Research of Rural Power Network Reactive Power Optimization Based on Improved ACOA

In view of the serious reactive power loss in the rural network, improved ant colony optimization algorithm （ACOA） was used to optimize the reactive power compensation for the rural distribution system. In this study, the traditional ACOA was improved in two aspects： one was the local search strategy, and the other was pheromone mutation and re-initialization strategies. The reactive power optimization for a county＇s distribution network showed that the improved ACOA was practicable.

局部搜索灰狼优化算法求解武器-目标分配问题

武器-目标分配(weapon target assignment,WTA)问题是根据武器对来袭目标毁伤概率的不同,合理确定待打击目标的武器分配方案,以达到用尽可能少的武器对来袭目标毁伤程度最大化的目的,是作战指挥决策领域的重要研究内容。在构建WTA问题模型的基础上,针对传统灰狼优化(grey wolf optimization,GWO)算法局部开发能力不足等问题,采取了一种精英保留及免疫变异局部搜索策略。改进灰狼优化算法(improved grey wolf optimization,IGWO)首先在灰狼种群中选择部分优质精英个体,然后通过随机点变异和受体编辑两种免疫局部搜索策略对精英个体进一步寻优,从而改善传统GWO算法过早收敛和易陷入局部最优的缺点。针对3种不同规模的武器-目标分配问题,将IGWO与交叉熵算法、传统GWO算法进行了对比,计算结果显示IGWO算法所求适应度值的分位数均明显高于对比算法,进而验证了IGWO算法的有效性。

增强型混合离散差分进化算法求解阻塞流水车间调度问题

针对以最小化制造期为优化目标的阻塞流水车间调度问题,提出一种基于动态自适应的增强型混合离散差分进化算法。增强型混合离散差分进化算法采用基于工件排列的形式进行编码,首次利用带机器权重的PF规则与NEH启发规则联合构造初始种群,PF-NEH联合规则提升了初始解的质量和多样性;在差分进化的变异阶段,采用一种全新的分类变异策略,更有针对性地控制不同适应度个体的变异需求和方向;在交叉阶段,采用基于位置的交叉策略,保证得到一组合法完整的实验调度序列,并利用贪婪选择的方式确定目标个体;在局部搜索阶段,加入禁忌搜索算子,并融入一种新颖的兼顾集中性与多样性的自适应局部搜索机制,以动态平衡算法的全局粗搜索和局部细搜索。此外,为避免算法的早熟及后期易陷入局部最优,增加了多样性保持机制。最后,在典型算例上进行各种性能实验,验证了所提出的增强型混合离散差分进化算法的有效性和优越性。

改进混合萤火虫算法求解CVRP

提出一种改进混合萤火虫算法(KM-HFA)来解决带容量约束的车辆路径问题。该算法利用K-Means聚类方法将客户集先进行分类,再构建初始解,以较好的初始解开始萤火虫算法的寻优过程,减少了算法的计算量。在萤火虫算法中引入部分匹配交叉算子,2H-opt交换算子,局部搜索算子和变异算子,这些方法加快了算法的收敛速度,提高了萤火虫算法跳出局部最优的能力。选取小规模及中规模数据集进行仿真实验,共94组标准算例。对于79组实例,KM-HFA得到的解优于对照的混合萤火虫算法和CC-CVRP所得的求解方案,KM-HFA所求方案的车辆行驶总距离更小。KM-HFA计算了5组小规模实例,即A-n33-k6,A-n37-k6,P-n16-k8,P-n19-k2和P-n20-k2,在不增加车辆配送路径数目的情况下,得到比经典解更好的配送方案。对于实例P-n22-k8和P-n23-k8,文中算法在比经典解路径数增加了一条的前提下,找到了车辆行驶总距离更小的解。仿真实验结果表明KM-HFA具有较好的稳定性和有效性。

混合粒子群优化算法研究

提出将Hooke-Jeeves模式搜索方法嵌入粒子群优化算法中,以此构建混合粒子群优化算法.此外,在搜索过程中还加入变异操作来增加种群多样性,以避免早熟收敛.其中,局部搜索增加了算法的开发能力,而变异操作提高了算法的探测能力.探测与开发的折中则通过两个域值变量来完成.大量的测试函数研究表明,混合粒子群优化算法局部搜索能力有显著提高,且搜索到全局最优的概率更高.

求解流水线调度问题的万有引力搜索算法

研究了以最大完工时间为目标的流水线调度问题,使用万有引力算法求解调度问题,提出了一种最大排序规则,利用物体间各个位置分量值存在的大小次序关系,并结合随机键编码的方法产生,将物体的连续位置转变成了一个可行的调度方案;提出了一种边界变异的策略使得越界的物体不再聚集在边界上,而是分布在边界附近的可行空间内,从而增加种群的多样性;结合交换算子和插入算子提出了一种新的局部搜索算法,有效地避免了算法陷入局部最优值,进一步提高了解的质量.最后证明了算法的收敛性,并且计算了算法的时间复杂度和空间复杂度,仿真实验说明了所得算法的有效性.

