基于萤火虫优化算法的分布式发电设备容量分配及配电网孤岛划分

随着分布式发电设备大量接入到配电网中,分布式发电设备在配电网故障情况下为接入位置负荷及周边重要负荷的供电研究日益引起关注。利用投入产出法确定负荷的失负荷价值,基于失负荷价值设定负荷权重。在接入位置和总容量确定的情况下,以总权值最大为目标,利用萤火虫优化算法讨论接入容量的最优分配以及故障条件下的孤岛运行范围。将该方法应用于含分布式电源的智能配电网中,通过对比验证了方法的有效性。

自适应步长萤火虫优化算法

针对基本萤火虫算法优化多峰函数时求解精度不高和后期收敛较慢的问题,引入萤光因子以自适应调整萤火虫的步长,提出一种自适应步长萤火虫优化算法。通过8个标准测试函数测试,测试结果表明,改进后的自适应步长萤火虫算法比基本萤火虫算法具有较快的寻优速度和较高的寻优精度。

基于改进萤火虫优化算法的多阈值彩色图像分割

为了提高彩色图像的分割效果,提出一种基于改进的萤火虫优化(IGSO)算法的彩色图像多阈值分割方法,该方法以Kapur熵为目标函数。针对基本萤火虫优化(GSO)算法进化后期收敛速度慢和求解精度低的问题,采用自适应步长和添加全局信息两种策略,提出了一种改进的萤火虫优化(IGSO)算法。IGSO算法根据步长和萤火虫的移动方向对萤火虫算法收敛性的影响,在萤火虫移动过程中引入全局信息,采用随着迭代次数和搜索空间维数自适应变化步长的策略,来提高收敛性能。实验结果表明,该方法能够较好地对彩色图像进行分割,其性能优于基本的萤火虫优化(GSO)算法、改进的量子行为粒子群优化算法(CQPSO)和改进的细菌觅食算法(MBF)。

基于萤火虫优化算法的主动配电网广义电源规划模型

为进一步降低配电网系统网损、提高系统运行电压水平,将广义电源的有功和无功功率作为控制变量,考虑分布式电源出力随机波动特性对配电网广义电源优化配置的影响,从而合理规划广义电源接入,构建同时考虑配电网运行安全性和经济性的多目标无功优化规划模型,利用萤火虫优化算法解决广义电源优化规划问题,并通过改进的IEEE-33节点系统验证了所提模型和算法的可行性和优越性。

具有全局收敛性的改进萤火虫优化算法

对萤火虫优化(Glowworm swarm optimization,GSO)算法全局收敛性及其改进算法性能进行了研究。分析了GSO全局收敛性,针对其收敛效率低的缺陷,提出了一种基于族群划分的改进GSO算法,借鉴混合蛙跳算法思想,将萤火虫群体进行族群划分,局部搜索及全局信息交换的方式改善了算法性能,通过引入萤火虫移动组元概念,改进了萤火虫更新策略,在此基础上,利用混沌优化技术,对萤火虫群体进行初始化,使得算法获得较高质量的初始解群体,并证明了改进算法以概率1收敛于全局最优,最后,采用经典测试函数进行测试,仿真结果表明,改进的萤火虫优化算法在收敛速度及求解精度上有明显改善。

基于改进萤火虫优化算法的BP神经网络目标群威胁判断

以舰艇防空作战目标选择决策和规划需求为背景,针对萤火虫算法求解精度不高且收敛速度较慢的问题,提出可动态调整步长的改进萤火虫优化算法。在改进萤火虫优化算法的基础上,建立基于改进萤火虫优化算法的BP神经网络目标群威胁判断结构模型。通过改进萤火虫算法优化BP神经网络的初始权值和阈值,能够更好地预测测试集。实验结果表明,该方法可快速、准确地实现目标群威胁判断。

基于动态自适应萤火虫优化算法

为了有效解决标准萤火虫算法在寻优过程中存在易陷入后期收敛速度较慢、寻优精度不高等问题,在位置更新公式中引入动态调整惯性权重和自适应步长机制,提出一种动态自适应萤火虫优化算法。利用四个标准测试函数进行仿真实验结果表明,动态自适应萤火虫算法具有更快收敛速度、较高求解精度和稳定性。

