-
题名基于混沌反馈乌燕鸥优化算法的随机配置网络参数优化
被引量：3
- 1
-
-
作者
严爱军
于小
-
机构
北京工业大学信息学部
数字社区教育部工程研究中心
城市轨道交通北京实验室
-
出处
《北京工业大学学报》
CAS
CSCD
北大核心
2023年第7期746-757,共12页
-
基金
国家自然科学基金资助项目(61873009,62073006)
北京市自然科学基金资助项目(4212032)。
-
文摘
为了解决随机配置网络(stochastic configuration network,SCN)隐含层参数的选择与分配会影响其预测精度的问题,提出一种基于混沌反馈乌燕鸥优化算法(chaotic feedback sooty tern optimization algorithm,CFSTOA)的SCN参数优化方法。首先,利用Tent映射、线性因子调节策略、劣势种群反馈原则来改进乌燕鸥优化算法(sooty tern optimization algorithm,STOA),以增强算法的局部搜索能力,得到一种具备更快收敛速度和更高收敛精度的CFSTOA;然后,将CFSTOA用于优化SCN的正则化参数和权重偏差的尺度因子,从而得到最优的隐含层参数;最后,利用10个基准函数和4个标准回归数据集分别对CFSTOA的性能进行了测试。结果表明,CFSTOA具有更快的收敛速度且不易陷入局部最优,可以提高SCN算法的预测精度和训练速度。
-
关键词
随机配置网络(stochastic
configuration
network
SCN)
乌燕鸥优化算法
反馈机制
TENT映射
参数优化
回归预测
-
Keywords
stochastic configuration network(SCN)
sooty tern optimization algorithm
feedback mechanism
Tent mapping
parameter optimization
regression prediction
-
分类号
U461
[机械工程—车辆工程]
TP308
[自动化与计算机技术—计算机系统结构]
-
-
题名基于改进乌燕鸥算法同步优化SVM的特征选择
- 2
-
-
作者
赵小强
缐文霞
-
机构
兰州理工大学电气工程与信息工程学院
兰州理工大学甘肃省工业过程先进控制重点实验室
兰州理工大学国家级电气与控制工程实验教学中心
-
出处
《兰州理工大学学报》
北大核心
2025年第3期89-98,共10页
-
基金
国家自然科学基金(62263021)
甘肃省科技计划资助(21YF5GA072,21JR7RA206)。
-
文摘
针对支持向量机(SVM)中特征选择和参数优化对分类精度有较大影响的问题,提出了一种基于改进乌燕鸥算法同步优化SVM的特征选择算法.首先利用Tent混沌映射对乌燕鸥种群初始化,增加种群多样性,在此基础上引入余弦自适应并结合模拟退火算法,避免乌燕鸥算法陷入局部最优的缺陷,增强算法全局搜索能力,提高收敛精度;其次将改进算法同特征选择和支持向量机相结合,同步优化二进制特征选择和SVM的参数;最后在10个标准数据集上进行特征选择仿真对比实验,实验结果表明相比原始算法及其他对比优化算法,所提算法能有效降低数据维度,提高分类准确率.
