下载文档原格式
改进人工鱼群算法优化小波神经网络的变压器故障诊断贾亦敏;史丽萍;严鑫【摘要】针对油浸式变压器故障类型的复杂难辨,结合油中气体分析法,提出一种基于改进人工鱼群算法优化小波神经网络的故障诊断模型.基于经典三层小波神经网络,采用粒子化的人工鱼群算法对小波神经网络输入和输出层的权值、小波神经元的伸缩和平移系数进行修正,通过引入动态反向学习策略实时优化人工鱼分布,迭代后半程采用基于柯西分布的自适应人工鱼视野范围提高算法精度.结果表明,该改进鱼群算法优化的小波神经网络相比标准粒子群算法优化小波神经网络和标准鱼群算法优化小波神经网络,诊断速度更快,准确率更高.【期刊名称】《河南理工大学学报（自然科学版）》【年(卷),期】2019(038)002【总页数】7页(P103-109)【关键词】变压器;故障诊断;小波神经网络;改进人工鱼群算法;粒子群优化算法;动态反向学习策略【作者】贾亦敏;史丽萍;严鑫【作者单位】中国矿业大学电气与动力工程学院,江苏徐州221116;中国矿业大学电气与动力工程学院,江苏徐州221116;国网上海市电力公司市北供电公司,上海200940【正文语种】中文【中图分类】TM4110 引言变压器自19世纪80年代问世以来，一直是电力系统的关键设备之一，受到了广泛关注和研究。
在整个输配电系统中，变压器作为核心组成部分占据着至关重要的地位，其性能的优劣直接影响整个供配电系统的经济效益与安全性。
在实际生产中，能否快速准确诊断或预测变压器已有故障或潜伏性故障，与电网能否安全稳定密切相关[1]。
基于油浸式变压器故障时油中会产生较多气体的油中气体分析法(dissolved gas analysis，DGA)自提出以来，已成为国内外实际应用最广泛的变压器故障诊断方法，该方法主要通过故障气体量与故障类型间数学关系进行判断，经典应用有三比值法与大卫三角法等。
近年来，许多新理论被应用于变压器故障诊断，主要有模糊算法[2]、支持向量机[3]、免疫算法[4]、粗糙集理论等，取得了一定成果。
《基于多算法融合的改进人工鱼群算法及其应用》一、引言随着人工智能技术的不断发展，优化算法在解决复杂问题中扮演着越来越重要的角色。
人工鱼群算法作为一种模拟鱼群行为的智能优化算法，已经在许多领域得到了广泛的应用。
然而，传统的人工鱼群算法在处理复杂问题时，往往存在收敛速度慢、易陷入局部最优等问题。
为了解决这些问题，本文提出了一种基于多算法融合的改进人工鱼群算法，并在实际应用中取得了良好的效果。
二、传统人工鱼群算法概述传统的人工鱼群算法是一种模拟鱼群行为的智能优化算法，通过模拟鱼群的游动、觅食、聚群等行为，实现全局寻优。
该算法具有简单易实现、适应性强等优点，在许多领域得到了广泛的应用。
然而，传统的人工鱼群算法在处理复杂问题时，往往存在收敛速度慢、易陷入局部最优等问题，需要进一步改进。
三、基于多算法融合的改进人工鱼群算法为了解决传统人工鱼群算法存在的问题，本文提出了一种基于多算法融合的改进人工鱼群算法。
该算法通过引入多种优化算法的思想，将不同算法的优点进行融合，从而提高算法的寻优能力和收敛速度。
具体来说，该算法包括以下步骤：1. 初始化鱼群：在搜索空间中随机初始化一定数量的“人工鱼”，每个“人工鱼”代表一个解。
2. 评价鱼群：根据问题的目标函数，计算每个“人工鱼”的适应度值。
3. 选择操作：根据适应度值的大小，选择出一定数量的优秀“人工鱼”。
4. 融合多种算法：将选出的优秀“人工鱼”与其他优化算法的思想进行融合，如遗传算法、粒子群算法等，形成新的“人工鱼”。
5. 更新鱼群：用新的“人工鱼”替换原有的鱼群中的一部分，继续进行寻优。
四、应用实例本文将基于多算法融合的改进人工鱼群算法应用于某企业的生产调度问题。
该问题涉及到多种生产资源的分配和调度，是一个典型的复杂优化问题。