萤火虫优化算法Matlab程序设计

萤火虫优化算法(GSO)是一种计算多模函数多峰值问题的群智能算法,由模拟自然界中萤火虫发光的生物学特征发展而来。在GSO算法中,萤火虫根据自适应的感应决策范围寻找比自身荧光素高的萤火虫,并通过概率选择机制朝其运动,以实现寻优目的。简要阐述GSO算法基本原理,对算法各个参数进行分析说明,利用Matlab软件构建GSO算法在整个寻优过程中的可视化环境,并给出算法源代码。仿真实验首先实现了自适应感应决策范围更新过程,然后通过多模函数仿真示例测试了该方法的有效性,从而实现了利用萤火虫算法解决多模函数多峰值优化问题。

一种基于混沌云模型的人工萤火虫优化算法

针对基本萤火虫优化(GSO)算法存在的求解精度不高、收敛速度慢、易陷入局部极小等缺陷,引入混沌算法和云模型算法对GSO的进化机制进行优化,提出一种基于混沌云模型的萤火虫优化(CCMGSO)算法.该算法在进化过程中应用云模型算法对优秀萤火虫进行局部发掘求精,增加求解精度;应用混沌算法对普通萤火虫进行全局探索寻优,避免陷入局部最优.通过基准函数的仿真实验表明,与基本萤火虫算法、最大最小荧光素值萤火虫算法相比,CCMGSO算法表现更优,且具有求解精度高、收敛速度快和寻找全局最优能力强等优点.

基于改进的萤火虫优化算法的混合语音盲分离

针对传统盲源分离优化算法对分离性能影响较大的局限性,提出了一种基于改进的萤火虫优化的混合语音盲分离算法。将萤火虫的飞行跨度由固定取值变为由新构造的函数自适应调整,在加快收敛速度的同时避免算法早熟现象的发生。实验结果表明,与基于自然梯度、标准萤火虫和粒子群优化的盲分离算法相比,新算法对混合语音信号的分离效果较好,在收敛速度和分离能力方面都有所提升。

求解置换流水线调度问题的改进萤火虫优化算法

针对最小化最大完成时间的置换流水线调度问题,提出了一种改进的离散萤火虫优化算法。在传统萤火虫优化算法的基础上,采用基于升序排序的随机键编码方式对萤火虫种群进行离散化处理,使用NEH算法对萤火虫种群进行初始化处理,结合遗传算法的交叉变异思想改进位置更新策略,采用个体变异方式解决孤立个体问题,提高算法的寻优能力。最后通过典型算例对改进算法进行仿真测试,实验结果表明该算法求解置换流水线调度问题时具备很强的寻优能力和鲁棒性,明显优于传统萤火虫优化算法和遗传算法,是解决置换流水线调度问题的一种有效算法。

综合成本最小的车辆调度问题及混沌萤火虫优化算法

区别于传统总行驶距离最短的车辆调度问题,建立了由车辆固定使用成本、油耗成本和司机工资支出成本构成的综合成本最优车辆调度模型。为求解该模型,提出了一种新的混沌萤火虫优化算法。该算法首先对基本萤火虫算法进行修改,使其适用于车辆调度问题的求解,并采用2-opt算子对路线进行局部优化,最后设计了基于混沌理论的混沌扰动机制对陷入局部最优的个体进行混沌扰动。不同调度模型的对比实验表明,与传统总行驶距离最短的模型相比,综合成本最优模型能给企业带来更大的成本节约,更符合企业的利益。进一步的仿真实验表明,混沌萤火虫算法在全局优化能力和收敛速度方面比其他智能算法更好。

折线Mamdnai模糊系统及其权值参数的萤火虫优化算法

折线Mamdnai模糊系统是基于折线模糊数的线性运算构造的系统模型,其主要特点是前件模糊集及后件中心连接权均取值于由有限个有序点决定的折线模糊数.依据折线模糊规则建立了折线Mamdnai模糊系统模型,进而基于适应度函数、荧光素和决策半径设计了该系统权值参数的萤火虫优化算法,以优化该系统的后件中心连接权参数.最后,通过一个双输入单输出仿真实例,验证了该萤火虫优化算法的有效性.

