PSO和AFSA混合优化算法
改进人工鱼群算法优化小波神经网络的变压器故障诊断
改进人工鱼群算法优化小波神经网络的变压器故障诊断贾亦敏;史丽萍;严鑫【摘要】针对油浸式变压器故障类型的复杂难辨,结合油中气体分析法,提出一种基于改进人工鱼群算法优化小波神经网络的故障诊断模型.基于经典三层小波神经网络,采用粒子化的人工鱼群算法对小波神经网络输入和输出层的权值、小波神经元的伸缩和平移系数进行修正,通过引入动态反向学习策略实时优化人工鱼分布,迭代后半程采用基于柯西分布的自适应人工鱼视野范围提高算法精度.结果表明,该改进鱼群算法优化的小波神经网络相比标准粒子群算法优化小波神经网络和标准鱼群算法优化小波神经网络,诊断速度更快,准确率更高.【期刊名称】《河南理工大学学报（自然科学版）》【年(卷),期】2019(038)002【总页数】7页(P103-109)【关键词】变压器;故障诊断;小波神经网络;改进人工鱼群算法;粒子群优化算法;动态反向学习策略【作者】贾亦敏;史丽萍;严鑫【作者单位】中国矿业大学电气与动力工程学院,江苏徐州221116;中国矿业大学电气与动力工程学院,江苏徐州221116;国网上海市电力公司市北供电公司,上海200940【正文语种】中文【中图分类】TM4110 引言变压器自19世纪80年代问世以来，一直是电力系统的关键设备之一，受到了广泛关注和研究。
在整个输配电系统中，变压器作为核心组成部分占据着至关重要的地位，其性能的优劣直接影响整个供配电系统的经济效益与安全性。
在实际生产中，能否快速准确诊断或预测变压器已有故障或潜伏性故障，与电网能否安全稳定密切相关[1]。
基于油浸式变压器故障时油中会产生较多气体的油中气体分析法(dissolved gas analysis，DGA)自提出以来，已成为国内外实际应用最广泛的变压器故障诊断方法，该方法主要通过故障气体量与故障类型间数学关系进行判断，经典应用有三比值法与大卫三角法等。
近年来，许多新理论被应用于变压器故障诊断，主要有模糊算法[2]、支持向量机[3]、免疫算法[4]、粗糙集理论等，取得了一定成果。
基于AFSA-PSO-LSSVM的风电机组齿轮箱故障诊断
㊀第54卷第3期郑州大学学报(理学版)Vol.54No.3㊀2022年5月J.Zhengzhou Univ.(Nat.Sci.Ed.)May 2022收稿日期:2021-07-09基金项目:国家自然科学基金项目(51677072);北京市自然科学基金项目(4182061)㊂第一作者:王一宁(1996 ),男,硕士研究生,主要从事风电机组故障诊断研究,E-mail:1506773471@㊂通信作者:甄成刚(1964 ),男,教授,主要从事计算机仿真与虚拟现实技术研究,E-mail:zhencg@㊂基于AFSA-PSO-LSSVM 的风电机组齿轮箱故障诊断王一宁,㊀甄成刚,㊀韩瑶瑶(华北电力大学控制与计算机工程学院㊀河北保定071003)摘要:针对LSSVM 算法参数优化选取的问题,提出一种结合人工鱼群(AFSA)和粒子群优化(PSO)的混合智能算法,优化LSSVM 的参数,利用AFSA 算法进行全局寻优搜索参数初值,PSO 算法局部更新最优解㊁加速跳出局部最优㊂最后通过对风电机组齿轮箱振动加速度数据进行模拟实验,建立了PSO-LSSVM㊁AFSA-LSSVM 和AFSA-PSO-LSSVM 算法模型㊂实验结果表明,AFSA-PSO-LSSVM 相较于PSO-LSSVM 和AFSA-LSSVM 模型,收敛速度更快㊁精度更高,验证了方法的有效性㊂关键词:风电机组;齿轮箱;故障诊断;AFSA-PSO-LSSVM中图分类号:TM315㊀㊀㊀㊀㊀文献标志码:A㊀㊀㊀㊀㊀文章编号:1671-6841(2022)03-0081-07DOI :10.13705/j.issn.1671-6841.2021286Fault Diagnosis of Gearbox of Wind Turbine Based onAFSA-PSO-LSSVMWANG Yining,ZHEN Chenggang,HAN Yaoyao(School of Control and Computer Engineering ,North China Electric Power University ,Baoding 071003,China )Abstract :Aiming at the problem of optimal selection of LSSVM algorithm parameters,a hybrid intelli-gent algorithm,which combined artificial fish swarm algorithm (AFSA)and particle swarm optimization (PSO)was proposed to optimize LSSVM parameters.The AFSA algorithm was used to search the initial values of the global optimization search parameters,the PSO algorithm was used to locally update the op-timal solution and accelerate the jump out of the local optimal.Finally,the PSO-LSSVM,AFSA-LSSVM and AFSA-PSO-LSSVM algorithm models were established through simulation experiments on the vibra-tion acceleration data of the wind turbine gearbox.Experimental results showed that AFSA-PSO-LSSVM had faster convergence and higher accuracy than PSO-LSSVM and AFSA-LSSVM models,which verified the effectiveness of this method.Key words :wind turbine;gearbox;fault diagnosis;AFSA-PSO-LSSVM0㊀引言风电机组通常安置于环境恶劣㊁偏僻及风能资源丰富的地区,根据风能资源的分布情况,为了更好地捕捉风能,机舱安装高度越来越高,从而造成检查维护不便[1]㊂齿轮箱作为风电机组中重要的机械部件,是极易发生故障的,故障停机带来的经济损失也是不可避免的,因此对风机齿轮箱进行故障诊断具有重要的经济意义[2]㊂混合智能算法最小二乘支持向量机(leastsquares support vector machine,LSSVM)是目前研究的一个热点㊂不少国内外学者对相关算法进行了很多优化研究,如粒子群算法(particle swarm optimization,PSO)㊁遗传算法(genetic algorithm,GA)等[3]㊂文献[4]提出了基于PSO 优化LSSVM 模型参郑州大学学报(理学版)第54卷数的方法,通过结合集合经验模态分解与样本熵作为特征信号,最终构建的PSO-LSSVM模型不仅能够提高熵计算中的相似容限值㊁避免了参数选取的盲目性,还明显提高了风电机组齿轮箱故障识别率㊂文献[5]使用鲸鱼算法(whale optimization algorithm,WOA)优化LSSVM模型的两个参数,利用鲸鱼算法运算速度快㊁全局寻优能力强的优点帮助LSSVM算法跳出局部极值,采用了一种基于改进集合经验模态分解(modified ensemble empirical mode decomposi-tion,MEEMD)的方法分解齿轮箱振动信号数据,搭建了WOA-LSSVM风电齿轮箱故障诊断模型,并验证了该模型的有效性和优势㊂但鲸鱼算法依然存在收敛慢㊁寻优精度低等问题,对此,文献[6]提出了一种改进的鲸鱼算法,优化LSSVM算法参数,利用互补总体经验模式分解能量熵提取特征,并降低了故障信号的干扰,使用VN拓扑结构优化了鲸鱼算法的搜索能力㊂搭建的VNWOA-LSSVM分类模型相较于WOA-LSSVM模型,明显提高了分类正确率㊂文献[7-8]虽采用LSSVM等相关算法对故障特征的提取做了一定的研究,但并未对LSSVM算法参数进行相关优化㊂文献[9-12]均采用相关算法优化LSSVM参数,并对电力设备作相应的故障识别,其结果均能有效判别故障类别㊂文章针对LSSVM算法参数的盲目选取,不易跳出局部极值,人工鱼群算法(artificial fish swarm al-gorithm,AFSA)后期收敛不足及PSO算法局部收敛较差和精度小等问题,提出了一种基于AFSA和PSO混合智能算法,优化LSSVM模型参数,结合风电机组齿轮箱的振动信号数据,搭建了基于AFSA-PSO-LSSVM混合智能算法的风电机组齿轮箱故障诊断模型㊂1㊀LSSVM支持向量机[13](support vector machine,SVM)是一种基于统计学理论的机器学习算法㊂虽然具有较强的泛化能力,但其不等式函数求解比较复杂,文献[14]提出了一种改进的LSSVM算法,为了将不等式约束变为等式约束,将最小二乘线性系统用作损失函数㊂设训练样本为N{(x1,y1),(x2,y2), ,(x i,yi)},其中:x㊁y分别为训练样本的n维输入和输出㊂设LSSVM目标优化函数为J(w,e)=ζw T w2+C2ðN i=1e2i,(1)其中:ζ为可控参数;w为权重向量;C为正规化参数,用于拟合误差;e i为误差,需要满足yi=w Tϕ(xi)+b+e i,i=1,2, ,N,(2)其中:φ(x)为映射函数;b为偏执值㊂拉格朗日函数为L=J(w,e)-ðN i=1αi[w Tφ(x i)+b+e i-y i],(3)其中:αi为拉格朗日乘子,求导可得∂L∂w=0ңw=ðN i=1αiφ(x i),∂L∂b=0ңðN i=1αiφ(x i)=0,∂L∂e i=0ңαi=ζe i,∂L∂αi=0ңw Tφ(x i)+b+e i-y i,ìîíïïïïïïïïïïïï(4)通过转换为求解线性方程,消除ω和e得01T m1mΩ+IN/Céëêêùûúúbaéëêêùûúú=yéëêêùûúú,(5)其中:I N为N维单位矩阵;1m=[1,1, ,1],共m个1㊂Ωij=φ(xi)Tφ(x j)=K(x i,x j),(6)最终得到LSSVM模型的决策函数y(x)为y(x)=sgn[ðN i=1αi K(x i,x j)+b],(7)取径向基函数K(x i,x j)为K(xi,x j)=exp(- x i-x j 2/σ2),(8)其中:σ为核函数带宽㊂2㊀混合智能算法设计2.1㊀PSO粒子群优化(particle swarm optimization,PSO)算法是由Kennedy G和Eberhart R在1995年受到鸟群或鱼群活动规律启发所提出的一种基于群体智能的演化算法[15]㊂PSO算法与很多先进的算法(如遗传算法)有相同之处,但相比于遗传算法,并没有交叉和变异等操作,PSO算法也是随机得到潜在解,然后通过更新后代,实现搜索寻优㊂在PSO算法中,粒子X(i)是由d维实数向量表示的候选解,k为第k个维度上的参数[16]㊂X(i,j)表示第i次迭代时,第j个粒子的位置,Xj(i)=[x j,1(i);x j,2(i); ;x j,k(i); ;x j,d(i)],(9)28㊀第3期王一宁,等:基于AFSA-PSO-LSSVM的风电机组齿轮箱故障诊断其中:x是带寻优参数;x j,k(i)是第j个候选解中第k个待寻优参数;d是控制变量的总数㊂每个控制变量的取值范围为[x min,x max],此时种群可以表示为pop(i)=[X1(i),X2(i), ,X