蝗虫优化算法综述

蝗虫优化算法是基于蝗虫觅食行为来模拟优化过程的一种元启发式算法,具有收敛速度快、精度高、简单易实现等特点,广泛应用于解决优化问题和实际工程。首先,介绍蝗虫优化算法的原理及流程;然后,详细论述蝗虫优化算法的研究现状及其在人工智能、金融、医疗、路径规划等领域的应用;最后,对蝗虫优化算法进行总结,指出未来可能的研究方向。

天赋发掘算法:一种新的元启发式优化算法

元启发式优化算法解决复杂多峰函数时普遍存在稳定性较低和易于陷入局部最优的情况,针对这一情况,提出一种新颖的、受现代社会环境下孩子天赋发掘启发的元启发式优化算法——天赋发掘算法(talent discoveral algorithm,TDA)。TDA通过模拟社会各群体各司其职又相互合作发掘孩子天赋的过程,实现最优解的寻找。使用可变维多峰基准函数和固定维多峰基准函数对TDA进行测试,结果表明:与正余弦算法(sine cosine algorithm,SCA)、灰狼算法(grey wolf optimizer,GWO)、鲸鱼算法(whale optimization algorithm,WOA)和粒子群算法(particle swarm optimization,PSO)等相比,TDA算法在解决优化问题时具有更强的全局搜索能力和更高的稳定性。

象群优化算法综述

象群优化算法是一种受启发于大象氏族结构和游牧行为的新型元启发式优化算法,旨在解决全局优化的问题,具有控制参数少,易于实现的特点,广泛应用于科学研究和工程领域。首先,介绍象群优化算法的原理及流程;然后,详细论述象群优化算法的研究现状及其在控制、电气电力、人工智能等领域的应用;最后,对象群优化算法进行总结,指出未来可能的研究方向。

基于BA-KELM法的多级同步感应线圈发射器结构优化研究

用随机优化算法对多级同步感应线圈炮的结构参数进行优化,场模型和场电路耦合模型均耗时较长。将主流机器学习方法作为新的工具建立多级同步感应线圈炮的非参数模型。基于混合测试设计样本空间,用最小二乘支持向量机(LSSVM)、核极限学习机(KELM)和BP神经网络对有限元法获得样本集进行学习;用布谷鸟搜索(CS)算法和蝙蝠算法(BA)实现超参数(C,σ~2)优化,结合仿生鸡群优化(BCSO)确定BP神经网络的权值及阈值;最后,以三级同步感应线圈炮的结构优化为例验证所述方法的实用价值。结果表明:将BA-KELM方法用于多级同步感应线圈炮的非参数建模准确可行,与需大规模迭代计算的参数优化方法相比,具有较高的计算效率,结论可为多级同步感应线圈炮的结构设计与工程应用提供新思路。

融合联合反向学习与宿主切换机制的䲟鱼优化算法

䲟鱼优化算法(ROA)是2021年提出的元启发式优化算法,其模拟了海洋中䲟鱼寄生依附宿主、经验攻击和宿主觅食的行为。ROA的结构简单且易于实现,但全局性稍显不足,易导致算法收敛速度慢甚至后期难以收敛的现象。针对上述问题,在探索阶段加入宿主切换机制,引入新宿主白鲸,提高原算法的探索能力;同时加入联合反向学习策略,增强了算法跳出局部最优的能力,进一步提高了算法的综合优化性能。通过以上改进,提出了一种融合联合反向学习与宿主切换机制的䲟鱼优化算法(IROA)。为了验证IROA的性能与改进优势,将IROA与原始ROA、6种典型的原始算法以及4种关于ROA的改进算法进行对比。通过CEC2020标准测试函数的实验结果表明,IROA具有更强的寻优能力和更高的收敛精度;最后针对汽车防撞性设计问题的求解,进一步验证了IROA的优势和工程适用性。

改进多元宇宙算法求解大规模实值优化问题

针对多元宇宙优化(MVO)算法中虫洞存在机制、白洞选择机制等不足,该文提出一种改进多元宇宙优化算法(IMVO)。设计固定概率的虫洞存在机制和前期快速收敛后期平缓收敛的虫洞旅行距离率,加快算法全局探索能力和快速迭代能力;提出黑洞的随机白洞选择机制,设计黑洞围绕白洞恒星进行公转并模型化,解决代间宇宙信息沟通的问题,中低维度数值比较实验验证了改进算法的优良性能。选取大规模实值问题较难优化的3个基准测试函数进行对比实验,改进算法在大规模优化问题上的求解精度和成功率方面具有较好的适用性和鲁棒性。

