引入相量算子和流向算子的天鹰优化算法

针对天鹰优化算法搜索效率不足,容易陷入局部最优的缺点,提出多策略改进天鹰优化算法(MIAO).引入广义正态分布优化算法(GNDO),将该算法得出的结果与天鹰优化算法第1阶段得出的结果进行比较,筛选出这2种优化算法下的最优值.该操作扩大了搜索空间,提高了解的质量.引入相量算子,将第2阶段变为自适应的非参数优化,提高算法的高维优化能力.针对天鹰优化算法在迭代后期存在种群多样性降低、局部开发能力不足的问题,在天鹰算法的第3阶段引入流向算子,使信息可以在每个个体间相互传递,提高种群信息的利用率,增强天鹰优化算法的开发性能.通过对16个测试函数寻优对比分析以及Wilcoxon秩和检验可知,MIAO的寻优能力和收敛速度都有较大的提升.为了验证MIAO算法的实用性和可行性,采用所提算法求解减速器设计问题,通过实际工程优化问题的实验对比分析可知,MIAO算法在处理现实优化问题上具有一定的优越性.

基于改进河马优化算法的含分布式电源配电网重构

为有效解决分布式电源并入配电网的优化重构问题,达到降低系统网络损耗的目的,构建了以有功网损最小为目标的含分布式电源配电网优化重构模型,并采用改进河马优化算法进行求解。为防止算法陷入局部最优,引入高斯映射以及改进莱维飞行策略对河马优化算法进行改进,运用IEEE 33节点系统仿真计算,检验含分布式电源配电网重构模型求解效率。通过与灰狼优化算法及粒子群优化算法的结果比对,改进河马优化算法以最少迭代次数求得最优解,能够有效提升节点电压,并显著降低网损。

一种多策略改进鲸鱼优化算法的混沌系统参数辨识

针对混沌系统参数辨识精度不高的问题,以鲸鱼优化算法(whale optimization algorithm,WOA)为基础,提出一种多策略改进鲸鱼优化算法(multi-strategy improved whale optimization algorithm,MIWOA)。采用Chebyshev混沌映射选取高质量初始种群,采用非线性收敛因子和自适应权重,提高算法收敛速度,为了避免算法陷入局部最优,动态选择自适应t分布或蚁狮优化算法更新后期位置,提高处理局部极值的能力。通过对10个基准函数和高维测试函数进行仿真试验,表明MIWOA具有良好的稳定性和收敛精度。将MIWOA应用于辨识Rossler和Lu混沌系统参数,仿真结果优于现有成果,表明本文MIWOA辨识混沌系统参数的高效性和实用性。

基于入侵杂草优化和灰狼优化算法的混合优化算法研究

基于入侵杂草优化算法和灰狼优化算法两种优化算法,将两者优点相结合,提出一种可以克服两种算法缺点的新的混合优化算法IWOGWO。通过对基准函数的测试和分析,评估了IWOGWO混合优化算法的性能,并与入侵杂草优化和灰狼优化两种基本算法的测试结果进行了比较,表明IWOGWO混合优化算法在全局搜索能力、收敛速度和求解精度上均有明显改善,验证了新算法的性能的优越性。

改进沙猫群优化算法的2D-OTSU多阈值图像分割

针对传统多级阈值图像分割方法精度低、收敛速度慢的问题,提出一种改进的沙猫群优化算法(Improved Sand Cat Swarm Optimization, ISCSO)用于全局优化,并应用于2D-OTSU多阈值图像分割任务。通过使用Henon混沌映射和反向折射机制初始化种群,使得种群的分布更加均匀,提高搜索的起始状态,从而增加算法的全局搜索能力;采用非线性灵敏度更新公式来平衡搜索多样性和收敛精度;引入可变螺旋搜索策略改进位置更新算法,以确保算法具有较好的搜索多样性和跳出局部最优解的能力。选取6张测试图像对ISCSO算法进行2DOTSU多阈值图像分割实验,采用峰值信噪比(PSNR)、特征相似性指数(FSIM)和结构相似性指数(SSIM)对实验结果进行评价。实验结果表明,基于ISCSO算法的2D-OSTU多阈值图像分割方法在图像分割任务中85.2%的结果优于对比算法,具有较强的搜索精度和收敛速度,这证明了ISCSO算法在图像分割领域的有效性和潜力。

