题名 基于4VA信息素的蝗虫优化算法
被引量：2
1
作者
赵艳玲 王勇 袁磊
机构
广西民族大学人工智能学院 广西混杂计算与集成电路设计分析重点实验室 广西高校复杂系统与智能计算重点实验室
出处
《广西科学》
CAS
北大核心
2022年第5期930-939,共10页
基金
国家自然科学基金项目(62266007) 广西自然科学基金项目(2021GXNSFAA220068)资助。
文摘
针对标准蝗虫优化算法(Grasshopper Optimization Algorithm,GOA)存在的不足,基于对蝗虫活动习性和行为特征的模拟,结合GOA模型,提出一种基于4-乙烯基苯甲醚(4-vinylanisole,4VA)信息素的蝗虫优化算法(Grasshopper Optimization Algorithm Based on 4-vinylanisole Pheromone,VAGOA)。首先,基于4VA是蝗虫的聚集信息素,设计4VA信息素表达式;其次,对不同蝗虫群体(群居型蝗虫和散居型蝗虫)中的个体分别采用不同的搜索策略,在探索和开发之间取得平衡,使算法全局探索能力和局部开发能力均得到有效提升,增强算法的全局寻优能力和规避陷入局部最优的能力。通过12个基准函数的仿真实验,并与GOA、PSO、HCUGOA、SA_CAGOA算法相比较,结果表明VAGOA的全局搜索能力有明显提高,在函数优化中明显具有更快的全局收敛速度及更好的稳定性。
关键词
蝗虫 优化算法 (goa )4-乙烯基苯甲醚(4VA)信息素 聚集搜索方法 分散搜索方法 智能优化 全局探索 局部开发
Keywords
Grasshopper Optimization Algorithm(goa ) 4-vinylanisole(4VA)pheromone aggregated search method scattered search method intelligent optimization global exploration local exploitation
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
题名 新能源汽车驱动电机冷却系统劣化故障预测
2
作者
柳炽伟 黄韵迪
机构
中山职业技术学院机电工程学院 中山职业技术学院信息工程学院
出处
《汽车安全与节能学报》
北大核心
2025年第2期277-285,共9页
基金
广东省教育厅特色创新科研项目(2023KTSCX367) 中山职业技术学院科研项目(KYB2303)。
文摘
提出一种主成分分析及粒子群优化支持向量机(PCA-GOA-LSSVM)的多分类器模型,用于尽早检测和预测新能源汽车驱动电机冷却系统的劣化,减少因冷却液温度过高导致的电机功率限制或停机状况的发生。其中主成分分析法(PCA)用于对故障特征进行降维重构处理,蝗虫算法(GOA)用来优化最小二乘支持向量机(LSSVM)的参数。通过实车故障试验采集样本数据,分别输入至LSSVM预测模型、PCA-PSO-SVM及PCA-GOA-LSSVM模型,进行对比测试。结果表明:基于PCA-GOA-LSSVM的多分类器预测模型准确率达91.41%、精确率达86.25%,高于对比的预测模型,可准确提醒及时维护车辆及有效判断故障类型;该模型能够用于新能源汽车驱动电机冷却系统性能劣化预测和故障诊断中。
关键词
新能源汽车 驱动电机冷却系统 故障预测 最小二乘支持向量机(LSSVM) 蝗虫 算法 (goa )主成分分析(PCA)
Keywords
new energy vehicles drive-motor cooling-system fault prediction least squares support vector machine(LSSVM) grasshopper optimization algorithm(goa ) principal component analysis(PCA)
分类号
U472.9
[机械工程—车辆工程]
题名 若干新型智能优化算法对比分析研究
被引量：49
3
作者
张九龙 王晓峰 芦磊 牛鹏飞
机构
北方民族大学计算机科学与工程学院 北方民族大学图像图形智能处理国家民委重点实验室
出处
《计算机科学与探索》
CSCD
北大核心
2022年第1期88-105,共18页
基金
国家自然科学基金(62062001) 宁夏自然科学基金(2020AAC03214) 北方民族大学重大专项(ZDZX201901)。