通过应用该算法，企业可以有效地提高生产效率、降低生产成本。
具体应用步骤如下：1. 建立问题模型：将生产调度问题转化为一个优化问题，并建立相应的目标函数和约束条件。
人工鱼群算法是一种收敛速度快、全局优化能力强的新型群智能算法。
然而,在基本鱼群算法的应用中发现:在迭代前期,算法具有较强的搜索能力;但在运行后期,其搜索能力减弱,易陷入局部极值,且搜索到的最优解精度不高。
针对上述弱点,提出对可视域和步长采用自适应变化策略,引入变异算子策略,通过消亡操作对部分个体进行重新初始化或变异,对基本鱼群算法进行改进,并以函数优化和多维变量的非线性优化问题为例进行了实验研究。
结果表明:改进后的人工鱼群算法具有较好的优化效果。
关键词:改进人工鱼群算法;函数优化;自适应策略;投影寻踪模型1 引言人工鱼群算法是国内学者李晓磊等[1-2]模仿鱼类行为方式提出的一种基于动物行为的新型仿生优化方法,该算法根据“水域中鱼生存数目最多的地方一般就是该水域中富含营养物质最多的地方”这一特点来模拟鱼群的觅食等行为来实现全局优化的,是集群智能思想的一个具体应用。
该算法具有良好的克服局部极值、取得全局极值的能力,并且算法的实现不需要目标函数的梯度值等信息,只需要对问题进行优劣的比较,对搜索空间具有一定的自适应能力,有着较快的收敛速度[3]。
目前,人工鱼群算法已应用到许多领域。
李晓磊等最初将其用于解决连续性函数优化问题和解决组合优化问题(以TSP问题为例),取得了较好的寻优效果;此外,在解决PID参数的整定问题方面,鱼群算法也表现出较好的有效性[2]。
此后,马建伟等将鱼群算法用于神经网络的训练过程,表明了鱼群算法具有鲁棒性强、全局收敛性好的特点[4];唐剑东等将其用于电力系统的无功优化,进行了实例分析,结果表明鱼群算法具有鲁棒性强、全局收敛性好的特点[5];李祚泳等将其用于可持续发展评价、水资源可持续利用评价过程中公式的参数优化,也取得了满意的优化效果。
[6]虽然基本鱼群算法在应用中具有一定的优化特性,但在应用过程中发现,一方面鱼群算法前期收敛速度快,能较快地逼近极值点,但在算法运行后期,鱼群的多样性变差,导致算法进化停滞不前,易陷入局部极值点。
《基于多算法融合的改进人工鱼群算法及其应用》一、引言在现实世界的优化问题中，人工智能算法因其出色的寻优能力得到了广泛应用。
人工鱼群算法作为其中一种仿生优化算法，已在许多领域取得显著成果。
然而，单一算法的应用在处理复杂问题时可能存在局限性。
本文旨在探讨基于多算法融合的改进人工鱼群算法，并探讨其在实际应用中的效果。
二、人工鱼群算法概述人工鱼群算法是一种模拟鱼群行为、进行全局寻优的智能算法。
该算法以人工鱼作为基本单位，通过模拟鱼群的觅食、聚群、追尾等行为，在解空间中搜索最优解。
人工鱼群算法具有并行性、鲁棒性等优点，在函数优化、路径规划等领域得到广泛应用。
三、多算法融合的改进人工鱼群算法为了进一步提高人工鱼群算法的寻优能力和适应性，本文提出了一种基于多算法融合的改进人工鱼群算法。
该算法将多种优化算法与人工鱼群算法相结合，通过相互补充和协同作用，提高算法的全局寻优能力和局部搜索能力。
1. 融合差分进化算法差分进化算法是一种基于差分向量的优化算法，具有较强的全局寻优能力。
将差分进化算法与人工鱼群算法相结合，可以扩大搜索范围，提高全局寻优能力。
在改进的人工鱼群算法中，引入差分进化算法的变异操作，对人工鱼的位置进行随机扰动，以增强全局搜索能力。
2. 融合粒子群优化算法粒子群优化算法是一种基于群体行为的优化算法，通过粒子间的协作与竞争实现寻优。
将粒子群优化算法与人工鱼群算法相结合，可以增强局部搜索能力和收敛速度。
在改进的人工鱼群算法中，引入粒子群优化算法的粒子更新机制，对人工鱼的状态进行更新，以加快收敛速度。
四、应用分析本文将改进的人工鱼群算法应用于两个典型领域：函数优化和路径规划。