n(i)]T,(10)其中:n为种群中粒子的个数㊂使用目标函数评估种群中的所有粒子,若候选解为可行解,则更新迭代次数i=i+1,否则继续重复此步骤㊂在第i次迭代中,粒子的速度V(i)可以表示为Vj(i)=[v j,1(i);v j,2(i); ;v j,k(i); ;v j,d(i)],(11)其中:v j,k(i)是第j个粒子第k维上的速度分量㊂速度更新时,将按照全局最优和个体最优来进行指导更新,更新公式为V(k,j,i+1)=ω∗V(k,j,i)+C1∗rand∗[p best x(j,k)-x(k,j,i)]+ C2∗rand∗[g best x(k)-x(k,j,i)],(12)其中:ω为权重;C1㊁C2为加速因子;rand为[0,1]内的均匀随机数㊂然后开始检查粒子速度情况,将速度控制在合适的范围内㊂粒子将根据已更新的速度,更新自己的位置,x(k,j,i+1)=x(k,j-1,i)+v(k,j,i)㊂(13)㊀㊀在粒子的搜索飞行过程中,不断地将当前位置与最佳位置进行比较,更新个体最优㊂最后,将得到的所有个体的最优位置相比较,得到群体的最佳位置,满足设定条件则终止搜索㊂2.2㊀AFSA人工鱼群算法是一种仿生智能算法,通过模拟鱼群在游动过程中出现的觅食㊁聚群㊁追尾及随机行为[17],并通过不断调整算法的参数,在给定的范围中寻求出最优解㊂每一条人工鱼(artificial fish,AF)都封装了其自身数据信息(如视野范围㊁移动步长等)和一系列日常交互行为(觅食行为㊁聚群行为等),并接收环境信息来做出相应活动㊂人工鱼群算法实现过程如下㊂1)初始化鱼群㊂设鱼群规模为M,初始化鱼群(AF)个体向量为X i={a1,a2, ,a n},其中a i为寻优变量,根据实验初始化鱼群M和AF个体,X a 为AF个体的状态,并设AF下一状态为X a|next|㊂2)觅食行为㊂设鱼群个体视野范围内的选择随机状态及其所在位置食物浓度分别为X b和A b㊂当X b>A b时,则循着这个方向前进,否则选择另一个随机方面X b㊂如果尝试到一定的次数后,还不能前进则执行随机㊂3)追尾行为㊂设X b为人工鱼伙伴,m为人工鱼视野范围内伙伴总数,拥挤度因子δ凸显全局最优,搜索伙伴所在位置食物浓度最高的一个㊂若Ab/m>δAa,则可以与伙伴X b共生,向X b方向前进,否则进行觅食㊂4)聚群行为㊂设某条人工鱼的伙伴中心位置为X center,若X center/m>δA a,则证明伙伴中心位置食物浓度高,可以与该伙伴共生生存,并向着此方向前进,否则进行觅食㊂5)随机行为㊂当某条人工鱼多次觅食行为仍然不能前进,则进行随机行为,选择视野内一个随机状态前进一步㊂觅食㊁追尾㊁聚群㊁随机这些基本行为通过表征参数变化㊁随机搜索及聚群追尾等行为向全局最优值收敛㊂人工鱼群算法寻优速度快㊁全局搜索能力及适应性强等优点,为求解最优问题提供了灵活的架构㊂相对于BP神经网络等单一收敛方式的传统智能算法,人工鱼群算法的全局适应性更佳[18]㊂为了弥补LSSVM算法参数盲目选取的缺陷,设计了人工鱼群算法和粒子群算法相结合的混合智能优化算法,并搭建了基于该混合智能算法的风电机组齿轮箱故障诊断模型,使用该模型即可判别出齿轮箱的正常㊁磨损及断齿的实际状态㊂2.3㊀AFSA-PSO-LSSVM混合人工鱼群和粒子群算法的思想是:利用人工鱼群算法开始全局寻优,确定好LSSVM算法参数的初值,再利用粒子群算法进行局部搜索并更新上一步的解,加快算法跳出局部最优,从而避免了早期缺乏信息素产生收敛过慢的问题[19],随着后期搜索方向的确定,从而加快了全局最优解的获得㊂然而PSO算法迭代速度快㊁结构简单,因此可以对AFSA 算法和PSO算法进行取长补短,结合AFSA算法的全局寻优能力㊁适应能力和PSO算法结构简单㊁运算快的等优点,不仅解决了LSSVM算法参数盲目选择及不易跳出最优解的问题,还解决了AFSA后期收敛不足和PSO容易陷入局部最优等缺点㊂而AFSA-PSO-LSSVM算法融合了两个算法各自优点,在寻优和收敛速度上具有一定的优势㊂人工鱼群与粒子群混合智能优化算法步骤如下㊂1)初始化人工鱼群规模㊁每条人工鱼状态㊁视野范围㊁移动步长㊁拥挤度因子㊁最大重复尝试次数㊁粒子群的加速因子㊁人工鱼个数㊁粒子群个数等㊂2)根据食物浓度计算每一条人工鱼的适应度㊂3)进行每条人工鱼的行为选择,通过觅食㊁追尾㊁聚群和随机行为更新自己的位置㊂38郑州大学学报(理学版)第54卷4)判断人工鱼群终止条件㊂如果满足了迭代条件则将得到的初值赋值算法模型,否则进行下一次迭代,继续进行鱼群相应的行为选择㊂5)初始化每个粒子的位置和速度,将人工鱼群满足迭代条件的信息值传递给粒子群㊂6)使用目标函数评估种群中的所有粒子适应度㊂7)检查每个粒子速度,并将速度控制在合适的范围内,根据自身速度更新位置㊂8)搜索飞行,比较每个粒子自身位置与历史最佳位置,当前位置较优则设为当前最佳位置㊂9)将所有粒子的最优位置进行比较,得到全局最佳位置㊂10)检查迭代条件,如果满足预先设定的终止条件,则终止迭代,算法完成,否则继续搜索飞行㊂3㊀齿轮箱故障诊断模型搭建流程AFSA-PSO-LSSVM算法模型对风电机组齿轮箱故障进行智能识别诊断的步骤如下:首先从齿轮箱振动信号中进行特征提取,提取有关故障信息后将数据进行归一化处理,输入到混合智能算法中进行训练,通过训练数据集得出模型,并用测试集数据输入到AFSA-PSO-LSSVM模型中进行测试对比㊂在该诊断流程中,通过传感器采集到的齿轮箱振动信号数据预处理后,即小波降噪㊁时频域转换等计算出所需的特征参数,归一化后输入到训练好的AFSA-PSO-LSSVM混合智能算法模型中,并将测试数据输入到该模型,所得到的归一化结果即可诊断齿轮正常㊁磨损及断齿等状态㊂4㊀模拟实验齿轮箱部件是否正常运行,对于风电机组转动系统是至关重要的,直接影响到整个风机的工作㊂齿轮箱常年工作在酷暑㊁严寒等极端自然环境下,在高速㊁重载下运行的齿轮,其工作条件又相比其他零件恶劣㊂4.1㊀数据选择与数据处理为了模拟AFSA-PSO-LSSVM算法模型下的故障诊断效果,选取了某风电场1.5MW风电机组齿轮箱的振动加速度信号数据,采样频率为5120Hz,采样样本数为8192点,机组容量为750kW,年平均风速为7.6m/s,已运行7年㊂由于时域波形所包含的信息量大,并不容易将信息中心的故障信息提取出来并定位故障类型和故障部位㊂因此采用了目前效果较好的小波变换时频分析技术进行降噪,并将时域数据变换到频域数据图谱上[20],例如当磨损到了一定的程度,齿啮合的频率的幅值会明显变大,磨损后的频域功率谱波形中出现了翻倍的啮合频率㊂在齿轮箱的故障占比中,齿轮故障比重约占60%,所以选取了齿轮故障中的齿轮断齿㊁齿面磨损2种故障类型㊂齿轮无论是在正常或是在异常状态下,齿轮之间的啮合都会产生振动㊂外加齿轮负载的不平衡,齿距不均匀等因素造成齿轮箱振动加速度信号的复杂性和不平稳性㊂故选取了时域分析㊁频域分析和时频域分析的敏感故障特征参数:功率谱熵㊁峭度㊁偏度㊁关联维数㊁盒维数和小波熵等指标作为齿轮箱故障诊断模型的特征向量㊂处理后共135组特征数据,分别将试验训练样本和测试样本以2ʒ1的比例进行切分㊂4.2㊀实验参数设定LSSVM算法参数的设定:惩罚因子C的变化范围为[0.1,100];核函数σ变化范围为[0.01,10]㊂PSO算法参数的设定:最大训练次数为50;训练精度为0.01;学习速率为0.1;最大飞行速度为1;最小飞行速度为-1;种群粒子个数为20;学习因子C1㊁C2均为1.49445;最大迭代次数为100㊂AFSA算法参数设定:实验采用人工鱼群中总人工鱼数为20条;最大迭代次数为50;最多试探次数为5次;拥挤度因子为0.618;最大步长为0.05;感知距离为0.2㊂设定Rastrigin优化函数:分别对三种算法模型进行优化测试㊂所取函数为f(x)=ðS i=1[x2i-10cos(2πx i)+10],(14)其中:x i在-5到5之间㊂设定误差评价指标:相对误差和平均绝对误差函数为E MAE=y i-y Li yiˑ100%,(15)E MAPE=1nðn i=1y i-y Li y iˑ100%,(16)其中:y i为实际值;y Li为输出预测值;E MAE为相对误差;E MAPE为平均绝对误差㊂4.3㊀实验结果分析实验数据分为两部分:训练数据90组,测试数据45组㊂在Matlab仿真环境下,对90组输入和输出样本进行训练并进行建模,将风电机组齿轮箱实48㊀第3期王一宁,等:基于AFSA-PSO-LSSVM 的风电机组齿轮箱故障诊断验数据去噪㊁特征提取后,归一化输入到PSO-LSSVM㊁AFSA-LSSVM 及AFSA-PSO-LSSVM 三个模型中㊂在Rastrigin 优化函数优化测试下,分别得到了3个算法模型的适应度函数曲线㊂三种混合智能算法的适应度函数曲线及相对误差曲线分别如图1和图2所示㊂由图1可知,3个算法模型分别经历了58次㊁48次㊁39次完成了最终迭代㊂PSO-LSSVM 算法前期计算快,但在粒子俯冲过程中可能会错失全局最优解,后期容易陷入局部极值点㊂AFSA-LSSVM 算法因其全局搜索能力较强的优势,历经11次迭代后适应度函数值从51迅速减小到27㊂PSO-LSSVM 算法需要经历23次迭代,然而随着迭代次数的增加,后期收敛不足,收敛速度慢,仍有可能陷入局部极值点㊂而AFSA-PSO-LSSVM 不仅解决了收敛速度慢的问题,还解决了陷入局部最优解㊁时间过长等问题,达到了相互进化㊁取长补短的目的㊂AFSA-PSO-LSSVM 算法最终历经了39次迭代,函数值最终稳定在0㊂由此可知,相较于PSO-LSSVM 算法和AFSA-LSSVM 算法,AFSA-PSO-LSSVM 算法在寻优和收敛速度上具有一定的优势㊂图1㊀适应度函数曲线Figure 1㊀Fitness function curve从图2的3种模型相对误差变化可以看出,PSO-LSSVM㊁AFSA-LSSVM 及AFSA-PSO-LSSVM 的最大相对误差分别为6.88%㊁5.62%㊁3.64%㊂此外3种算法模型的平均绝对误差分别为5.16%㊁3.87%和2.07%,不难看出,AFSA-PSO-LSSVM 算法模型的相对误差最小,平均绝对误差也最小,模型效果最佳㊂为更好地观察实验结果,分别将45组测试数据输入到PSO-LSSVM㊁AFSA-LSSVM 和AFSA-PSO-BP 实验组进行识别,纵坐标编号1~3分别为齿轮箱的3种状态:正常㊁磨损和断齿,编号4为模糊识别结果,横坐标为实验组编号㊂识别结果如图3~5所示㊂图2㊀相对误差曲线Figure 2㊀Relative errorcurve图3㊀PSO-LSSVM 实验组诊断结果Figure 3㊀PSO-LSSVM experimental group diagnosisresults图4㊀AFSA-LSSVM 实验组诊断结果Figure 4㊀AFSA-LSSVM experimental group diagnosis results由图3可知,PSO-LSSVM 实验组中的第22组和第36组样本发生了诊断错误,第7组样本为模糊诊断,共计42组样本诊断正确,正确诊断率为93.33%㊂由图4可知,AFSA-LSSVM 实验组中的第28组发生错误诊断,第19组为模糊诊断,正确诊断组数为43组,正确诊断率为95.56%㊂相较于PSO-LSSVM 提升了2.23%㊂由图5可知,AFSA-PSO-LSSVM 实验组中的第23组发生了模糊诊断,正确诊断组数为44组,正确诊断率为97.78%,相较于58郑州大学学报(理学版)第54卷图5㊀AFSA-PSO-LSSVM实验组诊断结果Figure5㊀AFSA-PSO-LSSVM experimental groupdiagnosis resultsPSO-LSSVM和AFSA-LSSVM分别高了4.45%和2.22%㊂最后,分别对三个齿轮箱故障诊断模型进行了50次测试,综合统计结果如表1所示,明显可知AFSA-PSO-LSSVM算法模型的齿轮箱故障诊断效果优于PSO-LSSVM和AFSA-LSSVM算法模型㊂同时也可以看出,AFSA-PSO-LSSVM混合智能算法的误差平均值为0.7698,低于PSO-LSSVM算法以及AFSA-LSSVM算法㊂由此说明,此混合智能算法模型诊断误差较小,精度高,应用于风电机组齿轮箱的故障诊断是可行的㊂表1㊀齿轮箱故障诊断结果Table1㊀Fault diagnosis results of gearbox诊断方法正确诊断/个模糊诊断/个错误诊断/个正确率/%误差平均值PSO-LSSVM421293.331.1365 AFSA-LSSVM431195.560.8246 AFSA-PSO-LSSVM441097.780.76985㊀结语本文提出一个人工鱼群和粒子群混合智能算法优化LSSVM参数的方法,通过鱼群算法进行全局寻优,再利用粒子群算法局部更新求解,解决了LSSVM算法盲目选取参数的问题㊂搭建了AFSA-PSO-LSSVM混合智能算法模型,对风电机组齿轮箱进行故障诊断㊂通过实验对比,AFSA-PSO-LSSVM 混合智能算法的诊断模型收敛速度更快,诊断精度和性能都得到了进一步的提高,验证了AFSA-PSO-LSSVM混合智能算法模型的有效性和可行性,为风电机组齿轮箱的故障诊断提供了一个新的解决方法㊂参考文献:[1]㊀金晓航,孙毅,单继宏,等.