融合非线性收敛因子与变异准反射学习的哈里斯鹰优化算法

针对哈里斯鹰优化算法(Harris Hawks optimization,HHO)易早熟收敛、寻优精度低、收敛速度慢等问题,提出一种融合非线性收敛因子与变异准反射学习的哈里斯鹰优化算法(improved Harris Hawks optimization,IHHO)。首先,初始化阶段引入Circle混沌映射,提高初始化种群多样性和种群位置质量;其次,引入Sigmoid非线性收敛因子,平衡全局探索和局部开发能力;最后,针对HHO算法易陷入局部最优问题,提出变异准反射学习(quasi-reflection-based learning,QRBL)策略,提高种群活力,进一步提高算法局部收敛能力。仿真实验采用13个标准测试函数和1个经典工程问题对改进算法进行测试,结果表明改进算法收敛精度、收敛速度均有较大提高,适用于解决实际问题。

收敛因子非线性变化的鲸鱼优化算法

针对基本鲸鱼优化算法在处理复杂全局优化问题时存在解精度低和收敛速度慢等缺点,提出一种收敛因子随进化迭代次数非线性变化的改进鲸鱼优化算法.该算法利用混沌方法替代随机方法初始化种群,使群体具有较好的多样性.受粒子群算法惯性权重启发,设计出一种随进化迭代次数增加而非线性变化的收敛因子更新公式,以平衡算法的全局搜索和局部搜索能力.对当前最优鲸鱼个体执行混沌扰动策略以扩大其搜索范围.选取6个高维标准测试函数进行数值实验,结果表明该算法具有较高的收敛精度和较快的收敛速度.

非线性权重和收敛因子的鲸鱼算法

针对鲸鱼优化算法收敛速度慢,收敛精度低等问题,提出一种基于非线性收敛因子和惯性权重的鲸鱼优化算法.首先使用改进后的Logistic混沌映射来初始化种群,增加种群多样性.然后将线性变化的收敛因子改进为一种分段式非线性收敛因子,同时增加了非线性惯性权重来增强算法的勘探和开发能力.最后选取7个基准函数进行测试,实验表明改进后算法收敛速度快、精度高.

融合自适应权重和变螺旋收敛曲线的鲸鱼优化算法

为解决基本鲸鱼算法(WOA)收敛速度慢、求解精度低、容易陷在局部最优等问题,文章提出了一种融合自适应权重和变螺旋曲线的鲸鱼优化算法(WSWOA)。首先引入非线性收敛因子,用于平衡勘探和开发阶段,防止算法过早陷入局部最优;其次引入自适应惯性权重,通过提升算法随机搜索粒子的影响力,以达到更好的全局寻优效果,并在后期通过加强精英粒子的引导能力使算法快速收敛于全局最优处;最后利用余弦函数特性对螺旋曲线进行改进,在迭代前期扩大螺旋搜索范围,并在后期快速收缩包围,向全局最优收敛。通过与多种优化算法在8种基准函数进行对比的仿真实验表明,该算法在稳定性、收敛速度以及求解精度方面有了显著提升。

基于多策略优化的三维无线传感器网络定位算法

在经典三维无线传感器网络定位算法中,极大似然估计法定位存在矩阵无法求逆的问题。针对此情况,提出了一种基于多策略优化的三维无线传感器网络定位算法。首先,引入Sine映射对金枪鱼群初始种群进行混沌映射,增强了初始种群的多样性及均匀性。其次,结合非线性收敛因子和自适应权重策略对金枪鱼每次位置迭代更新进行优化,避免算法陷入局部最优,进一步提升算法的搜索速度和寻优的准确性。最后,采用多策略增强金枪鱼群优化算法在三维空间中对每个未知节点位置进行计算,解决了矩阵无法求逆的情况,有效降低了待定位节点位置的计算误差。实验结果表明:新提出的定位算法、经典三维定位算法、三维加权DV-Hop定位算法与灰狼优化的三维定位算法平均定位误差分别为13%、73%、30%和17%。

基于IWOA-BA的局部遮阴下光伏最大功率追踪

针对光伏阵列在局部遮阴下呈现多峰突变,导致传统最大功率点追踪算法(MPPT)失能的问题,提出了自适应权重及随机差分策略鲸鱼优化算法(IWOA)和蝙蝠算法(BA)的复合算法IWOA-BA.首先考量IWOA突变收敛因子及可变权重策略,使局部寻优和全局搜索能力达到动态平衡,迭代变化显著;然后,通过BA局部搜索机制进行有效变异操作,提高跳出局部最优解的能力;算法后期通过随机差分变异策略对个体位置进行二次更新,以此增加种群多样性;最后,对比传统粒子群算法(PSO)、斑马优化算法(ZOA)、鲸鱼算法(WOA),通过Simulink仿真测试结果显示,IWOA-BA在静态和动态的追踪速度和寻优精度上都具有显著优越性.