通过与经典算法进行比较，验证了改进人工鱼群算法的有效性和优越性。
1. 函数优化应用在函数优化问题中，改进的人工鱼群算法能够快速找到全局最优解，且具有较好的鲁棒性。
与经典的人工鱼群算法相比，改进算法在寻优速度和精度方面均有明显提升。
2. 路径规划应用在路径规划问题中，改进的人工鱼群算法能够根据环境信息自主规划出最优路径。
人工鱼群智能优化算法的改进及应用研究共3篇人工鱼群智能优化算法的改进及应用研究1随着人工智能技术的发展，越来越多的优化算法被应用到不同的领域。
其中，人工鱼群智能优化算法因其有效性和简单性而备受关注。
然而，该算法在实际应用中还存在一些问题，需要进一步的改进和研究。
本文旨在探讨人工鱼群智能优化算法的改进及其在各个领域的应用研究。
首先，介绍人工鱼群智能优化算法的基本原理。
人工鱼群智能优化算法是一种基于自然界智慧的优化算法，其核心思想是模拟鱼类在觅食过程中的行为。
该算法由两个部分组成，分别是鱼群的行为部分和个体鱼的行动规则。
鱼群行为部分包括探索和捕食两个过程，个体鱼的行动规则则包括寻找食物、评价食物和调整速度三个步骤。
通过模拟鱼类群集行为，算法能够找到最优解。
然而，人工鱼群智能优化算法在实际应用中还存在一些问题。
首先，算法的收敛速度较慢。
这是由于每只鱼在行动时只能感知到其周围较小的区域，容易陷入局部最优解。
其次，算法的精度不够高，有可能导致搜索结果偏差较大。
此外，如果搜索空间比较大，算法容易陷入搜索停滞。
因此，针对上述问题，需要对人工鱼群智能优化算法进行改进。
其中，最常见的改进方式是引入自适应与动态的参数，并结合启发式算法进行搜索。
自适应参数指的是根据搜索过程中的错误次数和搜索次数对参数进行调整，从而增加算法逃离局部最优解的能力。
动态参数指的是随着搜索过程的不断推进而不断变化，从而增加搜索的广度和随机性。
启发式算法指的是利用问题本身的特点，为算法提供辅助信息，从而增强算法的搜索和优化能力。
这些改进措施能够有效地提高算法的效率和精度，使其更加适用于实际应用。
随着人工智能技术的发展，人工鱼群智能优化算法已经广泛应用于各个领域。
例如，在机器学习中，该算法能够优化深度神经网络的结构和参数，提高模型的性能。
在物联网中，该算法能够优化传感器网络的布局，提高信息传输的效率。
在工业制造中，该算法能够优化生产线的调度和资源分配，提高生产效率。
改进的人工鱼群算法江铭炎、袁东风、程永明著山东大学信息科学与工程学院Email:jiangmingyan@摘要：人工鱼群算法(AFSA)是一种新型的智能优化算法。
它有许多优点,比如鲁棒性好、全局搜索能力强、参数公差的设定,而且它也被证明对初始值不敏感。
然而,它有一些弱点,表现为在后期优化的优化精度和收敛速度比较差。
在本文中,提出了一种改进AFSA(IAFSA)，在更新的过程中它将全局信息添加到人工鱼的位置。
这实验结果表明,该优化精度和收敛速度的方法与原AFSA相比有明显地改善。
1.简介人工鱼群算法（AFSA）[1]是（SAS）鱼群优化算法的一种。
近年来，如蚁群优化（ACO）的算法的SA [2]，粒子群优化（PSO）[3]算法，蜂群算法（BA）[4]越来越多的应用到工程应用中，由此他们在研究领域成为了热点。
这是一种把鱼群行为寻找食物比为社会行为的基础上智能优化算法AFSA。
在鱼群行为包括觅食，聚群行为，尾随行为[1]，随机行为[5]和觅食行为[6]。
与其他（SAS）相似，和它工作在一起的每个种群的个体被称为一个人工鱼(AF),每个人工鱼在“游”的搜索空间根据自己的经验及附近的伙伴来寻找有食物的地区。
结果, 随着共享的社会信息、来自于之前人工鱼附近搜索的经验和发现的食物浓度, AFSA可以像其他SA有能力在很宽的空间找到更好的解决方案,有效地搜索全局最优的自适应。
