徐东星

• 1:广东海洋大学海运学院

摘要(Abstract)：

【目的】针对天牛群搜索算法易陷入局部最优及搜索精度较低等缺陷,提出一种基于二阶振荡自适应变异的天牛群搜索算法。【方法】该算法引入二阶振荡环节增加算法的全局探索能力和局部开发能力。采用正余弦搜索思想对天牛个体进行位置更新,使得天牛个体可充分的利用自身与最优位置的差值信息逐渐趋近最优解。同时引入自适应t分布变异算子来增加种群的多样性,避免算法陷入局部最优。【结果与讨论】对高维单峰函数、高维多峰函数的仿真实验结果表明,改进的算法有效地提高其搜索精度、收敛速度及鲁棒性,克服其易陷入局部最优的缺陷。将改进天牛群算法应用于BP神经网络权值及阈值优化对船舶纵摇运动姿态进行预测,并于BP网络、BSO-BP网络及PSO-BP网络的预测结果进行比较,精度分别提升85.7%、74.6%和77.2%。改进天牛群搜索算法在实际工程应用中具有一定的优越性。

关键词(KeyWords)： 二阶振荡环节;正余弦搜索;自适应t分布变异;天牛群优化算法;基准函数;船舶纵摇预测

Abstract:

Keywords:

基金项目(Foundation): 广东省交通运输厅科技项目(201702033);; 湛江市非资助科技攻关计划项目(2020B01098);; 安徽高校自然科学研究项目(KJ2020A1062)

