改进果蝇算法优化广义回归神经网络的双陷波超宽带天线建模

为实现对双陷波超宽带(UWB)天线的精准神经网络建模,提出了一种利用改进的果蝇算法(FOA)优化广义回归神经网络(GRNN)的建模方法。该方法通过扩大果蝇搜索范围,在味道判定公式中引入调整项来实现果蝇算法的改进,并用改进后的果蝇算法优化GRNN的光滑因子。这样可以避免果蝇算法陷入局部最优,提高模型预测精度。将该方法用于双陷波超宽带天线模型的建立中,并对天线的S11参数和电压驻波比VVSWR参数进行预测。结果表明,相比于FOA-GRNN建模方法和GRNN建模方法,S11参数的最大相对误差分别减小了91.08%和99.14%;VVSWR参数的最大相对误差分别减小了98.36%和99.18%,使超宽带天线建模精度得到提高,验证了该方法的可行性。     

莱维飞行优化果蝇算法在光伏MPPT中的研究

实际工程中光伏阵列因局部遮挡引起局部阴影,造成输出的PU曲线呈现多峰值现象,传统方法进行最大功率点跟踪时,在跟踪精度、速度和最大功率点处振荡性都存在不足。为解决这些不足,在果蝇算法对多峰函数寻找最优解速度快的基础上,提出一种莱维飞行优化果蝇算法(LF-FOA)的光伏最大功率点跟踪策略。该方法以果蝇算法为主体,使用莱维飞行与果蝇算法相结合,增加其全局搜索能力,同时引入最劣解对果蝇运动步长进行修改,改进后的算法使果蝇以大小步长进行搜索,搜索的范围更加均匀,避免陷入局部寻优。通过函数仿真测试与Matlab/Simulink建模仿真,证明了LF-FOA算法能够逃离局部寻优,寻优时速度更快,精度更高,最大功率点处的振荡性更小。     

基于改进灰狼算法的铁路隧道射线跟踪模型校正

针对灰狼优化（grey wolf optimization，GWO）算法易陷入局部最优和收敛精度差的问题，提出了一种基于对立搜索和Levy飞行策略的改进灰狼优化算法——OLGWO算法.在算法初始化阶段，采用对立搜索策略以缩小可行解范围；在灰狼位置更新过程中，为避免算法陷入局部最优采用了Levy飞行策略.4个标准测试函数的仿真实验表明，所提OLGWO算法在收敛速度及求解精度方面均优于GWO算法，可以较快且准确地搜索到目标函数的最优值.基于OLGWO算法对隧道射线跟踪传播模型进行校正的结果表明，校正后的模型在均方根误差和线性相关性方面具有较优的性能，能够实现铁路隧道环境中信号接收功率的精确预测.     

基于IGWO-SVR的锂电池健康状态预测

锂离子电池以其高效能和无污染等优势成为我们生活中非常重要的储能元件,而锂电池的健康状态(SOH)是保证系统稳定的决定性因素。该文基于此提出一种改进的灰狼算法优化支持向量回归(IGWO-SVR)来提高锂电池SOH的预测精度。首先提取与锂电池退化有一定相关性的健康因子,然后提出基于正切的收敛因子和Levy策略的灰狼算法,对于模型的泛化能力有着很大的提升,收敛能力和搜索范围的评估也有着不错的提高,采用改进的GWO进行参数寻优,解决SVR模型参数选择困难的问题。根据NASA提供的数据集进行验证,有效地提高了电池健康状态的预测准确性且具有一定的实用性。     

基于贝叶斯正则化算法BP神经网络钒电池SOC预测

电池荷电状态(SOC)用于表征电池的剩余电量,是全钒液流电池的一个重要参数。在此介绍常用的钒电池SOC预测方法,并对比其优缺点。基于电池SOC的非线性特征,提出采用BP神经网络预测钒电池的SOC,并采用L-M优化算法以及贝叶斯正则化算法对网络进行优化。使用贝叶斯正则化改进的神经网络在对项目中全钒液流电池测试过程实时预测SOC。实验结果表明,采用贝叶斯正则化算法改进的神经网络能够提高SOC的实时预测精度,具有很好的实用前景。     

基于CQPSO-GRNN的ZigBee节点定位算法研究

针对传统无线信号传播模型的参数一般通过拟合或直接根据经验得出,且又受环境复杂、多径效应等因素的影响,使得定位精度不高。为提高定位精度,引入广义回归神经网络(GRNN)来构建定位模型,以未知节点和参考节点之间的接收信号强度值(RSSI)作为网络的输入,未知节点的位置坐标(X,Y)作为输出来拟合网络模型。同时采用剔除处理和卡尔曼滤波处理对采集的RSSI值进行预处理,来削弱环境因素对信号的扰动。为避免GRNN参数选取的随意性及人为因素的干扰,采用混沌量子粒子群算法(CQPSO)来优化网络的光滑因子(σ),以建立最优的网络定位模型来实现对未知节点坐标的预测。在Matlab平台上,与GRNN模型相比,其结果显示改进的定位算法具有更高的定位精度,提高了GRNN回归预测效果以及模型的泛化能力。     

退役锂动力电池SOC预测建模与分析

随着锂动力电池退役周期的到来,电池梯次应用具有现实意义。为了解决梯次再利用时退役电池放电非线性变化剧烈引起的电池荷电状态(State of Charge,SOC)预测精度不高问题,提出了一种基于量子粒子群(QPSO)优化RBF神经网络预测退役电池SOC的动态模型,相比经典的粒子群(PSO)优化算法具有更好的稳定性。实验结果表明:该预测模型的误差稳定在1%以内,响应速度快,为锂电池充分利用奠定了理论基础。     

自适应果蝇优化算法

为了进一步提高果蝇优化算法(FOA)的性能,提出了一种自适应果蝇优化算法(SAFOA),设计了果蝇搜索群体模型,给出了一种自适应搜索步长搜索算法。仿真结果表明,相比FOA算法和递减步长果蝇优化算法(DS-FOA),SAFOA收敛速度较快,全局搜索与局部寻优能力强,并能到达高的收敛精确度。     

基于改进离散布谷鸟算法的干扰资源分配研究

该文对二次雷达机制的协同式敌我识别系统的干扰资源分配问题进行研究,将离散布谷鸟算法(Discrete Cuckoo Search, DCS)引入敌我识别系统的干扰资源分配问题。首先给出协同式敌我识别系统的干扰效果评估指标,建立干扰资源分配模型,将模型简化为一对一、多对少模型,使用DCS算法求解模型。针对Levy飞行后期出现搜索速度慢和精度低的问题,将遗传算法中的交叉与变异操作引入DCS算法得到改进的离散布谷鸟算法(Improved Discrete Cuckoo Search, DCS),用以求解分配模型。仿真分析表明：所提干扰效果评估指标可以合理地评估干扰效果;IDCS算法比IDCS算法收敛更快、耗时更短;IDCS算法与做出相应改进的遗传算法(Improved Genetic Algorithm, IGA)相比具有更好的寻优能力。     

基于BFA-GRNN的飞行绩效预测

通过对飞行员多维生理信号的分析来预测飞行绩效是飞行安全的重要研究内容之一。基于细菌觅食算法(BFA)优化的广义回归神经网络(GRNN)建立飞行绩效预测模型,对飞行员多维生理信号进行训练,从而预测模拟飞行实验中的飞行绩效。通过对比模型预测结果与飞行绩效真值,验证了该方法的有效性,为飞行绩效的预测提供了一条新途径。