柯西变异的骆驼算法优化与应用

针对骆驼算法(Camel Algorithm,CA)在执行效率低及易陷入局部最优停滞等问题,提出了改进的骆驼算法(Modified Camel Algorithm,MCA)。该算法基于骆驼的行进行为,通过在全局位置处引入柯西分布函数进行变异,使得个体受局部极值点约束力下降,提高局部寻优能力,减少原始算法中使用的设置参数的数量,具有较高的计算速度和简化的结构。通过标准测试函数对MCA与CA,乌鸦搜索算法(Crow Searching Algorithm,CSA)和粒子群优化算法(Particle Swarm Optimization,PSO)进行低维与高维测试对比,实验结果表明该改进算法表现出更好的运行效率和寻优能力。通过优化受约束的工程应用即抗干扰智能天线优化来验证MCA的性能,该算法能够使天线系统到达确定的方向来完美消除干扰信号,提高在实际应用中的精度、速度与稳定性。

具有差分进化算子的社会蜘蛛群优化算法（英文）

【目的】社会蜘蛛群优化算法(SSO)是一种新颖的元启发式优化算法,自从它被提出之后就受到该领域学者的广泛关注,并且也被成功应用到许多领域。但是由于社会蜘蛛群优化算法还处在算法的研究初期,该算法的收敛速度与收敛精度还需要进一步提高。【方法】将差分进化算子引入到社会蜘蛛群优化算法(SSO-DM)中,并将改进的算法应用于函数优化问题中,通过5个标准测试函数来验证基于差分进化算子的社会蜘蛛群优化算法(SSO-DM)的优化性能。【结果】差分进化算子增强了社会蜘蛛群优化算法的收敛速度与收敛精度。【结论】本研究中所提出的算法能够获得精确解,并且它也具有较快的收敛速度和较高的算法稳定性。

基于乌鸦喝水的元启发式优化算法

启发式优化算法已成为求解复杂优化问题的一种有效方法,可用于解决传统的优化方法难以求解的问题.受乌鸦喝水寓言故事启发,提出一种新型元启发式优化算法—乌鸦喝水算法,首先建立了乌鸦喝水算法数学模型;其次,给出实现该算法的详细步骤;最后,将该算法用于基准函数优化,并将该算法与乌鸦搜索算法、粒子群优化算法、多元宇宙优化算法、花授粉算法、布谷鸟算法等群智能算法进行了比较.仿真实验结果表明,乌鸦喝水算法优于其他算法.

一种新的自适应蚁群算法及其应用

蚂蚁算法是一种新型的元启发式优化算法 ,初步的研究表明该算法具有较强的发现较好解的能力 ,但同时也存在一些缺点如容易出现停滞现象、收敛速度慢等。针对蚂蚁算法的不足 ,该文提出了一种自适应蚁群算法。该算法根据平均节点分支数动态地调整转移概率以避免算法出现停滞现象 ,从而极大地提高了算法搜索较好解的能力。仿真实验结果表明 ,新算法即使在运行的后期 。

基于改进涡流搜索算法的支持向量机分类模型

支持向量机(SVM:Support Vector Machine)是定义在特征空间上的间隔最大的线性分类器,参数的选择决定了其学习性能和泛化能力。针对此参数选择问题,采用改进的涡流搜索算法对支持向量机参数进行选择,寻找最优适应度函数。仿真实验表明,改进的涡流搜索算法是一种有效的SVM参数选择方法,有利于跳出局部最小值,其优化性能不低于涡流搜索算法。

改进樽海鞘群算法的永磁同步电机多参数辨识

针对一类元启发式优化算法辨识永磁同步电机(PMSM)参数存在易陷入局部最优,从而导致辨识结果精度不高的问题,提出了一种结合自适应正态云模型的樽海鞘群辨识算法(CSSA)。该算法以标准樽海鞘群算法为基础,在樽海鞘追随者位置更新阶段引入自适应正态云模型,使算法初期的种群多样性得到改善,提高了全局开发能力,避免陷入局部最优;随着迭代次数增加,通过自适应调整正态云模型熵值,优化了算法后期的局部开发能力,使其收敛精度得到提高。参数辨识模型只需测量计算获得永磁同步电机的电流、电压以及角速度信息,再将改进算法通过适应度函数在辨识模型中寻优得到辨识结果。仿真与实验结果表明,提出的算法可以对永磁同步电机参数进行快速、稳定且准确的辨识。