-
关键词
乌燕鸥优化算法
余弦自适应
模拟退火算法
支持向量机
特征选择
-
Keywords
sooty tern optimization algorithm
cosine adaptation
simulated annealing algorithm
support vector machine
feature selection
-
分类号
TM761
[电气工程—电力系统及自动化]
-
-
题名基于多机制优化螺旋飞行特征的乌燕鸥算法
被引量：3
- 3
-
-
作者
李光泉
刘欣宇
王龙飞
邵鹏
-
机构
江西农业大学计算机与信息工程学院
-
出处
《科学技术与工程》
北大核心
2023年第26期11299-11308,共10页
-
基金
国家自然科学基金(62041702)
教育部人文社会科学研究项目(20YJA870010)
+1 种基金
江西省社会科学研究规划项目(19TQ05,21GL12)
江西省高校人文社会科学研究项目(TQ20105)。
-
文摘
乌燕鸥优化算法(sooty tern optimization algorithm,STOA)是近年来出现的一种新兴的群智能优化算法,因其独特的螺旋式寻优方式和在实际工程问题中显著的优化效果而备受研究与关注。然而,STOA算法本身也存在着收敛速度较慢,搜索精度较低,并且容易陷入局部最优等缺点。因此,提出了一种融合混沌映射、自适应惯性权重与高斯变异的多机制乌燕鸥优化算法(multi-mechanism sooty tern optimization algorithm incorporating chaotic mapping,adaptive inertia weight and gaussian mutation,GT-STOA),以促进群体多样性并增强算法全局搜索和局部寻优的能力。同时,为验证算法寻优效果的显著性,基于12个具有不同特征的测试函数,选取9种典型的优秀元启发式算法进行对比验证。实验结果表明GT-STOA相较于其他9种算法具有更高的寻优精度和更快的收敛速度,并且易跳出局部最优找到全局最优解。此外,为了研究GT-STOA解决实际问题的能力,对压力容器设计问题进行优化求解,所得实验数据显示GT-STOA较传统STOA算法在求解精度上提升了42.54%。
-
关键词
乌燕鸥优化算法
混沌映射
自适应惯性权重
高斯变异
-
Keywords
sooty tern optimization algorithm
chaotic mapping
adaptive inertia weight
gaussian mutation
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
-
题名基于遗传乌燕鸥算法的同步优化特征选择
被引量：32
- 4
-
-
作者
贾鹤鸣
李瑶
孙康健
-
机构
三明学院信息工程学院
东北林业大学机电工程学院
-
出处
《自动化学报》
EI
CAS
CSCD
北大核心
2022年第6期1601-1615,共15页
-
基金
福建省自然科学基金项目(2021J011128)
三明学院国家基金培育计划项目(PYT2105)资助。
-
文摘
针对传统支持向量机方法用于数据分类存在分类精度低的不足问题,将支持向量机分类方法与特征选择同步结合,并利用智能优化算法对算法参数进行优化研究.首先将遗传算法(Genetic algorithm,GA)和乌燕鸥优化算法(Sooty tern optimization algorithm,STOA)进行混合,先通过对平均适应度值进行评估,当个体的适应度函数值小于平均值时采用遗传算法对其进行局部搜索的加强,否则进行乌燕鸥本体优化过程,同时将支持向量机内核函数和特征选择目标共同作为优化对象,利用改进后的STOA-GA寻找最适应解,获得所选的特征分类结果.其次,通过16组经典UCI数据集和实际乳腺癌数据集进行数据分类研究,在最佳适应度值、所选特征个数、特异性、敏感性和算法耗时方面进行对比研究,实验结果表明,该算法可以更加准确地处理数据,避免冗余特征干扰,在数据挖掘领域具有更广阔的工程应用前景.
-
关键词
乌燕鸥优化算法
混合优化
特征选择
支持向量机
数据分类
-
Keywords
Sooty tern optimization algorithm
hybrid optimization
feature selection
support vector machine
data classification
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于STOA-VMD的串补输电线路故障测距
- 5
-
-
作者
商立群
裴超
-
机构
西安科技大学电气与控制工程学院
-
出处
《广东电力》
2022年第8期104-112,共9页
-
基金
陕西省自然科学基金资助项目(2021JM-393)。
-
文摘
由于串补电容的存在,串补输电线路中发生故障时,故障行波过程十分复杂,行波波头检测困难;故障行波信号中存在较大噪声时,传统的故障特征提取方法无法准确提取故障行波的特征信号。为此在串补线路中故障行波信号存在噪声条件下,提出一种基于乌燕鸥优化算法(sooty tern optimization algorithm,STOA)对变分模态分解(variational mode decomposition,VMD)优化的故障行波特征提取方法。该方法利用最大峭度准则对STOA的目标函数不断优化,从而选取VMD中更合适的模态量和惩罚因子值,避免人为设定模态量和惩罚因子值时,VMD对故障行波信号的分解不足或分解过剩造成的故障定位误差。通过对称差分能量算子(symmetric differential energy operator,SDEO)提取VMD后最佳的模态分量的能量突变点,结合双端行波测距方法,实现故障测距。仿真结果表明,所提方法能够实现串补输电线路的故障测距,测距精度高,且不受故障类型、过渡电阻的影响。
-
关键词
变分模态分解
峭度
乌燕鸥优化算法
对称差分能量算子
行波故障测距
-
Keywords
variational mode decomposition
kurtosis factor
sooty tern optimization algorithm
symmetric difference energy operator
traveling wave fault location
-
分类号
TM744.3
[电气工程—电力系统及自动化]
-