风力发电机组故障诊断与预测技术研究综述[J].仪器仪表学报,2017,38(5):1041-1053.JIN X H,SUN Y,SHAN J H,et al.Fault diagnosis andprognosis for wind turbines:an overview[J].Chinesejournal of scientific instrument,2017,38(5):1041-1053.[2]㊀SU C,HU Z Y.Reliability assessment for Chinese do-mestic wind turbines based on data mining techniques[J].Wind energy,2018,21(3):198-209. [3]㊀朱超岩,姚晓东.基于遗传算法优化的支持向量机在变压器故障诊断中应用[J].仪表技术,2019(3):21-23,32.ZHU C Y,YAO X D.Application of the support vectormachine in the fault diagnosis on the transformer based onthe optimal genetic algorithm[J].Instrumentation tech-nology,2019(3):21-23,32.[4]㊀孟凡念,杜文辽,巩晓赟,等.基于粒子群优化最小二乘支持向量机的滚动轴承故障识别[J].轴承,2020(12):43-50.MENG F N,DU W L,GONG X Y,et al.Fault recognitionof rolling bearings based on LSSVM optimized by particleswarm optimization[J].Bearing,2020(12):43-50. [5]㊀郑坤鹏,丁云飞.基于WOA-LSSVM算法的风机齿轮箱故障诊断[J].上海电机学院学报,2020,23(6):317-322.ZHENG K P,DING Y F.Fault diagnosis of wind tur-bineᶄs gearbox based on WOA-LSSVM[J].Journal ofShanghai dianji university,2020,23(6):317-322.[6]㊀万晓静,孙文磊,陈坤.基于CEEMD能量熵特征提取和VNWOA-LSSVM的风力机轴承故障诊断方法研究[J].机电工程,2020,37(10):1186-1191.WAN X J,SUN W L,CHEN K.Fault diagnosis for windturbine bearings based on CEEMD energy entropy andVNWOA-LSSVM[J].Journal of mechanical&electricalengineering,2020,37(10):1186-1191.[7]㊀曾小钦,侯正男,庄圣贤,等.基于LSSVM和GMM的风电机组传动系统故障预测研究[J].可再生能源,2019,37(10):1533-1538.ZENG X Q,HOU Z N,ZHUANG S X,et al.Fault pre-diction for wind turbine drivetrain based on LSSVM andGMM[J].Renewable energy resources,2019,37(10):1533-1538.[8]㊀杨伟新,王平,李舜酩.基于KICA-GDA和LSSVM的齿轮箱轴承故障诊断[J].噪声与振动控制,2019,39(1):192-196.YANG W X,WANG P,LI S M.Fault diagnosis of gear-68㊀第3期王一宁,等:基于AFSA-PSO-LSSVM的风电机组齿轮箱故障诊断box bearings based on KICA-GDA and LSSVM[J].Noiseand vibration control,2019,39(1):192-196. [9]㊀孔敏儒,陈怡,李文慧,等.基于粒子群优化PCA-LSSVM算法的高压断路器机械故障诊断研究[J].电网与清洁能源,2019,35(10):68-74.KONG M R,CHEN Y,LI W H,et al.Research on me-chanical fault diagnosis of high voltage circuit breakersbased on particle swarm optimization PCA-LSSVM[J].Power system and clean energy,2019,35(10):68-74.[10]方权,刘闯,宋敏,等.模糊评价与PSO优化的LSS-VM架空输电线路故障率预测[J].水电能源科学,2021,39(1):171-175.FANG Q,LIU C,SONG M,et al.Failure rate predictionof overhead transmission line based on fuzzy evaluationand PSO-optimized LSSVM[J].Water resources andpower,2021,39(1):171-175.[11]杨宇,曾国辉,黄勃.基于人工鱼群算法和LSSVM的变压器故障诊断[J].电子科技,2020,33(11):36-40,45.YANG Y,ZENG G H,HUANG B.A transformer faultdiagnosis method integrating artificial fish swarm algorithmwith least square support vector machine[J].Electronicscience and technology,2020,33(11):36-40,45.[12]陈华,王强,刘晓坤.基于BAS-BP模型的变压器故障诊断[J].信阳师范学院学报(自然科学版),2020,33(4):635-639.CHEN H,WANG Q,LIU X K.Transformer fault diagno-sis based on BAS-BP model[J].Journal of Xinyang nor-mal university(natural science edition),2020,33(4):635-639.[13]ZHANG H W,WANG S T.Application of SVM based onFOA optimization in fault diagnosis of rotating machinery[C]ʊ2017IEEE2nd Advanced Information Technology,Electronic and Automation Control Conference(IAEAC).Beijing:IEEE Press,2017:2468-2474. [14]SUYKENS J A K,VANDEWALLE J.Least squares sup-port vector machine classifiers[J].Neural processing let-ters,1999,9(3):293-300.[15]聂宏展,王毕元,孙金红,等.基于混沌人工鱼群算法的输电网规划方法[J].电网技术,2010,34(12):109-113.NIE H Z,WANG B Y,SUN J H,et al.Transmissionnetwork planning based on chaotic artificial fish swarm al-gorithm[J].Power system technology,2010,34(12):109-113.[16]杨维,李歧强.粒子群优化算法综述[J].中国工程科学,2004,6(5):87-94.YANG W,LI Q Q.Survey on particle swarm optimizationalgorithm[J].Engineering science,2004,6(5):87-94.[17]袁野,杨红雨,羽翼,等.人工鱼群:粒子群混合算法优化进港航班排序[J].计算机应用研究,2014,31(3):663-666.YUAN Y,YANG H Y,YU Y,et al.Hybrid algorithmwith artificial fish swarm-particle swarm optimization forarrival sequencing and scheduling optimization[J].Appli-cation research of computers,2014,31(3):663-666.[18]朱林,王贝,付东,等.人工鱼群算法在同调发电机组聚合中的应用[J].电力科学与技术学报,2020,35(3):61-67.ZHU L,WANG B,FU D,et al.Application of an artifi-cial fish swarm algorithm in the aggregation of coherentgenerators[J].Journal of electric power science andtechnology,2020,35(3):61-67.[19]陈军章.改进人工鱼群算法的机器人路径规划及跟踪[J].机械设计与制造,2019(4):251-255.CHEN J Z.Mobile robot path planning and trackingbased on improved artificial fish swarm algorithm[J].Machinery design&manufacture,2019(4):251-255.[20]涂伟平,李春祥.基于混合智能算法优化LSSVM的短期风压预测[J].上海大学学报(自然科学版),2019,25(2):347-356.TU W P,LI C X.Short-term wind pressure forecast usingLSSVM based on hybrid intelligent algorithm optimization[J].Journal of Shanghai university(natural science edi-tion),2019,25(2):347-356.78。
AFSA与改进FSOA相结合的优化方法
