基于自适应混合差分进化算法的水火电力系统短期发电计划优化

针对水火电力系统发电计划优化问题,引入差分进化(differential evolution,DE)算法,提出了一种自适应混合差分进化算法(adaptive hybrid differential evolution,AHDE)。该算法在计算过程中自适应调整交叉算子,保持了种群的多样性,提高了算法的全局搜索能力,克服了DE在寻优过程中容易早熟收敛的缺点。同时针对AHDE难以处理实际工程中复杂约束条件问题,提出了一种适合AHDE的约束处理方法。将AHDE应用于求解某水火电力系统的发电计划优化问题,与其他求解方法的对比表明,AHDE求解精度高、计算速度快。

基于自适应混合差分进化算法的大规模稀布子阵优化设计

本文对大规模宽带稀布线阵采用子阵划分的方法进行优化设计。将大规模阵列划分为若干个子阵降低了优化的计算量;通过每个子阵和子阵间的不等间距设计有效地降低了栅瓣。以宽带类八木印刷天线为例,采用自适应混合差分进化算法同时优化阵列的单元间距和激励系数,分别对笔形波束、扫描波束以及单脉冲波束做了优化设计,结果表明该方法是可以有效解决大规模稀布子阵优化问题。

基于插值算子自适应混合差分进化算法的八木天线优化设计

本文采用插值算子自适应混合差分进化算法对六元八木天线进行优化设计。首先介绍了插值算子自适应混合差分进化算法的原理和实现流程,然后采用该算法优化设计了六元八木天线的增益,以振子的长度和振子的间距为优化变量,获得优于其它算法的结果。考虑工程实际的匹配阻抗问题,同时优化八木天线的增益和阻抗,同样获得了较优的结果。结果表明该方法可有效应用于八木天线的工程设计当中,为该类天线设计提供了新的设计方法。

混合整数优化问题的差分进化算法研究

为求解混合整数优化问题,提出了混合整数差分进化算法(Mixed Integer Differential Evolution,MIDE)。该算法结合整数变量的特点,为整数类型变量设计了专用的变异算子,使整数变量可以在差分进化算法中直接进化;为了维持种群多样性,采用了灾变策略;采用双编码方式,使整数变量与连续变量并行进化,进而提出了混合整数差分进化算法。通过与其它混合整数优化算法的比较,证明该算法具有较好的收敛速度、全局收敛性及算法稳定性等优点。

基于差分进化粒子群混合算法的多无人机协同区域搜索策略

为提高无人机群在未知环境中的区域搜索效率,提出一种多无人机协同区域搜索策略。首先,根据区域搜索任务需求,建立包含区域覆盖率、区域不确定度、目标存在概率三种属性的区域信息地图;其次,以最大化搜索效率、同时最小化无人机搜索过程中的能耗为目标,建立无人机区域搜索滚动时域优化目标函数,指导无人机在线决策搜索路线;然后针对传统群智能优化算法易陷入局部最优的缺陷,设计差分进化粒子群混合算法在线求解该多目标优化问题,提高算法的寻优性能,从而提高无人机的搜索效率。最后,通过数值仿真实验,对所提算法进行验证,仿真结果表明,文中设计的基于差分进化粒子群混合算法的多无人机协同区域搜索策略与传统的群智能优化算法相比具有更高的区域搜索效率。

基于自适应多变异的差分进化算法与应用

标准差分进化算法(DE)存在局部搜索能力弱、参数敏感性高等缺点,为了提升算法的性能,设计了一种基于自适应多变异的差分进化算法(AMVDE),该算法首先在种群初始化阶段使用反向学习策略提升个体的质量,然后通过多种变异策略和自适应控制参数增加算法的探索性和鲁棒性。最后将AMVDE算法应用于解决生物信息学中超复杂度的蛋白质结构预测问题,验证了算法的有效性和可靠性。

具有多种自适应机制的差分进化算法研究

差分进化算法(DE)是一种较新的进化计算技术,具有结构简单、便于编程、求解收敛快速等优点,得到了广泛的关注和应用。为了解决经典DE计算开销大,参数设置与问题本身过于相关等缺陷,提出了一种具有多种自适应机制的改进差分进化算法(MSDE),它采用了一种自适应变异算子,可根据进化代数实时地调整变异步长,从而提高算法的求解精度,同时采用一种自适应控制参数机制,以加快算法收敛,提高算法求解成功率。通过在MATLAB仿真环境下对著名的基准测试函数分别进行求解,将改进后的算法和已有的多种优化算法进行比较,结果表明,改进的MSDE算法性能明显优于已知的算法,证明自适应是一种有效的改进思路。

基于差分进化-自适应Metropolis算法的桥梁工程研究

提出1种结合差分进化-自适应Metropolis算法(DREAM KZS)和克里金模型的多链贝叶斯模型更新框架。该框架融合敏感度分析以减少参数维度并便于参数选择。此外,利用克里金模型来节省计算成本。该框架还采用DREAM KZS算法与多采样策略,通过考虑模型参数、测量和模型输出之间的交叉协方差来增强后验分布的探索效率。通过增加样本多样性同时减少并行链的数量,实现快速准确的模型更新。结果表明通过对简支梁的数值研究,验证DREAM KZS算法的收敛速度和精度,提出的DREAM KZS贝叶斯模型更新框架在六跨铁路高架桥的模型更新应用中表现出优异的性能,由于需要重复的模型评估,高度耗时和高保真度的有限元模型阻碍有效的模型更新。