数据驱动的建筑智能楼宇群微网负荷预测关键技术探析

随着我国经济的快速发展,人们的生活水平得到了大幅度升高,我国的能源管理模式也从粗放型向精准型转变,而电力作为现代社会最普遍的能源,其能效利用率的高低将直接影响社会经济建设。本文就建筑智能楼宇群的负荷预测关键技术展开分析,将负荷预测关键技术有效推广,进而能提升大用户在电力市场的议价空间及市场竞争力。

面向物流场景的关键设备与输送线混合布局方法

针对物流场景中的关键设备和输送线布局问题,提出了一种结合多目标元启发式优化算法和布线算法的混合布局方法.在该方法中,首先建立以最优物料搬运总成本和输送线总成本为目标函数的多目标优化模型;然后使用元启发式优化算法实现关键设备的布局和解的更新与迭代,同时使用一种基于多目标评估的路径搜索算法实现输送线的布局,在布局中加入新策略以处理关键设备和输送线的约束;最后分别基于多目标粒子群算法(MOPSO)和非支配排序遗传算法2(NSGA2)实现两个混合布局算法,并通过实验验证该方法的有效性.

基于正余双弦自适应灰狼优化算法的医药物流配送路径规划

针对传统灰狼优化算法易早熟收敛陷入局部最优和收敛速度慢的缺陷,提出一种正余双弦自适应灰狼优化算法.首先,在灰狼捕食阶段引入正弦搜索,增强算法的全局勘探能力,减少算法的搜索盲点,提高算法的搜索精度.在引入正弦搜索的同时,引入余弦搜索,增强算法的局部开发能力,提高算法的收敛速度.其次,在搜索过程中加入自适应交叉变异机制,通过适应度值的大小自适应选取交叉变异概率,有效的提高了粒子跳出局部最优的概率.通过数值对比试验,验证了改进算法具有较强的收敛精度和收敛速度.

基于地标特征和元学习方法推荐最适用优化算法

设计并实证研究一种基于地标特征和元学习方法推荐最佳优化算法的实现框架.地标特征摒弃了传统的问题简单特征、统计特征和信息理论特征复杂的提取过程,通过简化运行算法并仅以算法的相对性能表现作为问题特征集.在此基础上,利用元学习方法训练建模并针对新问题作出算法推荐.为验证推荐效果,以多模式资源约束的项目调度问题(MRCPSP)为优化对象,以人工蜂群、蚁群、粒子群和禁忌搜索4种元启发式算法作为推荐对象,分别使用人工神经网络、k最近邻、决策树以及随机森林4种元学习方法建立推荐元模型.计算结果表明,多种元学习方法均指向相近的推荐准确率,平均稳定在70%以上,最高可达95%.基于地标特征和元学习方法实现优化算法推荐是一个值得进一步探讨的新方向.

风储系统容量配置优化目标及优化算法综述

风能是最具商业潜力与活力的可再生能源之一,但风力发电本身具有的随机性特点给电网有序调度和可靠运行带来了极大挑战,为风力发电配备储能系统是保证系统稳定运行的有效手段之一,但是储能系统容量配置直接影响系统运行的安全性和经济性。为此,首先回顾国内外风储系统容量配置的优化目标及优化算法研究现状与研究进展,综述风储系统中储能装置容量配置所需考虑的经济性、可靠性等目标,梳理常用的元启发式优化算法并实施不同优化算法优缺点的综合对比,并对风储系统容量配置的技术发展予以展望。

耦合横纵向个体更新策略的改进MVO算法

为提高多元宇宙优化算法(MVO)的全局探索和局部开采性能,提出一种耦合横纵向个体更新策略的改进MVO算法(IMVO).横向更新策略是建立在宇宙种群层级的一种水平迁移进化机制,通过引入加权学习因子保证子代个体同时向多个父代宇宙继承位置信息,以改善种群的个体多样性和算法全局探索性能,适定性修正虫洞存在概率表达以保证种群个体间的充分信息交互;纵向更新策略是基于宇宙个体层级的一种纵向自我学习进化机制,根据最优宇宙历史信息,通过模拟认知的历史遗忘记忆特性实现记忆均值邻域的再开采,以增强算法局部开采性能.最后通过数值实验验证不同加权学习因子函数对算法性能的差异性影响,改进算法的优化性能和算法稳健性等.