基于改进萤火虫优化算法的伤员救援车辆调度

本文以高效率调度伤员救援车辆为目标,提出基于萤火虫优化算法的车辆调度方法。首先,构建伤员救援车辆调度双目标数学模型,设置约束条件,将救援路径和救援时间最小的目标设成伤员救援车辆调度优化目标,设置伤员救援车辆调度双目标函数;引入生物学中多种群学习机制和高斯变异对标准萤火虫算法进行改进,并采用改进萤火虫算法求解伤员救援车辆调度最优方案;最后,进行了伤员救援车辆调度优化的仿真实验。实验结果表明,改进的萤火虫算法更有效,能得到更好的调度结果。

二进制自适应步长萤火虫优化算法

基本萤火虫优化算法(GSO)存在着易陷入局部最优、后期收敛速度慢和适应函数值震荡等缺陷,引起这些问题的一大原因是算法中设置的固定移动步长。而在一些自适应步长萤火虫优化算法(AGSO)中,算法收敛精度和速度虽较基本萤火虫算法有所优化,但其迭代过程中出现的不稳定性仍需改进。为此,设计了二进制自适应步长萤火虫优化算法(BAGSO),此算法将移动步长转换为各萤火虫位置编码之间的码距,使萤火虫的收敛方向更具全局性,不易陷入局部最优,且进一步提高了收敛精度和稳定性。通过标准测试函数测试,表明在3种算法中BAGSO算法于各性能指标上通常是最优的。

求解机器人路径规划的改进萤火虫优化算法

针对静态环境下的机器人路径规划问题,考虑到标准萤火虫优化算法(Glowworm Swarm Optimization,GSO)存在收敛速度较慢且收敛效果不佳的缺点,采用混沌初始化策略提高算法的寻优能力,并融合3-opt局部搜索策略以提高算法的局部搜索能力,提出了一种改进萤火虫优化算法(Improved Glowworm Swarm Optimization,IGSO),建立环境栅格图,并采用GA、GSO和IGSO对两种规模的栅格模型进行了仿真实验,仿真结果证明了IGSO算法在求解该模型时,在收敛速度和寻优结果两方面都优于GSO和GA,验证了提出算法具有极好的收敛性和可行性。

萤火虫优化算法在建筑沉降监测中的应用

结合实际工程案例,以回归模型中的对数模型为研究模型,利用一种新型智能算法——萤火虫优化算法对对数模型的参数进行优化,以提高高层沉降监测的预测精度和预报正确率。

具有群体智能的改进萤火虫优化算法

分析了萤火虫优化算(Glowworm swarm optimization,GSO)的全局收敛性,针对其收敛效率低的缺陷,提出了一种具有群体智能的改进萤火虫优化算法,借鉴混合蛙跳算法族群划分思想,在GSO算法引入了局部搜索及全局信息交换机制,改善了算法寻优性能,并将GSO算法与混合蛙跳算法融合,实现了两种群体共同进化,进一步提高了算法收敛效率。最后,在仿真测试中引入经典测试函数来进行验证,其结果显示,在求解的精确度和收敛速度两个方面,改进优化后的算法提升明显。

基于萤火虫算法的电动汽车充电站优化布局

随着国家对节能环保设备的大力扶持,电动汽车市场规模不断扩大,充电站的投资不断增加。分析了电动汽车充电站选址的一般情况,综合考虑充电站与用户成本的综合效益成本最低条件下的运行情况,构建用户-充电站运营成本最小的综合优化模型,以充电站与用户之间的对应关系为约束条件,对充电站最优规划模型进行全面、充分地分析。所构建的电动汽车充电站规划问题是非凸、非线性、组合优化问题,引入萤火虫优化算法进行求解,萤火虫优化算法案例分析结果表明了该算法可以得到最优解,而不会陷入局部最优。结合构建的充电站成本最小模型,实例结果表明,基于萤火虫优化算法的电动汽车充电站的布局规划具有简单实用、全局最优、适应性强、经济性好等优点。

基于萤火虫优化的BP神经网络算法研究

为了改进神经网络结构和参数的设置方法,在萤火虫算法和BP神经网络的基础上,提出了一种萤火虫算法优化BP神经网络的算法.该算法利用萤火虫算法得到更优的网络初始权值和阈值,弥补BP神经网络连接权值和阈值选择上的缺陷.将该算法应用到Duffing系统产生的混沌时间序列进行算法的有效性验证,并与BP神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明该算法在该预测领域的可行性和有效性.