作者(Author): 徐东星

参考文献(References)：

• [1] FOSSEN T I. Guidance and control of ocean vehicles[M]. Chichester, New York, USA:John Wiley and Sons Ltd., 1994:5-91.
• [2]孙珽,徐东星,苌占星,等.改进二阶灰色极限学习机在船舶运动预报中的应用[J].中国航海, 2020,43(3):20-26.
• [3]彭秀艳,赵希人,魏纳新,等.大型舰船姿态运动极短期预报的一种AR算法[J].船舶工程, 2001, 23(5):5-7.
• [4]吴晞,韩晓光,李宇辰.基于改进自回归模型的舰船摇荡运动短时预报[J].中国航海, 2014, 37(1):112-115.
• [5]张孝双,彭秀艳,赵希人.基于神经网络方法的船舶姿态运动极短期预报与仿真[J].系统仿真学报,2002, 14(5):641-642.
• [6] LI G Y, KAWAN B, WANG H, et al.Neural-network-based modelling and analysis for time series prediction of ship motion[J]. Ship Technology Research, 2017, 64(1):30-39.
• [7] YIN J C, ZOU Z J, XU F. On-line prediction of ship roll motion during maneuvering using sequential learning RBF neuralnetworks[J]. Ocean Engineering,2013, 61:139-147.
• [8] HUANG L M, DUAN W Y, HAN Y, et al. A review of short-term prediction techniques for ship motions in seaway[J]. Journal of ShipMechanics, 2014, 18(12):1534-1542.
• [9]刘胜.智能预报技术及其在船舶工程中的应用[M].北京:国防工业出版社, 2015.
• [10]张泽国,尹建川,柳成.基于自适应变异PSO-BP算法的船舶横摇运动预测[J].舰船科学技术, 2016,38(23):69-73.
• [11]沈继红,尚寿亭,赵希人.舰船纵摇运动函数变换型GM(1, 1)模型研究[J].哈尔滨工业大学学报,2001, 33(3):291-294.
• [12]赵爽,安宇芳,王慧敬.基于拓扑预测模型的船舶纵摇运动预报[J].黑龙江工程学院学报, 2014,28(1):71-74.
• [13]马洁,刘小河,李国斌,等.大型舰船纵摇运动的多层递阶预报[J].船舶工程, 2006, 28(1):5-8.
• [14]柳成,李克奇,秦皓,等.基于改进支持向量机的船舶纵摇预报模型[J].中国水运, 2016, 37(11):42-44.
• [15] WOLPERT D H, MACREADY W G. No free lunch theorems for optimization[J]. IEEE Transactions on Evolutionary Computation, 1997, 1(1):67-82.
• [16] KENNEDY J, EBERHART R. Particle swarm optimization[C]//Proceedings of ICNN'95-International Conference on Neural Networks. IEEE, 1995:1942-1948.
• [17]陈国良,王熙法,庄镇泉,等.遗传算法及其应用[M].北京:人民邮电出版社, 1996.
• [18] MIRJALILI S, MIRJALILI S M, LEWIS A. Grey wolf optimizer[J]. Advances in Engineering Software, 2014,69:46-61.
• [19] MIRJALILI S. Moth-flame optimization algorithm:a novel nature-inspired heuristic paradigm[J].Knowledge-Based Systems, 2015, 89:228-249.
• [20] DHIMAN G, KUMAR V. Seagull optimization algorithm:Theory and its applications for large-scale industrial engineering problems[J]. Knowledge-Based Systems, 2019, 165:169-196.
• [21] JIANG X Y, LI S. BAS:beetle antennae search algorithm for optimization problems[J]. International Journal of Robotics and Control, 2018, 1(1):1-5.
• [22] WU Q, MA Z P, XU G, et al. A novel neural network classifier using beetle antennae search algorithm for pattern classification[J]. IEEE Access, 2019, 7:64686-64696.
• [23]刘云飞,林旭梅,王雨露.基于BAS算法的PID控制器设计与研究[J].计算机仿真, 2020, 37(12):199-203.
• [24] WU Q, LIN H, JIN Y Z, et al. A new fallback beetle antennae search algorithm for path planning of mobile robots with collision-free capability[J]. Soft Computing,2020, 24(3):2369-2380.
• [25]王甜甜,刘强.基于BAS-BP模型的风暴潮灾害损失预测[J].海洋环境科学, 2018, 37(3):457-463.
• [26]马吉明,陈浩洋,张嵩.基于混沌扰动机制的天牛须搜索算法及其在图像增强中的应用[J].轻工学报,2019, 34(3):68-76.
• [27]周田江,钱谦,伏云发.融合模拟退火和自适应的天牛须搜索算法[J].通信技术, 2019, 52(7):1626-1631.
• [28] JIANG X Y, LI S. Beetle antennae search without parameter tuning(BAS-WPT)for multi-objective optimization[J]. Filomat, 2020, 34(15):5113-5119.
• [29]徐鑫.天牛须搜索算法的改进研究及其应用[D].上海:东华大学, 2020.
• [30]胥松奇,周世良,皮东衢.基于量子天牛群算法的高桩码头横向排架结构损伤识别[J].水运工程, 2020(8):91-99.
• [31] ZHANG X X, YANG Z J, CAO F X, et al. Conditioning optimization of extreme learning machine by multitask beetle antennae swarm algorithm[J]. Memetic Computing, 2020, 12(2):151-164.
• [32]韩瑞达.基于天牛须搜索和变异策略的花朵授粉算法研究[D].阜新:辽宁工程技术大学, 2018.
• [33]郑源,付晓刚,轩艳文.基于混沌迁移的社会学习天牛群算法[J].上海电机学院学报, 2019, 22(3):153-159.
• [34]陈婷婷,殷贺,江红莉,等.基于天牛须搜索的粒子群优化算法求解投资组合问题[J].计算机系统应用,2019, 28(2):171-176.
• [35] WANG T T, YANG L, LIU Q. Beetle swarm optimization algorithm:Theory and application[J].Filomat, 2020, 34(15):5121-5137.
• [36]胡建秀,曾建潮.二阶微粒群算法[J].计算机研究与发展, 2007, 44(11):1825-1831.
• [37]肖子雅,刘升,韩斐斐,等.正弦余弦指引的乌鸦搜索算法研究[J].计算机工程与应用, 2019, 55(21):52-59.
• [38] MIRJALILI S. SCA:a Sine Cosine Algorithm for solving optimization problems[J]. Knowledge-Based Systems, 2016, 96:120-133.
• [39]韩斐斐,刘升,赵齐辉.基于t分布的自适应花授粉算法[J].数学的实践与认识, 2019, 49(2):157-165.
• [40]王永贵,张博雅,吕欢欢.自适应多普勒补偿与变异选择的蝙蝠算法[J].计算机科学与探索, 2020, 14(1):125-139.
• [41] MIRJALILI S, HASHIM S Z M. A new hybrid PSOGSA algorithm for function optimization[C]//2010International Conference on Computer and Information Application. IEEE, 2010:374-377.
• [42]许家锋,张秀凤,刘春雷,等.基于Visual C++的实船数据提取与处理[J].中国水运, 2015, 15(8):101-102.