基于个体位置变异粒子群算法的主蒸汽压力系统参数辨识

引入个体位置变异的方法对标准粒子群算法进行了改进,并将其应用于火电厂主蒸汽压力系统,进行传递函数的参数辨识.改进后的算法丰富了种群的多样性,提高了搜索的速度.将改进后的基于个体位置变异的粒子群算法和标准粒子群算法进行辨识对比实验,结果表明,改进后的算法能有效降低辨识误差,同时明显缩减运行时间.

基于个体最优位置的自适应变异扰动粒子群算法

针对粒子群算法在寻优时容易陷入局部最优的不足,提出了一种基于个体最优位置的自适应变异扰动粒子群算法AMDPSO(adaptive mutation disturbance particle swarm optimization).该算法以粒子群算法为基础,加入扰动,当满足自适应条件时,粒子以个体最优位置为依据进行变异操作.将该算法运用于6个测试函数,并与惯性权重粒子群算法、收缩因子粒子群算法以及差分进化算法进行了比较,结果表明:AMDPSO能在寻优过程中让粒子跳出局部最优,保持种群多样性,具有更好的收敛速度和优化性能.

位置扰动的粒子群算法

针对基本粒子群算法具有容易陷入局部极值、对多维搜索空间精度不高等缺陷,提出了一种位置扰动的粒子群算法。算法通过对粒子个体最优位置的一个或多个随机维上的计算,产生对群体最优位置对应维上的扰动,使群体最优位置可以从个体最优位置搜索经验中更直接的学习,并且跳出局部最优。通过几个常用测试函数的测试结果表明,位置扰动的粒子群算法比标准PSO算法在处理多峰值、多维搜索空间问题时有更高的寻优能力。

动态反向搜索更新位置的改进灰狼优化算法

针对灰狼优化算法(GWO)后期收敛速度慢、易陷入局部最优等问题,提出一种动态反向搜索更新位置的改进灰狼优化算法(DAGWO)。该算法在原始的位置更新公式中引入个体历史最优位置引导策略,以加快算法的收敛速度;同时,引入反向搜索因子,该因子依据种群早熟判别指标动态调节自身取值,在算法陷入局部极值时令灰狼个体向整个种群中最差个体方向进行反向搜索,以提高种群跳出局部极值的能力。此外,构造了一种新型局部扰动的非线性收敛因子a,以平衡算法的全局和局部搜索能力。对20个经典测试函数进行仿真实验,结果表明在求解精度、收敛速度和算法的稳定性上,DAGWO算法与标准智能优化算法和其他相关改进算法相比更有优越性。

求解低碳车间调度问题的改进鲸鱼算法

针对传统柔性作业车间调度问题只考虑完工时间,设备利用率,完工成本等因素的局限,构建了以碳排放成本和完工时间成本加权和最小为目标的低碳柔性作业车间调度问题模型,并设计了一种改进的鲸鱼优化算法对其进行求解。首先,采用等长的两段式编码方式来表示柔性作业车间调度问题,引入基于ROV规则的转换机制,实现鲸鱼个体位置向量与调度解之间的相互转换。其次,采用基于一定比例的全局搜索、局部搜索和随机搜索的混合式种群初始化方法,生成一定质量的初始种群,同时设计了非线性收敛因子和自适应惯性权重系数来加强算法协调全局搜索和局部寻优的能力。再次,引入自适应调整搜索策略以提高算法跳出局部最优的能力。最后,通过实验数据验证了改进鲸鱼算法在求解低碳柔性作业车间调度问题方面的有效性。

一种求解柔性作业车间调度问题的鲸鱼群优化算法

针对最小化最大完工时间的柔性作业车间调度问题(Flexible job shop scheduling problem,FJSP),提出了一种新型元启发式算法,鲸鱼群算法(Whale swarm optimization algorithm,WSA),该算法以"较优且最近"的鲸鱼引导和利用超声波强度来控制鲸鱼个体移动范围的迭代方式,在求解各类标准函数时显示出了其在全局搜索能力和维持种群多样性方面的优越性。采用两段式编码方法将FJSP描述为机器选择和工序排序两个子问题;引入转换机制实现FJSP的离散调度解与连续的鲸鱼个体位置向量之间的相互转换,然后利用WSA完成种群的迭代更新和寻优。最后,通过实验数据验证了WSA在求解FJSP方面的有效性。

