改进的混合蛙跳算法

为提高混合蛙跳算法在优化问题求解中的性能,提出了一种改进混合蛙跳算法。改进算法在原算法基础上加入了变异算子,并根据算法进化过程的不同阶段和进化过程中候选解分布情况,利用模糊控制器对变异算子的变异尺度进行调整,实现了变异算子在解空间中搜索范围的动态调整。通过对优化问题中4个典型测试函数的仿真实验表明,与基本蛙跳算法和已有改进算法相比,改进算法在寻优精度、收敛速度和求解成功率上均有一倍以上的提高,尤其在高维复杂优化问题求解中体现出较强的寻优能力。     

基于AMSFLA的配电网故障定位研究

随着电网的不断发展,其网络架构趋于复杂,电网线路发生故障的概率也随之增加,目前配电网故障指示器作为对线路故障检测的主要工具,仍然具有故障识别率低、易发生误动的缺点。为了解决故障指示器目前存在的问题,针对其现状进行分析,构建了配电网故障定位模型,提出一种基于AMSFLA（自适应变异混合蛙跳算法）的故障指示器定位方法,并结合IEEE33节点配电网模型来进行仿真验证。结果表明,该算法能够在故障信号畸变的情况下,准确定位故障区域,为运维工作人员故障排查提供帮助。     

基于伪差分扰动的混合蛙跳算法研究

为了充分发掘混合蛙跳算法求解复杂优化问题的能力,提出了一种新颖的改进混合蛙跳算法.改进算法借鉴粒子群优化算法的速度更新方式,通过族群中随机个体、最优个体和最差个体间的位置关系来确定最差个体的更新步长;借鉴差分进化思想,通过伪差分变异产生虚拟个体来更新最差个体,以提高种群开拓能力.通过对四个典型测试函数的仿真实验表明,相比其他几种改进算法,改进算法以100％的概率找到了某些函数的理论最优值,寻优效果更好,收敛成功率更高.     

基于EMD和BP网络的轴承故障诊断方法

故障轴承的振动信号是非平稳信号,传统的非平稳信号分析手段存在许多不足;BP网络能够出色地解决传统识别模式难以解决的复杂问题。提出了经验模态分解(EMD)与BP神经网络相结合的滚动轴承故障诊断方法。采用EMD方法对振动信号进行分解,得到组成信号的多个内禀模态分量(IMF),提取重要的IMF分量的能量作为信号的特征量;采用BP网络作为模式分类器,对轴承的故障类型进行分类。经试验数据分析证明,该方法能够准确地对轴承故障进行诊断。     

改进的反向蛙跳算法求解函数优化问题

针对混洗蛙跳算法在求解连续函数优化问题中出现的收敛速度慢、求解精度低的缺点,提出了一种基于反向学习策略的改进算法,在种群初始化和进化过程中分别加入反向操作,产生更靠近优质解的种群,从而提高了算法的全局寻优能力,促进了算法收敛。实验仿真表明,新算法在寻优效率、计算精度等方面均优于原算法。     

用蛙跳算法优化RBF神经网络参数的研究

针对径向基函数（Radial Basis Functions,RBF）神经网络结构参数确定问题,提出了一种基于蛙跳算法优化RBF神经网络参数的新方法。将RBF神经网络参数组成一个多维向量,作为蛙跳算法中的参数进行优化。以适应度函数为标准,在可行解空间中搜索最优解,并对蛙跳算法进行了改进。非线性函数逼近实验结果表明,该优化算法相对标准遗传优化算法、粒子群优化算法有较小的均方误差,具有更好的逼近能力。     

改进的混合蛙跳移动机器人路径规划算法

为了实现移动机器人在障碍环境中的路径规划,提出一种改进的混合蛙跳算法(SFLA).改进算法在原算法基础上引入交叉操作,并在青蛙更新策略中充分利用学习机制;此外提出了一种带控制参数的产生新个体的方法代替原本的随机更新操作.把路径规划问题转换为最小化问题,基于环境中目标和障碍物的位置定义青蛙的适应度,机器人依次到达每次迭代中最好蛙的位置,从而实现最优路径规划.移动机器人仿真实验中,与基本蛙跳算法和其他智能算法相比,改进算法在规划时间和成功次数上均有很大的提高.实验结果表明了改进算法的有效性.     

