部搜索能力,选择策略保持了进化过程中种群的多样性。实验结果表明:改进后的算法具有更好的优化性能。     

多策略MRFO算法的卷积神经网络超参数优化

卷积神经网络的性能与超参数配置密切相关,然而最优超参数的选择耗时耗力. 为了提高超参数选择的效率,提出了一种基于多策略的蝠鲼觅食优化算法,一方面采用半数均匀初始化策略提升种群的多样性;另一方面,融合新权重因子更新策略和分裂策略,提升收敛速度和拟合精度. 根据实数编码策略将所提算法用于卷积神经网络的超参数优化研究中,用3种觅食方式进行迭代,以得到最优的超参数配置. 为了评估超参数优化的有效性,与卷积神经网络超参数优化算法在手写数字和CIFAR-10数据集上进行了对比实验,实验结果表明,所提算法可消耗较少的资源,并获得更高的准确率.     

基于混沌思想的粒子群优化算法

为克服粒子群优化算法容易陷入局部最优的缺点，根据混沌运动的随机性、遍历性特点，提出一种基于混沌思想的粒子群优化算法（CPSO）、该算法利用种群适应度方差进行早熟收敛判断，实现对进化过程的监视，当发现种群陷入局部最优时，对种群进行混沌初始化，帮助种群摆脱局部最优点．对4种典型测试函数的仿真结果表明，改进算法明显减少了种群陷入局部最优的可能性．其全局寻优能力明显强于标准粒子群优化算法．     

一种利用动态搜索策略的混合蛙跳算法

从混合蛙跳算法的寻优原理出发,研究了其寻优机制．针对标准算法中存在的初始种群不均匀、迭代后期收敛速度慢,易陷入局部最优的缺陷,提出了一种改进的混合蛙跳算法．采用随机化均匀设计方法产生初始种群;引入影响因子,动态地改变子群当前最差值对其进化行为的影响;根据群体适应度方差判断种群是否陷入局部最优,并通过对当前全局最优值微扰,使算法跳出局部最优．实验结果表明,改进算法有更高的收敛精度和更好的收敛结果．     

基于现场数据的电站过热器神经网络建模

为克服机理建模方法的不足,对利用现场数据建立过热汽温模型进行了研究。通过对过热器运行机理的分析,确定了影响过热汽温变化的主要因素,及其对过热汽温影响的延迟时间。在论述了神经网络建模原理的基础上,建立神经网络模型。通过大量现场数据的训练,使所建模的输出与实际系统的输出基本吻合。最后,用部分现场数据对所建模型进行了仿真试验,证明了该建模方法的可行性。基于神经网络建模计算速度快及模型精度高,模型输出基本上反映了过热汽温的实际运行情况。     

多角色多策略多目标粒子群优化算法

针对粒子群算法在解决复杂多目标问题时存在过早收敛和多样性不足的问题,提出多角色多策略多目标粒子群优化算法(MOPSO_RS). 该算法根据粒子的角色划分指标,给不同性能的粒子赋予不同角色;提出多策略的学习参数调整方法和多策略的全局最优粒子选取方法,帮助种群执行各种搜索策略. 不同的学习参数使各角色粒子获得不同的搜索策略,以调整粒子的探索和开发能力. 不同的全局最优粒子使各角色粒子搜索不同区域,提高种群的搜索效率. 为了避免算法陷入局部最优,引入带有高斯函数的变异算子,使粒子根据其角色朝向不同的全局最优粒子变异,提高算法的求解精度. 实验结果表明,对比其他改进多目标算法,MOPSO_RS具有良好的收敛性和多样性,并验证了所提策略的有效性.     

超超临界二次再热机组过热汽温模型辨识

二次再热是进一步提升大型超超临界机组运行参数、提高机组运行效率的一项关键技术。该类机组的建设尚处于起步阶段,运行经验相对缺乏,为提高其运行控制水平,需要了解锅炉运行的热工特性,并建立兼具工程应用需求和理论研究价值的模型。在西安热工院开发的华能莱芜电厂2×1 000 MW机组仿真系统的平台上,进行了两级喷水减温扰动试验、烟气再循环扰动试验,探究过热汽温的变化规律。采用改进型的粒子群算法,对过热汽温被控对象进行辨识。研究表明改进型粒子群算法辨识精度较高,得到的过热汽温被控对象模型可用于开展机组优化运行与优化控制的相关研究。     

改进哈里斯鹰优化算法与BP神经网络组合的滑坡位移高精度预测模型

开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明:引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题; IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。     

基于随机搜索算法优化XGBoost的过热汽温预测模型

建立过热器汽温对象的高精度性能预测模型,是实现过热汽温智能优化控制的基础.为此,针对某600 MW超临界机组仿真系统的历史运行数据,采用机器学习中的XGBoost(eXtreme Gradient Boosting)回归模型建立过热器汽温特性的预测模型,并分别采用网格搜索算法和随机搜索算法对模型参数进行优化.通过比较两...     