带有遗传算子的烟花爆炸优化算法

受烟花爆炸现象的启发并结合遗传算法思想提出一种新的优化算法——带有遗传算子的烟花爆炸优化算法(GAFEO)。该算法主要模拟烟花爆炸的方式对解空间进行基本的并行弥漫式爆炸搜索,引入自适应局部搜索策略和遗传算法中的交叉变异策略以改善算法的优化性能。通过实验对12个常用高维测试函数进行优化计算,结果表明,与PSO算法以及其他新型算法相比,GAFEO算法在寻优能力、寻优精度等方面都具有较好的性能。

均匀局部搜索和高斯变异的布谷鸟搜索算法

布谷鸟搜索(Cuckoo Search,CS)算法是一种简单易实现的全局优化算法,但也存在局部搜索能力弱,求解精度不高的问题.为了克服这些问题,提出一种新的均匀局部搜索和高斯变异的布谷鸟搜索算法.该算法在基于Levy飞行产生新解后执行均匀局部搜索,从而提高算法的局部开采能力,并对被宿主发现的鸟巢采用高斯变异进行重新更新,从而提高算法的寻优精度以及收敛能力.通过对包括单峰函数、多峰函数的13个基准测试函数的仿真实验和分析,验证了新算法的有效性和可靠性,实验结果表明新算法具有较好的收敛速度和收敛精度,是一种具有竞争力的算法.

一种混沌差分进化和粒子群优化混合算法

为了改善差分进化粒子群算法的局部搜索能力和收敛速度,提出了一种混沌差分进化的粒子群优化算法。该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化,并且将混沌变异操作引入其中,加强算法的局部搜索能力。通过对三个标准函数进行测试,仿真结果表明该算法与DEPSO算法相比,全局搜索能力、抗早熟收敛性能及收敛速度大大提高。

一种新的位置变异的PSO算法

针对标准粒子群优化算法在优化高维复杂函数时易产生早熟收敛的问题,提出一种新的位置变异的PSO算法。为平衡算法的全局和局部搜索能力,新算法按一定概率交替使用随机惯性权重和标准PSO算法的惯性权重;为增强种群多样性和抑制算法早熟,新算法在每次迭代中,对满足一定条件的粒子都进行一种有效脱离局部最优区域的位置变异。最后,通过对5个标准测试函数在60维和90维的性能对比实验证实:新算法收敛精度高,且有效克服了早熟收敛问题。

基于改进NSGA2算法的给水管网多目标优化设计

针对非支配排序遗传算法(NSGA2)在求解管网多目标优化问题时容易陷入局部最优,最终导致难以求得分布均匀的Pareto最优解,提出了一种改进的INSGA2算法。该改进的算法引进了差分变异算子,抽取其中的差分向量与NSGA2算法结合以避免算法陷入局部最优,从而改善种群的分布性。通过4个国际标准的测试函数来对算法进行测试,并与原NSGA2算法进行对比,测试结果表明INSGA2算法能求得分布较均匀的最优解。最后,利用改进的算法对双环管网进行多目标优化设计,研究结果也验证了该算法的有效性。

花朵授粉算法的优化

针对花朵授粉算法(FPA)寻优过程中局部深度搜索能力弱、易陷入局部最优、后期收敛速度慢的问题,提出一种基于自适应高斯变异的混合蛙跳花朵授粉算法(AGM-SFLFPA)。借鉴混合蛙跳算法(SFLA)思想,对种群个体按照适应度值进行排序、分组并更新各分组中最差个体的位置,增强算法的局部深度搜索能力并增加种群多样性;通过公示牌动态监测算法是否陷入局部最优,当陷入时,将自动对全局最优个体执行高斯变异操作,提高个体跳出局部最优的能力、增强种群多样性、加快收敛速度。通过6个典型的标准测试函数从4个方面验证该算法的有效性,验证结果表明,AGMSFLFPA具有更好的稳定性和可靠性、更快的收敛速度及更高的寻优精度,适用于高维复杂多极值函数求解问题。