基于改进鲸鱼算法优化PID的转速控制

当汽轮机转速发生偏差时,需要操作员手动整定PID参数使转速达到稳定,但控制效果不佳且调节时间长,针对这一问题提出了一种改进的鲸鱼优化算法优化PID参数控制转速,通过引入反向学习策略和非线性收敛因子,在一台3MW的汽轮机的组态仿真中进行实验对比。结果表明:与鲸鱼算法、粒子群算法相比,改进鲸鱼算法寻优效果更好,进而有效地达到对汽轮机转速的控制。

扩展卡尔曼滤波的改进蛇定位算法在WSN中的应用

针对接收信号强度指示(Received Signal Strength Index,RSSI)定位易受到环境因素的影响,提出了一种基于RSSI扩展卡尔曼滤波的改进蛇定位算法(RSSI Extended Kalman Filter-based Improved Snake Optimization Localization Algorithm,RSSI-EISL)。该算法利用扩展卡尔曼滤波(Extended Kalman Filter,EKF)模型对RSSI信号值进行平滑处理,使其能够抑制噪声和异常值对估计结果的影响,从而提高测距的准确性和鲁棒性。通过引入Levy飞行和非线性收敛因子的改进蛇优化算法(Improved Snake Optimization Algorithm,ISO),提升了蛇优化算法(Snake Optimization Algorithm,SO)的寻优能力,使之能够更加准确地计算出待测节点的坐标。根据仿真结果显示,相较于基于RSSI最小二乘定位算法(RSSI Ordinary Least Squares Localization Algorithm,ROL)、基于RSSI EKF的灰狼定位算法(RSSI Extended Kalman Filter-based Grey Wolf Optimization Algorithm,REGL)和基于RSSI EKF的蛇定位算法(RSSI EKF-based Snake Optimization Localization Algorithm,RESL),RSSI-EISL的定位精度分别提高了26.4%、8.75%和5.6%,算法的收敛速度和全局搜索能力也有所提升。

基于改进离散鲸鱼优化算法的机器人路径规划

为了解决传统算法在求解移动机器人路径规划问题中所存在的收敛速度慢、容易陷入局部最优等缺陷,提出了一种改进的离散鲸鱼优化算法.首先,采用蚁群算法对种群进行初始化,提高初始解的质量;其次,利用改进的非线性收敛因子平衡算法的全局勘探和局部搜索能力,避免算法陷入局部最优;最后,结合路径规划问题设计了交叉算子、变邻域搜索算子和变异算子改进鲸鱼算法的更新公式,提升了算法的收敛速度和搜索精度.通过TSPLIB标准算例库,将改进算法与其他算法进行对比,验证了算法改进的有效性.在不同规模的全局路径规划仿真环境下,实验结果表明:改进的算法可快速且稳定地获取全局最优路径,有效缩短路径长度、减少路径拐点数,在路径规划问题上具有良好的适用性.

基于改进海鸥优化算法的机器人路径规划

针对海鸥优化算法(SOA)存在收敛精度低以及易陷入局部最优等问题,提出一种多策略融合改进的海鸥优化算法(MFSOA)。首先,引入Tent混沌映射初始化种群,增加海鸥种群多样性;基于当前迭代次数t的非线性收敛因子动态调整策略,将海鸥优化算法的线性搜索非线性化,增强算法的寻优速度和寻优精度,避免算法陷入局部最优;在海鸥位置更新时引入Levy飞行策略增强算法的全局搜索能力;最后,通过使用黄金正弦机制引导种群的位置更新,进一步缩小搜索范围,提高算法局部搜索能力。选用6个基准测试函数对算法性能进行测试,测试结果显示MFSOA收敛速度更快,收敛精度更高;最后将改进算法应用于移动机器人路径规划,仿真结果表明该算法规划的路径长度更短,搜索效率更高。