AFSA与改进FSOA相结合的优化方法邓辉;王勇;陈士亮【摘要】提出一种采用AFSA和改进FSOA相融合的混合优化方法.该优化方法在寻优过程中交替使用AFSA和改进FSOA优化方法,使用AFSA来搜索局部最优域,使用改进FSOA优化方法来加快算法收敛速度和提高优化精度.实验仿真结果表明,该优化算法具有收敛速度快、优化精度高、全局寻优能力强、算法稳定性好等特点,对于求解高维复杂函数的优化问题是有效的和可行的.%A hybrid optimazation approach which is combined the Artificial Fish School Algorithm(AFSA) with the improving Optimization Approach on using Fishing Strategy (FSOA) is presented in this paper.The main idea of this hybrid optimization method is that AFSA and improving FSOA are used alternating in the sequence of operations for searching the global optimal solution, that AFSA is used to find the local optimal domain and improving FSOA is made use of improving the accurate numerical solution and accelerating the convergence rate.lt shows from the optimization experimental results that the optimization approach has the performances of rapid convergence rate,high accurate numerical solution,robust in solving global optimal solution, and good stability.So the optimization algorithm is effective and feasible in solving high dimension and complex function' optimization problems.【期刊名称】《计算机工程与应用》【年(卷),期】2011(047)031【总页数】6页(P57-62)【关键词】人工鱼群算法(AFSA);改进捕鱼策略优化方法;优化方法【作者】邓辉;王勇;陈士亮【作者单位】广西民族大学数学与计算机科学学院,南宁530006;广西民族大学数学与计算机科学学院,南宁530006;广西民族大学数学与计算机科学学院,南宁530006【正文语种】中文【中图分类】TP181 引言智能化的优化算法是近年来的研究热点之一，如Holland提出了遗传算法[1]（GA），Dorigo等人提出了蚁群算法[2-3]（ACA），Kennedy和Eberhart提出了微粒群优化算法[4]（PSO），文献[5]提出了人工鱼群算法（AFSA），文献[6]提出了采用捕鱼策略的优化方法（FSOA）等等。
群智能混合优化算法及其应用研究
群智能混合优化算法及其应用研究一、本文概述随着技术的飞速发展，群智能优化算法作为一种新兴的启发式优化技术，正受到越来越多的关注。
本文旨在深入研究群智能混合优化算法的理论基础、实现方法以及其在各个领域的应用。
文章首先介绍了群智能优化算法的基本概念和发展历程，分析了其相较于传统优化算法的优势和挑战。
随后，文章详细阐述了群智能混合优化算法的设计原理，包括算法的基本框架、关键参数设置以及算法性能评估等方面。
在此基础上，文章进一步探讨了群智能混合优化算法在多个领域中的应用案例，如机器学习、图像处理、路径规划等，以验证其在实际问题中的有效性和可行性。
本文的研究不仅有助于推动群智能优化算法的理论发展，也为解决复杂优化问题提供了新的思路和方法。
二、群智能优化算法理论基础群智能优化算法，作为一种新兴的启发式搜索技术，近年来在优化领域引起了广泛关注。
其核心思想源于自然界中生物群体的行为特性，如蚂蚁的觅食行为、鸟群的迁徙模式、鱼群的游动规律等。
这些生物群体在寻找食物、避免天敌等过程中，展现出了惊人的组织性和智能性，成为了群智能优化算法的理论基础。
个体与群体：每个算法中的个体代表了一个潜在的解，而群体的集合则代表了搜索空间的一个子集。
个体的行为受到群体行为的影响，通过群体间的信息交流和协作，实现解的优化。
局部搜索与全局搜索：群智能优化算法通过个体在搜索空间中的局部搜索行为，结合群体间的信息共享，能够在一定程度上避免陷入局部最优解，从而增强全局搜索能力。
自适应与自组织：群体中的个体能够根据环境变化和搜索经验，自适应地调整搜索策略和行为方式。
这种自组织特性使得算法在面对复杂优化问题时具有更强的鲁棒性。
正反馈与负反馈：在搜索过程中，群智能优化算法通过正反馈机制，将优秀个体的信息传递给其他个体，加速搜索进程；同时，负反馈机制则帮助算法避免重复搜索无效区域，提高搜索效率。
群智能优化算法的代表包括粒子群优化（PSO）、蚁群算法（ACO）、人工鱼群算法（AFSA）等。
常见的群体智能算法
常见的群体智能算法一、引言群体智能算法是一类仿生算法，通过模拟自然界中群体的行为和智能来解决各种优化问题。
这类算法具有全局搜索能力、适应性强、鲁棒性好等优势，被广泛应用于优化问题的求解。
本文将介绍几种常见的群体智能算法。
二、粒子群优化算法（Particle Swarm Optimization，PSO）粒子群优化算法是由Kennedy和Eberhart于1995年提出的，其灵感来源于鸟群觅食行为。
算法通过维护一群粒子的位置和速度，并根据粒子自身的历史经验和全局最优位置来更新粒子的位置和速度，以实现搜索最优解的目标。
PSO算法简单易实现，但容易陷入局部最优。
三、人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA）人工鱼群算法是由Xin-She Yang于2008年提出的，其灵感来源于鱼群觅食行为。
算法通过模拟鱼群的觅食和追随行为来搜索最优解。
每个鱼代表一个解，通过调整鱼的位置和状态来进行搜索。
人工鱼群算法具有全局搜索能力和自适应性，但对参数的选择较为敏感。
四、蚁群优化算法（Ant Colony Optimization，ACO）蚁群优化算法是由Marco Dorigo于1992年提出的，其灵感来源于蚂蚁寻找食物的行为。
算法通过模拟蚂蚁释放信息素和觅食的行为来搜索最优解。
蚂蚁释放的信息素会在路径上积累，其他蚂蚁会根据信息素浓度选择路径。
蚁群优化算法具有全局搜索能力和自适应性，但对问题的建模较为复杂。
五、人工免疫算法（Artificial Immune Algorithm，AIA）人工免疫算法是由De Castro和Von Zuben于2002年提出的，其灵感来源于人类免疫系统的工作原理。
算法通过模拟免疫系统的自我学习和适应性来搜索最优解。
免疫算法通过抗体和抗原之间的相互作用来进行搜索，其中抗体代表解，抗原代表问题。
人工免疫算法具有全局搜索能力和自适应性，但对参数的选择较为困难。
基于群体智能算法的优化问题研究
基于群体智能算法的优化问题研究近年来，群体智能算法得到了越来越广泛的应用。
群体智能算法是一种模仿自然界群体行为规律的优化算法。
与传统的单体优化算法相比，群体智能算法具有更强的全局优化能力和更高的稳健性。
这种方法已经被成功地应用于很多领域，如光子学、机器学习、生物医学等。
但是，由于各种优化问题的复杂性和多样性，群体智能算法的性能和效率还有很大的提高空间。
在基于群体智能算法的优化问题研究中，一个很重要的问题是如何选择一个合适的算法。
不同的群体智能算法具有不同的搜索策略和调整参数方法，适用于不同类型的问题。
一些著名的群体智能算法包括粒子群优化算法（PSO）、蚁群算法（ACO）、人工鱼群算法（AFSA）等。
在选择算法之前，我们需要深入了解问题的特点和需求，以便更好地优化算法的性能。
群体智能算法的最大优点是能够以并行的方式搜索所有可能的解。
在这些算法中，每个“智能体”都代表了一个潜在的解，并且通过与其他智能体的交互来更新自己的状态。
这种交互的方式不是以全局信息或经验为基础的，而是通过局部交互产生的。
由于每个智能体无法获得全局的知识，因此每个智能体的行为会受到其周围智能体的影响。
在群体智能算法的研究中，一个重要的问题是如何保持群体的多样性。
通过维护群体的多样性，我们可以增加算法的局部搜索能力，从而提高算法的全局优化能力。
为了实现这一点，我们可以采用一些常见的技术，如基于个体拥挤度的选择策略、精英保留策略和局部搜索策略等。
另外，选择适当的参数也是群体智能算法研究中的重要问题之一。
不同的参数设置会产生不同的搜索性能和速度。
我们通常采用试错方法来确定算法的参数。
这需要进行大量的试验和分析。
如果有足够的时间和计算资源，我们可以通过单个算法的多次迭代来找到最优参数。
但是，由于大多数的算法具有较高的时间复杂度，这种方法通常需要消耗很长的时间。
另一种方法是采用元启发式算法来找到最优组合。
这种方法将不同的参数组合作为问题的解空间，然后使用某种优化算法来搜索最优解。
基于人工鱼群算法的SVM参数优化
步骤 ２ 构造人工鱼群ꎮ 每条人工鱼是待优化
ＳＶＭ 参数组合( Ｃꎬｇ) ꎻ按照输入 Ｃ 和 ｇ 的取值随机
初始化人工鱼ꎬ构成 ｓｉｚｅ＿ｐｏｐ∗２ 矩阵的鱼群ꎮ
步骤 ３ 计算初始鱼群的食物浓度值ꎮ 以训练
集的分类准确率最大化为优化原则ꎬ计算每条人工 鱼的食物浓度值并比较大小ꎬ将最大值作为当前鱼 群的最优值ꎬ并保存( Ｃꎬｇ) ꎮ
山西电子技术 ２０１９ 年第 １ 期
应用实践
文章编号:１６７４ ￣ ４５７８ ( ２０１９ ) ０１ ￣ ００３０ ￣ ０４
基于人工鱼群算法的 ＳＶＭ 参数优化∗
徐 苗
( 山西农业大学 信息科学与工程学院ꎬ山西 晋中 ０３０８００)
摘 要:本文提出了基于人工鱼群算法( Ａｒｔｉｆｉｃｉａｌ Ｆｉｓｈ － Ｓｗａｒｍ Ａｌｇｏｒｉｔｈｍꎬ ＡＦＳＡ) 的 ＳＶＭ 参数 优化ꎮ 该算法以 ＳＶＭ 分类准确率最大化为优化原则ꎬ实现食物浓度值最大化并得到 ＳＶＭ 最优参 数组合( Ｃꎬｇ) ꎮ 通过 ＵＣＩ 的八个数据集仿真ꎬ对比结果表明:与 ＣＶ、ＧＡ、ＰＳＯ 相比ꎬＡＦＳＡ 在 ＳＶＭ 参数优化中的收敛速度更快ꎬ其分类准确率也更高ꎮ 证实了基于人工鱼群算法的 ＳＶＭ 参数优化选 取的性能较好ꎮ
第 １ 期 徐苗:基于人工鱼群算法的 ＳＶＭ 参数优化
３１
挤度因子 δꎬ感知距离 ｖｉｓｕａｌꎬ移动步长 ｓｔｅｐꎻＳＶＭ 中 惩罚参数 Ｃ 和核函数参数 ｇ 的取值范围ꎮ
输出:ＳＶＭ 参数( Ｃꎬ ｇ) 及对应的分类准确率ꎮ 步骤 １ 确定 ＳＶＭ 数据集ꎮ 随机选定 ＳＶＭ 相
ＳＶＭ 参数优化对于分类准确率具有重要影响ꎮ 本文提出了一种基于 ＡＦＳＡ 的 ＳＶＭ 参数优化算法 ( 记为 ＡＦＳＡ － ＳＶＭ) ꎬ其流程如图 １ 所示ꎮ 具体步 骤如下:
PSO算法的改进
PSO算法的改进PSO（粒子群优化）算法是一种仿真人群集群行为的智能优化算法，被广泛应用于优化问题的解决。
然而，传统的PSO算法存在一些问题，如易陷入局部最优解、速度较慢等。
为了克服这些问题，许多改进的PSO算法被提出。
下面将重点介绍几种常见的改进方法。
1.离散PSO算法传统的PSO算法是基于连续空间的优化方法，对二进制优化问题不太适应。
离散PSO算法通过将连续速度和位置转化为离散的形式，采用二进制编码方法，从而适应离散化问题。
此外，离散PSO算法还引入了局部机制，通过随机抽取一部分粒子进行局部，提高效率。
2.遗传算法融合PSO算法遗传算法（GA）是一种启发式算法，具有全局能力。
