针对基于Levenberg-Marquardt方法辨识黄酒发酵过程模型参数时易陷入局部最优,收敛速度慢,很难准确获取具有强泛化能力的模型参数的问题,提出了一种具有莱维飞行机制和柯西变异的蚁狮优化算法(ant lion optimization with Levy flight a...
详细信息
针对基于Levenberg-Marquardt方法辨识黄酒发酵过程模型参数时易陷入局部最优,收敛速度慢,很难准确获取具有强泛化能力的模型参数的问题,提出了一种具有莱维飞行机制和柯西变异的蚁狮优化算法(ant lion optimization with Levy flight and Cauchy mutation,LCALO),该算法采用基于莱维飞行和柯西变异来解决这类问题。莱维飞行可以提高算法的全局搜索能力,而柯西变异有助于避免陷入局部最优。结果表明,相比于遗传算法、粒子群算法和蚁狮算法,LCALO的收敛速度快,具有全局搜索能力和局部开发能力好的优点。最后将改进算法应用于黄酒发酵模型的参数辨识,仿真结果证明该算法具有较好的参数辨识能力。
通过多目标智能优化算法研究微震震源定位存在的模型组合合理性未阐明、易陷入局部最优解、定位结果波动性较大等问题。为解决这些问题,首先在到时差模型与到时差商模型基础上设计4个不同的微震震源定位数学模型,两两组合构建6个多目标优化定位模型;再设计3组基于不同台网形状(三维多面体、二维长方形、一维直线型)的微震震源正演仿真实验和1组工程数据验证实验,并引入多目标蚁狮优化(multi-objective ant lion optimization,MOALO)算法求解这些模型;最后采用多个统计指标评判各个模型组合定位效果的优劣。结果表明,数学模型组合(TDA-P1,TDQA)结合MOALO算法的多目标优化定位策略能够得到较高的微震震源定位精度,且模型稳健性较好,优于其他模型组合和传统多目标定位方法,在微震监测领域具有一定的应用价值。
暂无评论