顾及相似用户特征的个人位置预测算法

个体位置预测在传染病精准防控、公共设施科学规划等应用中具有重要意义,既有位置预测算法主要侧重对个体纵向历史轨迹特征进行挖掘建模,从而实现位置预测,对横向相似性用户的规律特性考虑较少。因此,基于图卷积和长短期记忆模型(long short-term memory,LSTM)框架,提出顾及横向相似用户轨迹特征以及纵向历史规律性特征的个体位置预测算法。首先,构建用户轨迹相似性算法并筛选高相似度用户;然后,利用图卷积模型提取待预测用户相似高的用户轨迹特征;最后,利用LSTM框架提取历史轨迹特征,集成相似用户轨迹特征,从而实现个体位置预测。基于某市8万多个用户连续4个工作日的数据进行实验,结果表明,所提算法的准确率随预测时间步长增加而下降,而夜间预测准确率明显高于白天,但相比于既有模型均有10%以上提高;以15 min为预测时间步长时,模型准确率达80.45%。

一种自适应扩展粒子群优化算法

在粒子群优化算法的基础上,首先把粒子群优化算法的速度更新式中的个体最优位置用粒子群中所有个体最优位置的平均值代替,得到扩展粒子群优化算法;然后,建立了加速系数和粒子群中所有粒子的平均适应度与整体最优位置适应度之差的一种非线性函数关系,得到自适应加速系数扩展粒子群优化算法。由于新的算法利用了所有个体最优粒子的信息,并在进化过程中通过建立的非线性时变加速系数自适应地调整“认知”部分和“社会”部分对粒子的影响,从而提高了算法的收敛速度和精度。4个基准测试函数的对比实验结果说明自适应扩展粒子群优化算法的有效性和优良性能。

非线性混合整数规划的简化二阶震荡粒子群混合算法

为了求解整数约束和混合整数约束优化问题,提出了简化二阶震荡粒子群优化算法.在二阶震荡粒子群算法的基础上,对更新过程进行简化,使得迭代方程由原来的二阶降成一阶,粒子的搜索过程更为简单高效,便于搜索和寻优;引入了平均个体最优位置,使得所有粒子的有效信息被充分利用;对不满足约束条件的粒子重新生成,从而加快算法的收敛速度;为了防止算法的早熟收敛现象,提出了"优胜劣汰"的更新机制.最后,为了验证算法求解整数和混合整数优化问题的可行性和有效性,将简化二阶震荡粒子群混合算法对16个测试函数进行了测试并与其他三种算法比较.实验结果表明,本文算法在精确度和成功率方面有明显的提高.

BCOISOA-BP网络在磨矿粒度软测量中的应用

传统人群搜索(SOA)算法通过计算搜索方向、搜索步长和搜寻更新个体位置三个步骤进行寻优.它的缺点在于计算量大,种群之间信息交流少,导致寻优速度慢.针对人群搜索算法存在的缺点,本文提出二项交叉算子改进人群搜索算法(BCOISOA)对其改进.在计算搜索步长方面,本文采用随机数与最大函数值位置乘积判断子群位置,进而提高全局寻优计算速率.在更新位置方面,本文提出二项交叉算子加强种群之间的联系,避免在更新搜索方向过程中,算法因局部最优而导致过早收敛,进而达到快速、准确寻找最优解的目的.本文将以上二项交叉算子改进人群搜索-BP神经网络算法应用在二段式磨矿过程中,实现磨矿粒度在线软测量.仿真结果表明,与人群搜索算法和粒子群算法进行比较,二项交叉算子改进人群搜索算法收敛速度更快,预测精度最高,满足对磨矿粒度实时检测的要求.