将GA和PSO相结合可以将它们的优点互补，提高效率和收敛性。
一种常见的方法是将GA的交叉、变异和选择操作应用于PSO的位置和速度更新过程中，以增加算法的多样性和全局能力。
3.多种群PSO算法传统的PSO算法通常只有一个粒子群集合，大多数粒子都在不同的空间探索，导致效率较低。
多种群PSO算法引入了多个群体，每个群体独立，交流信息，以提高能力。
这样可以加快全局速度并避免陷入局部最优解。
4.改进粒子选择策略在传统的PSO算法中，每个粒子只根据自己的历史最优和全局最优进行更新。
这种选择策略可能导致算法收敛速度慢。
改进的策略包括引入粒子选择机制来根据适应度值选择邻居，以更好地利用信息，加速收敛。
5.参数自适应方法传统的PSO算法需要手动设置参数，对不同问题的适应性较差。
参数自适应方法通过利用优化问题本身的信息来自动调整参数，提高算法的性能和鲁棒性。
常见的方法包括自适应惯性权重、自适应学习因子等。
6.混合PSO算法混合PSO算法将PSO和其他优化算法相结合，以提高能力和收敛性。
例如，将模拟退火算法的随机性质引入PSO中，可以在全局和局部之间取得平衡。
此外，还可以将模糊逻辑、神经网络等方法与PSO相结合，以改善算法的性能。
总之，PSO算法作为一种全局优化方法，经过多年研究和改进，已经形成了众多的改进版本。
基于群智能的最优化算法研究
基于群智能的最优化算法研究一、引言在现实生活中，问题的解决往往需要寻找最优解。
然而，对于复杂的问题，人类无法直接找出最优解，这时候就需要借助计算机来求解。
在计算机中，最优化问题的求解是一个重要的研究方向。
目前，基于群智能（Swarm Intelligence，SI）的最优化算法成为了最热门的研究方向之一。
SI算法主要受自然界中群体行为的启发，利用集合智能来求解优化问题，得到了广泛的应用。
二、SI算法的概述SI算法是一类优化算法，主要来源于社会生物的智能行为，并利用群体智能来求解问题。
其思想是通过大量的“个体”，通过自身的个体行为来达到搜索最优解的目的。
其中，代表性的算法包括粒子群算法（Particle Swarm Optimization，PSO）、蚁群算法（Ant Colony Optimization，ACO）、人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA）等。
PSO算法是一种全局优化算法，灵感来自于鸟群捕食的行为。
PSO通过模拟鸟群中成群飞行时寻找食物的过程进行求解。
算法中每一个“粒子”在解空间中搜索并跟踪最优解，并沿翔鸟种群内部搜索和信息传递的方式进行迭代；ACO算法则主要受到蚂蚁子弹的影响。
其基本思想是将搜索问题转化为一个蚁类寻找食物，并通过信息素的传递来找到最短路径的问题；AFSA算法则是模拟了鱼群觅食的行为，并通过对产生和传递信息的个体进行了实时模拟和调整，来实现全局最优解的搜索。
三、PSO算法的应用举例PSO算法是“群智能”算法中的有名算法，其应用广泛。
我们可以将PSO算法应用于深度学习领域。
随着深度学习在各行各业的应用越来越广泛，深度神经网络的设计也变得越来越大而复杂。
为了使得神经网络在计算机中运行时效率得到保障，需要利用智能算法来优化网络结构和参数。
在深度学习中，由于神经网络中涉及的层数、节点数等变量数量庞大，无法用传统的优化方法求解最优解。
基于群体智能的算法研究
基于群体智能的算法研究近年来，随着机器学习和人工智能的不断发展，群体智能也成为了研究的热点之一。
基于群体智能的算法已经被广泛应用于各种领域，例如网络优化、数据挖掘、图像处理、人工生命等。
群体智能算法是通过模拟自然界群体智能行为而得到的一类算法。
这类算法是一种分布式计算的方法，涉及到多个个体之间的协作和竞争。
每个个体通过其自身的感知和决策过程，与其他个体相互作用，并根据周围环境的反馈信息不断调整自己的行为，最终实现整个群体的智能行为。
与传统的算法相比，群体智能算法具有更好的鲁棒性、更强的自适应性和更低的计算复杂度。
目前比较常用的群体智能算法包括以下几种：1. 粒子群优化算法（Particle Swarm Optimization，PSO）PSO算法是一种模拟鸟群捕食行为而发展起来的优化算法。
每个粒子代表了一个潜在的解决方案，通过不断的相互交流和惯性更新等方式寻找最优解。
PSO算法具有收敛速度快、易于实现、适用于连续和离散问题等优点。
2. 蚁群算法（Ant Colony Optimization，ACO）ACO算法模拟了蚂蚁在寻找食源时遗留的信息素行为。
每个蚂蚁通过发现、评估和更新信息素，与其他蚂蚁相互作用寻找最优解。
ACO算法具有强的全局搜索能力、适用于离散优化问题以及易于实现等特点。
3. 遗传算法（Genetic Algorithm，GA）GA算法模拟了生物遗传和进化的过程，通过不断的交叉、变异、选择等操作来寻找最优解。
GA算法具有全局搜索能力强、易于处理多个变量、适用于优化问题等特点。
4. 蜂群算法（Bee Algorithm，BA）BA算法是一种基于蜜蜂搜索行为的优化算法，通过不断探测和更新蜜蜂的位置来寻找最优解。
BA算法具有全局搜索能力强、易于实现、适用于高维优化问题等特点。
5. 人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA）AFSA算法是一种基于鱼群行为的优化算法，通过不断移动和搜索寻找最优解。
群体智能优化算法-细菌觅食算法
第十四章 细菌觅食优化算法14.1 介绍Passino 等人[1]于2002年通过模拟人体内大肠杆菌的觅食行为，提出了一种新型智能优化算法：细菌觅食优化算法(Bacterial Foraging Optimization Algorithm ，BFOA)。
细菌觅食优化算法通过细菌群体之间的竞争与协作实现优化，是一种基于细菌群体的搜索技术。
在群智能算法中，GA 、ACO 、PSO 、AFSA 都是基于高等生物作为启发对象，而BFOA 算法则是模拟微生物的行为而形成的一种较新的优化方法。
14.2 BFOA 的基本原理与流程BFOA 算法是一种全局随机搜索的算法，其具有简单、收敛速度快，并且在优化过程中无需优化对象的梯度信息的特点。
BFOA 模拟细菌群体的过程包括趋向性（Chemotaxis ）、复制（Reproduction ）、迁徙（Elimination-dispersal ）三个步骤。
14.2.1 趋向性操作细菌向有利于自身环境的区域移动称为趋向运动，其中，一次趋向性操作包括翻转运动和游动运动。
细菌向任意方向移动单位步长称为旋转运动；细菌沿着上一步的运动放向移动单位步长称为游动运动。
通常，细菌在环境差的区域（如：有毒区域）会较频繁地旋转，在环境好的区域（如：食物丰富的区域）会较多地游动。
大肠杆菌的整个生命周期就是在游动和旋转这两种基本运动之间进行变换，游动和旋转的目的是寻找食物并避开有毒物质。
设细菌种群大小为S ，细菌所在的位置标示问题的一个候选解，细菌i 的信息用D维向量标示为12,,,i i i iD θθθθ⎡⎤=⎣⎦L ，i =1,2,...,S ，θi (j ,k ,l )表示细菌i 在第j 次趋向性操作、第k 次复制操作和第l 次迁徙操作后的位置。
细菌i 通过式（1）更新其每一步趋向性操作后的位置。
(1,,)(,,)()()i i j k l j k l C i j θθ+=+Φ（1）其中C(i )>0表示向前游动的步长，Φ(j )表示旋转后随机选择的单位方向向量。
新型智能优化算法在新能源系统复杂优化问题中的应用
新型智能优化算法在新能源系统复杂优化问题中的应用引言随着全球能源危机的严峻形势和对环境保护的要求越来越高，新能源的开发和利用成为了当前的热点和挑战。
新能源系统的复杂优化问题是一个具有挑战性的任务，需要考虑多种因素和约束条件。
传统的优化算法往往存在计算效率低、易陷入局部最优等问题。
因此，新型智能优化算法应运而生，成功应用于新能源系统的复杂优化问题中。
本文将对新型智能优化算法在新能源系统复杂优化问题中的应用进行探讨和分析。
二级标题1：新型智能优化算法概述新型智能优化算法是基于自然界某种灵长类动物行为、生理特征或其他生物学思想启发的优化算法。
这些算法具有全局优化能力，可以用于解决多种实际问题。
常见的新型智能优化算法包括粒子群优化算法（PSO）、遗传算法（GA）、蚁群算法（ACO）、人工鱼群算法（AFSA）等。
二级标题2：新能源系统复杂优化问题的挑战新能源系统的复杂优化问题涉及多个变量、约束条件和目标函数，具有高维度、多模态、非线性等特点。
为了实现新能源系统的最优配置和运行，需要解决以下挑战：1.高维度优化：新能源系统的优化问题通常包含大量的决策变量，传统优化算法很难有效处理高维空间中的搜索问题。
2.多目标优化：新能源系统的优化目标往往是多个相互冲突的目标，需要在多个目标之间进行权衡和取舍。
3.非线性约束：新能源系统的优化问题经常涉及到各种约束条件，这些约束条件可能是非线性的，传统优化算法不能很好地处理。
4.不确定性建模：新能源系统的运行状态受到多种不确定性因素的影响，需要考虑不确定性建模和优化决策。
二级标题3：新型智能优化算法在新能源系统中的应用新型智能优化算法在新能源系统复杂优化问题中具有很大的应用潜力。
以下是几种常见的应用方式：三级标题1：功率最大化问题新能源系统的功率最大化是一个重要的优化目标。
通过使用新型智能优化算法，可以寻找到最佳的系统配置和运行策略，以最大限度地提高系统的发电能力。
•针对这一问题，可以使用遗传算法来进行优化。
动态多目标优化研究综述
动态多目标优化研究综述动态多目标优化是指在多目标优化问题中，目标函数和约束条件在时间上是变化的。
动态多目标优化问题在实际应用中广泛存在，如供应链优化、交通路径规划、智能电网调度等。
针对动态多目标优化问题，研究者提出了许多不同的方法和算法。
动态多目标优化问题具有以下特点：1.目标函数和约束条件在时间上是变化的；2.决策变量的取值范围和变化规律可能随着时间的推移而变化。
因此，传统的多目标优化算法难以直接应用于动态多目标优化问题，需要针对其特点进行调整和改进。
目前，针对动态多目标优化问题的研究主要可以分为两大类：基于演化算法的方法和基于智能优化算法的方法。
基于演化算法的方法中，主要包括多目标遗传算法（NSGA-II，MOEA/D等）、多目标粒子群优化算法（MOPSO）、多目标蜂群优化算法（MOACO）等。
这些方法通过模拟生物进化过程中的遗传和群体行为来求解动态多目标优化问题。
在这些方法中，适应度函数、变异算子和交叉算子等关键操作被赋予了更高的灵活性，以适应目标函数和约束条件在时间上的变化。
基于智能优化算法的方法中，主要包括模拟退火算法（SA）、粒子群优化算法（PSO）和人工鱼群算法（AFSA）等。
这些方法通过模拟物理和生物系统中的行为来求解动态多目标优化问题。
在这些方法中，温度参数、加速度因子和领域等因素被赋予了更高的灵活性，以适应目标函数和约束条件的变化。
除了上述两类方法，还有一些混合方法在动态多目标优化问题的研究中得到了广泛应用。
例如，将遗传算法与粒子群优化算法相结合，形成了多目标遗传粒子群优化算法（MOGSA）；将模拟退火算法与人工鱼群算法相结合，形成了多目标模拟退火鱼群优化算法（MOSAFA）等。
这些方法试图通过结合不同的优化算法，充分发挥各自的优势，提高求解效果。
综上所述，动态多目标优化问题是一个重要且具有挑战性的研究领域。
目前已经提出了许多不同的方法和算法，并取得了一定的研究成果。
然而，由于动态多目标优化问题的复杂性，仍有许多问题需要进一步研究和解决，如动态多目标优化问题的理论分析、求解算法的改进和性能评价等。
直线三级倒立摆LQR控制稳定性的PSO-AFSA优化
