改进哈里斯鹰优化算法与BP神经网络组合的滑坡位移高精度预测模型

开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明：引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题;IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。     

改进的粒子群优化算法

针对粒子群优化算法易陷入局部最优并难以跳出的缺陷,提出了一种改进的算法。算法在采用自适应惯性权重基础上,引入粒子群局部收敛判断机制,对陷入局部最优的粒子采取新的进化模型以增加群体的多样性,进而降低了群体早熟收敛。通过新进化模型的粒子群优化算法对4个基准函数反复试验,仿真结果表明改进的粒子群算法具有更好的收敛精度并且可以有效避免早熟收敛问题,寻找到全局最优解。     

基于SSA-Elman神经网络的电离层TEC短期预报模型

针对基于神经网络的电离层TEC短期预报存在精度较低、易陷入局部最优的问题,利用CODE中心提供的TEC数据及地磁活动指数,建立基于麻雀搜索算法(SSA)改进Elman神经网络的电离层TEC短期预报模型,并通过BP模型、Elman模型及SSA-Elman组合模型分别对电离层平静期和扰动期中低纬度TEC进行5 d连续预报....     

一种改进蚁群算法及其应用

蚁群算法是近年来出现的一种新的仿生优化算法.针对基本蚁群算法在求解过程中容易出现收敛时间过长以及易陷入局部最优解的不足,对算法中的状态转移、搜索方式以及信息素更新进行改进,提出了一种新的改进蚁群算法.一类典型旅行商问题的仿真实验表明改进的蚁群算法具有收敛速度快、全局搜索能力强和计算时间短的特点,证明了方法的可行性和有效性.     

基于遗传蚁群算法的云资源调度问题研究

讨论利用蚁群算法解决云计算资源的调度问题。蚁群算法利用正反馈机制加快了收敛速度,但同时具有易早熟,易陷入局部最优解等不足。针对此问题,提出用遗传算法优化蚁群优化算法,同时引入最大最小蚁群系统改进基本蚁群算法,从而形成新的遗传蚁群算法。实验结果表明,新算法应用于云计算资源调度中,能有效地缩短调度所用的平均时间,提高调度效率。     

基于全局人工鱼群算法的函数优化

基本人工鱼群算法将基于鱼群行为的人工智能思想引入到解决函数优化的问题中,根据自然界中鱼类寻找食物的行为特点,推演出人工鱼的四种行为模型:随机行为、觅食行为、聚群行为、追尾行为。该算法具有对初值参数选择不敏感、鲁棒性强、简单易实现等优点。本文的全局人工鱼群算法是针对基本人工鱼群算法运算速度慢、求解精度低和容易陷入局部极值的缺陷而提出的。该算法在觅食、聚群、追尾行为中用历史全局最优人工鱼的位置和感知区域内较优位置的和向量代替感知区域内较优位置。这样不仅缩短了人工鱼向最优解移动的时间,也提高了求解最优值的精度和速度。仿真结果表明,该算法在函数优化方面的优化性能高于基本人工鱼群算法。     

基于WPA-WOA-BP神经网络的PM2.5浓度预测

针对传统BP神经网络存在的学习速度慢、易陷入局部极值等问题,利用鲸鱼优化算法(WOA)以及狼群算法(WPA)混合优化BP神经网络的权值和阈值,构建WPA-WOA-BP神经网络模型,并对PM2.5浓度进行预测.实验结果证明,WPA-WOA-BP神经网络模型预测稳定性高,可用于PM2.5浓度的预测,且预测精度优于BP神经网...     

通过改进自适应PSO优化BP网络预测大坝变形

提出自适应粒子群神经网络（ADPPSO-BP）算法,并加入自适应变异算子,提高粒子跳出局部搜索的能力,实现对坝体位移的精准预测。以丰满大坝为例进行验证,建立PSO-BP（粒子群神经网络）、LPSO-BP（线性粒子群神经网络）、改进ADPPSO-BP（改进自适应粒子群神经网络）3种模型,对大坝进行变形预测。结果表明,ADPPSO-BP预测误差最小。     

基于遗传算法的聚焦爬虫搜索策略设计与研究

网络爬虫是搜索引擎的重要组成部分。针对目前聚焦爬虫搜索策略的不足,提出了一种新的搜索策略解决方案。在搜索过程中对适应度高于或低于种群平均适应度的个体采用不同的交叉概率和变异概率来扩大爬虫的爬取范围、增加新个体,并通过改进遗传算子,提高聚焦爬虫的搜索效率。实验证明,基于自适应遗传算法的聚焦爬虫在一定程度上解决了传统遗传算法的"早熟"问题,而且能够爬取到更多主题相关的网页和相关度高的网页。     

