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CHHO优化LSTM的火场环境预测模型研究

准确预测火场环境变化有助于精准掌握火情的发展趋势，保障人员的安全。由于火场环境多参数并存、耦合关系复杂，且具有时序性和非线性，难以建立准确的预测模型，因此提出了一种基于改进哈里斯鹰算法的自注意机制长短期记忆网络模型，实现了对火场环境数据的精准预测。首先，将Logistic映射策略、余弦权重因子、高斯扰动策略引入哈里斯鹰优化算法，丰富算法的种群多样性、平衡其全局探索和局部开发能力、提高算法的收敛精度。然后，利用改进后的哈里斯鹰优化算法对自注意机制长短期记忆网络模型中的超参数进行优化，基于优化后的参数对火场环境进行预测。仿真结果表明，基于改进后的哈里斯鹰优化算法的自注意机制长短期记忆网络模型拟合效果更好，具有更高的预测精度。     

基于多策略改进哈里斯鹰算法的过热汽温模型参数辨识

为了进行控制器的设计和整定参数,建立精准的过热汽温模型,获得更好的控制效果。由于哈里斯鹰算法存在易陷入局部最优和收敛精度低的问题,提出多策略优化的哈里斯鹰优化算法。在探索阶段利用Logistic混沌映射,优化种群的初始化问题,从而改善哈里斯鹰算法收敛精度低的问题;然后通过随机收缩指数函数非线性化能量方程,使得算法在寻优过程更加协调;最后引入了自适应权重因子更新猎物的位置,提高算法的准确度。通过与其他算法比较,证明了本文算法的精准度。多策略优化的哈里斯鹰优化算法应用于现场数据辨识,对某600 MW超临界机组的过热汽温系统进行辨识,验证算法的准确性和优越性。     

求解WSNs覆盖优化的改进萤火虫优化算法

为了提高无线传感器网络覆盖质量,降低能量消耗和延长生存周期,提出了一种基于改进萤火虫优化算法的网络覆盖算法.算法以网络覆盖率及节点均衡性为指标建立网络覆盖数学模型,采用改进的萤火虫算法对模型进行求解,从而得到无线传感器网络节点的最优化部署.针对传统萤火虫算法收敛效率低的缺陷,引入萤火虫群体族群划分思想,增加了群体多样性;利用混沌优化技术,对萤火虫群体初始化,提高了群体初始解质量.仿真结果表明,改进的萤火虫算法快速有效的给出了网络覆盖最优方案,并明显改善了网络能量消耗及生存时间.     

TBM掘进速率区间预测Bootstrap-IHHO-BiLSTM模型

针对现有隧道掘进机（TBM）掘进速率预测模型多采用点预测模型，缺乏考虑因模型结构主观选择、模型参数随机设置和数据随机噪声等导致的不确定性问题，本文提出基于Bootstrap方法和改进哈里斯鹰优化双向长短时记忆网络（BiLSTM）的TBM掘进速率区间预测模型。首先，建立基于改进哈里斯鹰（IHHO）优化BiLSTM网络的TBM掘进速率点预测模型，揭示稳定段掘进速率与上升段刀盘推力、扭矩、转速等掘进参数之间的相关性和时间依赖性；其中，采用基于混沌映射、参数非线性化和混沌搜索策略改进的哈里斯鹰算法对BiLSTM网络超参数进行优化，提高建模效率和精度。进一步地，采用Bootstrap方法对模型不确定性和数据中的随机不确定性进行量化，获得清晰可靠的预测区间。将所提模型应用于引汉济渭秦岭隧洞工程中，开展I～III类围岩条件下的TBM掘进速率区间预测，并将结果与BiLSTM-HHO模型、BiLSTM模型、BP神经网络模型对比，证明了本文模型的优越性。     

多策略灰狼算法在WSN上的覆盖优化研究

针对随机部署无线传感网络出现的覆盖率低的问题，提出了一种多策略灰狼(MSGWO)算法的无线传感网络覆盖优化方法。首先，为平衡全局与局部搜索，提出双曲正切的非线性收敛因子；其次，采用差分变异重构包围步长来降低算法陷入局部最优的概率；然后，为加快算法的收敛速度与精度，利用瞬态搜索优化方程更新灰狼位置；接着融合莱维飞行策略增加空间搜索多样性；最后，引入边界越位策略避免灰狼个体越界重定位问题。仿真结果表明，MSGWO算法相比SSA、LGWO、PSO和PSOGWO算法的平均覆盖率增量分别为12.52%、6.054%、7.53%和3.45%,该算法具有较高的平均覆盖率和更优的节点分布状态。     

融合测距修正和哈里斯鹰优化的DV-Hop定位算法

针对传统DV-Hop定位算法在无线传感器网络节点定位时精度偏低的问题，本文提出了一种基于测距修正和哈里斯鹰优化算法的DV Hop改进算法。该算法采用多通信半径调整网络节点最小跳数，利用最小均方差和权重因子优化网络节点平均跳距，采用改进的哈里斯鹰算法替代最小二乘法进行位置计算，引入Tent混沌映射、精英群体制度和正余弦优化策略以避免算法过早陷入局部优化，通过最优解求解得到网络节点近似坐标值。仿真结果表明，在不同条件下，改进算法与传统DV-Hop算法和ABCDV-Hop算法相比能够具有更好的定位能力，节点定位误差平均下降20.13%和7.74%，定位精度较高。     

基于改进 HHO 算法的螺纹钢丝头中径测量方法

针对现阶段基于图像处理进行螺纹中径测量时算法收敛速度慢、精度低的问题,提出一种基于改进哈里斯鹰优化算法的螺纹钢丝头中径测量方法.首先,采用三次样条插值法进行亚像素级的边缘检测,精确提取出螺纹波峰波谷等参数后再构建出中径适应度函数,最后,将螺旋式更新机制和非线性能量递减策略引入哈里斯鹰优化算法(HHO)来求解中径适应度函数.实验结果表明,改进的哈里斯鹰优化算法稳定性更好、精度更高,其中径测量的标准差比传统HHO算法降低了59.33％,中径测量结果的绝对均值误差比三针测量法降低了5.08％,比HHO算法降低37.78％.     

