基于差分进化粒子群混合算法的多无人机协同区域搜索策略

为提高无人机群在未知环境中的区域搜索效率,提出一种多无人机协同区域搜索策略。首先,根据区域搜索任务需求,建立包含区域覆盖率、区域不确定度、目标存在概率三种属性的区域信息地图;其次,以最大化搜索效率、同时最小化无人机搜索过程中的能耗为目标,建立无人机区域搜索滚动时域优化目标函数,指导无人机在线决策搜索路线;然后针对传统群智能优化算法易陷入局部最优的缺陷,设计差分进化粒子群混合算法在线求解该多目标优化问题,提高算法的寻优性能,从而提高无人机的搜索效率。最后,通过数值仿真实验,对所提算法进行验证,仿真结果表明,文中设计的基于差分进化粒子群混合算法的多无人机协同区域搜索策略与传统的群智能优化算法相比具有更高的区域搜索效率。

融合差分进化和Sine混沌的改进粒子群算法

将差分进化与Sine混沌相结合,提出一种改进的粒子群算法。利用Sine混沌映射对初始种群进行优化,提高了收敛速度;该算法通过引入非同步变化的学习因子的速度更新公式,引入随机惯性权重,使算法能够更好地兼顾全局搜索与局部优化;借鉴差分进化算法中的交叉操作,采用淘汰机制随机搜索策略,提高算法的全局搜索能力,提高算法收敛速度。为了验证融合差分进化和Sine混沌的改进粒子群算法(improved particle swarm optimization algorithm,IPSO)的性能,与基于压缩学习因子的粒子群算法(yield-based particle swarm optimization,YPSO)、自适应加权粒子群算法(self-adaptive particle swarm optimization,SPSO)等PSO相关算法以及蜘蛛蜂优化算法(spider wasp optimization,SWO)、能量谷算法(energy valley algorithm,EVA)等2023年最新算法相比较,验证融合差分进化和Sine混沌的改进粒子群算法(IPSO)的有效性。在不同维度下解决12个常用基准函数,对12个测试函数进行实验,并与其他的几种算法进行比较,实验结果表明,改进后的PSO算法收敛速度快,收敛精度高。

基于差分粒子群算法的铝合金模板多目标智能配模方法

为提高铝合金模板设计效率,解决人工设计铝合金模板存在的模板数量、种类、非标构件多造成的加工成本高、力学整体性差等问题,建立了铝合金模板两阶段多目标约束配模优化方法。基于BIM技术提取配模混凝土构件信息,以铝合金模板使用数量和使用种类最少为目标,建立了对应的多目标优化数学模型;使用差分粒子群算法求解,并将最优解在BIM模型中自动配模。该智能优化方法应用于铝合金模板设计,与人工配模设计方案对比,智能配模方案中模板数量减少了19.2%,模板种类减少了37.5%,配模优化效果良好,证明了算法运用于铝合金模板配模优化中的可行性及有效性。

基于改进粒子群算法的水利基础设施空间布局优化研究

为提高水资源的利用效率,降低总投资成本,提出基于改进粒子群算法的水利基础设施空间布局优化方法。以总投资成本最小化和水资源利用效率最大化为目标,构建空间布局优化目标函数。采用差分进化算法改进粒子群算法,采用改进的粒子群算法求解目标函数,完成水利基础设施空间布局优化。测试结果表明:所提出方法能够降低布局优化的投资成本,提高水资源的利用效率。因此,说明所研究方法具有较高的布局优化效果,实际应用价值较高。

基于粒子群算法的定日镜场布局优化研究

针对定日镜场的优化设计问题展开讨论,旨在寻求最优布局以实现镜场平均光学效率的最大化。本文首先建立定日镜场的光学效率模型,并利用蒙特卡洛模拟计算集热器的截断效率;其次设计出“环形径向分层式”的布局方案,建立了平均输出热功率优化模型。同时,结合相关数据与背景,运用粒子群优化算法进行仿真模拟。基于此,为太阳能集热系统性能优化提供有效策略,有望推动可再生能源利用效率的提升。

基于随机增强量子粒子群算法的弹性波数值模拟

在本文中,我们提出了一种随机增强量子粒子群优化算法,并基于该随机增强量子粒子群算法提出了一种新的有限差分格式。随机增强量子粒子群优化算法具有明显的收敛速度优势,可以在第200代内收敛。在相同条件下,未改进的量子粒子群算法的收敛速度远低于随机增强量子粒子群算法。数值频散分析表明,基于随机增强量子粒子群算法的优化有限差分格式具有更大的频谱覆盖范围并将精度误差控制在了有效范围之内,这意味着随机增强量子粒子群算法具有更好的搜索全局精确解的能力。最后,采用基于随机增强量子粒子群算法的优化有限差分格式对弹性波动方程进行数值模拟。数值模拟结果表明,基于随机增强量子粒子群算法的优化有限差分格式能有效压制数值频散。

基于分层粒子群优化算法的用户侧电力调峰配置模型

由于传统的用户侧电力调峰配置模型在实际应用中的电网净负荷峰谷差较大,导致配置效果不理想,因此提出基于分层粒子群优化算法的用户侧电力调峰配置模型。选取用户电费最小、系统净收益最大及供电周期内电力调峰配置成本最小三个目标,利用函数对目标进行数学表达,根据实际需求针对电力系统功率平衡、电力系统发电机组连续时间段内的发电量及发电机组爬坡能力需求设计相应的约束条件,利用分层粒子群优化算法求解出符合约束条件的目标函数最优解,输出用户侧电力调峰优化配置策略。实验证明,设计模型的电网净负荷峰谷差小于传统模型,设计模型在用户侧电力调峰配置方面具有良好的应用前景。