仿照AFSA动物行为的过程,并通过个人的局部优化找出全局最优。
在这种算法中，有时人工鱼个体的行为很难避免个体为时过早的寻找局部最优[1][5]。
在这种情况下,许多人工鱼陷入局部最优,只有少数的鱼能达到全局最优的区域。
因此,AFSA的优化精度和收敛速度的往往不是十分令人满意。
为了提高AFSA的性能, 在IAFSA更新过程中全区域最好的AFSA数据被加到了这个位置。
三个基准函数是用来检测新算法的性能；实验结果表明,该IAFSA提高了AFSA的性能,并保留其很多优点,如鲁棒性、公差的参数的设置,寻找适应性等。
2．人工鱼群算法在自然界中,鱼能通过个体独立的搜索还有跟随其它鱼找到更有营养的区域,这个地区的鱼所在的地方通常是营养最丰富的。
AFSA 的基本思想是模仿鱼类行为,如觅食,聚群和追尾使鱼个体局部搜索并达到全局最优[1][5]。
人工鱼所在环境主要包括解的空间和其它人工鱼的状态。
它的下一个行为取决于它现在的状态和地方环境状况(包括解决目前问题的特性和周围同伴的状态)。
一人工鱼将会通过其自己的活动影响环境和它的同伴的活动。
从算数角度来讲,把一群人工鱼的N popsize,AF i和位置向量X i相联系，（D是最优参数）在一个最优的问题中是一种可行的解决方案。
让X i(t)表示一个人工鱼现在的位置，X i(t+1)是下一个选择的位置。
每次迭代步长t+1,人工鱼的行为的执行和位置矢量X i(t+1)的更新是通过增加一个增量更新向量△X i(t+1),仅包括局部最优信息。
向量的增加是通过当前状态X i(t)和更好的状态X better (t+1)，方程如下:△X i(t+1)=Rand()·(X better (t+1)-X i(t)) （1）△X i(t+1)= X i(t)+ X i(t) △X i(t+1)（2）当Rand()的值在区间[0,1]上，并且af_step代表了人工鱼移动步长的参数,该算法程序会继续云集直到符合标准，并且这形成迭代AFSA过程的基础。
从公式（1）及（2）中可以知道，人工鱼可以根据自己的信息和所处环境信息自动修改其位置。
该AFSA很简单，只需要一些算法参数进行调整。
因此，AFSA吸引了众多来自不同领域的学者的关注。
一般来说，在AFSA被证明是可以稳健快速的解决工程优化问题的方法[5-9]。
然而，作为一个新型的优化方法， AFSA仍处于起步阶段，并且进一步发展和研究是很必要的。
例如，原始AFSA的优化精度和收敛速度并不令人满意，因为它仅使用本地和个人的信息搜索“更好的”的位置。
因此，为提高AFSA的性能，全局信息这个增量向量被添加进来是必要的。
3．IAFSA与增强的性能人工鱼模型包括变量和行为函数。
这些变量包括：X是当前的位置的AF，af_step是移动步长，af_visual是可视距离，try_number是尝试次数和AF_detal是拥挤因子，best_af是在全部范围内含有最高的食物的范围。
AF的行为包括：AF_Prey，AF_Swarm，AF_Follow，AF_Move和AF_Evaluate[1] [5-9]。
3.1改进的IAFSA基本性能为了提高AFSA，性能全局最好的AF信息被添加到AF的行为上。
该行为在IAFSA实现如下：（1）觅食行为（AF_Prey）：设X i是人工鱼的当前状态，并可视距离之内随机选择一个状态X j ,Y=F(X)是人工鱼的食物浓度：X j= X i+af_visual·Rand() （3）如果Y j <Y i在极小的问题,它在Y j和X best_af方向的矢量和上前进一步，X best_af是所有AF区域的最佳状态。
否则，再次随机选择一个状态X j判断是否满足前进要求。
如果进行try_number次不能满足前进的要求，则人工鱼会随机移动一步;这可以帮助人工鱼逃离局部极值。