基于混沌精英和Lévy飞行策略的鲸鱼优化算法

针对鲸鱼优化算法(Whale Optimization Algorithm,WOA)存在的收敛速度慢、精度低的问题,提出了基于Tent混沌精英和Lévy飞行策略的鲸鱼优化算法(TELWOA)。使用Tent混沌映射初始化鲸鱼种群,保持种群的多样性,并通过引入精英反向学习策略,对初始种群的精英个体生成反向解,选取适应度高的种群作为下一代鲸鱼种群,加快算法收敛速度。其次,通过使用非线性收敛因子,缓解算法全局搜索和局部搜索能力不平衡的现象。最后,在鲸鱼位置寻优过程中使用Lévy飞行策略,避免算法陷入局部最优,提升算法的全局搜索能力。通过对不同改进策略的有效性分析、与其他智能算法的对比分析,证明了TELWOA算法在收敛精度、算法稳定性和全局寻优能力上与对比算法有显著提升,具有一定的实际工程应用能力。

多策略融合改进北方苍鹰算法的森林冠层图像分割

针对森林冠层图像复杂,分割精度较差等问题,提出一种多策略融合改进北方苍鹰优化算法(Improved Northern Goshawk Optimization,INGO)的冠层图像分割方法。首先,在北方苍鹰初始化引入随机反向学习策略,以增加种群多样性,提高搜索效率;在北方苍鹰探索阶段,添加自适应权重因子提高算法搜索能力,加快算法收敛速度;在北方苍鹰开发阶段,添加非线性收敛因子平衡全局搜索和局部开发能力。其次,采用多阈值Kapur熵作为适应度函数,通过选取8个基准函数对改进的算法进行测试,测试结果表明,改进的算法可以有效提高精度和搜索速度。最后,将所改进的算法对森林冠层图像进行阈值分割试验,并在适应度值、森林图像分割时的峰值信噪比(PSNR)、结构相似性(SSIM)与特征相似度(FSIM)上进行对比分析。试验结果表明,改进的算法可以获得更精确的森林冠层分割阈值和更高的分割精度。

基于改进WOA参数优化的反应釜PID控制器

为了解决工业中传统PID控制算法对于大时滞、非线性系统较难取得良好的控制效果的问题,提出一种基于改进鲸鱼优化算法(IWOA)的PID控制器整定算法。该算法考虑均衡算法的探查以及开发能力,引入非线性收敛因子;为了提高算法的勘察能力,避免陷入局部最优的情况,引入正余弦扰动因子改进位置更新策略;最后以化工反应中反应釜温度为被控对象,对其PID控制器进行参数自整定实验,并将结果与WOA算法、Z-N整定算法、PSO算法进行对比,验证了IWOA算法在优化PID控制器工程上的优越性。

基于改进灰狼优化算法的移动机器人路径规划方法

提出基于改进灰狼优化(IGWO)算法的移动机器人路径规划方法。首先,将均匀分布空间与伪反向学习策略相结合,进行灰狼种群初始化;其次提出非线性收敛因子改进策略,使算法的前段搜索和后段寻优过程更容易得到平衡;接着,融合布谷鸟搜索(CS)算法搜索机制,更新灰狼个体位置,提高算法的全局寻优能力;最后,选用4个标准测试函数进行改进前后的测试对比实验,以及在栅格地图上进行路径规划仿真对比实验。实验结果表明,IGWO算法在测试函数上表现能更快收敛性、寻优结果更精确;路径规划仿真实验结果表明,IGWO算法的最短路径长度、平均路径长度、路径长度标准差均优于传统GWO算法。

改进灰狼算法求解柔性作业车间插单问题

为解决柔性作业车间订单插入问题,课题组建立以最大完工时间、总能耗、总延迟时间和设备负载为目标函数的重调度模型,并对4个目标函数进行线性加权和法归一化,提出一种改进的灰狼算法(improved grey wolfoptimization,IGWO)作为全局优化算法。首先,采用离散整数编码方式以及混合初始化规则生成高质量初始种群;其次,引入非线性收敛因子,以平衡算法的全局搜索性和局部开发性,同时引入内部狼群个体进化和外来狼群入侵机制来增加算法的搜索广度,避免算法陷入“早熟”;针对订单插入点后未加工的工序,采用事件驱动策略重新调度;最后,通过生产实例验证。结果表明IGWO在求解柔性作业车间订单插入重调度问题上具有有效性和稳定性。