Vol. 30 No. 9Noe. 2020第30卷第6期2020年3月黑龙江科技大学学报Joh/iat of Heilongjiany University of Scienco & Technompg直线三级倒立摆LQR 控制稳定性的PSO - AFSA 优化武俊峰3，，郭旭飞1(0黑龙江科技大学电气与控制工程学院，哈尔滨154026； 6.哈尔滨理工大学自动化学院，哈尔滨150080)摘要：为有效控制三级倒置摆杆维持在动态平衡状态，以直线三级倒立摆为研究对象，建立三级倒立摆杆系统物理模型，设计LQR 控制器，利用PSO - AFSA 算法优化直线三级倒立摆控制参数，仿真验证PSO - AFSA 算法优化直线三级倒立摆系统的动态稳定性。
结果表明，LQR 控制器使 直线三级倒立摆系统趋于动态稳定平衡需要约9.9 ,，而PSO - AFSA 算法优化后的系统达到动态平衡状态的时间约缩减至5.9 ,，系统各变量的超调量明显减少，具有更为理想的动态稳定性与抗干扰性。
关键词：最优控制；直线三级倒立摆；PSO - AFSA ； LQRdoi ：14. 8269/T issn. 9695 -7262. 2426.96. 910中图分类号:TP273文章编号:2495 - 7262 (2426 )46-4685-45 文献标志码：AOptimization of PSO-AFSA for LQR contrel stability oflin ear three-stage In v erted pen dulumW u ]unfeng i, , G uo Xufei 1(1. School of ElecWicai & Coutroi Enyinee/ny , Heiloudiaug Unive/ity of Scieuce & Technoloqg,HarUiu 150026 , China ； 6. Automabou Colleye of Harbiu Unive/ity of Technoloqg , Harbiu 154080 , China)Abstract ：T Uis papvr is aimed at an ehectiva control of thv threv-stagv inve/ed pendulum to keep itin thv dygamic equilidUum statu • Thv stuPg involvvs de/viny thv physicul model of thv threv-stayv inve/j P pendulum system bg takiny thv linear threv-stayv inve/ed pendulum as thv research ohject and therebgdesigniny thv LQR contmllvr ; opbmiziny thv control parameters of thv straight-linv threv-stayv inve/ed pendulum usiny PSO-AFSA alyorithm ； and ulbmatelg usiny simulation to veUp thv akility of thv PSO-AFtSA alyorithm to optimiav thv dygamic stakility of thv straight-linv threv-stayv inve/ed pendulum system.Thv results show WaW compared with thv LQR controlbr which mquims aPont 9. 9 s to makv thv linear triple inve/ed pendulum system Wnd to dygamic stahi/ty and balanco , thv system optimized bg PSO-AFt SA alyorithm cun reach dygamic equilidUum usiny 3.2s, yiviny an odvionsly rekuced overshoot of each vaUaktv in thv system , and thus / bettar dygamic stahi/ty and ;t/inW —mnco.Key words ： 3pbmizv contml ; Pnv thma inve/ed pendulum ； PSO-AFSA ； LQR收稿日期：2626 -17 -18第一作者简介：武俊峰（1959 -），男，黑龙江省伊春人，教授，博士生导师，研究方向：控制理论及应用,E-mail ：wujf@ hrUusl. edu. co 。
基于PSO-GA混合算法的移动采集节点路径优化研究
基于PSO-GA混合算法的移动采集节点路径优化研究徐丽萍【摘要】无线传感网中的移动采集节点路径规划问题可看成是时变的旅行商问题,属于NP-hard问题.以最大化移动采集节点的数据采集效率为目标,利用基于PSO-GA混合算法对无线传感网中移动采集节点的数据采集路径进行优化,在粒子群算法中引入遗传算法中的交叉操作和变异操作.实验仿真并与模拟退火算法进行比较,结果表明,PSO-GA混合算法可有效地优化移动采集节点的路径,与模拟退火算法相比,收敛速度更快,优化效果更好.【期刊名称】《韶关学院学报》【年(卷),期】2019(040)003【总页数】5页(P10-14)【关键词】无线传感网;数据采集;路径规划;PSO-GA混合算法【作者】徐丽萍【作者单位】安徽三联学院电子电气工程学院,安徽合肥230009【正文语种】中文【中图分类】TP393.1;TP212.9在无线传感网中，传统的数据采集策略是采用多级跳的方式，但这种方式并不完美.一是多级跳的方式让靠近固定sink节点的静态传感器承担了较大的通信负载，容易形成能量空洞；二是在大规模随机部署的无线传感网中，因地理环境等因素的影响，较难实现自组织成为全联通网络，传统的多级跳的方式无法解决这种稀疏的非连通无线网中的数据采集问题.随着机器人技术的发展，在无线传感网中使用具有移动能力的节点采集数据成为了可能.在无线传感网中引入移动节点不但可减小静态传感器节点的通信负载，延长无线传感网的生存时间，还可解决稀疏的非连通网络数据采集问题.近年来，学者们对具有移动节点的无线传感网中的路径规划问题做了很多研究.2012年任条娟等人利用节点的度值构建了sink节点移动路径［1］.陈友荣等人考虑多个斯诺克节点的移动，根据网格潜能值确定sink节点的锚点，获得sink节点的最短移动路径［2］.俸皓等人为通信范围建模为圆形区域的无线传感网提出了一种基于萤火虫算法的移动sink节点路径规划方法［3］.朱正伟等人将移动sink节点的路径规划问题看成是一个带邻域的旅行商问题，提出了混合免疫粒子群算法来求解该问题［4］.Ma M等人引入移动采集节点，移动采集节点从静态sink节点出发，遍历每个传感器节点，收集传感器采集到的数据并带回sink节点，建立了基于最短路径的移动采集节点路径优化模型［5］.俸皓等人利用多移动采集节点进行数据采集的方式，提出了一种基于多移动节点的多目标数据采集策略，设计了混合遗传算法来求解多个移动节点的规划路径［6］.针对具有单移动采集节点的无线传感网络的数据采集问题，笔者以最大化移动采集节点的数据采集效率为目标，基于PSO-GA混合算法对移动采集节点的数据采集路径进行优化，并通过实验仿真证明了数据采集策略的有效性.1 问题描述假定二维平面部署了n个静态传感器节点（位置固定）用于感知周围数据，一个位置固定的sink节点，每个静态传感器节点采集到的数据都会被暂存到节点的缓存区内，若在移动采集节点到达之前，缓存区的数据量已经达到存储上限，则通过多级跳的方式传回sink节点.移动采集节点从sink节点出发，依次访问各个静态传感器节点，接收静态传感器缓存中的数据，再回到sink节点，形成一条回路.假设：静态传感器节点向移动采集节点传送数据的速率均为r，缓存区存储采集数据量的上限为C.移动采集节点的移动速率为v，数组s表示路径，s（k）表示第k 个访问的节点，移动采集节点到达第k个节点的时间表示为ts(k)，移动采集节点从sink节点出发时路径上第k个静态传感器节点缓存区中的数据量表示为Gs(k)，路径上第k个静态传感器节点采集数据的速率表示为Rs(k)，路径上第k个静态传感器节点缓存中的数据量表示为：其中：即从sink节点出发到到达第k个静态传感器节点路径上需要的时间与跟前k-1个静态传感器进行数据传送所需的时间之和.移动采集节点的采集效率可以表示为数据采集量与数据采集路径总长度的比值.故目标函数可以表示为：2 基于PSO-GA混合算法的求解方法2.1 算法构造GA算法和PSO算法都是经典的智能优化算法，PSO-GA混合算法克服了单一PSO算法易陷入局部最优点的缺点，改善了单一GA算法收敛精度低的问题，相比单一算法而言具有更好的全局稳定寻优的能力，提高了算法的性能［7］，在求解NP-hard问题中得到了广泛地应用［8-10］.无线传感网中的移动采集节点路径规划问题可以看成是时变的旅行商问题，属于NP-hard问题.针对单移动采集节点的路径规划问题，文中基于PSO-GA混合算法进行求解.GA算法和PSO算法混合方式有多种，笔者采用的是将GA算法中的交叉操作和变异操作嵌入到PSO算法中，粒子同个体极值及群体极值进行交叉操作产生新粒子，使个体（群体）极值的优良基因可被很好的继承，而变异操作可以使粒子个体通过微调得到新个体，保证了群体的多样性.2.1.1 个体编码粒子个体编码采用整数编码的方式，每个粒子代表一条路径，若有n个静态传感器，则静态传感器节点编号从1开始到n，sink节点编号为0.如果需要遍历的静态传感器节点数为10，则个体编码为{0，2，5，7，8，9，10，1，4，3，6}，表示从 sink 节点 0 出发，遍历所有静态传感器节点，回到 sink 节点 0，其中个体编码长度为n+1.2.1.2 适应度值粒子适应度值表示为采集的数据总量与遍历路径长度之间的比值，计算公式为：其中，每个静态传感器节点缓存中的数据量ds(k)是随着时间不断变化的，移动采集节点访问静态传感器节点的顺序不同，到达静态传感器节点的时刻不同，需要传送的数据量ds(k)大小也不同.故每个静态传感器节点缓存中的数据量由公式（1）和公式（2）递归计算得出.2.1.3 交叉操作粒子个体通过与粒子个体极值以及粒子群体极值交叉来更新.具体操作如下：随机产生两个位置a1、a2，取个体（或者群体）极值pg的基因片段cross={pga1….pga2}.依次找出粒子中跟基因片段cross重复的节点编号并删除.将基因片段cross复制到粒子中的后a2-a1+1位中.例如：原粒子（0，2，5，7，8，9，10，1，4，3，6），个体极值（0，3，4，6，2，5，9，10，1，8，7）.随机生成的位置为a1=3，a2=5，则基因片段cross={4，6，2}.依次删除粒子中跟基因片段相同的节点编号，则粒子变为（0，5，7，8，9，10，1，3）.将基因片段cross复制到粒子的后3位中，则生成的新粒子为（0，5，7，8，9，10，1，3，4，6，2）.由于移动采集节点是从sink节点出发的，所以可行解的第一个元素的值一定是sink节点编号0，所以ai的取值范围应为1＜ai≤n+1.2.1.4 变异操作随机产生两个位置号a1、a2，1＜ai≤n+1，将粒子中a1、a2，两个位置上的静态传感器节点编号进行交换，产生新粒子个体.2.1.5 粒子更新规则若新的粒子优于旧粒子，则更新粒子，否则保持原来的粒子不变.2.2 算法步骤Step 1：控制参数的设置：设置粒子群的规模Nmax及迭代次数N.Step 2：按2.1.2的方法构造初始解.Step 3：按2.1.3的方法，个体与个体极值交叉产生新个体，计算个体的适应度值并按粒子更新规则更新粒子.Step 4：按2.1.3的方法，个体与群体极值交叉产生新个体，计算个体的适应度值并按粒子更新规则更新粒子.Step 5：按2.1.4的方法对个体进行变异操作产生新的个体，计算个体的适应度值并按粒子更新规则更新粒子.Step 6：更新当前个体最优值及群体最优值.Step 7：如果当前迭代次数 n＜N，转 Step 3，否则，退出.3 实验仿真为方便验证可靠性，在文献6提供的公开数据集作为算法的测试用例，取sink节点坐标值为（500，500），取20个静态节点，坐标值及其初始数据量见表1，静态传感器节点向移动采集节点发送数据的速率r取20 kb/s.