（2）聚群行为（AF_Swarm）：设X i是人工鱼的当前状态，X c是人工鱼的中心位置，n f是人工鱼视野范围内的伙伴数量，如果Y c< Y i并且 Y c<(af_detal·Y i/n f),这意味着人工鱼的中心具有较低的适应度值并且周边环境不是很拥挤，然后人工鱼在X c和X best_af方向的矢量和上前进一步。
（3）追尾行为（AF-Follow）:设X i是人工鱼的当前状态，人工鱼搜索它的邻域找到含有更小Y j，如果Y j<Y i并且Y j<af_detal·Y i/n f,这意味着人工鱼X j具有较低的适应度值并且周边环境不是很拥挤，然后人工鱼X i在Y j和X best_af方向的矢量和上前进一步。
（4）移动行为（AF_Move）:人工鱼在视野范围内随机选择一个状态，之后朝着目标前进，这是人工鱼的违法行为。
（5）其它行为IAFSA的其它行为例如跳跃行为和评价行为和AFSA是一样的。
跳跃行为[5]的目的是为了增加跳出局部极值的可能。
评价行为是基于对人工鱼环境的评价，并且帮助人工鱼选择一个合适的行为来执行。
如果适应度函数值比给定的在跟新过程中的AFSA的阈值大（最小优化）则执行聚群行为。
3.2 IAFSA的程序IAFSA的程序如下：a. IAFSA的初始化参数af_total, iterate_time, af_step, af_visual, af_delta, try_number, best_afb.根据环境和条件，对每个人工鱼进行评价并执行它的行为。
c.更新每个人工鱼的位置并更新best_af。
d.如果最后状态令人满意，则停止并显示结果，否则返回b.4.实验和仿真4.1测试函数表达式为了客观评价性能演算法，三个基准测试函数都解决了并且通过IAFSA和原始的AFSA分别表现出来。
所有的测试功能有很多本地局值，它分为为一个找到全局最优解的基本功能。
第一个测试函数的2个维度（2—D）,第二个是12-D和第三个是64—D.定义如下：主体 -10<=x<=10,-10<=y<=10,当x=0,y=0,全局最低f(x)=0主体 n=12,-10<=x i<=10,i=1,2,…,n.主体 n=64,-10<=x i<=10,i=1,2,...,n.在实验中，人工鱼的初始位置是随机的。
在每次测试时精度达到10-3或者静止状态的IAFSA是实现的最大iterate_time时,它被认为是理想的成功的。
根据不同的功能维度，三个优化方法的迭代次数是不同的。
F1,F2和F3的迭代次数分别是50,100和250。
IAFSA的所有的参数和AFSA的一样，实验参数设为：af_total=20,af_step=0.7,af_visual=2.5,try_number=50,af_delta=8.结果用MSG,MBV,BV和MNGBF记录，这些分别表示成功的一代，最好的评价和所有人工鱼的最优解。
4.2 实验的结果和讨论图1显示通过AFSA和IAFSA中F1的人工鱼过去的一代分布对比。
在IAFSA中测试提出的一种收敛性能的算法计算人工鱼的初始位置，表1总结了优化结果的三个IAFSA无约束函数，得到AFSA。
表2通过IAFSA 和AFSA获得的三个函数并分别显示了收敛曲线。
为了详细的表示收敛曲线，Y坐标轴表示函数值的对数。
图1表明，在IAFSA优化区域进入全局更多人工鱼。
表1显示的通过IAFSA获得的结果意味着有很少成功的世代。
更小意味着最有价值，更小最好的价值和更多的人工鱼到达全局最优的区域。
从表2中看到，优化的精度和收敛速度和AFSA相比有显著的提高。
图一人工鱼的初始位置（1）在AFSA中人工鱼的最终位置（2）在IAFSA中人工鱼的最终位置表1.人工鱼的位置比较表2.收敛曲线比较5.结论本文摘要提出一种改进收敛精度和收敛速度的AFSA。
