基于精英策略布谷鸟算法的主动配电网经济优化调度

为提高主动配电网(Active Distribution Network,ADN)运行过程中的经济性,对ADN运行总成本的组成部分分别进行分析,并以ADN运行总成本最小作为目标函数,综合考虑各类约束条件,建立基于精英策略布谷鸟算法(Elite Strategy Cuckoo Search,ESCS)的ADN经济优化调度模型。采用鸟卵被发现概率动态设置和精英策略对布谷鸟算法(Cuckoo Search,CS)改进,提升算法的优化性能。利用IEEE 33节点配电系统进行仿真分析,结果表明,ESCS算法经过迭代找到的最优解在收敛次数和计算精度方面均优于其他算法,提高ADN优化调度的经济性,验证模型的正确性和实用性。

基于精英策略和ABBO算法的输电线路故障诊断模型

针对输电线路故障分类问题,提出了一种基于精英策略的生物地理学与算术优化混合算法(ABBO)的输电线路故障诊断模型。首先,为了避免BBO算法的早熟收敛,提出将算术优化算法(AOA)的乘除加减算子代替生物地理学优化算法(BBO)的变异算子以优化特征属性权重;其次,提出将低于精度阈值的非精英个体进行二次变异的精英策略,以保留优质个体的方式提高算法精度;最后,提出一种基于重力的固定半径的近邻检索方式以改善案例推理中存在的不平衡问题。实验证明,与传统的基于BBO、AOA算法的故障诊断模型相比,该模型能够更加准确的识别故障类型。

精英策略个体优势遗传算法研究

针对遗传算法存在的局部搜索能力差、早熟收敛和进化后期收敛速度慢的问题,提出了一种改进精英策略的个体优势遗传算法(Individual Advantages Genetic Algorithm,IAGA)。IAGA通过在精英子种群更新中不断增加精英个体数量和多样性,在保持算法全局收敛性的同时,增强算法在最优解区域的局部搜索能力。引入半粒子群变异算子,提高了算法前期向全局最优解靠拢的速度;引入个体优势算子,提高种群优势个体的多样性,有效改善了进化后期收敛速度慢的问题;与已有同类算法相比,平衡了收敛速度和全局收敛性之间矛盾的同时,进一步提高了收敛速度和精度。

带精英策略的快速非支配排序遗传算法在多目标无功优化中的应用

带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ)是一种新型的多目标遗传算法,该算法求得的Pareto最优解分布均匀,收敛性和鲁棒性好。本文分析了当前多目标无功优化算法存在的缺陷,提出将NSGA-Ⅱ应用于多目标无功优化,该算法一次运行可以获得多个Pareto最优解,决策者可根据系统的实际要求选择最终的满意解,为各目标函数之间的权衡分析提供了有效的工具。算例结果表明NSGA-Ⅱ算法具有良好的优化效果,是一种求解多目标无功优化问题的新思路。

一种基于精英策略的改进蚁群算法及应用

针对基本蚁群算法存在求解速度慢,容易出现"早熟",导致搜索停滞的缺点,将遗传算法中排序的概念扩展到精英机制当中,以一种新的加权方法进行信息素更新,建立了改进蚁群算法模型.对30城市物流配送问题仿真结果表明:改进算法的求解速度和求解精确度都明显优于基本蚁群算法.

精英策略蚁群算法在求解TSP问题中的应用

针对经典蚁群算法收敛速度慢的现象，引进精英策略的概念。改进后的算法具有较快的寻优速度和较好的全局搜索能力，算法复杂度为O（NC^＊n^＊n^＊m）。

精英策略的改进非支配遗传算法

在研究NSGA-Ⅱ算法的基础上,提出了一种新的精英策略.它既可以使种群中优良个体保持到下一代,又可以维护种群的多样性,避免算法陷入局部最优解.此外,对NSGA-Ⅱ算法的交叉算子和变异算子进行了重新选择,交叉算子采用模拟二进制交叉算子,变异算子采用非均匀变异算子.将它们引入INSGA-Ⅱ算法中,在优化前期可以进行大范围搜索,而后期可以集中搜索某个重点区域,从而可以提高解的精确性.通过经典函数测试,并将INSGA-Ⅱ算法与NSGA-Ⅱ算法的结果进行比较.结果表明,基于精英策略的改进算法INSGA-Ⅱ不仅取得了较好的结果,而且分布性也得到了有效的提高.