表1 静态节点坐标节点编号坐标1 Ri/（kb/s）8 17 3（450，900）25 17 13 （850，700）4 20 4（100，200）27 19 14 （980，50）2 19 5（650，750）11 20 15 （470，700）27 10 6（560，560）2 12 16 （100，600）4 17 7 （100，500）27 12 17 （420，20）15 17 8（520，540）25 18 18 （400，750）4 17 9（800，700）0 19 19 （200，50）12 19 10 （300，100）5 17 20 （800，480）2 17（50，950）2 （590，480）Gi/kb 24 5 Ri/（kb/s）18 19节点编号11 12坐标（750，150）（360，900）Gi/kb 25 23设置迭代次数N为133，及粒子群的规模Nmax为1 000.静态传感器节点的缓存存储数据上限C取2 Mb，移动采集节点移动速度v取3 m/s.连续运行10次得到的数据见表2.表2 运行结果次数 PSO-GA 求得的目标值/（kb/s）1 6.23 2 5.37 SA 求得的目标值/（kb/s）4.06 3.67 3 5.21 4.96 4 6.79 4.77 5 5.22 4.43 6 6.50 5.76 7 5.63 4.63 8 6.06 5.59 9 5.49 5.47 10 5.25 4.79连续运行10次中优化结果最好的一次，寻得近似最优路径见图1，路径为：1→3→7→16→19→4→13→2→17→8→5→20→11→18→15→12→21→10→14→6→9.其采集数据量与路径长度的比值为 6.79，算法优化过程见图2，程序运行时间为10.487 s.图1 PSO-GA混合算法规划的路径图2 PSO-GA混合算法优化过程模拟退火算法（SA）是一种随机搜索方法，已被理论和实际应用验证是一种全局最优算法，适合求解大规模组合优化问题，在旅行商问题的求解中得到的广泛使用［11-12］.为方便与模拟退火算法进行比较，同一个测试用例也使用模拟退火算法进行求解.初始温度取1 000，终止温度取0.001，降温速率取0.95，运行10次，求得数据见表2，其中优化结果最好的一次，寻得近似最优路径见图3，路径为：1→2→13→4→16→19→6→10→14→9→3→21→15→12→18→11→5→20→8→17→7，求得采集数据量与路径长度的比值为5.75，算法优化过程见图4，程序运行时间为10.822 s.图3 模拟退火算法规划的路径图4 模拟退火算法优化过程通过表2可以看出，PSO-GA混合算法寻得的近似最优路径的目标值（采集数据量与路径长度的比值）最低为5.21 kb/s，最高为6.79 kb/s，平均值为5.77 kb/s.模拟退火算法寻得的近似最优路径的目标值最低为3.67 kb/s，最高为5.76 kb/s，平均值为4.84 kb/s.可见文中基于PSO-GA混合算法设计的移动采集节点的路径规划方法寻优比较稳定，寻得的近似最优解更接近最优解.通过图2和图4对比，可以看出PSO-GA混合算法比模拟退火算法收敛速度快.4 结语针对具有单移动采集节点的无线传感网中的数据采集路径规划问题，笔者利用PSO-GA混合算法进行了求解，实验仿真证明PSO-GA混合算法全局寻优能力稳定，寻得的近似最优路径可以有效地提高移动采集节点的数据采集效率.且与模拟退火算法相比，收敛速度快，寻得的近似最优解更佳.针对具有单移动采集节点无线传感网设计数据采集策略的方法，对具有多个移动采集节点的无线传感网也有借鉴意义，下一步可尝试将该算法应用于求解具有多移动采集节点的无线传感网中的数据采集路径规划问题.参考文献：【相关文献】［1］任条娟，杨海波，陈友荣.Sink节点移动的无线传感网生存时间优化算法［J］.传感技术学报，2012（5）：683-690.［2］陈友荣，周骏华，尉理哲，等.基于网格的移动无线传感网生存时间优化算法［J］.电子与信息学报，2014（10）：2370-2378.［3］俸皓，罗蕾，王勇，等.基于萤火虫算法的无线传感网络移动sink节点路径规划方法［J］.微电子学与计算机，2016（5）：47-51.［4］朱正伟，郭晓，刁小敏.基于混合免疫粒子群算法的WSN移动sink路径研究［J］.微电子学与计算机，2018（5）：89-94.［5］Ma M，Yang Y Y，Zhao M.Tour planning for mobile data-gathering mechanisms in wireless sensor networks［J］.IEEE Trans on Vehicular Technology，2013（4）：1472-1483.［6］俸皓，罗蕾，王勇，等.无线传感网中基于时变多旅行商和遗传算法的多目标数据采集策略［J］.通信学报，2017（3）：112-123.［7］李红亚，彭昱忠，邓楚燕，等.GA 与 PSO 的混合研究综述［J］.计算机工程与应用，2018（2）：20-28.［8］俞靓亮，王万良，介婧.基于混合粒子群优化算法的旅行商问题求解［J］.计算机工程，2010（11）：183-184.［9］张勇，陈玲，徐小龙，等.基于 PSO-GA 混合算法时间优化的旅行商问题研究［J］.计算机应用研究，2015（12）：3613-3617.［10］张浩为，谢军伟，张昭建，等.基于混合遗传-粒子群算法的相控阵雷达调度方法［J］.系统工程与电子技术，2017（9）：1985-1991.［11］佘智勇，庄健敏，翟旭平.基于改进的TSP模型和模拟退火算法路径规划研究［J］.工业控制计算机，2018（2）：56-57.［12］何庆，吴意乐，徐同伟.改进遗传模拟退火算法在 TSP 优化中的应用［J］.控制与决策，2018（2）：219-225.。
基于PSO-AFSA混合算法的模糊投资组合问题的研究
０ 引 言
２０世 纪 ５０年代 ，Ｍａｒｋｏｗｉｔｚ 在 Ｐｏｒ ｔ￣ｌｉｏ ｓｅｌｅｃ ｔｉｏｎ中第 一次将 概率论 中的均值 一方 差概念 引入到证 券 投资组 合 中 ，建 立 均 值．方 差 模 型．用 证 券 的历 史 收益率 的期 望来 预 测 预期 收 益 的高低 、用 证 券 收益
第 ２７卷 第 ９期 ２０１８年 ９月
运 筹 与 管 理
ＯＰＥＲＡＴＩＯＮＳ ＲＥＳＥＡＲＣＨ ＡＮＤ Ｍ ＡＮＡＧＥＭ ＥＮＴ ＳＣＩＥＮＣＥ
Ｖｏ１．２７，Ｎｏ．９ Ｓｅｐ． ２０１８
基 于 ＰＳＯ—ＡＦＳＡ混合算法 的模糊投资组合 问题 的研究
宋 健， 邓 雪
（华 南 理 工 大学 数 学 学 院 ，广 东 广 州 ５１０６４０）
率 的方差 来 量化 风 险 的 大小 。Ｍａｒｋｏｗｉｔｚ的均 值一方 差模型第 一次 将 风险 这个 抽象 的指 标进 行 量 化 ，标 志着投 资组合选择 理论进 入 了一个 全新 的时代 。
ｃｏｍｂｉｎｅｄ ｗｉｔｈ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ａｎｄ ａｒｔｉｆｉｃｉａｌ ｆｉｓｈ ｓｗａｒｍ ａｌｇｏｒｉｔｈｍ ｉｓ ｄｅｓｉｇｎｅｄ ｔｏ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ． Ｉｎ ｔｈｉｓ ａｌｇｏｒｉｔｈｍ ，ｔｈｅ ｒｅｓｕｌｔ ｏｆ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍ ｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｉｓ ｔａｋｅｎ ａｓ ｔｈｅ ｉｎｉｔｉａｌ ｆｉｓｈ ｇｒｏｕｐ ｏｆ ａｒｔｉｆｉｃｉａｌ ｆ ｉｓｈ ｓｗａｒｍ ａｌｇｏｒｉｔｈｍ ， ａｎｄ ｔｈｅ ｆｕｒｔｈｅｒ ｓｅａｒｃｈ ｉｓ ｍ ａｄｅ ｔｏ ａｖｏｉｄ ｔｈｅ ｓｈｏｒｔｃｏｍ ｉｎｇ ｏｆ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍ ｉｚａｔｉｏｎ． Ａｔ ｔｈｅ ｓａｍ ｅ ｔｉｍｅ，ｔｈｅ ｂｅｓｔ ｐｏｓｉｔｉｏｎ ｉｎ ｔｈｅ ｆｉｓｈ ｐｏｐｕｌａｔｉｏｎ ｉｓ ｆｅｄ ｂａｃｋ ｔｏ ｔｈｅ ｖｅｌｏｃｉｔｙ ｕｐｄａｔｉｎｇ ｆｏｒｍｕｌａ ｏｆ ｔｈｅ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｔｏ ｇｕｉｄｅ ｔｈｅ ｍ ｏｔｉｏｎ ｏｆ ｔｈｅ ｐａｒｔｉｃｌｅｓ ａｎｄ ａｃｃｅｌｅｒａｔｅ ｉｔｓ ｃｏｎｖｅｒｇｅｎｃｅ． Ｆｉｎａｌｌｙ， ｔｈｅ ｅｍ ｐｉｒｉｃａｌ ａｎａｌｙｓｉｓ ｉｎｄｉ· ｃａｔｅｓ ｔｈａｔ ｔｈｅ ｈｙｂｒｉｄ ａｌｇｏｒｉｔｈｍ ｏｆ ＰＳＯ ａｎｄ ＡＦＳＡ ｉｓ ｅｆｆｅｃｔｉｖｅ， ａｎｄ ｔｈｅ ｇｌｏｂａｌ ｏｐｔｉｍｕｍ ｓｏｌｕｔｉｏｎ ｏｂｔａｉｎｅｄ ｂｙ ｔｈｅ ｈｙｂｒｉｄ ａｌｇｏｒｉｔｈｍ ｉｓ ｂｅｔｔｅｒ ｔｈａｎ ｔｈｅ ｏｎｅ ｏｂｔａｉｎｅｄ ｂｙ ＰＳＯ． Ｋｅｙ ｗｏｒｄｓ：ｐｏｒｔｆｏｌｉｏ ａｌｇｏｒｉｔｈｍ ； ａｒｔｉｆｉｃｉａｌ ｆ ｉｓｈ ｓｗａｒｍ ａｌｇｏｒｉｔｈｍ ；ｌｉｎｅａｒ ｗｅｉｇｈｔｉｎｇ；ｇｌｏｂａｌ ｓｅａｒｃｈ
采用AFSA算法的燃料电池车混合度的能量优化
采用AFSA算法的燃料电池车混合度的能量优化
汤世炎;陈丽
【期刊名称】《电脑知识与技术:学术版》
【年(卷),期】2022(18)11
【摘要】随着能源危机的日趋严重,氢能源燃料电池车凭借着清洁、高效、无污染等优点得到了社会的高度关注。
但是由于我国加氢站的体系并不完善,存在着基础建设的不足,相关流程的不健全,无法规模化地制造氢能源等问题,导致氢能源的成本远远高于石油。
为了解决这一问题,文章使用人工鱼群算法对建立的目标函数进行优化,并根据各性能指标的权重关系选择最佳混合度,并在仿真平台ADVISOR2002上进行验证。
【总页数】5页(P88-91)
【作者】汤世炎;陈丽
【作者单位】沈阳工业大学人工智能学院
【正文语种】中文
【中图分类】TM911
【相关文献】
1.燃料电池轿车能量源混合度仿真优化
2.燃料电池客车混合动力系统能量分配的遗传优化组合算法
3.基于遗传算法对燃料电池客车能量分配优化研究
4.基于遗传算法优化支持向量机工况识别的燃料电池混合动力汽车能量管理策略
5.基于动态混合度和满意牵引条件的燃料电池/超级电容混合动力机车能量管理瞬时优化控制方法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
混合蛙跳在AF协作通信功率优化中的应用
混合蛙跳在AF协作通信功率优化中的应用
刘紫燕;唐思腾;冯丽;帅暘
【期刊名称】《计算机仿真》
【年(卷),期】2015(032)007
【摘要】针对合理的功率分配能有效地提高中继协作性能,在不考虑功率优化目标函数的特性下,对功率受限的多中继协作通信的功率分配进行了研究.首先对AF多中继协作通信,提出了混合蛙跳算法的多中继节点功率分配方案.然后在总功率约束下,以最大化平均信噪比为优化目标函数,通过混合蛙跳得到源节点和中继节点的功率分配方案.上述算法不依赖于最优化问题的目标函数,具有操作简单,易于跳出局部最优等特性.仿真结果表明,与遗传算法和平均功率分配相比,基于混合蛙跳算法的功率分配方案能获得更小的比特差错率,提高了系统性能.