基于自适应权重调整与差分进化策略的并行式混合蛙跳算法

针对标准混合蛙跳算法(SFLA)在复杂优化问题中出现的收敛速度慢、求解精度不高和运行效率低等问题,提出了一种基于自适应权重调整与差分进化(DE)策略的并行式混合蛙跳算法(P-DE-ASFLA)。在局部搜索过程中,采用邻近学习策略更新子群中的最优个体以加快算法的收敛;采用动态蛙跳规则更新子群中的最差个体以避免算法早熟收敛;在全局搜索过程中,采用DE策略对混合后的种群进行基因更新,增强算法的全局寻优能力。同时基于主从式并行架构,采用多进程技术使子群的局部搜索过程并行化,大幅提高了算法的运行效率。实验结果表明,所提算法在6个标准测试函数中的求解质量和运行效率要远优于标准SFLA和DE算法。

基于差分进化算法的瞬变电磁一维反演

实际采集的瞬变电磁数据包含电磁感应和激发极化效应,如何准确提取电阻率和极化率信息是电性源瞬变电磁数据处理的关键。首先,基于Cole⁃Cole复电阻率模型实现有限长电性源瞬变电磁法一维正演,在此基础上提出一种基于差分进化算法的电性源瞬变电磁一维反演方法。然后,在传统差分进化算法的基础上引入反向学习策略及控制参数自适应调节,加快反演的收敛速度,同时在目标函数中引入约束条件,构成最小构造反演,降低反演的多解性。最后,基于典型的三层地电模型和复杂多层模型进行理论模型测试,反演结果可有效恢复模型的电阻率和极化率。利用实测资料进行反演,反演得到的电阻率与OCCAM反演电阻率基本一致。在此电阻率约束的基础上,进一步反演得到极化率信息。反演结果准确地提取了实测数据中的电阻率信息,得到了地下介质的极化率分布,证明了算法的准确性和适用性。

基于改进差分进化算法的跨平台武器目标分配方法

现代战争中,跨平台武器单元的协同利用,是合同编队体系的重要内容,作战方式也正由平台级协同向着能力要素级协同转变,这对武器目标分配问题的解决提出了更大挑战。本文将武器单元的最小划分单位细化到能力要素级,以毁伤概率与成本消耗为优化目标,面向多种来袭目标的编队防空场景,提出了跨平台武器目标分配算法。同时,基于混沌映射提出了混沌种群重构(chaotic population reconstruction,CPR)机制,并结合带存档的自适应差分进化(adaptive differential evolution with optional external archive,JADE)算法提出了CPR-JADE算法,利用CPR机制可以帮助算法在解决高维复杂约束问题时跳出局部最优。再将其运用到武器目标分配模型上,实现了对模型的高效求解。最后,通过在多种数据规模下与其他进化优化算法的仿真对比试验分析,验证了所提方法的正确性与有效性。

基于改进差分进化算法的自由曲面测量路径优化

为解决传统差分进化算法存在收敛速度慢、易陷入局部最优解以及由于个体选择的随机性导致求优稳定性差的问题,文章通过引入多重启动策略,多次运行算法并使用不同的随机种子,增加算法对空间的探索性,在一定程度上解决算法易陷入局部最优解问题;通过使用新的突变策略,在求优稳定性提高了约10%;通过引入参数自适应调节机制,动态地调整算法参数的取值,使收敛速度提高了约10%,并提高了算法的鲁棒性。

基于改进的差分进化算法求解SWMP问题

需求侧响应可以为电网带来可观的收益,计及需求响应的电力系统经济调度优化方法研究成为国内外学者的关注的课题。提出了一种可以用于解决计及需求侧响应的电力系统经济调度问题的基于随机黑洞模型的差分进化算法(sequence-based differential evolution hole,S-DEH),该算法基于原始的差分进化算法结合随机黑洞模型,对初始序列敏感性高,稳定可靠,计算量小,能够针对不同的问题选择最佳的控制参数,能够减少人为的操作失误和调整优化算法参数所需要的时间,具有很高的求解效率。同时所采用的演算模型为计及需求侧响应的求解电力系统的单时段的社会效益最大化问题(social welfare maximization problem,SWMP),以验证算法的性能,并通过求解多时段的SWMP优化调度问题验证了算法在处理高维度复杂优化问题时仍能保持高效的性能。