多阶段粒子群优化算法求解容量约束p-中位问题

容量约束p-中位问题(Capacitated P-Median Problem,CPMP)已被证明是一类计算机难以求解的具有NP-hard特性的组合优化问题.本文提出一种多阶段粒子群优化算法(Multi-Phase Particle Swarm Optimization,MPPSO)及在算法设计中应用模式有关理论和方法.所提MPPSO在标准PSO基础上,考虑CPMP结构特征信息,采用一种以字符编码为基础的结构体编码结构,重新定义粒子速度与位置更新方式.它将CPMP优化求解分为种群粒子初始化阶段及两个优化阶段.在优化求解第一阶段,分析了惯性因子对所求问题编码结构粒子搜索的局限性,设计一种保留粒子最优特征中位点信息的变异算子.以粒子全局搜索算子操作为重点,期望从整个搜索空间搜索到好的模式结构分布特性的粒子.在优化求解第二阶段,对高适应性粒子执行一种改进的迭代局部搜索操作,达成对粒子精度的进一步提升.迭代局部搜索分为基本局部搜索和深层次局部搜索.基本局部搜索侧重对粒子需求点和中位点提炼用于发现候选粒子相邻的局部最优解.在深层次局部搜索中,采用对粒子执行扰动算子操作,使得算子操作在更大邻域范围内搜索粒子新的模式结构,从而发现蕴含高适应性模式结构的潜在更好解.文中提出模式范数及模式结构距离等概念,并将它们用于扰动算子设计.实验测试表明:MPPSO对4大类CPMP用例问题进行求解得到的实验数据,与4种文献对比算法提供的数据相比有一定优势,且能发现3个大数据集用例新的最好解.

带有高斯变异的混合蛙跳蝙蝠算法

为了解决基本蝙蝠算法(BA)局部深度搜索能力弱、寻优精度低及易陷入局部最优的问题,提出一种带有高斯变异的混合蛙跳蝙蝠算法(SFLBAWGM)用于求解复杂函数问题。利用混合蛙跳算法(SFLA)的更新方式对蝙蝠个体进行局部深度搜索,使得SFLBAWGM既保持了BA本就具有的较强的全局搜索能力及快速收敛能力,又增强了算法的局部深度搜索性能;且当算法满足变异条件时,对当前全局最优个体执行高斯变异操作,以增强个体跳出局部极值点的束缚能力。选取几个典型函数进行测试,结果显示,SFLBAWGM的优化性能有了显著提高,即具有较快的收敛速度、较高的寻优精度、收敛稳定性和收敛可靠性,验证了SFLBAWGM的有效性和优越性,并且在高维函数上的优势更为明显,适合工程应用中各种高维多极值的复杂函数优化问题。

改进的蚁群算法求解VRP问题

为了使蚁群算法针对VRP问题解的搜索更加高效,将变异操作用于蚁群算法,给出了变异概率的设置,合理地改进可见度的计算及信息素更新方法,结合swap局部搜索,获得了更加稳定的求解VRP问题的蚁群算法。实验表明,该算法稳定有效。

求解约束化工优化问题的混合布谷鸟搜索算法

针对布谷鸟搜索算法存在收敛速度慢和易陷入局部最优等缺陷,提出一种基于Rosenbrock搜索和柯西变异的混合布谷鸟搜索算法用于求解约束化工优化问题。该算法首先采用佳点集方法对鸟窝位置进行初始化,为全局搜索的多样性奠定基础;然后利用Rosenbrock搜索算法对当前最优位置进行局部搜索,以提高算法的收敛速度;最后对当前最优解进行柯西变异以避免算法陷入局部最优。两个约束化工优化问题的实验结果表明了该混合算法的有效性。

基于有时间窗车辆路径问题的混合蚁群算法

有时间窗的车辆路径问题是目前组合优化领域研究的热点问题,其归属于NP-hard问题。在对该问题进行分析的基础上,为之建立了数学模型,提出了一种求解该问题的混合蚁群算法。该算法通过在蚁群算法中引入λ-interchange变异算子,增强了算法的局部搜索能力,避免了早熟现象。实验结果表明,该算法能有效解决有时间窗的车辆路径问题。

基于有导向变异算子求解多维背包问题

多维背包问题(MKP)是经典的NP难的组合优化问题。引入有导向变异算子的进化算法GM-EA(Guided Mutation EA)来求解该问题,通过结合粒子群优化的方法改进郭涛算法,更好地利用种群中的全局信息,取得较好的效果。实验结果表明GM-EA是求解MKP有效的算法。

改进的粒子群优化算法的研究和分析

粒子群优化算法是一种新的随机全局优化进化算法。为了有效地控制其全局搜索和局部搜索,使之获得较好的平衡,论文在深入分析和研究标准粒子群优化算法的基础上,提出了一种基于进化代数阈值和粒子间最大聚集距离高斯变异的粒子群优化算法。该算法在运行过程中通过粒子聚集程度的量化判定,对当前的最优粒子施加高斯变异,从而增强粒子群优化算法跳出局部最优解的能力。测试函数仿真结果表明了该算法的可行性和有效性。

基于二次分配问题的混合蚁群算法

二次分配问题是组合优化领域中经典的NP-hard问题之一,应用广泛。在对二次分配问题进行分析的基础上,提出了一种求解该问题的混合蚁群算法。该算法通过在蚁群算法中引入遗传算法的2-交换变异算子,增强了算法的局部搜索能力,提高了解的质量。实验结果表明,该算法在求解二次分配问题时优于蚁群算法和遗传算法。