基于蛙跳算法的无线传感器网络节点定位

为减小测距误差对无线传感器网络定位精度的影响,将蛙跳算法应用到距离式定位算法的位置计算阶段中,提出了蛙跳定位算法。该算法在适应度函数设计中,根据节点间的测距信息对锚节点进行了加权处理,以降低测距误差对定位结果的影响。结合最小最大法构造初始种群,使其包含更多可行解,从而提高算法效率。仿真结果表明,与采用极大似然估计法或总体最小二乘法来进行位置计算的距离式定位算法相比,该算法有效降低了距离误差对定位精度的影响,具有较高的定位精确度和稳定性,是一种实用的无线传感器网络节点定位方法。     

量子–经典混合神经网络及其故障诊断应用

量子神经网络由于结合了量子计算和神经网络的优点, 近年来受到了广泛的关注. 然而由于目前量子计算 资源受限(如量子比特数、量子逻辑门的保真度等)以及贫瘠高原现象(量子神经网络优化过程中解空间变得平坦时 出现的训练困难)的存在, 量子神经网络当前还难以大规模训练. 针对上述问题, 本文面向量子–经典混合神经网络 模型提出了一种基于无监督学习的特征提取方法. 所采用的无监督学习方法结合了量子自编码器和K-medoids聚类 方法, 可用于多层次结构的特征学习. 该方法创新地利用了K-mediods方法对训练得到的量子自编码器进行聚类, 以 最大化量子自编码器性质的差异. 进一步, 本文在轴承异常检测问题上, 通过实验验证了所提出的无监督特征提取 方法的有效性和实用性, 测试集准确率在二分类、四分类和十分类分别达到100%, 89.6%和81.6%.     

代价敏感概率神经网络及其在故障诊断中的应用

针对传统的分类算法人多以误分率最小化为目标,忽略了误分类型之间的差别和数据集的非平衡性的问题,提出代价敏感概率神经网络算法.该算法将代价敏感机制引入概率神经网络,用期望代价取代误分率,以期望代价最小化为目标,基于期望代价最小的贝叶斯决策规则预测新样本类别.采用工业现场数据和数据集German Credit验证了该算法的有效性.实验结果表明,该算法具有故障识别率高、泛化能力强、建模时间短等特点.     

基于改进BP网络算法的故障诊断分析

介绍BP神经网络结构和学习方法,针对误差反向传播神经网络模型学习收敛速度慢、容易陷入局部极小点等缺点,本文对BP网络模型进行了改进。对原始数据采用非线性的归一化函数,提出一种更加有效的学习率改进算法,提高了网络的收敛速度,采用了一种新的权值及阈值初始化方法,以避免训练时误差陷入局部极小解,并对改进BP算法与传统的BP算法进行比较,验证了该算法的优越性。     

改进神经网络的传感器故障诊断与容错处理

为提高神经网络对霍尔传感器发生故障诊断率,设计了一种改进神经网络模型,该模型由反向传播(BP)神经网络并行组成,利用算法对各BP神经网络输出进行加权整合,进而得到误差更小的输出结果,并将改进神经网络模型应用于无刷直流电机霍尔传感器故障诊断系统中,利用无位置传感器系统实现霍尔传感器故障容错处理。仿真结果表明:改进神经网络故障诊断准确率达到96%,高于传统BP神经网络,且容错控制系统能够显著降低霍尔传感器故障对电机转速的影响,使电机能够在霍尔传感器故障时正常稳定运行。     

一种蛙跳和差分进化混合算法

混洗蛙跳算法（SFLA）具有算法简单、控制参数少、易于实现等优点,但在高维难优化问题中算法容易早熟收敛且求解精度不高。导致该缺陷的主要原因是在进化后期种群多样性迅速下降,且缺乏局部细化搜索能力。借鉴差分进化算法（DE）中DE/best/1/bin版本具有全局搜索能力较强、种群多样性较好的优点,将SFLA与DE有机融合,形成混合优化算法（SFL-DE）,以克服SFLA容易早熟收敛的缺陷。给出了6个30维benchmark问题数值对比实验,结果表明,在给定的较小进化代数内,SFL-DE的寻优效率、计算精度、鲁棒性等性能优于SFLA和基本DE（DE/best/1/bin和DE/rand/1/bin）,不足之处是其耗时更长。     

An enhanced cost-aware mapping algorithm based on improved shuffled frog leaping in network on chips

The Journal of Supercomputing - Network on chip (NoC) has been of great interest in recent years. However, according to the recent studies, high communication cost has been raised as the one most...     