求解TSP的离散野马优化算法

针对求解TSP问题,提出一种新的元启发式算法离散野马优化算法(DWHO),应用最小位置匹配值法(MPMV)对求解结果进行离散化解码;为提高算法搜索能力,结合野马放牧、交配、领导者交流与选拔行为,引入变邻域搜索策略,增强了算法的局部搜索能力、加快算法收敛速度。选取TSPLIB标准库33个算例进行实验,并与交换序列人工蜂群算法(ABCSS)、离散蜘蛛猴优化算法(DSMO)两种算法进行比较。实验结果表明,DWHO求得的最优解与ABCSS、DSMO两种算法的最优解相比,最优解改进率最大值分别达到4.52%和3.41%。同时,将离散野马优化算法求解TSP收敛速度与以上两种算法进行比较,其收敛速度具有一定的优势。结果表明离散野马优化算法求解能力和精度具有优势。

趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法

针对蝴蝶优化算法(butterfly optimization algorithm,BOA)易陷入局部最优,且收敛速度慢和寻优精度低等问题,提出了一种趋优变异反向学习的樽海鞘群与蝴蝶混合优化算法(hybrid optimization algorithm for salp swarm and butterfly with reverse mutation towards optimization learning,OMSSBOA)。引入柯西变异对最优蝴蝶个体进行扰动,避免算法陷入局部最优;将改进的樽海鞘群优化算法(salp swarm algorithm,SSA)嵌入到BOA,平衡算法全局勘探和局部开采的比重,进而提高算法收敛速度;利用趋优变异反向学习策略扩大算法搜索范围并提升解的质量,进而提高算法的寻优精度。将改进算法在10种基准测试函数上进行仿真实验,结果表明,改进算法具有较好的寻优性能和鲁棒性。

基于改进飞蛾扑火优化算法的船机桨匹配设计研究

基于改进飞蛾扑火优化(Improved Moth-Flame Optimization,IMFO)算法,以两艘现有船舶为计算实例,展开了综合考虑螺旋桨推进效率、空泡性能和桨叶强度的船机桨匹配工作。以遗传算法(Genetic Algorithm,GA)和原始飞蛾扑火优化(Moth-Flame Optimization,MFO)算法为对比算法,分析了IMFO辅助船机桨匹配工作时的性能。数值实验的结果表明,在解决船机桨匹配问题时,IMFO算法的收敛时间相比GA算法在两个算例中分别缩短了44.24%和54.14%,相比MFO算法分别缩短了23.9%和23.12%。此外,在求解精度方面,在计算示例1中,IMFO算法相比GA算法和MFO算法略有提升;而在计算示例2中,IMFO算法相比GA算法提高了3.66%,较MFO算法提高了0.98%。最后,通过对两个算例的可行解空间进行可视化表示,进一步讨论了IMFO算法的求解性能。上述结果对比证明了IMFO算法具备强大的全局搜索能力,在解决船机桨匹配问题时具有良好的竞争力和鲁棒性。

基于近端策略优化算法含碳捕集的综合能源系统低碳经济调度

为了实现园区综合能源系统(PIES)的低碳化经济运行和多能源互补,解决碳捕集装置耗电与捕碳需求之间的矛盾,以及不确定性源荷实时响应的问题,提出了基于近端策略优化算法含碳捕集的综合能源系统低碳经济调度方法。该方法通过在PIES中添加碳捕集装置,解决了碳捕集装置耗电和捕碳需求之间的矛盾,进而实现了PIES的低碳化运行;通过采用近端策略优化算法对PIES进行动态调度,解决了源荷的不确定性,平衡了各种能源的供给需求,进而降低了系统的运行成本。实验结果表明:该方法实现了不确定性源荷的实时响应,并相比于DDPG(deep deterministic policy gradient)和DQN(deep Q network)方法在低碳化经济运行方面具有有效性及先进性。

基于衍生搜索政治优化算法解决含可再生能源的多区域经济调度问题

随着可再生能源并入多区域电力系统,其不确定性大大增加了电力系统多区域经济调度的复杂度。如何高效求解含有风力和太阳能的多区域经济调度(multi-areaeconomic dispatch containing wind and solar energy,MAEDWS)问题面临着严峻的挑战。针对现有优化算法在处理MAEDWS问题时存在收敛速度慢和求解精度低等不足,该文提出一种基于衍生搜索的政治优化(derivative search-based political optimizer,DSPO)算法。在政治优化算法的基础上,引入首脑引领策略和衍生搜索机制。前者引领候选解前往更有希望的区域,加快收敛速度;后者在区域获胜者周围衍生邻域解,丰富多样性。该文将DSPO算法和其他6种代表性算法应用于MAEDWS问题,并进行对比分析。收敛曲线和性能指标的结果表明DSPO算法在收敛效率、求解精确度、稳定性方面取得了整体最优。

