一种带搜索因子的全局最优人工蜂群算法

针对全局最优人工蜂群算法(GABC)搜索迭代过程中未充分考虑到全局优化和局部优化在优化过程中的作用,在一定程度上降低了算法的全局搜索能力,容易陷入局部最优解的问题,提出了一种带搜索因子的全局最优人工蜂群算法(HF-GABC)。在最优人工蜂群(GABC)算法中引入了可以随着优化过程动态搜索的因子,在算法的全局搜索过程和局部搜索过程中进行动态搜索。应用改进的算法对4个标准测试集函数进行仿真试验,并与ABC算法、GABC算法的结果进行比较。实验结果表明:带搜索因子的人工蜂群算法收敛性能优于ABC和GABC算法,有效降低了局部收敛的可能性,并且提高了搜索精度。

考虑需求响应的微电网最优经济运行及改进人工蜂群算法

为降低微电网并网对大电网的影响并降低微电网的发电成本,提出一种基于负荷转移的激励型需求响应微电网最优经济运行模型.在此基础上,针对人工蜂群算法寻优精度不高、易陷入局部最优等不足,提出一种多策略改进人工蜂群算法.首先,提出双精英个体引导的新搜索方程降低搜索的随机性和盲目性;其次,提出免疫-提前自适应转换机制,平衡全局搜索性能和局部开发能力;最后,引入基于Levy飞行的变邻域搜索策略,强化算法跳出局部最优的能力,通过仿真实例验证了所提模型和算法的可行性和有效性.试验结果表明,所提模型实现削峰填谷的同时可以有效降低发电成本;通过与其他算法在微电网算例上收敛速度和寻优精度的比较,验证了多策略改进人工蜂群算法的优越性.

基于改进人工蜂群算法优化支持向量机的设备故障诊断方法

为了对煤矿井下带式输送机的核心部件滚动轴承的运行状态进行精确诊断,针对故障分类方法中支持向量机存在的惩罚因子确定困难的问题,引入交叉操作和全局最优解结合的改进人工蜂群算法,构建了故障诊断模型,通过仿真分析对比了改进模型与传统模型之间的差异性,仿真结果表明,改进的诊断模型能够快速精准地识别设备故障的类型,缩短了设备故障的诊断时间,提高了井下设备故障诊断的工作效率。

基于改进蜂群算法的电网最优无功配置研究

无功补偿是改善电力系统、降低成本的实用工具之一。当前电网中的无功功率的供给需求不断上升,如何实现无功电源的最优配置是电网优化问题中的关键。通过计算各类无功电源接入电网的成本,在以优化电网电压分布和降低电力系统的损耗为目标的前提下,最小化无功电源的配置成本;在求解最优配置的过程中,提出了一种改进的人工蜂群(MABC)算法来解决优化问题,并将其与人工蜂群算法、粒子群优化算法和遗传算法进行了比较,并使用标准IEEE30节点系统进行了仿真验证。仿真结果表明,与其他三种算法相比,使用该算法进行无功配置时系统具有更低的有功损耗、无功成本、更好的电压分布和更大的稳定性。

全局最优引导的差分演化二进制人工蜂群算法

针对基本二进制人工蜂群算法开采能力弱、收敛速度慢的缺点,提出一种全局最优引导的差分二进制人工蜂群算法。算法仿照粒子群优化,将全局最优参数引入二进制人工蜂群算法中以提高开采能力;同时受差分演化算法中"交叉"操作的启发,提出多维邻域搜索方式,加快收敛速度。采用0-1背包问题进行仿真,实验结果表明与传统算法相比,提出算法不仅寻优能力增强且收敛速度明显提高。对于10维背包问题,提出算法的收敛速度比基本二进制人工蜂群算法提高近10倍。

正弦选择概率模型的全局最优引导人工蜂群算法

针对人工蜂群算法收敛速度慢以及蜜源的选择概率区分度不够等缺点,提出了一种新的改进人工蜂群算法。依据当前最优蜜源、最差蜜源、当前蜜源建立正弦选择概率模型,并结合全局最优引导策略,构成新算法。概率模型以最优、最差蜜源适应值之差为尺度,衡量当前蜜源适应值所占比重,随后将比重值带入sin函数,即可得当前蜜源的选择概率值。在30、100维上,22个基准测试函数的仿真实验结果表明,正弦选择概率模型能克服后期蜜源区分度不够的问题,为观察蜂跟随雇佣蜂提供正确的引导。与知名的改进人工蜂群算法比较,该算法具有很好的优势。