改进的ART2型神经网络在故障诊断中的应用

针对传统ART2型神经网络的缺点,提出了一种增强了网络执行速度的改进的ART2型神经网络。改进后的算法避免了传统ART2因输入次序不同而导致的输出结果不同的缺陷。应用了一种新的方法计算输入模式与所有模式的相似度。为了解决传统ART2型神经网络的模式漂移问题引入了激活深度的概念。改善了ATR2型神经网络的适用性。     

改进PSO-BP神经网络在变压器故障检测中的应用

粒子群优化（PSO）算法中的粒子根据全局最优粒子来移动自身位置进行搜索,但当某一粒子连续多次被选为全局最优粒子的时候,整个群体的粒子就会快速收敛于该最优粒子,陷入局部最优。为此,提出了变异动态粒子群优化（MDPSO）算法。采用惯性权重变异的思想,当某粒子连续被选为全局最优粒子时,就使一部分粒子的惯性权重以指数速度增长,使粒子跳出局部最小,继续全局寻优。并把改进的粒子群优化算法和BP神经网络相结合,应用于变压器故障检测中。实验表明,与常用的粒子群优化算法相比,用改进的粒子群优化算法优化BP神经网络具有更好的性能,在变压器故障检测中能够获得更高的检测精度。     

Sensor network optimization of gearbox based on dependence matrix and improved discrete shuffled frog leaping algorithm

This paper reports a new improved discrete shuffled frog leaping algorithm (ID-SFLA) and its application in multi-type sensor network optimization for the condition monitoring of a gearbox. A mathematical model is established to illustrate the sensor network optimization based on fault-sensor dependence matrix. The crossover and mutation operators of genetic algorithm (GA) are introduced into the update strategy of shuffled frog leaping algorithm (SFLA) and a new ID-SFLA is systematically developed. Numerical simulation results show that the ID-SFLA has an excellent global search ability and outstanding convergence performance. The ID-SFLA is applied to the sensor’s optimal selection for a gearbox. In comparison with GA and discrete shuffled frog leaping algorithm (D-SFLA), the proposed ID-SFLA not only poses an effective solving method with swarm intelligent algorithm, but also provides a new quick algorithm and thought for the solution of related integer NP-hard problem.     

基于解空间反向跳跃和信息交互强化的新型混合蛙跳算法

种群多样性和信息交互的深度与方式对混合蛙跳算法的爬山能力、探索能力和开发能力有着深远影响.针对混合蛙跳算法易于陷入局部最优、收敛速度慢和寻优精度差等缺点,提出一种基于解空间反向跳跃和信息交互强化的新型混合蛙跳算法.首先,增加子群次优解与次劣解的信息交互,促进子群内部信息的利用,引入反向跳跃思想改进局部更新机制,降低迭代后期劣解产生概率,提升空间开发能力;然后,借鉴2-opt方法实现局部最优解变异,增加子群的多样性;最后,采用各局部最优解交叉的方式加深子群间的交互深度,同时利用反向跳跃机制防止种群同化.采用23个单峰、多峰和固定维度下的复杂多峰函数作为测试集进行仿真实验,结果表明所提出算法具有更优的搜索性能,能够有效提高种群多样性,防止算法早熟收敛,且能够适应不同类型的函数优化问题.     

基于混合蛙跳算法的协同空战火力分配

针对超视距多机协同空战中的火力分配（WTA）问题,建立了协同空战火力分配的数学模型,提出了采用混合蛙跳算法（SFLA）来求解协同空战火力分配问题,根据无约束化的编码方式,结合交叉、变异的遗传操作,提高了算法的收敛速度以及全局搜索能力,能有效避免陷入局部最优。仿真结果表明,所提出的混合蛙跳算法在解决协同空战火力分配问题中具有高效可行性。