2025年OE SCI2区TOP，进化麻雀搜索算法ESSA+海洋阻尼器迟滞建模与辨识，深度解析+性能实测

---

1.摘要

海洋阻尼器的机械性能通常具有高度非线性，以适应动态和冲击环境。阻尼器经过动态和冲击测试，发现其滞回曲线具有速率依赖性且呈非对称性。为了能够描述动态滞回和冲击滞回，基于广义Prandtl-Ishlinskii（GPI）模型提出了一种速率依赖广义Prandtl-Ishlinskii（RDGPI）模型，该模型是GPI模型与径向基函数（RBF）神经网络的混合体。由于模型参数众多，为了提升参数识别效果，本文提出了一种进化麻雀搜索算法（ESSA），其显著提升了参数识别的效率和准确性。

2.麻雀搜索算法SSA原理

【智能算法】麻雀搜索算法（SSA）原理及实现

3.ESSA算法

为了提升算法的优化搜索能力，需要避免陷入局部最优和过早收敛，因此考虑采用差分进化（DE）算法。为提升变异效率，本文借鉴SHADE提出了进化麻雀搜索算法（ESSA）。在ESSA开始阶段，对生产者和觅食者的位置进行与SSA相同的位置更新。当更新觅食者位置时，基于DE对觅食者进一步进行变异，采用current-to-pbest/1策略：
$${\mathbf{u}}_{i,t}={\mathbf{x}}_{i,t}+F_i\cdot \left({\mathbf{x}}_{p\mathrm{best},t}-{\mathbf{x}}_{i,t}\right)+F_i\cdot \left({\mathbf{x}}_{r1,t}-{\mathbf{x}}_{r2,t}\right)$$

其中，$x_{i,t}$是第$t$代中的第$i$个向量，$u_{i,t}$是第$t$代中的第$i$个变异向量，$F_i$是对应于第$i$ 个向量的变异参数，个体$x_{pbest,t}$是从第$t$代中排名前$N\times p$ (其中$p\in [0,1]$)的成员中随机选取的，$N$是种群规模。

为了保持种群的多样性，引入了一个外部档案库$A$。向量$x_{r1,t}$和$x_{r2,t}$是从种群$P$与档案库$A$的并集$P\cup A$中选取的。如果变异后向量的能量水平更高，即变异成功，则将原始向量添加到档案库$A$中。如果档案库中的向量数量超过设定值，则随机移除一个向量。控制参数$p$用于调节DE算法的贪婪程度，以平衡探索与利用，参数$p$：
$$p_i=\mathrm{rand}[p_{\min },0.2]$$

为了提高变异效率，ESSA 使用了一个包含$H$个条目的历史记忆库$MF$，用于存储DE变异参数$F$。（初始化为0.5）

每代根据柯西分布生成$F_i$：
$$F_i=rand{c}_i(M_{F,ri},0.1)$$

参数$M_{F,ri}$更新：
$$M_{F,k,t+1}=\{\begin{array}{ll}{\text{mean}}_{WL}(S_F)& \text{if }{S}_F\ne \varnothing \\ M_{F,k,t}& \text{otherwise}\end{array}$$
$$\{\begin{array}{l}{\text{mean}}_{WL}(S_F)=\frac{{\sum }_{n=1}^{|S_F|}{w}_n\cdot S_{F,n}^2}{{\sum }_{n=1}^{|S_F|}{w}_n\cdot S_{F,n}}\\ w_n=\frac{\Delta f_n}{{\sum }_{n=1}^{|S_F|}\Delta f_n}\end{array}$$

4.结果展示

5.参考文献

[1] Zhou Y, Chen W, Wang D, et al. Modeling and identification of hysteresis of marine damper considering shock environment based on evolutionary sparrow search algorithm[J]. Ocean Engineering, 2024, 311: 118995.

6.代码获取

7.读者交流