混合白鲸优化算法求解柔性作业车间调度问题

针对柔性作业车间调度问题(flexible job-shop scheduling problem,FJSP),提出一种混合白鲸优化算法(hybrid beluga whale optimization,HBWO)对其求解,旨在最小最大化完工时间。采用既定策略改进标准白鲸优化算法(beluga whale optimization,BWO),加快其收敛速度;基于机器选择和工序排序问题设计双层编码方案,解决FJSP离散化问题;采用主动编码及种群初始化策略,提高求解质量;基于工序的开始和结束时间确定关键路径和关键块,注重各工序时间维度;引入贪心思想至基于关键路径的混合变邻域搜索策略中,加大勘测搜索空间及减少无效搜索;此外,引入遗传算子防止算法陷入局部最优;通过35个标准算例的仿真实验与分析,证明了算法在求解FJSP问题中具有有效性。

面向特征选择任务的改进蜣螂优化算法

蜣螂优化算法是一种基于蜣螂不同行为模式的新型启发式算法,与其他算法相比的收敛速度更快,逃脱局部最优的能力更强。针对蜣螂优化算法不能进行特征选择的问题,在蜣螂优化算法的基础上提出了蜣螂灰狼融合算法。该算法基于3种改进策略:精英初始化种群策略、灰狼蜣螂融合策略、运行加速策略,进一步提高蜣螂优化算法在特征选择任务上的性能,并给出了算法整体的伪代码。实验结果表明,比较其他改进型启发式算法,蜣螂灰狼融合优化算法在12个分类数据集中能够得到更高精度、更低维度的特征子集,同时兼备收敛速度、运行速度更快的优点。

多策略融合的蛇优化算法及其应用

针对蛇算法寻优阶段交互性差,初始种群随机程度严重,易陷入局部最优解等问题,提出了一种多策略融合的蛇优化算法(multi-strategy snake optimizer, MSSO)。首先,利用正交矩阵对蛇种群进行初始化,使个体分布更加均匀;其次,设计探索开发阶段切换的自适应方程,用以替换原有的食物量与温度阈值,使算法进行自适应阶段切换;最后,使用联合反向选择策略替换算法原有的新个体孵化方法,提高算法收敛精度的同时加快算法收敛效率。选取10个基准测试函数从不同角度对MSSO算法进行实验,测试算法性能,分析各策略的有效性,并使用Wilcoxon秩和检验来证明算法显著性,通过两个工程应用仿真实验来验证MSSO的实用性。各实验结果表明MSSO较比较算法综合表现更优,证明MSSO算法改进在寻优能力、鲁棒性、实用性等方面均有所提升。

基于改进灰狼优化算法的含光伏配电网动态无功优化

针对光伏并网对配电网造成的电压波动、线损增加,以及光伏和负荷出力的不确定性等问题,本文构建基于二阶锥规划的线性凸优化模型,通过控制有载调压变压器和电容器组动作,以及光伏逆变器和静止无功发生器无功补偿能力约束,对日前日内双时间尺度无功优化模型进行动态分析,在简化求解过程的同时加大找到全局最优解的可能性。提出一种基于混沌学习初始化、非线性收敛因子、最优粒子柯西扰动结合蜘蛛猴算法位置更新方式的改进灰狼优化算法,防止算法陷入局部最优并增强其全局搜索能力。最后,运用改进的灰狼优化算法对含光伏的IEEE 33节点系统进行建模仿真,结果表明该算法具有寻优效率高、收敛速度快的优点,验证了算法的可行性和高效性。

融合模式搜索的蝗虫优化算法及其应用

在智能优化算法应用于复杂优化问题的求解过程中,平衡开发和探索以获得最优解具有重要意义。因此针对传统蝗虫优化算法在处理一些较为复杂的优化问题时出现的收敛精度低、搜索能力弱且容易陷入局部最优等缺陷,提出一种融合模式搜索的蝗虫优化算法。首先引入Sine混沌映射初始化蝗虫个体种群位置,减少个体重叠概率以增强种群迭代初期的多样性;其次利用模式搜索法,对种群目前找到的最优目标展开局部搜索,提高算法的收敛速度与寻优精度;同时为了避免算法后期陷入局部最优,引入了基于凸透镜成像的反向学习策略。实验部分通过对改进的蝗虫算法进行消融实验,验证了Sine混沌映射、模式搜索、反向学习每个策略的独立有效性。并用两组测试函数进行仿真实验,采用Wilcoxon秩和检验、Friedman检验的方法进行结果分析。实验结果均表明了融合模式搜索法改进的蝗虫算法在收敛速度与寻优精度上得到明显提高。最后,将其应用于移动机器人路径规划,测试结果进一步验证了改进算法的有效性。

