【CN110084316A】一种基于精细时移多尺度排列熵与萤火虫算法优化支持向量机的故障诊断方法【专
一种基于混沌云模型的人工萤火虫优化算法
一种基于混沌云模型的人工萤火虫优化算法随着信息技术的发展以及数据量的增大，优化算法在工程优化、智能控制等领域得到了广泛的应用。
而人工萤火虫算法是一种基于生物萤火虫的行为模式模拟而来的优化算法。
人工萤火虫优化算法在目标函数非凸、具有多个局部最优解时具有较强的优化能力，但是针对复杂的优化问题仍有优化空间。
在此背景之下，研究人员提出了一种基于混沌云模型的人工萤火虫优化算法。
混沌云模型是一种包含混沌现象和随机性的新型数学模型。
它在解决一些复杂系统无法用传统的方法进行建模时，可以产生很好的效果。
该模型具有一定的不确定性，可以通过对混沌云模型参数的优化来处理不确定性。
而人工萤火虫算法则是一种基于仿生学的智能算法，它可以模拟萤火虫在交配、移动、互相吸引和排斥等行为中发生的优化过程。
人工萤火虫优化算法一般采用基于位置的搜索方法，在每个位置上计算适应度函数评价目标函数，并根据某些策略更新位置。
将混沌云模型引入到人工萤火虫优化算法中，主要步骤如下：（1）初始化：随机生成一群萤火虫，并根据随机数生成的位置和混沌云模型生成初始适应度。
（2）更新位置：处理萤火虫之间的互相吸引和排斥效应，并计算变化的适应度。
（3）选择：根据得分对萤火虫进行排序，并选择一定量的萤火虫进行下一步操作。
（4）交配：根据概率模型对已选择的萤火虫进行交配，通过产生新的位置和适应度函数来进一步提高优化结果。
（5）判断停止条件：循环执行步骤2~4，直到满足停止条件为止。
混沌云模型的引入为人工萤火虫优化算法的应用带来了显著的优化效果。
它可以通过优化混沌云模型参数，进一步提高优化效果，达到更优的优化结果。
同时，该算法具有较高的时间效率和稳定性，并可以广泛应用于各种优化问题的求解中。
综上所述，基于混沌云模型的人工萤火虫优化算法在实际应用中表现优异。
它能够对具有复杂结构、多局部最优解的优化问题进行高效、快速的求解，具有广泛的应用前景。
改进的萤火虫算法优化双支持向量机参数
改进的萤火虫算法优化双支持向量机参数顾佳鑫;贺兴时;杨新社【期刊名称】《微电子学与计算机》【年(卷),期】2022(39)11【摘要】针对原始萤火虫算法(Firefly Algorithm,FA)易陷入局部最优、求解精度低,双支持向量机(Twin Support Vector Machine,TWSVM)参数选择困难的问题,提出基于改进萤火虫算法(DEFA)的双支持向量机模型(DEFA-TWSVM).首先,对原始萤火虫算法进行改进,得到DEFA算法:在萤火虫位置更新公式中结合动态惯性权重,自适应地调整步长控制因子来快速搜索全局和局部最优解,对每次移动后的萤火虫群融入差分进化算法(Differential Evolution,DE)策略,保证种群迭代多样性,通过基准测试函数的仿真结果表明改进后的算法全局寻优能力强,不易陷入局部最优.其次,利用DEFA算法优化TWSVM的参数.最后,在UCI数据集进行测试,得到DEFA-TWSVM和其他模型的分类准确率.通过比较发现:DEFA算法可以在训练过程中自动确定TWSVM参数,解决了TWSVM参数选择盲目的问题,平均分类准确率相较其他模型提高了2到5个百分点.【总页数】8页(P11-18)【作者】顾佳鑫;贺兴时;杨新社【作者单位】西安工程大学理学院;密德萨斯大学科学与技术学院 701【正文语种】中文【中图分类】TP301.6【相关文献】1.一种改进的优化支持向量机参数的萤火虫算法2.基于改进人工鱼群算法优化参数的支持向量机研究——中长期电力需求预测应用3.萤火虫算法优化SVR参数在短期电力负荷预测中的应用4.改进UKF及其在双馈风力发电机参数辨识中的应用——基于遗传算法优化5.基于改进人工鱼群算法优化参数的支持向量机研究——中长期电力需求预测应用因版权原因，仅展示原文概要，查看原文内容请购买。
云计算下的基于萤火虫-遗传算法的资源调度
云计算下的基于萤火虫-遗传算法的资源调度随着云计算技术的发展，越来越多的企业和用户开始将自己的业务和数据迁移到云端，以便更好地利用云平台的高性能和强大的计算能力。
云计算平台在提供高效服务的同时，也面临着庞大的资源调度问题。
本文提出了一种基于萤火虫-遗传算法的资源调度策略，以优化云平台资源的利用效率。
一、云计算资源调度的瓶颈云计算的发展离不开云中的资源管理。
云计算平台通常由大量的计算节点和存储节点组成，这些节点需要在各种应用程序间进行资源共享，以实现资源利用率的最大化。
资源调度问题涉及到如何高效地分配系统资源，以保证业务的高效运行和用户满意度的提高。
云计算资源调度主要面临以下几个瓶颈：（1）负载均衡问题。