基于带精英策略遗传算法的舰艇编队目标分配

结合现代海战海军编队作战样式及作战武器的特点,建立了新的舰艇编队武器分配模型,将舰艇编队目标分配问题抽象化为多目标优化问题,该模型可以在保证我方重点目标得到保护的前提下,达到总体效果最优和总体耗损最小。采用带精英策略的快速非支配进化算法对舰艇编队目标分配问题进行求解。该算法求得的Pareto最优解分布均匀,收敛性和鲁棒性好。该算法一次运行可以获得多个Pareto最优解,决策者可以根据实际战场环境选择最终满意解,为各目标函数之间的均衡分析提供了有效的工具。最后,通过仿真及与其他算法的对比证明了模型及算法的有效性。

基于精英策略粒子群算法机械臂逆运动求解

多关节机械臂空间姿态控制研究中,逆运动分析是控制的基础,由于多关节机械臂逆运动求解问题较为复杂,对其求解结果优劣性的判别比较困难。为了解决传统关节变量算法在求解过程中收敛精度不高、局部最优解过多的问题,利用精英策略搜索粒子种群中的优质粒子,提高了算法整体适应度值,避免求解陷入局部最优解。仿真实验结果表明,基于精英策略多目标粒子群算法(ETMOPSO)提高了机械臂空间姿态的求解精度,为多关节机械臂空间姿态控制提供了一种研究思路。

一种改进的基于精英策略的EDPGA算法

针对DPGA算法存在的收敛性能不强以及种群的多样性保持差等缺点,提出一种改进的EDPGA算法.采用精英策略、联赛选择以及交配限制等方法,提高了DPGA算法的收敛性能和外部种群的多样性.实验结果表明,EDPGA无论在收敛性还是在种群的多样性方面都有了明显的改进.

基于分组和精英策略的遗传算法在机器人导航上的应用

【目的】针对种植园复杂环境下采摘机器人进行路径规划时找出多路径效率低、速度慢等问题,提出一种基于分组和精英策略的遗传算法(GGABE)。【方法】首先生成1个初始群体,使用Sigmoid函数分组;然后在每组中分别进行选择、交叉、变异操作,进行n代迭代后,每组产生该组内的k条等长的最优路径;比较各组最优路径,选择最短的路径作为最优路径。在种群的各项参数均相同的情况下,简单遗传算法(SGA)、未分组的精英遗传算法(EGA)以及GGABE分别作用于15×15和25×25的地图,各进行50次试验。进行样机验证试验。【结果】第1幅地图,GGABE算法找到了8条最短路径,路径均值为20.970 6,其他2种方法只能找出1条最短路径;第2幅地图,GGABE算法找到了8条最短路径,路径均值为38.041 6。50次验证试验均找出3条最佳路径,平均路径规划时间为15.543 319 s。【结论】本研究提出的基于分组和精英策略的遗传算法收敛速度快,可快速准确地在地图中搜索出所有能够遍历整个果园的最佳路径。

基于精英策略的逆向蚁群优化盲检测算法

介绍了基本蚁群优化算法在信号盲检测中的应用。发现基本蚁群优化算法存在慢收敛且易停滞等问题。为了解决基本蚁群算法存在的缺点,提出了基于精英策略的逆向蚁群优化盲检测算法:采用精英策略和增加蚁群种类,即向原始蚁群中引入逆向蚂蚁来提高算法全局寻优能力。这样既加强了正反馈作用,又加快了收敛速度。仿真结果表明,将该算法应用于盲信号的检测可以直接快速地恢复发送信号,且收敛速度和全局寻优能力都得到很大的改善。

部分精英策略并行遗传优化的神经网络盲均衡

针对高维非凸代价函数下神经网络盲均衡算法收敛速度慢、容易陷入局部极小值的缺点,提出了一种组群并行遗传优化神经网络的方法。根据神经网络拓扑结构进行个体编码,设置控制码和权重系数码以实现对网络拓扑结构和网络权重同时优化。优化迭代过程中根据适应度对个体排序分组,以融合不同遗传算子条件下遗传算法的优势。部分精英策略有效避免最优个体把持进化过程引发早熟的现象。非线性信道条件下的仿真结果证明方法具有更好的收敛性能。