引入相量算子和流向算子的天鹰优化算法

针对天鹰优化算法搜索效率不足,容易陷入局部最优的缺点,提出多策略改进天鹰优化算法(MIAO).引入广义正态分布优化算法(GNDO),将该算法得出的结果与天鹰优化算法第1阶段得出的结果进行比较,筛选出这2种优化算法下的最优值.该操作扩大了搜索空间,提高了解的质量.引入相量算子,将第2阶段变为自适应的非参数优化,提高算法的高维优化能力.针对天鹰优化算法在迭代后期存在种群多样性降低、局部开发能力不足的问题,在天鹰算法的第3阶段引入流向算子,使信息可以在每个个体间相互传递,提高种群信息的利用率,增强天鹰优化算法的开发性能.通过对16个测试函数寻优对比分析以及Wilcoxon秩和检验可知,MIAO的寻优能力和收敛速度都有较大的提升.为了验证MIAO算法的实用性和可行性,采用所提算法求解减速器设计问题,通过实际工程优化问题的实验对比分析可知,MIAO算法在处理现实优化问题上具有一定的优越性.     

基于粒子群优化的生物组学数据分类模型选择

针对生物组学数据普遍存在的高维小样本和样本分布不平衡问题,提出基于粒子群优化分类模型选择算法.该算法中粒子编码由样本平衡模型、特征选择模型和分类模型及超参数构成,粒子种群以达到以生物组学数据最佳分类性能为目标,通过对粒子的速度和位置进行迭代更新,得到模型组合及超参数的最优解.在8组真实生物组学数据集上的实验结果表明,所提模型选择算法能够避免人为选择所带来的主观偏差,提高最佳分类性能和稳定性.     

一种改进的粒子群算法——PSO-Powell

该文针对PSO容易陷入局部最优的缺陷,提出了PSO-Powell辨识算法。该算法首先进行PSO的全局搜索,以全局搜索的最好粒子作为进行Powell搜索的起始点进行搜素,克服了PSO容易陷入局部最优点的缺陷。通过测试用例的测试,证明了该算法的有效性;并对非线性Hammerstein模型和典型的三级串联模型进行了常规方法和该文算法的辨识,对比结果表明了该算法对于辨识参数具有大范围选取能力。仿真结果表明该算法是模型参数辨识的一个有效方法。     

基于新型两阶段混合算法的电力系统无功优化

针对电力系统无功优化领域现有的人工智能算法易早熟和收敛精度不佳的缺点,将萤火虫算法和量子粒子群算法相结合,形成一种新型两阶段混合优化算法。该混合算法采用串联的方法将GSO算法与QPSO算法混合,使两种算法优势互补。在算法迭代前期充分利用萤火虫算法可同时搜索全部局部最优解的特性,保证了寻优的全面性。在迭代中后期,利用量子粒子群算法收敛速度快、解的精度高的特点进行寻优,保证了算法的收敛精度。同时基于黄金分割点理论,引入了群体替代算子,避免了迭代后期算法陷入局部最优。经过算法在IEEE30节点算例中的对比仿真,结果表明:在无功优化领域中,两阶段混合算法的全局搜索能力,收敛速度及精度均优于对比算法。     

基于改进量子粒子群算法的微网多目标优化调度

根据微网与主网之间不同的交互方式制定2种不同的优化策略,建立以微网经济成本和环境效益为目标的优化调度模型,采用蜂群搜索策略的改进量子粒子群(BQPSO)算法进行求解。该算法具有较强的全局搜索能力,能够提高计算精度,避免陷入局部最优解,有效改善多目标优化调度的Pareto前沿分布特性。最后,以典型的微型燃气轮机、柴油发电机和燃料电池组成的微网系统为例,验证了所建模型和所提方法的有效性。     

Tent混沌和变邻域局部搜索优化的GSA

针对引力搜索算法存在的易陷入局部最优、精度有待提高等问题,提出一种Tent混沌和变邻域局部搜索优化的引力搜索算法。首先改进Tent混沌,利用其遍历均匀性、随机性初始化种群,增强算法的全局搜索能力;然后改进粒子速度和引力系数公式,加快算法的收敛速度;最后设计一种基于莱维飞行的变邻域局部搜索策略,引导种群脱离局部最优,提高寻优精度。仿真结果显示,新算法能有效地抑制局部最优,相较其他测试算法有更好的寻优精度和稳定性。利用新算法优化径向基函数神经网络,对非线性系统的辨识结果证明,改进后的径向基函数神经网络比标准径向基函数神经网络和反向传播神经网络具备更好的模型逼近能力和泛化水平。     

基于混沌方程的属性散射中心参数优化混合算法

针对属性散射中心特征提取过程的参数优化步骤中出现的局部最优解问题,提出了一种基于混沌方程的参数优化混合算法,以避免参数优化过程局部最优,并结合Matlab提供的优化函数迭代,算出最终的属性散射中心参数。实验表明,这种优化混合算法能有效避免参数优化过程陷入局部最优,从而提高了参数优化结果的准确性。