基于差分进化改进混合核极限学习机的指纹定位

针对极限学习机(extreme learning machine,ELM)指纹定位泛化性能弱、鲁棒性差等问题,提出一种改进的差分进化算法优化混合核极限学习机的指纹定位方法。该方法利用改进型的Logistic混沌映射提高差分进化算法全局搜索的能力,同时利用动态控制参数法避免差分进化算法陷入局部最优,然后通过改进差分进化算法自适应调整混合核极限学习机的参数,提高训练效率。在线阶段,利用混合核函数提高极限学习机的学习性能和泛化性能,并引入L1惩罚函数防止过拟合。其泛化能力相较于单一核极限学习机提升明显。该方法有92%的测试点定位误差小于0.5 m,平均误差相较于加权K近邻法(weighted Knearest neighbor,WKNN)降低了32.6%。

基于SSA ELM和自适应差分进化算法的拉曼放大器设计

提出了一种将樽海鞘群算法优化极限学习机与自适应差分进化算法相结合的方法,并利用该方法优化多泵浦拉曼光纤放大器的参数配置。采用极限学习机构建泵浦参数和拉曼增益之间的非线性映射,并利用樽海鞘群优化算法对极限学习机参数进行优化获得最佳模型。对比分析了上述模型与BP神经网络和传统的极限学习机模型在评价指标方面的差异,结果表明本文所提出的模型预测性能较好。为了提高增益平坦性,利用自适应差分进化算法优化泵浦参数,得到最佳的参数配置。仿真结果表明,利用该方法设计出的拉曼放大器达到了预期效果,其目标增益与预测增益的最大误差不超过05dB。该方法为今后拉曼光纤放大器的设计提供了一种新的思路方法。

改进差分进化算法求解带容量约束车辆路径问题

针对带容量约束车辆路径问题(CVRP),提出了一种改进差分进化算法(IDE)。首先,在变异、交叉操作过程中提出一种新的扰动策略,同时设计两类不同的邻域搜索算子,加快算法收敛速度;其次,设计一种多样性保护策略,以防止算法后期种群单一化;最后,基于个体、整体收敛性设计两种惩罚因子,对不可行解作出有效的惩罚。通过对三组CVRP问题实例进行仿真实验分析,并将求解结果与其他算法相比较,验证了所提算法的有效性。

基于差分进化算法的掘进机截割轨迹规划研究

针对掘进机截割轨迹规划问题,首先通过栅格法对截割断面环境进行精确编码,构建了悬臂式掘进机截割适应度函数;然后通过差分进化算法对截割轨迹进行寻优处理,并针对算法中的变异因子,设计了适应性调节策略,根据算法的运行状态和进化趋势动态调整变异因子的取值,从而确保算法能够在搜索过程中保持足够的多样性和收敛速度;最后通过试验验证,该算法在收敛速度和求解质量方面均达到了预期要求,实现了掘进机截割轨迹规划的快速有效求解。

参数自适应的精英变异差分进化算法

针对经典差分进化算法(DE)的优化性能容易受到变异策略和控制参数影响的问题,提出了一种参数自适应的精英变异差分进化算法(A parameter Adaptive Elite Mutation Eifferential Evolution algorithm,AMEDE).首先,提出一种精英变异策略的方法,其目的是为了方便获取优秀个体信息;其次,引入新的控制参数,使得算法可以在更大的搜索空间进行搜索;最后,利用自适应参数学习方法,为种群中的每个个体赋予不同的控制参数值,并根据种群多样性和精英个体的信息动态更新个体的参数,使算法避免过早的收敛并提高算法的收敛精度.对本文提出的AMEDE算法与其他6种改进差分进化算法(DE,CoDE,JaDE,JDE,SaDE,GPDE)在16个基准测试函数上进行了三组对比实验.实验结果表明,AMEDE算法在高维函数和低维函数上都具有搜索精度高、收敛速度快和鲁棒性强等优点.

基于改进差分进化算法的锂离子电池剩余使用寿命预测

锂离子电池的剩余使用寿命(RUL)预测对于电动汽车、储能系统以及便携式电子设备等领域至关重要。准确的RUL预测有助于优化电池使用策略,提高系统性能,降低维护成本。本文提出一种基于改进差分进化算法(IDEA)的锂离子电池RUL预测模型。该模型不仅考虑电池的退化机理,还通过引入自适应权重调整策略和多目标优化,提高预测的准确性和鲁棒性。通过实验验证,该模型在多个电池测试数据集上表现出色,预测精度优于现有的多数方法。

工程约束优化的自适应罚函数混合离散差分进化算法

将离散约束优化问题转化为非负整数约束规划问题,开发求解该问题的离散差分进化算法。该算法采用基于混沌映射的种群初始化、双版本变异和带随机扰动项的取整运算等新策略。针对非线性约束条件,给出惩罚基数的计算方法和连续映射基函数的表达式,在此基础上设计处理非线性约束的自适应惩罚因子。提出一种刻画种群多样性的新测度——种群二次平均基因距离及基于新测度的依概率混沌移民算子。将自适应罚函数法、依概率混沌移民操作与离散差分进化算法有机融合,构造面向工程约束优化的混合离散差分进化算法。对3个离散约束优化实例进行验证,结果表明,混合算法具有良好的鲁棒性且优于离散粒子群算法。应用混合算法求解斜齿圆柱齿轮传动优化设计问题,结果优于遗传算法及其改进算法、离散粒子群算法,目标函数值较遗传算法及其改进算法分别下降41%和10%。