针对桥梁检测车伸缩臂结构的轻量化问题,文中以最小结构质量为目标,提出一种改进灰狼算法(Ameliorated Grey Wolf Algorithm, AGWO)。根据问题特征建立了伸缩臂结构的数学模型,针对灰狼算法的缺陷,引入混沌策略和反向学习生成灰狼初始种...针对桥梁检测车伸缩臂结构的轻量化问题,文中以最小结构质量为目标,提出一种改进灰狼算法(Ameliorated Grey Wolf Algorithm, AGWO)。根据问题特征建立了伸缩臂结构的数学模型,针对灰狼算法的缺陷,引入混沌策略和反向学习生成灰狼初始种群,提高初始解的质量,同时,将自适应步长加入到灰狼算法的优化过程中,提高算法的收敛速度,并在满足可靠性的前提下,使其达到轻量化的效果。最后,应用有限元分析,检验了改进后算法的可行性,得出优化后的质量减小了18.33%,对实际工程结构的设计有指导意义。展开更多
为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首...为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首先,运用互信息算法进行输入数据的变量选择,以消除冗余变量。其次,通过互补集合经验模态分解和改进的小波阈值算法对筛选后的数据进行特征重构,旨在降低数据中的噪声干扰并完成输入变量的特征优化。随后,结合改进的Tent混沌映射、非线性递减因子、动态权重策略和差分进化算法对标准灰狼优化算法进行混合优化,以确定双向长短期记忆神经网络的最优超参数组合,并引入注意力机制以挖掘数据中的关键时序信息,最终构建出一种新型的短期光伏功率预测模型。仿真实验表明,相较于最小二乘支持向量机、长短期记忆网络和双向长短期记忆网络,所提模型在晴天、多云、阴天和降雨等不同工况下的均方根误差平均分别降低了12.45%、7.95%和5.37%,显示出优秀的预测性能、良好的泛化能力和潜在的工程应用价值。展开更多
为解决移动机器人在丘陵山区不规则、崎岖地形等复杂果园环境下的路径规划问题,提出一种基于改进灰狼算法的移动机器人三维路径规划方法。通过模拟实际地理环境,建立三维果园地形及障碍物模型,构建路径规划目标函数模型。通过引入麻雀...为解决移动机器人在丘陵山区不规则、崎岖地形等复杂果园环境下的路径规划问题,提出一种基于改进灰狼算法的移动机器人三维路径规划方法。通过模拟实际地理环境,建立三维果园地形及障碍物模型,构建路径规划目标函数模型。通过引入麻雀搜索算法(sparrow search algorithm,SSA)改进标准灰狼算法(grey wolf optimizer,GWO)的初始化方式、收敛因子、局部搜索能力及全局搜索能力。仿真实验结果表明,所提出的算法相较于其他算法,具有寻优速度快、路径规划距离最优、收敛速度快的优点,表明了本文方法的有效性和优越性。展开更多
针对当前各类路径优化算法搜索规模较小、收敛速度较慢、全局搜索与局部搜索不平衡等问题,提出一种多策略融合的改进灰狼优化算法(multi-strategy fusion of grey wolf optimization algorithm,MGWO)。通过引入精英反向优化策略对种群...针对当前各类路径优化算法搜索规模较小、收敛速度较慢、全局搜索与局部搜索不平衡等问题,提出一种多策略融合的改进灰狼优化算法(multi-strategy fusion of grey wolf optimization algorithm,MGWO)。通过引入精英反向优化策略对种群进行初始化,提高初始解的质量。采用自适应权重机制,动态调整最优狼的领导能力。通过分段搜索方法,提升平衡局部搜索与全局探索的能力。仿真实验结果表明:该算法表现出色,能快速找到最优路径,提高算法的整体性能,具有一定借鉴作用。展开更多
可靠准确地预测动力电池剩余使用寿命(remaining useful life,RUL)可以缓解用户对里程和安全的焦虑。为了提升RUL预测精度,基于NASA数据集,本工作提出了一种改进的灰狼算法来优化高斯过程回归(Gaussian process regression,GPR)模型。...可靠准确地预测动力电池剩余使用寿命(remaining useful life,RUL)可以缓解用户对里程和安全的焦虑。为了提升RUL预测精度,基于NASA数据集,本工作提出了一种改进的灰狼算法来优化高斯过程回归(Gaussian process regression,GPR)模型。本工作从以下三方面开展研究。首先,基于电池的充放电数据,提取了五种间接健康因子,包括充电电压饱和间隔(CVSI,HI1)、充电峰值温度间隔(CPTI,HI2)、恒流充电间隔(CCCI,HI3)、放电峰值温度区间(DPTI,HI4)和放电恒流间隔(DCCI,HI5),并采用灰色关联方法分析健康因子和容量的相关性。其次,本工作选取GPR方法作为动力电池RUL预测模型,针对传统模型参数辨识已陷入局部最优问题,提出了基于差分算法改进的灰狼算法,提升模型预测能力。最后,利用NASA数据集对本工作所提方法进行验证。实验结果表明,所提算法预测RUL误差控制在2%以内。展开更多
