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。

基于双重更新策略的粒子群算法

粒子群算法由于其简单易实现以及快速寻优的特点引起了研究者的广泛兴趣,但却存在着在搜索过程中无法跳出局部最小点的缺陷。文中提出了一种基于双重更新策略粒子群算法。当群体的聚集度达到设定的条件时,首先在具有较差成绩的个体历史最优解(personal best,pbest)中任意选择一个更新,使它具有在全局范围内进行搜索的能力,同时从获得较好成绩的pbest中选择一个,在它和全局最优位置之间进行局部搜索,从而引导个体向有价值的区域寻优。标准测试函数的仿真结果表明,该算法有效提高了粒子的全局搜索能力,同时提升了算法的局部搜索能力,因此可以应用在实际生产领域。

跟随策略蜂群算法在电力经济调度中的研究

蜂群算法自提出以来由于其良好的全局搜索能力一直受到广泛的注意,但相对于其他群体算法来看,传统的蜂群算法存在着收敛速度慢的缺陷。文中借鉴粒子群算法的迭代公式,在跟随蜂迭代公式引入一种新的策略,提出了一种新的基于gbest更新策略蜂群算法。当群体的迭代度达到设定的条件时,对跟随蜂使用一种全新的迭代公式,使它能够以一个整体获得更多的在gbest附近进行局部搜索的机会。标准测试函数的仿真结果表明,该算法在有效保证全局搜索能力的前提条件下,提升了算法的是收敛速度。针对电力系统的动态经济调度问题,改进以后的蜂群算法获得了较优的结果。