一种改进的果蝇优化算法

果蝇优化算法(FOA)有易陷入局部最优和应用领域小的不足之处.通过修改味道浓度判定值,并将整个迭代寻优过程分为果蝇移动范围逐步增大和逐步减小两阶段,给出了一种改进的果蝇优化算法(IFOA).相对于FOA,IFOA扩大了应用领域,保证了果蝇群体的多样性,也使果蝇更易跳出局部最优.最后对于6个经典测试函数的仿真试验结果表明,IFOA具有更好的全局搜索能力,在收敛精度、收敛速度和收敛稳定性上均比FOA有较大提高.     

基于改进果蝇算法优化的最小二乘支持向量机动力锂电池荷电状态预测

荷电状态(SOC)是动力锂电池管理系统的重要参数,使用传统算法优化锂电池SOC预测模型参数,收敛性相对较差,容易陷入局部最优解。对此,采用改进果蝇算法(IFOA)对最小二乘支持向量机(LSSVM)的参数进行优化,通过引入自适应松弛项来提高预测精度和收敛速度,获取全局最优解。选用磷酸锂电池为研究对象,测量其工作电压、工作电流和SOC,并将数据作为测试集,在MATLAB平台上建立基于IFOA优化的最小二乘支持向量机SOC预测模型。结果表明：IFOA优化的LSSVM动力锂电池SOC预测结果和实测结果吻合良好,平均绝对误差(MAPE)为1.02%,泛化能力强,预测精度相较果蝇算法最小二乘支持向量机(FOA-LSSVM)和贝叶斯算法最小二乘支持向量机(BEF-LSSVM)模型的精度更高。     

基于VMD-IPSO-RFR模型的光伏发电功率预测

针对预测数据噪声过大或超参数调整不当,导致随机森林回归(RFR)模型预测光伏发电功率精度不高的问题,提出一种基于变分模态分解(VMD)结合改进的粒子群(IPSO)优化随机森林回归(RFR)的光伏预测模型。该方法先用灰色关联度系数法(GRA)选取相似日,再使用VMD把相似日功率数据分解为一系列相对平稳的子模态,突出光伏发电功率的局部特征信息,降低数据的不稳定性,然后利用IPSO对RFR中超参数进行寻优,将优化后的IPSO-RFR模型对各个分量进行预测,最后将预测结果进行叠加重构。实例证明,该模型在晴天和阴雨天的预测平均绝对百分比误差分别为10.64%和5.42%,预测精度相对较高。     

基于分组协同进化策略的果蝇优化算法研究

针对果蝇优化算法存在收敛速度慢且易于陷入局部最小值等问题,研究了基于分组协同进化策略的果蝇优化算法.利用分组协同进化策略可以扩大果蝇种群的搜索范围,从而使算法具有快速收敛和跳出局部最优解的能力.利用改进后的果蝇优化算法,对Sphere、Schwefel2.22等8个函数进行测试并与IFOA、WFOA、FOA、PSO、BA算法进行比较分析,结果表明,该算法具有较好的全局搜索能力和较快的收敛速度.     

基于改进果蝇的混合小波神经网络交通流预测

为了提高交通流预测精度,提出了一种基于果蝇算法的混合小波神经网络模型.首先,选择果蝇优化算法对小波神经网络的初始参数进行调节,解决了小波神经网络预测对初始参数敏感的问题.其次,将迭代次数和当前解的情况作为搜索半径和种群规模的动态调整因子,对果蝇算法进行了改进,提高了果蝇算法的全局寻优能力和局部收敛速度.最后,鉴于小波神经网络预测误差存在一定的规律性,使用误差补偿法将调参后的小波神经网络与其他模型进行组合,进行二次误差提取.实验证明,所有混合模型均提高了交通流预测的准确度,其中,与随机森林模型的结合预测精度最高.     

基于机器学习算法的盾构掘进地表沉降预测方法

针对有限元、地层损失率等方法难以考虑多参数耦合作用情况下的地表沉降预测的问题,基于BP神经网络(BPNN)和随机森林算法(RF)两种机器学习算法的多参数、非线性拟合能力,提出了预测盾构掘进过程中地表最大沉降以及纵向沉降曲线的预测方法.通过粒子群算法(PSO)确定机器学习算法的最优超参数,通过k折交叉验证方法提高预测方法的鲁棒性.结果表明BP神经网络的预测结果误差较大,难以预测到较大的地表沉降,随机森林算法能够准确预测地表最大沉降和纵向沉降曲线.     