基于改进混合灰狼优化算法的无人机三维路径规划

针对传统灰狼优化(Grey Wolf Optimization, GWO)算法求解无人机三维路径规划问题时会出现收敛速度慢、容易陷入局部最优等问题,提出一种改进混合灰狼优化算法——CLGWO。基于Cat混沌映射和反向学习策略初始化灰狼种群,为算法全局搜索过程中丰富种群多样性奠定基础;提出新型非线性收敛因子的改进策略,提高算法全局搜索能力。在灰狼位置更新中提出引入狮群优化(Lion Swarm Optimization, LSO)算法的扰动因子和动态权重,使灰狼具有主动的搜索能力,避免因灰狼失去种群多样性而陷入局部最优。为验证改进算法的有效性,进行了8个国际通用的标准测试函数收敛性对比实验和无人机三维路径规划仿真实验。实验结果表明,CLGWO算法在单峰、多峰函数上均有较好的收敛性、较高的寻优精度;三维路径仿真环境下,CLGWO算法的平均路径长度、平均迭代次数、平均运行时间相比于GWO算法分别优化了33%、31%、52%,且路径转折少,能较好地得到全局最优值,验证了CLGWO算法的有效性。

融合历史记忆的单纯形引导鲸鱼优化算法

针对鲸鱼优化算法存在易陷入局部最优、收敛速度慢等缺点,提出一种融合历史记忆的单纯形引导鲸鱼优化算法。首先,为了避免初始化种群过于集中而陷入局部最优,提出了使用混沌映射对初始化种群进行改进,增加了种群多样性;其次,为了解决算法收敛精度低和收敛速度慢的问题,提出了融合历史记忆的单纯形引导策略,利用单纯形法和构建的历史记忆表求解出一个虚拟最优解作为下次随机搜索阶段的引导者,帮助种群在前期的勘探过程中进行细致地搜索;最后提出一种新的非线性参数策略,平衡算法的开发和勘探能力。将算法应用于12个典型的复杂函数优化问题,并与其他5种智能算法比较,实验结果表明,改进后的算法在收敛精度与速度方面均为第一,具有良好的全局搜索能力和局部开发能力。

改进海马优化算法的永磁同步电机多参数辨识

为解决永磁同步电机参数辨识速度慢、精度不足等问题,提出一种融合云模型和混沌变异的海马优化算法。该算法以海马优化算法为基础,引入混沌映射和随机反向学习策略,改善种群初始空间分布;采用自适应云模型,解决算法收敛精度低和减少陷入局部最优情况;加入混沌映射和高斯变异调节种群分布,以提高算法全局和局部开发能力。通过采集电机电压、角速度等信息,在永磁同步电机辨识模型中,使用改进后的算法对电机参数进行辨识。由仿真和实验对比,验证改进后算法在永磁同步电机电气和机械参数辨识上,具有更快速、稳定和准确的辨识效果,且辨识误差均在1.4%以内。

基于近端策略优化算法的燃料电池混合动力系统综合价值损耗最小能量管理方法

为了降低市域动车组燃料电池混合动力系统运行燃料经济成本,提升燃料电池耐久性,该文提出一种基于近端策略优化算法的能量管理方法。该方法将混合动力系统能量管理问题建模为马尔可夫决策过程,以综合考虑燃料经济性和燃料电池耐久性的综合价值损耗最小为优化目标设置奖励函数,采用一种收敛速度较快的深度强化学习算法—近端策略优化算法求解,实现负载功率在燃料电池和锂电池间的合理有效分配,最后,采用市域动车组实际运行工况进行实验验证。实验结果表明,在训练工况下,所提方法相较基于等效氢耗最小能量管理方法和基于Q-learning能量管理方法,综合价值损耗分别降低19.71%和5.87%;在未知工况下,综合价值损耗分别降低18.05%和13.52%。结果表明,所提方法能够有效降低综合价值损耗,并具有较好的工况适应性。

基于改进蝴蝶优化算法的瑞利波频散曲线反演方法

瑞利波频散曲线反演问题的多解性和反演目标函数的多极值特点,使得常规非线性优化算法可能会产生收敛不稳定、易陷入局部最优等现象。在基本蝴蝶优化算法的基础上采用动态开关概率,引入非线性自适应权重因子,既增加了算法前期的全局探索能力,也保证了后期的局部开发能力。同时,在迭代过程中对最优解进行逐维柯西变异,利用贪婪算法更新最优位置,引导种群向全局最优靠近,通过对4种常用的Benchmark函数的性能测试,表明改进的蝴蝶优化算法无论是在单峰函数还是多峰函数上的全局寻优能力明显优于遗传算法和粒子群算法。采用不同算法针对3种理论地质模型的频散曲线进行反演,发现改进蝴蝶优化算法在频散曲线含10%随机噪声的情况下仍然能够得到与理论模型更加接近的反演结果。最后将改进蝴蝶优化算法应用于实际瑞利波数据,反演结果与实际钻孔揭露的地层分布情况高度吻合。且与遗传算法和粒子群算法相比,改进蝴蝶优化算法在收敛速度、求解精度和稳定性方面都有显著的提升,具有一定的实用价值和应用前景。