基于RCJAYA算法的太阳电池参数辨识

为提升智能优化算法辨识太阳电池参数的精度和准确度,提出一种基于排序概率量化机制和混沌扰动JAYA算法(RCJAYA)的辨识方法。RCJAYA算法根据排序概率选择不同方式对个体进行更新,以平衡局部和全局搜索能力,保持种群多样性;对最优个体进行混沌扰动,发掘更优解替代最差解,提升种群质量;采用替换策略更新陷入停滞的个体,提升算法性能。通过RCJAYA算法辨识参数得到的太阳电池单、双二极管的电流均方根误差最优值分别为9.8602×10^(-4)A、9.8258×10^(-4)A,与JAYA等5种算法对比,结果表明,RCJAYA算法更具优势。根据辨识结果计算出模拟电流,与实测电流进行比对,在单、双二极管上的平均误差分别为0.00084 A、0.00082 A,表明RCJAYA算法辨识的参数值准确可靠。

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。