基于自适应混合遗传算法的岩石类材料动态参数反演

将多元函数的下山单纯形法嵌入遗传算法,加强了算法的局部搜索能力,并且将交叉概率、变异概率以及局部搜索概率改进为随遗传个体的适应度值改变和进化代数的增加而调整的自适应型。在此基础上针对岩石类材料的特性,将数值计算值与冲击压缩实验结果之间的相对均方差作为适应度函数,编制了反演分析算法来确定岩石类材料考虑损伤的非线弹性动态本构模型的待定特征参数。结果表明：由动态本构方程得到的再生应力一应变曲线与实验曲线之间具有较好的一致性,从而验证了该反演分析方法是合理可行的以及动态本构模型对于岩石类材料的适用性。     

基于GA-BP神经网络的路基沉降预测

如何科学、合理地预测路基沉降是高速公路建设的关键,针对传统的BP神经网络算法易陷入局部极小值,影响预测精度的问题,本研究利用遗传算法(genetic algorithm,GA)的全局寻优能力对BP神经网络进行优化,构建了基于GA-BP神经网络的路基沉降预测模型。以高速公路路基沉降监测进行实验验证分析,结果表明：相较于传统BP神经网络模型,GA-BP神经网络模型的预测精度有了显著的提高,可为高速公路的建设及后续工程的沉降预测提供参考。     

基于IABC优化LSSVR的变形预测研究

针对最小二乘支持向量回归机(LSSVR)中惩罚参数c和核函数参数σ难以确定,以及标准人工蜂群算法(ABC)易陷入局部最优、收敛速度慢等问题,提出一种改进的人工蜂群算法(IABC)来优化LSSVR的参数并进行变形预测研究。首先,IABC算法利用反向学习策略生成正反2个种群来增加初始群体的多样性,一次迭代后对双种群的当前最优食物源进行信息交换以实现优中选优,并设计食物源自适应权重函数及适应度自适应选择函数平衡ABC的勘探和开发能力;其次,以LSSVR的预测精度为目标函数,并将其转化为IABC的适应度函数,以此构建出基于IABC优化LSSVR的预测模型;最后,以基坑监测数据为例,将IABC优化的LSSVR模型、ABC优化的LSSVR模型以及基于PSO的组合模型进行预测对比分析。结果表明,IABC增加了种群的多样性,提高了收敛精度,基于IABC优化的LSSVR模型预测的变形趋势更符合实际,预测精度高于对比模型。     

基于地形数据的长距离越野路径快速规划方法研究

越野环境下机动车辆的快速路径规划在野外搜救、应急抢险及军事作战等领域均具有重要意义,在以上场景中,随着空间维数的增加,传统路径搜索算法计算复杂性急剧增长,可能无法在既定时间内求解可靠路径。为解决上述不足,本文结合越野路径规划不受路网通行限制以及两点之间直线最短的特点,提出以方向指向作为搜索策略的启发式算法,该算法搜索效率大幅提升,却难以保证求解质量。为进一步提高求解质量,提出了带有方向指向的Dijkstra分段算法,该算法在较低精度环境模型下通过Dijkstra算法找到最优路径,并将该路径进行分段,各分段以方向指向作为搜索策略进行路径搜索,从而在长距离越野路径规划中快速规划通行方案。为验证该算法的有效性,本文利用山西省某市的数字高程模型数据进行实验,引入了窗口移动法对地形进行先期的坡度计算和通行性分析,构建越野环境模型,调用路径搜索算法进行规划。实验结果表明,本文所提算法相比Dijkstra算法计算效率得到了大幅提升,且规划路径的长度接近于最优解。     

GNSS/SINS组合导航的改进Sage-Husa自适应滤波算法

针对组合导航系统中标准Sage-Husa自适应滤波算法存在滤波发散的问题,提出一种改进的Sage-Husa自适应滤波算法。首先,对组合导航系统的线性卡尔曼滤波算法采用补偿反馈校正算法获得最优估计,并对滤波器新息向量进行简化;然后,提出一种改进的Sage-Husa自适应滤波算法,该算法具有实现简单并且可以避免状态估计发散的特点;最后,进行基于该算法的GNSS/SINS组合导航实验。结果表明,该算法可以对量测噪声突变方差和缓变方差进行准确跟踪,并且量测噪声方差估计精度与变分贝叶斯滤波方法相当;当量测噪声方差变化时,相对于标准KF算法,该算法可分别提高约20%和21%的位置精度和速度精度,能有效降低未知量测噪声统计特性对组合导航系统滤波精度的影响。     

基于改进小波神经网络的GPS高程拟合研究

针对小波神经网络存在的局限性,采用粒子群算法对小波神经网络进行优化,并在此基础上建立GPS高程异常值的拟合模型.为了避免粒子群算法陷入局部极小值和收敛速度慢等问题,采用惯性权重非线性递减和自适应学习因子相结合的策略对粒子群算法进行改进,从而提高模型的训练精度.以某矿区实测GPS数据为例,对所建模型的拟合性能进行验证.结...     