它增加了全局最优区域并且有更多的机会去搜索跟好的或者最好的答案。
实验的结果显示，有限的计算复杂度的增加，使IAFSA比标准的AFSA有更快的收敛速度和优势更高的全局搜索精度，由于它良好的性能，IAFSA可能在未来的优化应用中替代AFSA。
出处这项工作是中国国家自然科学基金会（NO.60672037NO.60672036）和山东自然科学基金会（NO.Y2006G06）所支持。
参考文献[1] X.L.Li. “A New Intelligent Optimization-Artificial Fish Swarm Algorithm”, PhD thesis, Zhejiang University, China, June, 2003.[2] M.Dorigo, T.Stzle. “Ant Colony Optimization”. MIT Press, Cambridge 2004.[3] R.Eberhart, Y.Shi, J.Kennedy, “Swarm Intelligence”. Morgan Kaufmann, San Francisco 2001[4] D.T.Pham, A.Ghanbarzadeh, E. Koc, “ The Bees Algorithm”. Technical Note, Manufacturing Engineering Centre, Cardiff University, UK 2005.、[5] M. Y. Jiang, Y. Wang. “Spread Spectrum CodeEstimation by Artificial Fish Swarm Algorithm”, IEEE International Symposium on Intelligent Signal Processing (WISP 2007), 2007, Oct.2-5, Madrid, Spain.[6]Y.M .Cheng, M.Y.Jian g and D.F.Yuan. “NovelClustering Algorithms Based on Improved Artificial Fish Swarm Algorithm”, Proceedings of the 6th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD'09 ), 2009, 14-16 August, Tianjin China.[7] X. J. Shan, M. Y. J iang. “The Routing Optimization Based on Improved Artificial Fish Swarm Algorithm”, IEEE Congress on Intelligent Control and Automation, 2006,pp.3658-3662[8] M.Y.Jiang, D.F.Yuan. “Wavelet Threshold Optimization with Artificial Fish Swarm Algorithm”, Proc.of the IEEE International Conference on Neural Networks and Brain, (ICNN&B '2005), 2005, pp:569-572[9] J.M.Xiao, X.M.Zheng, X H Wang. “A ModifiedArtificial Fish-Swarm Algorithm”, in Proc. of the IEEE 6th World Congress on Intelligent Control andAutomation,(WCICA '2006), 2006, pp.3456-3460.。