一种基于精英策略的蚁群优化QoS单播路由算法

指出传统蚁群算法在解决QoS单播路由选择问题时,受到时延和带宽的约束,为降低路由费用,容易出现陷入局部最优且收敛速度慢的现象。针对上述问题,提出一种基于精英策略的蚁群优化QoS单播路由算法,该算法利用蚁群算法原理,并引入精英策略。通过仿真模拟一个20节点的计算机网络QoS单播路由选择实例,并与传统蚁群优化(ACO)算法进行对比,仿真结果表明该算法是有效的。

利用基于精英策略的粒子群算法求解多目标规划问题

本文提出了一种求解多目标规划问题的精英粒子群算法.该算法利用精英策略存储每一代Pareto最优解,同时提出了一种最优粒子的选取策略用以克服粒子陷入局部最优的缺点.最后,通过数值实验验证算法的可行性和有效性.

基于精英策略的遗传算法在功能验证中的应用

针对集成电路功能验证中覆盖率收敛较慢的问题,通过分析简单遗传算法(SGA)中精英个体的特征,提出了一种应用于功能验证的精英策略。将本代优秀个体和本代适应度高的历史优秀个体视为精英个体,给予额外交叉机会。基于本文策略的精英遗传算法(EGA)可得到覆盖率广、重复性低的验证向量,缩短功能验证的时间。采用互相关函数的硬件计算单元作为验证模型,在Matlab中模拟功能验证的过程,实验结果表明:与SGA相比,EGA使验证时间缩短了14.8%,功能覆盖率从93%提高到95%,有效地提高了功能验证效率。

多目标炼钢—连铸生产调度的改进带精英策略的快速非支配排序遗传算法

针对炼钢连铸调度的特殊工艺要求,在考虑炉机匹配原则和多重精炼的情况下,建立了以炉机匹配度、炉次间等待时间、浇次的开浇提前/拖期时间为评价指标的多目标约束满足优化模型,并针对其多目标特征,提出一种基于自适应网格法的择优策略来改进带精英策略的快速非支配排序遗传算法,有效克服了使用传统Pareto支配法择优策略在解决离散问题时容易丢失有用信息的缺陷。基于多种规模的实际生产数据进行仿真实验,结果表明所提算法在收敛性、最优解集多样性和计算效率方面优于传统带精英策略的快速非支配排序遗传算法。

基于精英策略的反序-杂交算法

论述了反序-杂交算子在求解TSP上的优势,认为该算子算法结构简单,在求解问题时不仅速度快,而且有很好的精确性和稳定性。基于多父体杂交算法的精英子空间的方法在求解函数优化问题上可以得到很好的结果,将精英策略和反序-杂交算子相结合,来求解组合优化问题,在反序-杂交算法中运用精英策略进行个体选择,使算法具有更强的学习能力。数值实验表明,新算法比传统的反序-杂交算子具有更快的运行速度和更好的求解精度。

基于精英策略和Levy飞行的粒子群算法

为了提高粒子群算法的搜索效率,避免粒子过早收敛,将精英策略思想和自适应动态Levy飞行步长引入到粒子群算法中,提出了一种新的算法(ELPSO).首先依据精英策略(ES)的搜索机制来扩大粒子的搜索空间,利用精英粒子良好的反向搜索能力,使粒子避免早熟收敛.此外,使用自适应动态Levy飞行更新该算法对在进化中因发生早熟而无法进化到更好位置的粒子.利用改进的新算法(ELPSO)测试6个标准测试函数,并与标准的PSO算法和权重线性递减的粒子群算法(RWPSO)进行比较.结果表明,ELPSO算法的收敛速度和收敛精度都优于标准PSO算法和RWPSO算法.

基于精英策略的气象数据协同进化属性约简

针对气象数据属性冗余度高和现有属性约简算法效率慢的问题,提出一种基于精英策略的协同进化属性约简算法。该算法将进化种群分为两个子种群,一个子种群借助精英个体协助交叉,提高算法的收敛速度。另一子种群通过引入随机种群,平衡进化过程中种群多样性,最后两个子种群协同完成进化操作。与TSDPSO-AR算法和ARAGA算法对气象数据进行降水属性约简操作,结果表明,提出的算法维持了进化过程中种群的多样性,提高了约简性能,简化了信息系统。