基于全局最优解和随机采样的改进人工蜂群算法

为进一步提高人工蜂群算法的收敛速度、开采能力,提出了基于全局最优解和随机采样的改进人工蜂群算法.算法在跟随蜂阶段采用全局最优引导与完全随机采样相结合的高斯搜索策略,以加快算法的收敛速度,平衡探索和开采能力,避免陷入局部最优.在侦察蜂阶段引入包含被遗弃蜜源信息的高斯方程产生新蜜源,加快搜索速度.在12个基准测试函数上进行了比较实验,实验结果表明该改进的算法求解简单函数时,收敛速度更快,求解较复杂的函数时,解的精度和稳定性得到一定的提高.

基于当前最优解的人工蜂群算法

为克服人工蜂群算法在求解函数优化问题时存在收敛精度低、收敛速度慢的缺点,提出一种改进的人工蜂群算法。为提高人工蜂群算法的局部搜索能力和避免早熟收敛,跟随蜂在当前最优解的周围进行局部搜索,并随着迭代次数的增加,逐渐缩小侦查蜂在当前最优解周围的局部搜索范围。通过6个标准测试函数完成仿真实验,结果表明,与基本人工蜂群算法相比,改进算法在寻优精度和收敛速度上均得到提高。

基于改进人工蜂群算法的灾害场景下路径规划

针对人工蜂群算法在以往研究中表现出探索局限性以及开发低效性等缺点,提出一种自适应收敛下的改进人工蜂群算法。该算法通过全域采样随机初始化保证初始解集完整性;选择概率计算中加入开采次数因子提升潜在较优解选中概率;结合余弦函数变化特点,对选中的个体进行全局最优个体引导下的自适应局部开发,提升局部开发精度。最后,通过不同灾害场景下与多个算法进行对比,结果表明改进后的算法具备更高的求解精度,更好的全局收敛性,能高效解决复杂灾害场景下的路径规划问题。

基于人工蜂群算法的多目标最优潮流问题的研究

以污染气体排放量、网损最小为目标,建立多目标电力系统最优潮流数学模型,并提出一种基于人工蜂群的多目标算法对其进行求解。该算法利用外部存档技术来保存进化过程中已经找到的Pareto最优解,并在每次迭代后更新。最后根据模糊集理论从Pareto最优解集中选取最优折衷解,为决策者提供科学的决策依据。通过IEEE-30节点系统及IEEE-57节点系统的仿真,验证了该算法在求解大规模电力系统多目标问题上的有效性,相比其他多目标算法能有效避免局部收敛。

人工蜂群算法在重力坝断面优化设计中的应用

人工蜂群算法是一种新型的群智能优化算法,对于处理复杂的非线性多峰值优化问题具有很好的适用性。对三种典型测试函数进行性能测试,与粒子群优化算法相比较,人工蜂群算法的适应度函数评价次数明显较少,对求解多峰值优化问题具有较好的适应性,将人工蜂群算法应用于重力坝断面优化设计,研究结果表明,该方法是可行的,具有寻优效率高且易于实现的优点。

一种高效的求解函数优化问题的人工蜂群算法

为了克服人工蜂群算法在求解函数优化问题中所存在的收敛精度低、收敛速度慢的缺点,提出一种高效的求解函数优化问题的人工蜂群算法.该算法将细菌觅食优化算法中的趋向性操作引入到跟随蜂的局部搜索策略中,并且跟随蜂在雇佣蜂逐维变异后的当前最优解周围进行局部搜索,从而提高了人工蜂群算法的局部搜索能力.6个标准测试函数的仿真实验结果表明,与基本人工蜂群算法相比,改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高.