文摘
智能优化算法(IOA)指的是一类以自然界的生物生存进化过程或物理现象为算法原理,用于解决最优化问题的算法,较为知名的智能优化算法有遗传算法、粒子群算法、模拟退火算法等。智能优化算法属于启发式方法,广泛应用在解决最优化问题上,传统的群智能算法为解决一些实际问题提供了新思路。随着科学技术的进步和应用场景的改变,传统的智能优化算法在收敛速度、求解精度等方面已无法满足日益复杂的优化问题,因此不断有新的更高效的智能优化算法被提出。选取了近几年国内外提出的几种新型智能优化算法:蝴蝶优化算法(BOA)、飞蛾扑火算法(MFO)、正弦余弦优化算法(SCA)、蝗虫优化算法(GOA)、哈里斯鹰优化算法(HHO)、麻雀搜索算法(SSA)。阐述了各算法的基本原理、算法步骤、相关的改进策略及存在的优缺点。为客观对比各算法性能,进一步通过3种类型共21个测试函数及6个指标评价各算法性能,最后归纳总结各算法的特点并对智能优化算法的发展前景进行展望。
关键词
智能优化算法 (IOA) 蝴蝶优化算法 (BOA) 飞蛾扑火算法 (MFO) 正弦余弦优化算法 (SCA) 蝗虫 优化算法 (goa )哈里斯鹰优化算法 (HHO) 麻雀搜索算法 (SSA)
Keywords
intelligent optimization algorithms(IOA) butterfly optimization algorithm(BOA) moth-flame optimization(MFO) sine cosine algorithm(SCA) grasshopper optimization algorithm(goa ) Harris hawks optimization(HHO) sparrow search algorithm(SSA)
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
题名 考虑天气因素影响的离港航班滑出时间预测
4
作者
夏正洪 王楚皓 方鹏越
机构
中国民用航空飞行学院空中交通管理学院
出处
《科学技术与工程》
北大核心
2023年第27期11892-11899,共8页
基金
四川省科技计划(2022YFG0196) 中国民用航空飞行学院基本科研项目(J2023-046)。
文摘
针对现有滑出时间预测研究成果未考虑天气因素影响的问题,基于航空例行天气报告(meteorological terminal aviation routine weather report,METAR),构建了考虑天气因素的离港航班滑出时间预测模型。首先,通过分析航空器场面运行态势,厘清了进离港航班滑行过程的时空交叠关系,重新定义了滑出时间的影响因素,并分别阐述了航班运行数据和气象数据的分析流程。基于相关性分析结果构建了滑出时间的反向传播(back propagation,BP)神经网络预测模型,并采用蝗虫优化算法(grasshopper optimization algorithm,GOA)对模型进行优化。以深圳宝安机场2周的实际运行数据对模型进行了验证,结果表明:(1)天气因素是滑出时间的主要影响因素之一,引入量化后的天气因素可显著提升滑出时间预测结果;(2)重新定义的同时段推出及滑行的进离港航班数量、进离港队列的概念和数据样本更加精准,相关性分析结果更加客观;(3)基于GOA-BP的滑出时间预测结果精度有明显提升,平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)分别减少了11.40 s、12.62 s,平均绝对百分比误差(mean absolute percentage error,MAPE)提升了0.37%;±3 min和±5 min的准确率分别高达81%和94%。
关键词
天气因素 滑出时间预测 航空例行天气报告(METAR) 反向传播(BP)神经网络 蝗虫 优化算法 (goa )
Keywords
weather factor taxi-out time prediction meteorological terminal aviation routine weather report(METAR) back propagation(BP)neural network grasshopper optimization algorithm(goa )
分类号
V355.1
[航空宇航科学与技术—人机与环境工程]