卡尔曼滤波在海洋浮标数据预处理中的应用

【目的】优化自动化数据预处理方法,以提高海洋浮标数据质量。【方法】结合海洋浮标数据特征,提出了一种改进的自适应卡尔曼滤波自动化数据预处理方法,该方法通过箱型图进行异常值的检测,并采用方差受限的方法解决测量噪声导致的滤波发散问题。【结果与结论】海上工程应用和仿真实验结果表明,改进的算法计算开销低且不影响浮标系统的正常采集和数据融合工作,浮标数据采集率达100%,云数据中心数据接收率达97%。浮标采集的原始数据经过异常值修正和滤波降噪处理后,数据曲线更为平滑且符合随时间序列变化的规律,数据预处理效果良好。     

基于SAFA-FDGM(1,1)模型的BDS钟差预报

为建立高精度的BDS钟差预报模型,提出一种基于改进的萤火虫算法优化的分数阶离散型灰色系统SAFA-FDGM(1,1)钟差预报模型。为避免萤火虫算法陷入局部最优解,提高萤火虫算法的优化能力,本文引入惯性权重因子,同时对吸引力因子、步长因子进行改进;利用改进的萤火虫算法自动优化选取FDGM(1,1)分数阶因子来提高FDGM(1,1)数据拟合精度。分别采用C02(GEO)、C09(IGSO)、C12(MEO)三种不同类型卫星的钟差数据进行实验分析,结果表明,本文预报模型优于传统二次多项式模型与GM(1,1)模型,其中3~6 h预报误差小于1 ns,9~12 h预报误差优于2 ns,对建立高精度的BDS卫星通用钟差预报模型具有重要参考价值。     

基于CNN的空间数据自适应切分算法

针对空间数据划分方法无法自适应选择问题,本文提出了基于CNN的数据自适应划分算法（Adaptive Partition Algorithm for Space Vector Data-Convolutional Neural Networks,SVDAP-CNN）。该算法首先基于应用场景和其他相关资源实现特征描述和表达;其次基于层次聚类设计特征矩阵表达算法,体现特征间的局部相关性以减少方法选择时间和提高选择精度;最后通过CNN模型实现空间数据自适应划分。本文选取南海区域真实数据和模拟数据进行验证,与已有的数据划分方法选择算法进行比较。结果显示：针对真实数据,SVDAP-CNN算法的精度和时间效率分别提高了24.18%和25.67%;针对特征和特征间关系表达欠完备的模拟数据,SVDAP-CNN算法的精度和时间效率分别提高了27.02%和26.80%;针对选择结果易出错的数据切分方法,SVDAP-CNN算法的精度提高了19.92%,证明了该算法有较好的普适性;另外,本文结合南海区的实际应用证明了该算法的应用可行性。SVDAP-CNN算法的提出可为大数据量、多变的自动化空间应用分析提供技术支...     

面向山地徒步应急救援路径规划的改进蚁群算法研究

当消防事故发生在无明显道路或道路稀疏的野外复杂山区时,如何在复杂山地环境中规划安全、快速通过的路线至关重要。针对蚁群算法在复杂山地路径规划中容易陷入局部最优以及搜索时间较长的问题,本文提出一种适用于细粒度野外山地环境的徒步应急救援路径规划算法。本文首先根据已有文献分析地表信息与人类运动速度之间的关系,综合地表灌木盖度与地形坡度因素设计寻优算法的目标函数和启发函数;接着采用定向范围视野的蚂蚁搜索方式,决定蚁群算法寻优过程中每一步的网格选择;最后采用拉普拉斯分布调整初始信息素、添加隔离信息素、融合遗传算子与分组更新常规信息素的方法改进蚁群算法。将算法应用到400×400、1000×1000、5000×5000、10 000×10 000网格数的野外山地环境进行实验对比,实验结果表明,采用定向范围视野与优化启发函数的各蚁群算法在四组实验中均能得到可行路径,验证了方法的有效性;本文算法求解的路径质量优于另外三种算法,在四组实验中分别提高了0.52%～4.95%、4.71%～5.39%、2.26%～13.11%、3.84%～9.16%;此外,在野外三维山地环境中,定向范围视野的搜索方式缩减了搜索...     

基于改进YOLOv7的密集鱼群计数检测

【目的】提高在水体浑浊和鱼群高密度聚集等复杂环境中的鱼群检测精度。【方法】提出一种基于双层路由注意力机制（BiFormer）和Normalized Wasserstein Distance(NWD)损失函数的改进YOLOv7的密集鱼群计数检测方法。在保留细粒度特征的基础上,提高模型对多尺度特征的学习能力,同时降低模型对模糊图像中小目标位置偏差的敏感性,加强对浑浊水域中鱼群的识别能力。为评估该模型的有效性,在红鳍东方鲀（Takifugu rubripes）数据集上与其他网络模型进行对比实验。【结果】该方法在红鳍东方鲀数据集上的准确率和召回率分别达到98.05%和97.69%,平均精度达到99.10%,较YOLOv7相比分别提升2.46%、3.73%和2.62%。与目前检测准确率较高的其他水下目标检测模型相比,平均精度平均提高4.25%。【结论】实现真实养殖环境下浑浊水域中鱼群的准确检测,有助于科学指导工业化水产养殖的生产管理,提高养殖效率,减少资源浪费。