嵌入粒子群优化算法的混合人工蜂群算法

为了克服人工蜂群算法存在的早熟收敛、后期收敛速度变慢等缺点,提出了一种基于粒子群优化算法的混合人工蜂群算法(PABC)。对陷入局部极值的雇佣蜂,采用粒子群优化算法对其重新进行初始化。粒子群优化算法具有很强的全局搜索性能,能使陷入局部极值的雇佣蜂尽快摆脱局部约束。测试函数的计算结果表明,改进的人工蜂群算法大大提高了蜂群算法的寻优能力,在收敛速度和精度方面均优于基本蜂群算法。

改进人工蜂群算法的无线传感器网络覆盖优化

由于无线传感器网络覆盖属于组合优化范畴,为了在有限节点数量情况下提高其覆盖率,引入人工蜂群算法并进行改进。通过注入全局最优个体反馈来提高收敛速度,并升级了侦查蜂更新方法,采用一维高斯变异的方法,充分利用粒子先验知识,使粒子既能够保证足够的活力,又提高了算法的全局搜索能力。在40个节点数量条件下进行仿真实验,提出的改进算法覆盖率达到了87.2%,与改进蛙跳算法和标准人工蜂群算法的覆盖率相比分别提高了1.6%和3.87%。

基于细菌趋药性和当前最优解策略的人工蜂群算法

为了克服人工蜂群算法在求解函数优化问题中所存在的收敛精度低、收敛速度慢的缺点,提出一种基于细菌趋药性和当前最优解策略的人工蜂群算法。该算法将细菌觅食优化算法中的趋向性操作引入到雇佣蜂的局部搜索策略中,然后跟随蜂在当前最优解的基础上继续进行寻优,从而提高了人工蜂群算法的局部搜索能力。8个标准测试函数的仿真实验结果表明,与基本人工蜂群算法相比,改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。

基于当前最优解的分段搜索策略的人工蜂群算法

为了克服人工蜂群算法在求解函数优化问题中所存在的局部搜索能力差、收敛精度低的缺点,提出了一种基于当前最优解的分段搜索策略的人工蜂群算法。该算法中跟随蜂利用由全局当前最优解和个体当前最优解引导的局部搜索策略逐维进行变异,并采用基于"分段思想"的局部搜索策略对蜜源进行贪婪更新,以提高蜜源的更新效率,从而提高了人工蜂群算法的局部搜索能力。6个标准测试函数的仿真实验结果表明,与基本人工蜂群算法相比,改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。

基于交叉的全局人工蜂群算法的研究

人工蜂群(Artificial Bee Colony,ABC)算法在求解函数最优值时,存在后期收敛速度慢、易于陷入局部最优、疏于开发等问题.为了解决这些问题,对算法进行了深入研究,结合其他仿生智能优化算法的机制,提出了一种能有效提高收敛速度,增强算法开发性和全局寻优能力,并能有效避免种群个体陷入局部最优的算法——基于交叉的全局人工蜂群算法.选取7个标准测试函数进行实验仿真,结果表明,与ABC算法、全局最优人工蜂群算法(GABC)相比,基于交叉的全局人工蜂群算法(CGABC)的收敛速度及精度均有明显提高.

基于改进人工蜂群算法的集成网络节点部署优化

为提高集成网络节点的部署效率,在考虑节点交叉覆盖及节点间干扰等约束条件下,基于改进人工蜂群算法,提出一种集成网络节点位置部署算法。基于网络节点的信号传输模型将节点部署问题转化为在保证节点高覆盖率与低干扰目标下的优化问题,利用改进人工蜂群算法对节点部署目标函数进行优化。仿真实验结果表明,该算法不但能够快速精确地找到全局部署最优位置,而且能够在保证射频标签最大覆盖率的前提下有效地降低节点间的干扰。

基于反向学习的人工蜂群算法的电力系统最优潮流

以发电机大气污染物排放量最小为目标函数,建立一种电力系统最优潮流模型,并提出一种基于反向学习的人工蜂群算法进行求解。IEEE-30节点系统仿真分析结果表明,与其它算法进行相比,提出的算法能够有效降低发电机大气污染物排放量,算法简单,具有更好的寻优能力和收敛特性。

引入交叉变异机制的全局混沌人工蜂群算法

本文设计了交叉变异机制下的全局混沌人工蜂群算法,借鉴遗传算法引入交叉变异机制与全局最优值进行交叉操作来提高算法的探索和开发能力。为了验证所设计算法的有效性,选择8个基准函数对进行测试,并与基本人工蜂群算法和全局人工蜂群算法进行对比,实验结果显示所设计算法在收敛速度和精度上优于其他两种方法。