一种新的自适应步长果蝇优化算法

针对基本果蝇优化算法(FOA)易陷入局部最优、寻优精度低和后期收敛速度慢的问题,提出了一种自适应步长果蝇优化算法(ASFOA).该算法在运行过程中根据上一代最优味道浓度判断值和当前迭代次数来自适应调整进化移动步长,使算法在初期的步长大而避免种群个体陷入局部最优,到后期果蝇移动的步长变小而获得更高的收敛精度解,并加快收敛速度.通过6个标准测试函数对改进算法进行仿真测试,结果表明ASFOA算法具有更好的全局搜索能力,其收敛精度、收敛速度均比FOA算法及参考文献中其他改进果蝇优化算法有较大的提高.     

基于样本熵和IFOA-GRNN的多普勒计程仪信号失真重构

在水下无人航行器(UUV)的航行过程中,由于内部复杂磁场的干扰,用于测量自身速度和航位推算的多普勒计程仪(DVL)有可能会出现信号失真。为此提出一种基于样本熵与广义回归神经网络的DVL信号失真的重构方法。首先引入鸡群优化算法(CSO)中求解高维优化问题的思想,增强传统果蝇优化算法(FOA)中局部搜索的能力和跳出局部极值点的能力。然后使用改进的果蝇优化算法(IFOA)对广义回归神经网络进行训练,得到UUV的估计速度。在UUV航行过程中,实时计算DVL输出信号的样本熵,根据设定阈值判断DVL的工作状态。最后使用DVL正常的航行数据与海流估计修正UUV航行过程中的海流干扰。DVL失真情况下的UUV应急导航仿真试验验证其有效性。     

基于随机森林的水产品冷链物流鲜度预测模型

挥发性盐基氮(TVB-N)是反映水产品新鲜度的主要指标,但其测定方法不易在冷链运输中进行,因此利用各种技术设计了一套水产品冷链物流鲜度预测系统,通过水产品产生的硫化氢、氨气以及三甲胺气体浓度来预测TVB-N的浓度,并首次在水产品质量检测中引入随机森林对水产品的鲜度进行预测.针对现有随机森林的缺点,利用随机搜索法、网格搜索法以及交叉验证对随机森林参数进行优化,建立了基于随机森林的水产品冷链物流鲜度预测模型.将优化后的随机森林模型与决策树、最小二乘法和支持向量机模型进行对比分析,通过比较均方误差、平均绝对误差以及决定系数,发现优化的随机森林模型具有最低的均方误差和平均绝对误差与最高的决定系数,验证了此模型能更准确预测TVB-N的浓度,更具有实际应用价值.     

基于参数优化神经网络的海底油气管道腐蚀泄漏预测

为有效预测海底管道因腐蚀导致的泄漏风险,提出了一种海底管道腐蚀泄漏预测模型,首先采用斯皮尔曼相关系数分析各影响因素间的相关性,随后基于随机森林袋外数据进行各因素的重要性排序,剔除掉相关性较高且重要性较小的因素,利用筛选出的数据建立前馈神经网络和随机森林回归预测模型,并利用粒子群算法对神经网络预测模型的权值、阈值进行了优化,构建粒子群优化下的神经网络预测模型。经分析结果表明：神经网络预测模型在5组随机模型训练中平均绝对误差(MAE)、均方误差(MSE)的平均值分别为1.59、 3.37,均高于随机森林回归预测模型,说明该模型误差较大,但决定系数(R2)较随机森林回归预测模型高0.13,因决定系数越接近于1,模型拟合越好,故随机森林回归预测模型较神经网络预测模型拟合度较差,长期预测误差较高,因此可采用粒子群算法对神经网络进行优化,优化后的模型MAE为0.79,MSE为0.7293,R2为0.9151,可见优化后的神经网络预测模型在保证精度的基础上提高了稳定性,预测效果更优。最后编制了集随机森林回归、神经网络及粒子群优化下的神经网络为一体的多模型管道腐蚀预测软件。为海底管道泄漏风险的精准预测以及高效控制提供了依据,在海洋油气运输安全方面具有重要意义。     

基于恐惧指数的疫情影响下短期电力负荷预测方法

突如其来的新型冠状病毒肺炎（COVID-19）疫情给电力负荷造成了严重的影响,为了有效应对疫情带来的影响,提高疫情影响下的短期负荷预测精度,提出了一种基于恐惧指数（FI）的疫情影响下短期电力负荷预测方法.利用疫情数据构建FI,与时间信息、历史负荷、气象条件一起作为广义回归神经网络（GRNN）模型的输入变量,用果蝇优化算法（FOA）对GRNN平滑因子进行优化,提高预测结果的准确度和稳定性,使用构建的预测模型进行预测.算例结果表明,该方法能有效提高疫情影响下短期负荷预测的精度,为重大灾难影响下的短期负荷预测提供参考与借鉴.      

