针对动态不确定战场环境下多无人机对多区域、多目标的协同察打任务规划过程中存在的信息不确定、任务多约束及航迹强耦合的多目标优化与决策问题,结合Dubins航迹规划算法,提出了一种融合多种改进策略的灰狼优化算法(grey wolf optimiza...针对动态不确定战场环境下多无人机对多区域、多目标的协同察打任务规划过程中存在的信息不确定、任务多约束及航迹强耦合的多目标优化与决策问题,结合Dubins航迹规划算法,提出了一种融合多种改进策略的灰狼优化算法(grey wolf optimization algorithm incorporating multiple improvement strategies,IMISGWO).首先,针对动态环境带来的无人机巡航速度及察打任务消失时间的不确定性,基于可信性理论建立了以最大化任务收益为指标的任务规划数学模型;其次,为实现该问题的快速求解,设计了初始解均匀分布、个体通信机制调整、动态权重更新和跳出局部最优等策略,提升算法解搜索能力;最后,构建了多无人机察打一体典型任务仿真场景,通过数字仿真以及虚实结合半实物仿真试验验证了算法的可行性和有效性.仿真结果表明:算法在求解不确定环境下耦合航迹的多无人机察打一体任务规划问题时,能够生成多机高效的任务执行序列和满足无人机飞行性能约束的飞行轨迹,且能够适用于无人机数量增加导致问题复杂度增加情形下此类问题的求解.展开更多
为研究考虑施工安全及心理资本的建筑工人资源调度问题,构建建筑工人项目成本最低、完工时间最短、安全绩效最高的多目标资源调度模型,基于多策略改进灰狼优化算法,改善基本灰狼优化算法存在的局部最优而早熟收敛、全局搜索能力差的问题...为研究考虑施工安全及心理资本的建筑工人资源调度问题,构建建筑工人项目成本最低、完工时间最短、安全绩效最高的多目标资源调度模型,基于多策略改进灰狼优化算法,改善基本灰狼优化算法存在的局部最优而早熟收敛、全局搜索能力差的问题,提高算法的全局寻优能力和求解精度,得到建筑工人资源配置方案。结果表明,与传统灰狼优化(Grey Wolf Optimization,GWO)算法和其他两种改进灰狼算法相比,多策略混合灰狼优化算法在模型求解精度方面更优秀,给出的建筑工人资源配置方案更高效安全。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
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
文摘为研究考虑施工安全及心理资本的建筑工人资源调度问题,构建建筑工人项目成本最低、完工时间最短、安全绩效最高的多目标资源调度模型,基于多策略改进灰狼优化算法,改善基本灰狼优化算法存在的局部最优而早熟收敛、全局搜索能力差的问题,提高算法的全局寻优能力和求解精度,得到建筑工人资源配置方案。结果表明,与传统灰狼优化(Grey Wolf Optimization,GWO)算法和其他两种改进灰狼算法相比,多策略混合灰狼优化算法在模型求解精度方面更优秀,给出的建筑工人资源配置方案更高效安全。
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。