文摘针对桥梁检测车伸缩臂结构的轻量化问题,文中以最小结构质量为目标,提出一种改进灰狼算法(Ameliorated Grey Wolf Algorithm, AGWO)。根据问题特征建立了伸缩臂结构的数学模型,针对灰狼算法的缺陷,引入混沌策略和反向学习生成灰狼初始种群,提高初始解的质量,同时,将自适应步长加入到灰狼算法的优化过程中,提高算法的收敛速度,并在满足可靠性的前提下,使其达到轻量化的效果。最后,应用有限元分析,检验了改进后算法的可行性,得出优化后的质量减小了18.33%,对实际工程结构的设计有指导意义。
文摘为了同时优化质子交换膜燃料电池(proton exchange membrane fuel cells,PEMFC)系统的效率和输出功率,文章首先建立PEMFC系统的机理模型,并分析系统效率和输出功率特性;其次针对传统灰狼算法(grey wolf optimizer,GWO)的初始化种群不均匀和易出现早熟收敛的问题,引入佳点集种群初始化策略和非线性收敛因子策略,并由此提出一种改进多目标灰狼优化算法(multi-objective grey wolf optimizer,MOGWO),有效改善了灰狼算法的搜索精度和收敛性能;然后针对改进多目标灰狼优化算法求得的Pareto最优解集,使用TOPSIS评价法得出逼近理想解的最佳解,确定PEMFC系统的最佳运行条件;最后对所提出的MOGWO算法进行仿真验证,结果表明该算法能够有效提高PEMFC系统在实际运行中的输出功率和系统效率。
文摘为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首先,运用互信息算法进行输入数据的变量选择,以消除冗余变量。其次,通过互补集合经验模态分解和改进的小波阈值算法对筛选后的数据进行特征重构,旨在降低数据中的噪声干扰并完成输入变量的特征优化。随后,结合改进的Tent混沌映射、非线性递减因子、动态权重策略和差分进化算法对标准灰狼优化算法进行混合优化,以确定双向长短期记忆神经网络的最优超参数组合,并引入注意力机制以挖掘数据中的关键时序信息,最终构建出一种新型的短期光伏功率预测模型。仿真实验表明,相较于最小二乘支持向量机、长短期记忆网络和双向长短期记忆网络,所提模型在晴天、多云、阴天和降雨等不同工况下的均方根误差平均分别降低了12.45%、7.95%和5.37%,显示出优秀的预测性能、良好的泛化能力和潜在的工程应用价值。
文摘为解决移动机器人在丘陵山区不规则、崎岖地形等复杂果园环境下的路径规划问题,提出一种基于改进灰狼算法的移动机器人三维路径规划方法。通过模拟实际地理环境,建立三维果园地形及障碍物模型,构建路径规划目标函数模型。通过引入麻雀搜索算法(sparrow search algorithm,SSA)改进标准灰狼算法(grey wolf optimizer,GWO)的初始化方式、收敛因子、局部搜索能力及全局搜索能力。仿真实验结果表明,所提出的算法相较于其他算法,具有寻优速度快、路径规划距离最优、收敛速度快的优点,表明了本文方法的有效性和优越性。
文摘针对当前各类路径优化算法搜索规模较小、收敛速度较慢、全局搜索与局部搜索不平衡等问题,提出一种多策略融合的改进灰狼优化算法(multi-strategy fusion of grey wolf optimization algorithm,MGWO)。通过引入精英反向优化策略对种群进行初始化,提高初始解的质量。采用自适应权重机制,动态调整最优狼的领导能力。通过分段搜索方法,提升平衡局部搜索与全局探索的能力。仿真实验结果表明:该算法表现出色,能快速找到最优路径,提高算法的整体性能,具有一定借鉴作用。
文摘可靠准确地预测动力电池剩余使用寿命(remaining useful life,RUL)可以缓解用户对里程和安全的焦虑。为了提升RUL预测精度,基于NASA数据集,本工作提出了一种改进的灰狼算法来优化高斯过程回归(Gaussian process regression,GPR)模型。本工作从以下三方面开展研究。首先,基于电池的充放电数据,提取了五种间接健康因子,包括充电电压饱和间隔(CVSI,HI1)、充电峰值温度间隔(CPTI,HI2)、恒流充电间隔(CCCI,HI3)、放电峰值温度区间(DPTI,HI4)和放电恒流间隔(DCCI,HI5),并采用灰色关联方法分析健康因子和容量的相关性。其次,本工作选取GPR方法作为动力电池RUL预测模型,针对传统模型参数辨识已陷入局部最优问题,提出了基于差分算法改进的灰狼算法,提升模型预测能力。最后,利用NASA数据集对本工作所提方法进行验证。实验结果表明,所提算法预测RUL误差控制在2%以内。