基于量子粒子群-径向基神经网络模型的风速预测

风速预测对风电场和电力系统的运行都具有重要意义.为了提高风速预测的精度,提出了一种基于量子粒子群-径向基神经网络模型,在确定网络隐含层节点数后,将RBF网络的参数编码成优化算法中的粒子个体进行优化,在全局空间搜索最优适应值的参数.用优化后的神经网络进行风速预测,实例结果表明该算法在预测速度和精度上都得到了提高.     

基于改进经验模态分解和支持向量机的短期风速组合预测

为更精确地进行风速预测,提出一种利用带自适应噪声的完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法和蝙蝠算法(bat algorithm,BA)优化支持向量机(support vector machine,SVM)的组合短期风速预测方法。首先用CEEMDAN对原始风速时间序列进行分解,得到一系列不同频率的子序列;其次,使用BA-SVM组合模型预测对分解后的各个子序列分别进行预测;最后,将各子序列的预测结果叠加得到风速预测值。仿真结果表明,该模型提高了预测精度,减小了误差。     

基于粒子群优化的LS-SVM短期风电功率预测研究

风电的波动性、间歇性和随机性导致风电功率预测时间较长、误差较大;为提高预测精度,缩短预测时间,采用粒子群算法(PSO)对最小二乘支持向量机(LS-SVM)算法进行参数寻优,进而建立优化预测模型进行仿真;结果表明:优化的模型比RBF和LS-SVM具有更高的预测精度.     

基于果蝇优化算法的支持向量机参数优化在船舶操纵预报中的应用

应用果蝇优化算法对船舶操纵运动预报的ε-支持向量机(ε-SVM)的参数进行优化,建立船舶操纵运动预报黑箱模型,并用所建立的模型对Z形试验进行预报.通过预报结果与仿真试验结果对比,验证了该优化算法的有效性.研究结果表明,所设计的参数寻优方法具有算法设置简单、调整参数少以及不易陷入局部极小值等优点.     

基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法

为提高传统神经网络对非平稳风速的预测精度,提出一种基于小波分析法与神经网络法混合建模的优化算法。该优化方法引入小波分析法对实测非平稳风速信号进行分解,将非平稳性原始风速序列转化为多层较平稳分解风速序列,再利用BP神经网络对各分解层风速序列建立预测模型,最终加权各层预测结果获得风速超前多步预测结果。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统神经网络法对应超前步数的平均绝对相对误差分别提高了55.56%,32.43%和34.58%,其超前1步、3步和5步预测的风速平均相对误差分别为0.48%,1.50%和2.97%。优化网络具备信号分解与自学习能力。     

短期风电功率CEEMDAN-SMA-LSSVM预测模型研究

为了提高风力发电功率预测的准确性,建立了基于CEEMDAN分解的SMA算法优化LSSVM的短期风电功率组合预测模型。首先,采用完全集合经验模态分解(CEEMDAN)对原始风电功率数据进行分解与重构。随后,为了进一步优化最小二乘向量支持机模型(LSSVM)的参数,引入了黏菌算法(SMA)优化,通过调整惩罚参数和核参数来提高模型性能,最后,构建多种对比模型对比分析表明CEEMDAN-SMA-LSSVM模型预测精度最高,预测结果更接近真实值。研究可用于风电场短期风电功率预测使用。     

基于SSA-VMD-LSTM-NKDE的短期风电功率概率预测

为进一步提高风电功率预测精度,提出一种基于麻雀搜索算法(SSA)优化VMD参数的组合预测方法。首先,使用麻雀搜索算法对VMD参数进行优化,并利用优化后的VMD对数据进行分解;其次,结合灰色关联分析法和熵权法对环境变量进行相关性分析,选择相关性最高的影响因素与分解得到的各模态分量组合作为LSTM预测模型的输入,获得更为精确的预测结果;最后,建立基于非参数核密度估计(NKDE)的风电功率概率预测模型,实现对风电功率预测结果不确定性的有效量化。结果表明,所提组合模型的MAE,RMSE和MAPE比VMD-LSTM模型的分别下降了39.51%,33.22%和40.39%。SSA-VMD-LSTM-NKDE组合模型不仅能够有效提高确定性预测的精度,而且还能够实现对风电功率预测结果不确定性的有效量化,为风电功率预测提供了科学决策依据。     

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.     

基于改进最小二乘支持向量机方法的短期风速预测

为了进一步提高短期风速预测的精度,分析了一种改进的风速预测方法.该方法考虑风速发生变化的极值点对总体预测误差的影响,以及预测曲线较实际曲线产生的滞后,分别对预测数据进行了极值点修正和偏移量处理.在对未来1 h风速进行预测时,相比粒子群优化(PSO)的最小二乘支持向量机(LS-SVM)模型、未经优化的LS-SVM模型及反向传播(BP)神经网络模型,所提出的模型具有较高的预测精度和运算速度.算例结果表明,改进的LS-SVM算法是进行短期风速预测的有效方法.