10 kV配电网居民园区电气设计能源系统优化方案

随着居民园区能源需求的增加,电气设计中的10 kV配电网的能源分配题日益凸显。然而,传统的分配方案存在着能源浪费、不均衡和稳定性差等问题。针对此类问题,设计了一种基于多源信息采集和改进灰狼算法的电气设计能源系统优化方案。根据居民园区能源需求和供应情况,建立数学模型,并利用多源信息采集技术进行能源信息的采集。在传统灰狼算法的基础上,引入了非线性收敛因子,形成改进灰狼算法,提高了算法的全局收敛性和优化能力,利用改进灰狼算法,通过迭代搜索的方式获得最优能源分配方案。算法采用自适应调整步长和迭代次数的方式,提高了算法的计算效率和优化结果的准确性。最后,在能源系统中引入不同的方案验证所设计的方案的正确性和优异性。结果显示:基于多源信息采集和改进灰狼算法的电气设计能源系统优化方案具有更优异的能源优化分配能力,精准分配的效率可达95%以上,且拥有更好的能源分配稳定性,降低了能源分配误差,可将误差缩小至3%以内。

基于自适应动态鲸鱼优化算法的路径规划研究

针对鲸鱼优化算法(WOA)求解路径规划问题时存在收敛慢、精度低以及局部最优等缺陷,提出一种自适应动态鲸鱼优化算法(ADWOA)来实现对路径的合理规划。首先,引入改进后的Circle混沌映射提高初始种群质量;然后,使用非线性收敛因子和自适应惯性权重平衡算法的全局寻优和局部寻优,加快算法收敛速度;最后,使用动态的螺旋更新系数,提高算法跳出局部最优的能力。通过仿真实验验证了自适应动态鲸鱼优化算法在机器人路径规划时的有效性。

基于杂交退火灰狼算法的移动机器人路径规划

针对灰狼优化算法在移动机器人路径规划时易陷入局部最优且效率低的问题,提出一种杂交退火灰狼算法。采用可调节的非线性收敛因子进行平衡算法的前期搜索和后期寻优;同时采用自适应遗传杂交策略,对灰狼群体以一定概率两两杂交以产生新个体,从而有效增强灰狼群体的多样性;在迭代的后期用模拟退火操作接受候选狼,避免算法陷入局部最优解。将路径长度和路径平滑度作为适应度评估指标并建立评估函数以评估路径规划效果。最后,路径规划实验结果表明,在3种不同尺寸的地图上,本文改进算法的适应度比灰狼优化算法分别优化了2.10、3.15、3.94,路径规划效果明显优于其他相关算法。

融合粒子群算法与改进灰狼算法的机器人路径规划

针对灰狼算法在处理机器人路径规划问题时存在路径较长、收敛速度较慢等问题,提出一种基于PSO与改进GWO的粒子群-灰狼混合算法(PSO-GWO)。通过多次运行PSO算法来确定初始狼群规模及初始适应度值;引入非线性收敛因子平衡GWO算法的探索和开发能力,提出动态惯性权重因子来保证头狼领导制度及促进种群交流;运用莱维飞行和贪婪策略使算法有效避免局部最优,获得最优解。仿真结果表明:该算法相较于GWO算法在3种地图下平均路径长度缩短17%、16%、16.2%;平均运行时间缩短13%、8%、16%。

翻筋斗的改进麻雀搜索算法

麻雀搜索算法在函数优化上具有较好的寻优能力,但依然存在易陷入局部最优、随机性较大等缺陷。针对上述问题,提出一种翻筋斗的改进麻雀搜索算法(Somersault Improved Sparrow Search Algorithm, SISSA)。在算法初期,引入Tent映射和反向学习初始化种群;寻优阶段融合一种非线性收敛因子优化发现者的位置,再引入翻筋斗策略使追随者的位置更新具有灵活性;最后利用两个历史最优解的差分进行局部搜索,提高跳出局部最优的概率,得到可靠的解。采取12个标准函数测试SISSA,并和6种算法进行对比,结果表明SISSA具有较强的寻优能力,并且在Wilcoxon统计检验上得到了有效的验证。同时将SISSA应用于机器人路径规划,验证了SISSA的可靠性和实用性。