基于EGWOEO算法的三维无线传感网络覆盖优化

针对三维随机部署无线传感网络节点出现的覆盖率低和节点不均现象，以覆盖率为适应度函数，提出一种基于EGWOEO算法的三维无线传感网络覆盖优化算法。首先，采用Tent混沌映射初始化种群，以增加种群多样性；其次，利用反向学习策略，以增加全局搜索能力；之后，融入双曲正切高斯策略，加强算法寻优能力；然后，提出一种正余弦函数的非线性收敛因子，以平衡全局与局部搜索；最后，改进种群位置更新方程，加快算法的收敛速度与精度。将改进的EGWOEO算法应用于三维WSN覆盖优化中，仿真结果表明，与GWO、PSOGWO、LGWO算法相比，EGWOEO算法的三维WSN覆盖率平均增量分别为11.023%、10.662%和12.401%,改善了节点分布不均现象，提高了节点利用率。     

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。     

一种有向传感器网络强栅栏覆盖算法

根据有向传感器节点感知特性,提出一种有向传感器节点模糊感知模型,以此为基础建立了模糊数据融合规则,减少网络中的不确定区域;就有向传感器网络强栅栏覆盖问题,提出一种基于粒子群的有向传感器网络强栅栏覆盖增强算法,将n维求解问题转化为一维求解,提高了算法收敛速度。仿真结果表明,对感知方向可连续调节的有向传感器网络节点,在随机部署情况下与现有算法对比,本算法对目标区域能有效的形成强栅栏覆盖,且具有较快的收敛速度,延长网络生存期。     

基于大数据混沌耦合优化方式的WSN网络数据自递归加密机制

为解决当前WSN网络数据自递归加密机制难以实现混沌递归集有效收敛、元数据性能较差、致使出现加密性能下降、算法收敛程度较低等瓶颈现象,提出了一种基于大数据混沌耦合优化方式的WSN网络数据自递归加密机制。首先通过信息交互方式,基于瀑布流生成的思想对网络中混沌度较低的数据进行耦合优化,提高了混沌自归集的自适应收敛性能,降低了数据加密过程中的资源成本;随后基于元数据的阶数,采取微分方式对收敛过程进行二次整合,改善了加密过程中难以降低收敛复杂度的难题,极大的提高了本机制的弹性,降低了加密复杂度。仿真实验表明,与传统的宽带数据融合优化加密机制（optimal encryption scheme for ultra wideband data fusion,OEUW机制）、线性终端数据误差时延优化推断加密机制（linear terminal data error delay optimal inference encryption mechanism,LTED机制）相比,本算法能够有效的降低加密复杂度,减少加密时间,提升传输带宽质量,具有显著的实际部署价值。     

基于混沌优化粒子群BP神经网络的电力变压器故障诊断

针对电力变压器故障诊断问题,提出了一种基于混沌(Chaos)优化的粒子群(Particle Swarm Optimization)BP神经网络算法。该算法将混沌、粒子群和BP神经网络相结合,通过混沌粒子群算法寻优,得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。利用了混沌算法的遍历性和对初始值敏感的特点,对粒子群算法进行了参数优化,引入了早熟判断机制,并在早熟状态时进行了混沌扰动,使算法后期不易陷入局部最优。通过实例训练与测试表明,CPSO-BP神经网络算法在变压器故障诊断方面有较好的效果。     

基于改进FPA算法的含分布式光伏配电网选址定容多目标优化方法

近年来配电网分布式光伏数量不断增加,不合理的分布式光伏接入位置和容量给配电网带来了极大的冲击。针对分布式光伏接入位置和容量不合理给配电网带来的影响,提出了一种以投资成本最低、网损最小、电压质量最优为优化目标的选址定容模型。结合遗传算法、混沌序列和花授粉算法求解优化模型。通过混沌序列对花粉位置进行初始化,保证种群的多样性。在花授粉算法局部最优时,最优解被用作遗传算法的初始参数进行选择、交叉、变异来更新种群,保持种群的多样性,提高算法的寻优能力。通过仿真对所提方法的可行性进行验证。结果表明,改进算法的收敛性明显提高,从改进前300次提升到改进后40次迭代后开始收敛。优化配置后,电压效应较差的节点和损耗都得到了明显改善。该研究为含分布式电源的配电网选址定容提供一定的参考和借鉴。     

用于配电网多目标无功优化的改进粒子群优化算法

针对配电网多目标无功优化的应用需求以及优化算法存在的收敛性和多样性问题,基于Pareto熵的多目标粒子群优化算法,提出一种应用于多目标无功优化的改进粒子群优化算法。该算法在全局外部档案更新过程中引入冗余集策略,避免迭代过程中陷入局部最优解。将算法应用于配电网无功优化中时,采用离散变量取整方法,加快算法的收敛速度。建立网损、电压偏差及无功补偿装置投资最小的配电网多目标无功优化模型,并以IEEE 33节点配电网络为算例进行仿真,结果表明改进后的算法兼顾了优化的收敛性和多样性,能够在不同的优化要求下得到有效的无功优化方案。