改进灰狼优化算法辨识光伏模型参数

针对标准智能优化算法辨识光伏(photovoltaic,PV)模型参数时存在准确度低、可靠性差和易出现早熟收敛的缺点,提出了一种改进的灰狼优化(improved grey wolf optimizer,IGWO)算法用于辨识PV模型参数。利用S型曲线的特点设计了一种基于S型函数的非线性调整控制参数a策略,以平衡算法的全局勘探和局部开采能力;以一定概率对当前最优决策层个体执行反向学习策略,帮助群体跳出局部最优。选取4个复杂函数测试IGWO算法的性能,利用实际光伏模型测量数据对IGWO算法进行检验。结果表明,IGWO算法相比其他算法,能更准确且稳定地辨识PV模型参数。     

混沌策略和单纯形法改进的鲸鱼优化算法

为解决鲸鱼优化算法收敛速度慢和寻优精度低等问题,提出了一种基于混沌策略和单纯形法优化的鲸鱼优化算法(whale optimization algorithm based on chaos optimization and simplex optimization,CSWOA)。首先,采用混沌反向学习策略初始化鲸鱼种群个体,降低随机化的原始种群对算法收敛的影响;然后,引入一种自适应权重策略,平衡算法的全局寻优和局部探索能力;最后,再引入单纯形法对原算法进行改进,提高算法的局部搜索能力和寻优能力。对8个典型基准函数的仿真分析表明,CSWOA的收敛速度和寻优精度均有一定的提高。     

基于改进粒子群算法CHPSO-DS的面板 坝堆石体力学参数反演

面板堆石坝堆石体力学参数反演优化问题是一个多变量、多约束的混合非线性规划问题,当正演过程用神经网络模拟器替代后,高效快捷的优化算法成为解决问题的关键.提出一种用以解决这一复杂优化问题的混合算法--混沌直接搜索粒子群(CHPSO-DS)算法.在改进的算法中,首先结合混沌优化思想对粒子群进行初始化,减轻粒子初始位置的选择对算法优化性能的影响;利用直接搜索法克服了粒子群算法后期搜索效率降低的缺陷,提高算法局部搜索能力.为证明该算法的优越性,同时将该算法与遗传算法(GA)用于水布垭面板堆石坝堆石体力学参数的位移反分析计算中.实践证明,利用CHPSO-DS算法搜索时能快速收敛到全局最优解,且算法具有较强的鲁棒性;两算法对比结果也表明,不论是优化精度还是收敛时间,CHPSO-DS算法都较GA有明显提高.最后利用CHPSO-DS算法反演的堆石体力学参数进行测点沉降预测,结果表明各个测点的计算位移值与监测值吻合较好,说明CHPSO-DS算法在复杂岩土工程位移反分析中具有良好的实际应用价值,值得进一步研究和推广.     

基于灰狼优化算法的长短期记忆网络在时间序列预测中的应用

提出了1种基于灰狼优化算法的长短期记忆(long short term memory,LSTM)模型。结合灰狼优化算法全局收敛的优点,将其应用于长短期记忆网络中参数的优化,克服了传统的长短期记忆网络所采用的随时间反向传播(back propagation through time,BPTT)算法易于收敛于局部最优的缺点。将所提出的模型应用于时间序列预测,实验结果表明,其性能优于基于BPTT的LSTM。     

基于GWO-ELM模型的深基坑开挖变形预测研究

为有效控制和预测深基坑开挖引起的周围地表沉降变形,以保定市汽车科技产业园深基坑工程为依托,使用MIDAS GTS NX软件对实际基坑工程施工过程进行模拟,并将实际值与模拟值进行对比,验证模型的准确性。并且使用灰狼优化算法(GWO)优化了极限学习机(ELM)神经网络中的输入权重和隐藏层阈值,建立了GWO-ELM深基坑开挖变形预测模型。以有限元模型中土钉数量、开挖深度、周围建筑物沉降等因素作为预测模型的输入因子,以有限元模型中监测点DB-2地表沉降作为预测模型的输出因子。将GWO-ELM模型预测值与ELM模型预测值对比分析。结果表明：通过有限元软件提取地表沉降等数据,可以对深基坑地表沉降实现超前预测;使用灰狼优化算法对极限学习机神经网络中输入权重和阈值优化,可以提高预测模型精度;经过实际工程验证,GWO-ELM模型平均绝对误差为0.261 45,均方误差为0.312 58,R²为0.987 25,均优于ELM模型。     

基于差分变异算子的改进人工蜂群算法

文章针对传统人工蜂群算法收敛速度慢、精度不高的问题,基于差分进化算法中的变异算子,对人工蜂群算法搜索方程进行改进,在种群更新过程中引入当前种群最优个体信息,以提升算法的收敛速度和局部优化能力。     

融合加权中心学习的改进教与学优化算法

针对教与学优化(teaching-learning-based optimization,TLBO)算法容易出现收敛速度慢、解精度下降、早熟等问题,提出了一种融合加权中心学习的改进教与学优化(improved teaching-learning-based optimization with weighted center, WCTLBO)算法。利用Halton序列初始化种群,增加算法搜索到最佳解的可能性;将加权中心学习思想与"教"算子融合,并以该中心取代教师的"教"职责,抑制种群在教师个体周围的过早聚集,保证最优个体在收敛过程中的主导作用;将小组讨论机制引入"学"算子,有效抑制"教"算子存在的早熟问题,使个体在算法后期具一定的突跳性,避免种群陷入局部最优。在14个测试函数上进行仿真实验,结果表明,WCTLBO算法与其他同族算法相比,具有更高的解精度和更快的收敛速度。     

以云计算资源为基础实现粒子群算法的优化

本文全面研究了RBF神经网络及粒子群优化的算法,以云计算资源为基础实现了粒子群算法的优化,并且和标准粒子群算法、自组织选取中心算法实现性能对比。通过对比结果表示,改进粒子群优化算法的收敛速度在不断地加快,并且降低迭代次数,而且还能够使函数摆脱局部极值点。将其在RBF神经网络训练中的效果更加明显,能够提高网络优化能力和效果,提高网络在处理非线性问题时候的能力,促进最优解的收敛。     

改进粒子群优化BP神经网络的轮毂分类算法

针对轮毂识别系统前期图像特征提取误差较大时分类准确性降低的问题,提出了基于改进粒子群算法优化BP神经网络的轮毂识别模型。在标准粒子群中引入遗传算法的变异因子、惯性权重、时间因子、速度边界限制和反弹策略,以改进粒子群算法,从而提高寻找最优阈值与权值的性能。经过与不同算法的对比数据看出,采用改进粒子群优化BP神经网络算法的分类识别率比其他算法提高了9%左右,且收敛速度、收敛精度均有提高,证明了所提IPSO(improved particle swarm optimization)算法的有效性。     

灰狼优化的k均值聚类算法

针对k均值聚类算法对初始聚类中心位置敏感的问题,提出了一种基于灰狼优化的k均值聚类算法,通过灰狼优化算法对解空间的全局寻优能力得到α狼,实现对k均值聚类中心的初始化操作,并通过迭代更新α狼优化k均值聚类中心,直到达到最大迭代次数,以此改进k均值聚类算法。实验结果表明,在UCI(University of California Irvine)的4类数据集上,所提算法相比于传统的k均值聚类算法,获得了更好的聚类效果,其分类准确度平均提高10%左右,且算法较为稳定。