在云计算环境中，不同的用户和应用程序需要访问共享的计算资源，这就需要合理地分配资源，以避免某些节点负载过高，从而导致系统崩溃或效率低下。
（2）数据可用性问题。
云计算平台中存储节点的数据可用性直接影响了用户对系统的信任度。
数据可用性不足会导致数据丢失和应用程序崩溃，从而影响业务的稳定运行。
（3）可扩展性问题。
云计算平台需要能够快速地适应业务需求的变化，不断扩展资源规模以应对不断变化的工作负载。
二、基于萤火虫-遗传算法的资源调度策略为解决云计算中的资源调度问题，我们提出了一种基于萤火虫-遗传算法的资源调度策略。
该策略基于负载均衡、数据可用性和可扩展性三个方面，通过优化资源分配来提高云计算平台的效率和可靠性。
具体实现如下：（1）萤火虫算法萤火虫算法是一种模拟昆虫群体的优化算法，它在解决优化问题时具有较好的全局搜索能力和收敛速度。
该算法的基本思想是通过萤火虫之间的“引力”和“斥力”来模拟解空间中的搜索过程。
萤火虫之间的移动过程会受到适应度函数的制约，从而达到了寻找最优解的目的。
在云计算平台中，我们可以将萤火虫算法应用于资源分配问题。
具体地，在某一时刻下，每个萤火虫代表一个虚拟机节点，其亮度与节点负载成正比。
（参考）萤火虫算法及其应用研究
摘要萤火虫算法(Firefly Algorithm,FA)是受自然界中的萤火虫通过荧光进行信息交流这种群体行为的启发演变而来。
它是由剑桥大学的Xin-She Y ang教授在2009年提出的，它作为一种新颖的仿生群智能优化算法，有较大的研究空间。
近几十年来随着越来越多的仿生群智能算法的提出，人们对于这些算法的认识和研究也逐步加深。
本文先介绍群智能优化算法的理论概念，然后着重通过对萤火虫算法仿生原理的了解，从数学的角度对萤火虫算法进行合理的描述和过程的定义，最后编写该算法的matlab代码实现对3个峰值函数进行仿真测试，得出其测试结果。
同时用遗传算法对同样的测试函数也进行仿真测试，得出其测试结果。
最后通过测试结果比较萤火虫算法和遗传算法分别在对峰值函数寻优结果的精确度。
在比较过程中，可以根据测试结果发现，萤火虫算法在对峰值函数的寻优结果的精确度优于遗传算法。
这表明了萤火虫算法在连续空间优化的可行性和有效性，同时也表明了萤火虫算法具有良好的应用前景。
关键词：萤火虫算法，仿生群智能优化算法，优化分析，遗传算法ABSTRACTThe Firefly Algorithm (FA) is affected by the nature of the Firefly exchange of information through a fluorescence inspired this kind of crowd behavior has evolved. It is made by Xin - She Y ang professor at the university of Cambridge in 2009, as a novel bionic swarm intelligent optimization algorithm, has a large research space. In recent decades as more bionic swarm intelligent algorithm is put forward, people also gradually deepen to the understanding and research of those algorithms.First，it is introduced in this paper theoretical concepts of swarm intelligence optimization algorithm, and then emphatically through the understanding of firefly algorithm bionic principle, from the perspective of mathematical descriptions of firefly algorithm is reasonable and the definition of the process, finally ,writes matlab code of the algorithm to realize the three peak function simulation test, to test results. At the same time with the genetic algorithm on the same test function, simulation test, to test results. Finally by comparing test results of firefly