【总页数】5页(P190-193,310)
【作者】刘紫燕;唐思腾;冯丽;帅暘
【作者单位】贵州大学大数据与信息工程学院,贵州贵阳550025;贵州大学大数据与信息工程学院,贵州贵阳550025;国网重庆市电力公司,重庆400014;贵州大学大数据与信息工程学院,贵州贵阳550025
【正文语种】中文
【中图分类】TN911
【相关文献】
1.纳西族打跳在健身运动中的应用策略探究 [J], 葛锦润
2.混合蛙跳在网络编码协作系统资源分配的应用 [J], 刘紫燕;唐思腾;冯丽;毛攀;张达敏
3.AFSA+PSO混合算法在BP网络故障诊断中的应用 [J], 王敏;周树道;段黎明;白衡
4.多节点AF协作通信系统中的信道估计方法 [J], 曹文魁;李兆训;窦冬冬
5.AF型中继辅助OFDM系统中的功率优化 [J], 钱叶旺;俞菲;杨绿溪
因版权原因，仅展示原文概要，查看原文内容请购买。
基于PSO-AFSA的非线性地学模型参数估计
基于PSO-AFSA的非线性地学模型参数估计
施颢
【期刊名称】《无线互联科技》
【年(卷),期】2022(19)1
【摘要】文章针对目前地理学研究中进行非线性模型参数估计的一些传统方法的局限性,结合粒子群和人工鱼群算法进行优化,该算法综合利用人工鱼群算法的良好全局收敛性和粒子群算法的局部快速收敛性、易实现性等优点。
实例表明,PSO-AFSA可以很好地应用到非线性地学模型的求解中,且收敛速度快,求解精度高。
【总页数】2页(P104-105)
【作者】施颢
【作者单位】江苏省地理基础地理信息中心
【正文语种】中文
【中图分类】O15
【相关文献】
1.基于非线性回归的极值模型参数估计
2.基于多模型半参数非线性回归模型的外弹道节省参数估计
3.基于非线性最小二乘的变压器热电等值模型参数估计
4.模拟退火算法及其在非线性地学模型参数估计中的应用
5.基于改进果蝇算法的非线性模型参数估计方法
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
２ Ｃ ｌ ｇ ｆ ｌ ｔｃｌｎ ｆｒ ｔ ｎＥ ｇｎ ｅｉｇ Ｌ ｎｈ ｕＵｎｖｒｉ ｆ ｅｈ ｏｏｙ Ｌ ｎ ｈ ｕ７ ０３ ） ． ｏｌ ｅｏ Ｅｅ ｒ ａ ａｄＩ ｏｍａｉ ｎ ｉｅｒ ， ａ ｚ ｏ ｉｅｓｙｏ Ｔ ｃｎ ｌ ， ａｚ ｏ ３ ０ ０ ｅ ｃｉ ｎ ｏ ｎ 【 ｇ
Ｈｙ ｉ ｂｒｄ Ｏｐｔｍ ｉ ａ ｉ ｎ Ａｌ ｏ ｉｈｍ ｆＰＳＯ ｎｄＡＦＳ ｉ ｚ ｔｏ ｇ ｒｔ ｏ ａ Ａ
ＷＡ ｉｎ ｇ ｏ， Ｓ ｕ ｈ ｎ ＨＯ ｉ ＮＧ Ｌ ａ ． ｕ ， ＨＩ 一 Ｑｉ ． ｏ ｇ， ＮＧ Ｙ
（ ． ｃ ｏ ｌ ｆ ｎｏ ｍａｉｎＳ ｉｎ ｅａ ｄＴ ｃ ｎ ｌｇ ， ａ ｓ Ａｇ ｉ ｌ ｒｌ ｉｅｓ ｙ Ｌ ｎ ｈ ｕ７ ０ ７ ； １ Ｓ ｈ ｏ ｏ Ｉｆｒ ｔ ｃｅ ｃ ｎ ｅ ｈ ｏｏ ｙ Ｇ ｎ ｕ ｒ ｕｔ ａ ｖ ｒｉ ， ａ ｚ ｏ ３ ０ ０ ｏ ｃ ｕ Ｕｎ ｔ
ｃ ｍｐａ ｉ Ｐ Ｏ— ｏ ｒ ｎｇ Ｓ ＡＦＳ ｈ ｂ ｉ ｌ ｏ ｉ ｍ ｔ ｓａ ｄ ｒ Ｏ ａｇ ｒｔ ｍ ｖ ｌ ｉ ｇ ｏ ｕ ｉ ｎ ｏ ｉｖ ｓａ ｄ ｒ ｆ ｎ ｔｏ ，ｒ ｓ ｌｓ ｈｏ Ａ ｙ ｒｄ ａ ｇ ｒｔ ｈ ｗｉ ｈ ｔ ｎ ａ ｄ ＰＳ ｌｏ ｉ ｈ ｉ ｅ ｏ ｖ ｎ ｓ ｌ ｔｏ ｔ ｆ ｅ ｔ ｎ ａ ｄ ｕ ｃ ｉ ｎｓ ｅ ｕ ｔ ｓ ｗ ｔ ａ ｎ ｈｔ ＰＳ ＡＦＳ ｈ ｒｄ ａ ｇ ｒ ｈ ｏ ｔ ｅ ｆ ｒ ｓＰＳ ａ ｇ ｒｔ ｍ． Ｏ— Ａ ｙｂ ｉ ｌ ｏ ｔ ｍ ｕ ｐ ｒ ｏ ｍ Ｏ ｌ ｏ ｉｈ ｉ
中，一个子群体利用 Ｐ Ｏ算法进化 ， Ｓ 另一个子群体利 用 Ａ Ｓ Ｆ Ａ进化 ， 个算法共享整个种群极值信息 。 ２ 通过混合算法对 ５ 个标准函数进行 实验 ，并与标准 Ｐ Ｏ算法进行比较，结果表明混合算法具有 更好 的优化性能。 Ｓ 关健诃 ：粒子群优化算法 ；人工鱼群算法 ；Ｐ Ｏ Ａ Ｓ Ｓ － Ｆ Ａ混合算法 ；群体智能
第３ ６卷 第 ５ 期
ＶＬ６ ｏ３
・
计
算
机
工
程
２ １ 年 ３月 ００
Ｍ ａｃ １ ｒ ｈ ２０ ０
Ｎｏｓ ．
Ｃｏ ｐ ｅ ｍ ｕｔ ｒＥｎｇ ｎｅ ｒｎｇ ｉ ｅｉ
人工智能及识别技术 ・
文 编号 １ ｍ ３ ８０ ）＿ １ ＿ ３ 文 标 码 Ａ 章 ： ｏ ＿ ４ （ １０ ＿ ７ ＿ ０ ２２ ０５ ０ 岳 ０ 献 识 ；
２ 基本 Ｐ Ｏ和改进的 Ａ Ｓ Ｓ ＦＡ
２１ 基 本 Ｐ Ｏ ． Ｓ
设一个包含 Ｍ个粒子的粒子群在 Ｄ维空间飞行 ， 粒子群
可用如下参数来表示 ：ｉ ＸＩ ｆ …，ｉ） Ｘ （ｉ，＿ ＸＤ为粒子 ｉ Ｄ维空 间 ＝ ， ２ Ｘ， ， 在
［ ｓ ａｔ ｈｓｐｐ ｒｐｏ ｏｅ ｙ ｒ ｌｏｉ ｍ ｆＰ ｒｃｅＳ ｒ Ｏｐｉ ｚｔ ｎＰ Ｏ）ａ ｄＡｒｆ ｉｌＦｓ ｗａｍ ｇ ｒｈ ＡＦ Ａ ｙ Ａｂｔ ｃ］Ｔ ｉ ａｅ ｒｐ ｓｓａｈ ｂｉ ａ ｒｈ ｏ ａｔ ｌ ｗａｍ ｔ ａｉ （Ｓ ｒ ｄ ｇ ｔ ｉ ｍｉ ｏ ｎ ｔｉ ａ ｉ Ｓ ｒ Ａｌｏｉ ｍ（ Ｓ ）ｂ ｉｃ ｈ ｔ
中 分 号ｌ ＰＳ 圈 类 ｌ Ｔ
Ｐ Ｏ 和 ＡＦ Ａ 混 合优 化 算 法 Ｓ Ｓ
王联 国 Ｉ，施秋红 ， ，洪 毅
（．甘肃农业大 学信息科学技术学院，兰州 ７ ０ ７ ；２ １ ３ ０ ０ ．兰州理工大学 电气工程与信息工程学院 ，兰州 ７ ０ ３ ） ３ ０ ０
摘
要 ：结合粒子群优化（Ｓ ） Ｐ Ｏ 算法和人工鱼群算法（ Ｆ Ａ 的优势 ， 出一种 Ｐ Ｏ Ａ Ｓ Ａ Ｓ） 提 Ｓ － Ｆ Ａ混合算法。将种群分为 ２ 个子群体 ， 每次迭代 在
ｉ ｌ ｇ ｎｃ ｎｅｌ ｅ ｅ ｉ
１ 概述
粒子群 优化（ａ ｉ ｅ Ｓ ｒ ｐｉ ｚｔ ｎ Ｓ ） Ｐ ｎｃ ｗａｍ Ｏ ｔ ａｉ ，Ｐ Ｏ 算法是 ｌ ｍｉ ｏ Ｋｅｎ ｄ 和 Ｅ ｅｈｎ于 １９ 年提 出的基于群体智能方法的演 ｎｅ ｙ ｂｒａ ９５ 化计算技术【，其思想来源于对鸟群等生物 种群 觅食行为 的 Ｊ Ｊ 研究和对一个简化社会模型的仿真 。粒子群优化算法简单、 容易实现，同时又有深刻的智能背景，因此 ，在短短 十几年 间，获得 了很快的发展 ，出现大量的研究成果 ，并在 函数优
ｅ ｏｖ ｓｕ ｉｇ Ｐ Ｏ ｌ ｏｉ ｍ ，ｈｅｏｈ ｒｓ ｂｇ ｏ ｐ ｅ ｏｖ ｓｕｓ ｇ ＡＦＳ ａ ｄｔ ｌｏｉ ｍ ｓｓ ａｅｔｅ ｉｆｒ ａｉｎ ｏｆｇｏ ｐ ｘｒｍ ｕ ．Ｔ ｒｕ ｈ ｖ ｌｅ ｓｎ Ｓ ａｇ ｒｔ ｈ ｔ ｔｅ ｕ －ｒ ｕ ｖ ｌｅ ｉ ｎ Ａ， ｎ ｗｏ ａｇ ｒｔ ｈ ｒ ｈ ｎｏｍ ｔｏ ｒｕ ｓｅ ｔｅ ｍ ｈ ｈｏｇ
［ ｙ ｗｏｄ ｌＰ ｒｃｅＳ ｒ ｔ ｚｔ ｎＰ Ｏ）ａｇ ｒｈ Ｋｅ ｒ ｓ ａｔ ｌ ｗａ Ｏｐｉ ａｉ （Ｓ ｉ ｍ ｍｉ ｏ ｌｏｉ ｍ；Ａｒｆ ｉｌ ｉ ｗａ ｇ ｒｈ ＡＦ Ａ） Ｓ ＡＦ Ａ ｙ ｒ ｌｏ ｔｍ； ｗａｍ ｔ ｔ ｃａ Ｆｓ Ｓ ｒ Ａｌｏｉ ｍ（ Ｓ ；Ｐ Ｏ－ Ｓ ｈ ｂ ｄ ａ ｒｈ ｓ ｒ ｉ ｈ ｉ ｍ ｔ ｉ ｇｉ