algorithm and genetic algorithm in the accuracy of the optimization results of peak function respectively. In the process of comparison, according to the result of test, it can shows that the firefly algorithm on the accuracy of the optimization results of peak function is superior to genetic algorithm. It shows that the feasibility and effectiveness of firefly algorithm in the continuous space optimization, but also shows that the firefly algorithm has a good application prospect.Keywords:firefly algorithm, The bionic swarm intelligent optimization algorithm, Optimization analysis, genetic algorithm目录摘要 (I)ABSTRACT (II)目录 ...................................................................................................................................... I II 第一章绪论 . (1)一、研究的背景及意义 (1)二、群智能优化算法的研究现状 (1)三、本论文的内容和结构 (2)第二章群智能优化理论 (4)一、群智能优化算法的概述 (4)二、模拟退火算法 (4)三、遗传算法 (5)四、蚁群算法 (7)五、粒子群优化算法 (8)六、人工萤火虫群优化算法 (9)七、人工鱼群算法 (11)第三章萤火虫算法 (13)一、萤火虫算法的概念 (13)二、萤火虫算法的国内外研究现状 (13)三、萤火虫算法的仿生原理 (14)四、萤火虫算法的数学描述与分析 (15)五、萤火虫算法的流程 (16)六、实现萤火虫算法的matlab代码 (16)第四章仿真实验与分析 (22)一、三个测试函数的介绍 (22)二、FA和GA对F1(x)的仿真测试 (22)三、FA和GA对F2(x)的仿真测试 (25)四、FA和GA对F3(x)的仿真测试 (27)五、测试结果分析 (30)结论 (31)致谢 (32)参考文献 (33)第一章绪论一、研究的背景及意义在现实生活中，许多优化问题要求人们不仅要计算出其极值，还要得出其最优值。
一种基于改进萤火虫步长因子的多级粒子滤波算法[发明专利]
![一种基于改进萤火虫步长因子的多级粒子滤波算法[发明专利]](https://img.taocdn.com/s3/m/16a69c09aeaad1f347933f58.png)
专利名称：一种基于改进萤火虫步长因子的多级粒子滤波算法专利类型：发明专利
发明人：于涵,王典,张敬权,滕明,刘财,赵军,李鹏,刘元骐
申请号：CN202011012994.0
申请日：20200923
公开号：CN112083494A
公开日：
20201215
专利内容由知识产权出版社提供
摘要：本申请公开了一种基于改进萤火虫步长因子的多级粒子滤波算法，该方法对萤火虫粒子滤波算法中的亮度公式以及位置更新公式进行修改，采用自适应步长萤火虫算法进行迭代更新，并对结果进行多级滤波。
本申请通过自适应步长萤火虫算法，驱使权值小的粒子向高似然区域移动，减弱了粒子退化问题，可以在使用较少粒子的情况下达到较高的滤波精度，节约了计算资源。
申请人：吉林大学
地址：130026 吉林省长春市前进大街2699号
国籍：CN
代理机构：北京嘉途睿知识产权代理事务所(普通合伙)
代理人：彭成
更多信息请下载全文后查看。
一种新颖的改进萤火虫算法
一种新颖的改进萤火虫算法
左仲亮;郭星;李炜
【期刊名称】《微电子学与计算机》
【年(卷),期】2017(34)9
【摘要】为了克服原始萤火虫算法(Glowworm swarm optimization,GSO)对于多峰函数寻优精度不高和后期收敛速度较慢的问题.为此,本文针对性的提出了一种改进的动态步长自适应的萤火虫优化算法.采用该算法的改进思想,能在一定的程度上避免算法因为过早的成熟而陷入局部最优,并且改进的算法比原始萤火虫算法有着更好的收敛精度.Matlab实验仿真表明,改进算法在一定程度上提高了收敛速度和寻优精度.
【总页数】5页(P15-19)
【关键词】萤火虫算法;多峰函数;动态步长;自适应
【作者】左仲亮;郭星;李炜
【作者单位】安徽大学计算智能与信号处理重点实验室;安徽大学计算机科学与技术学院
【正文语种】中文
【中图分类】TP393
【相关文献】
1.一种新颖的仿生群智能优化算法:萤火虫算法 [J], 刘长平;叶春明
2.一种改进的模拟退火萤火虫混合算法求解0/1背包问题 [J], 任静敏; 潘大志
3.一种基于深度学习的改进萤火虫频谱分配算法 [J], 苏慧慧; 彭艺; 曲文博
4.一种基于深度学习的改进萤火虫频谱分配算法 [J], 苏慧慧; 彭艺; 曲文博
5.一种新颖的萤火虫算法求解PID控制器参数自整定问题 [J], 顾忠伟;徐福缘因版权原因，仅展示原文概要，查看原文内容请购买。
面向多峰优化问题的萤火虫算法研究
面向多峰优化问题的萤火虫算法研究萤火虫算法（Firefly Algorithm）是一种基于自然界中萤火虫的交互行为而发展的优化算法，能够解决众多优化问题，特别是在多峰优化问题中表现出色。
本文将针对面向多峰优化问题的萤火虫算法进行研究。
一、多峰优化问题多峰优化问题是指在最优解的搜索过程中，目标函数存在多个峰值，这些峰值之间可能存在相对较大的距离。
此时，传统的优化算法易陷入局部最优解，在达到局部最优解后无法跳出，进而找不到全局最优解。
因此，如何解决多峰优化问题成为了研究热点。
二、萤火虫算法介绍萤火虫算法于2008年提出，是一种模仿萤火虫的互相吸引和聚集行为的优化算法。
萤火虫聚集程度和亮度成正比，亮度越大的萤火虫被其他萤火虫吸引的概率越大。
在算法中，亮度可以看成目标函数的值，每个萤火虫会根据当前亮度和其他萤火虫的亮度变化不断调整自己的位置，以求达到某一个最优的位置。
三、萤火虫算法解决多峰优化问题的方法针对多峰优化问题，萤火虫算法有如下优势：1、全局搜索能力较强：传统优化算法容易被多峰问题限制，陷入局部最优解。
而萤火虫算法利用亮度作为确定吸引力的因素，使得全局搜索能力更强。
2、适应性强：在多峰问题中，萤火虫算法可以让亮度高的萤火虫吸引整个群体前往移动自己的位置，从而适应当前环境。
3、参数设置简单：相比其他优化算法，萤火虫算法的参数设置较为简单。
在使用萤火虫算法解决多峰优化问题时，应注意以下几点：1、初始位置的确定：初始位置的质量将直接影响算法的效果。
应考虑不同维度、不同区域之间的均匀分布，确保算法是全局性的搜索。
2、参数设置的合理性：萤火虫算法需要合理设置参数，包括亮度、吸引度、随机步长等。
合理设置这些参数可以提高算法的搜索效果，减少局部最优解的出现。
3、算法停止的条件：为避免算法迭代次数过多造成计算资源和时间的浪费，需要设置算法停止条件。
通常采用迭代次数或者目标函数值的变化率小于预设阈值为停止条件。
四、总结萤火虫算法的互相吸引和聚集行为能够很好地解决多峰优化问题。
一种基于模式搜索算子的人工萤火虫优化算法
一种基于模式搜索算子的人工萤火虫优化算法人工萤火虫算法（Artificial Firefly Algorithm，AFA）是一种智能优化算法，它的核心思想是通过模拟萤火虫的社交行为来优化问题。
萤火虫通过发出光信号来吸引伴侣，如果其他萤火虫对其发出的光信号更亮，则会向那个方向移动。
在算法中，每个萤火虫表示一个待优化的解，发出的光强度与目标函数值成正比。
然而，原始的AFA在一些问题上表现不佳，因为它的搜索算子单一，只能通过调整光强度来改变萤火虫位置。
为了克服这个缺陷，研究者们提出了许多改进版的AFA，其中一种被称为基于模式搜索算子的AFA（Pattern Search-based AFA，PSAFA）。
PSAFA的核心思想是引入了一种新的搜索算子——模式搜索算子。
这个算子可以跳出局部最优解陷阱，更好地保持全局探索能力。
在PSAFA中，萤火虫的移动不仅依赖于光强度，还依赖于一组随机生成的模式序列。
这些序列组成了问题的解空间，每个模式序列用于探索不同的搜索方向，从而增加了搜索算法的多样性。
具体来说，每个萤火虫的位置由当前位置和一个模式序列组成。
萤火虫将模式序列对应的解应用于目标函数，计算出光强度。
然后，通过比较当前萤火虫的光强度和相邻萤火虫的光强度，来调整模式序列以及移动方向。
如果当前位置上的光强度不是最大的，那么萤火虫就会通过调整模式序列和位置来向更优的位置移动。
PSAFA的优点在于更好的全局搜索能力和鲁棒性，在复杂的优化问题中表现优秀。
此外，PSAFA还具有可扩展性，可以通过添加新的模式序列进一步提高算法的性能。
虽然PSAFA的实现比原始AFA复杂，但应用广泛的算法库和优化问题库（如MATLAB Toolbox和Cec Benchmark）使得实现变得容易。
总的来说，PSAFA是一个非常有前途的优化算法，值得进一步研究和探索。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910372132.X
(22)申请日 2019.05.06
(71)申请人 安徽工业大学
地址 243002 安徽省马鞍山市湖东路59号
(72)发明人 董治麟 郑近德 潘海洋 童靳于
刘庆运 张义方
(74)专利代理机构 合肥顺超知识产权代理事务
所(特殊普通合伙) 34120
代理人 周发军
(51)Int.Cl.
G06K 9/62(2006.01)
G06K 9/00(2006.01)
G06N 3/00(2006.01)
(54)发明名称
一种基于精细时移多尺度排列熵与萤火虫
算法优化支持向量机的故障诊断方法
(57)摘要
本发明公开了故障诊断技术领域的一种基
于精细时移多尺度排列熵与支持向量机的故障
诊断方法，本发明的步骤为：采集待诊断物体的
原始故障振动信号；提取原始故障振动信号的精
细时移多尺度排列熵值；将故障样本分为多个训
练样本和测试样本；采用多个训练样本对基于萤
火虫优化的支持向量机多故障分类器进行训练；
采用已训练完成的多故障分类器(萤火虫算法优
化的支持向量机)对测试样本进行分类；根据分
类结果识别故障物体的工作状态和故障类型。
本
发明提出的故障诊断方法在特征提取的过程中
有较高的创新性，在故障识别过程中具有较高的
识别度。
权利要求书3页 说明书7页 附图4页CN 110084316 A 2019.08.02
C N 110084316
A
1.一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：包括步骤：
步骤1-1：采集待诊断物体的原始故障振动信号；
步骤1-2：提取原始故障振动信号的精细时移多尺度排列熵值；
步骤1-3：将故障特征样本分为多个训练样本和测试样本；
步骤1-4：采用多个训练样本对基于萤火虫算法优化的支持向量机的多故障特征分类器进行训练；
步骤1-5：采用已训练完成的多故障特征分类器对测试样本进行分类；
步骤1-6：根据分类结果识别物体的工作状态和故障类型。
2.根据权利要求1所述的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：步骤1-2中所测取原始故障信息的精细时移多尺度排列熵值的过程包括：
步骤2-1：对获取的原始故障振动信号进行时移粗粒化；
步骤2-2：计算同一尺度因子τ下生成的τ个符号序列的概率；
步骤2-3：对同一尺度下的所有符号概率求平均，通过信息熵的定义得到原始故障振动信号的精细时移多尺度排列熵值；
步骤2-4:对所有的尺度因子重复步骤2-2到2-3的操作，得到振动信号在所有尺度因子下的精细时移多尺度排列熵值。
3.根据权利要求1所述的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：步骤1-5中所述萤火虫算法优化的支持向量机用于对故障特征样本中各样本的工作状态和故障类型进行分类，并分别根据已经训练完成的多故障特征分类器中的每单一萤火虫算法优化的支持向量机的输出O(y)是否是+1进行判断；具体判断步骤包括：
步骤3-1：若输出是O(y)＝+1，则停止输入到下一个支持向量机，输出该测试样本集的分类；
步骤3-2：若输出是O(y)＝-1，则将该测试样本输入到下一个支持向量机，直到输出结果为+1时，输出测试样本的分类。
4.根据权利要求2所述的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：步骤2-1中所述时移粗粒化过程包括:
步骤4-1：对于给定的尺度因子τ和时间序列X＝{x 1,x 2,...x N }，经过时移的处理，可以
得到新的时间序列：
其中，k(1≤k≤τ)和β(β＝τ)是正整数，分别表示时间序列的起点和间隔点数，i表示时间序列y的第i个点；Δ(k，β)＝(N -
β)/k，是四舍五入的整数并表示上边界个数；步骤4-2：尺度因子为τ，对得到的y k ,β
中的每个序列依次进行粗粒化，
其表达式为如下：其中，j表示时间序列Z的第j个点。
权 利 要 求 书1/3页2CN 110084316 A。