分层差分粒子群优化算法对图像边缘检测的研究与应用

边缘检测在图像处理中占有重要地位,其效果好坏直接影响到后续的图像分析和处理,常用的Sobel算子和Prewitt算子提取的边缘图像存在着丢失细节边缘的现象,改进的方法又不易得到指定方向的图像边缘。提出一种分层差分思想的改进的粒子群优化算,以解决粒子群优化算法早熟收敛的问题,并将该算法引入到图像边缘检测中,通过优化梯度算子来得到图像最佳边缘。实验结果证明,所提的方法可以很好地解决细节边缘丢失的问题,同时可以得到指定方向的边缘,值得深入研究。

一种基于粒子群优化算法和差分进化算法的新型混合全局优化算法

提出一种基于粒子群算法(PSO)和差分进化算法(DE)相结合的新型混合全局优化算法——PSODE.该算法基于一种双种群进化策略,一个种群中的个体由粒子群算法进化而来,另一种群的个体由差分操作进化而来.此外,通过采用一种信息分享机制,在算法执行过程中两个种群中的个体可以实现协同进化.为了进一步提高PSODE算法的性能,摆脱陷入局部最优点,还采用了一种变异机制.通过4个标准测试函数的测试并与PSO和DE算法进行比较,证明本文提出的PSODE算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法.

基于差分进化和粒子群优化算法的混合优化算法

为了发挥差分进化和粒子群优化算法各自拥有的特点,并克服自身存在的问题,提出了一种混合优化算法(简称DPA)。该算法首先利用差分进化的变异和选择算子产生新的群体,然后通过使用粒子群优化算法和交叉、选择算子进行局部搜索。在整个算法过程中,群体寻优范围先扩散再收缩,反复迭代渐进收敛。通过3个标准算例的测试表明,新的混合优化算法与差分进化和粒子群优化算法相比,具有收敛速度快、搜索能力强、鲁棒性好的特点。

一种遗传算法与粒子群优化的多子群分层混合算法

针对遗传算法全局搜索能力强和粒子群优化收敛速度快的特点,本文从种群个体组织结构上着手,进行优势互补,提出了一种遗传算法和粒子群优化的多子群分层混合算法(multi-subgroup hierarchical hybrid of genetic algorithm and particle swarm optimization,HGA–PSO).算法采用分层结构,底层由一系列的遗传算法子群组成,贡献算法的全局搜索能力;上层是由每个子群的最优个体组成的精英群,采用钳制了初始速度的粒子群算法进行精确局部搜索.文中分析论证了HGA–PSO算法具有全局收敛性,并采用7个典型高维Benchmark函数进行测试,实验结果显示该算法的优化性能显著优于其他测试算法.

基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。

差分进化粒子群混合优化算法的研究与应用

对基本粒子群算法(PSO)和差分进化算法(DE)进行了分析,有机结合两种进化算法提出了一种新型差分进化粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和DE算法同时进行。迭代过程中引入进化速度因子并通过群体间的信息交流阻止算法陷入局部最优。对4个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO和DE。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能较好。

基于差分粒子群算法的装配式住宅项目进度优化研究

为了有效的解决装配式住宅项目的进度优化问题,通过探讨装配式住宅项目调度问题的约束条件,提出了基于差分进化的改进粒子群算法(DEPSO),建立了以项目工期最优为目标的进度优化模型.通过在差分算法和粒子群算法之间建立信息互融机制,克服了差分算法和粒子群算法单独使用易产生局部最优和精度低的缺陷,以达到最优工期的预期目标.通过实例分析,进行了三种算法的比较,证明了DEPSO算法在求解装配式住宅项目进度优化中高效、合理、鲁棒性强,对装配式住宅的推广和发展起到一定的积极作用.

多种群随机差分粒子群优化算法及其应用

为提高粒子群算法的寻优性能,提出了一种新的多种群随机差分粒子群优化算法。该方法将种群随机分组,利用基于吸引概率的轮盘赌方法确定其可能搜索方向。寻优效果预期不明显时,进行子种群内部随机差分进化寻优,以增加寻优方向的随机性和多样性。并给出了一种新的约束处理方法,对种群粒子进行动态划分,仅对部分粒子进行速度更新和位置更新,提高了搜索速度。并将所提出算法应用于数值优化问题和焊接梁设计问题。仿真结果表明,所提出算法在处理多峰函数问题时,寻优精度高,收敛速度快。在处理有约束问题时,提出的处理约束的方法,明显缩短了寻优时间。算法在处理复杂的无约束问题和有约束问题上均具有很好地寻优性能。

基于动态交换策略的快速多目标粒子群优化算法研究

本文提出了一种基于动态交换策略的快速多目标粒子群优化算法,通过把初始种群分割成Pareto和Non_Pareto集合,并在迭代过程中对Pareto解集进行动态调整,从而较好地完成了多目标优化算法对Pareto解集的搜索和逼近。实验和应用实例均表明了该算法的有效性和快速性,并通过性能指标ER的计算验证了本算法优于某些同类的多目标优化算法。

差分进化混合粒子群算法求解装配式住宅项目进度优化问题

针对装配式住宅项目进度优化问题,提出了基于差分算法(DE)和粒子群算法(PSO)的差分粒子群混合算法(DEPSO)。建立了以项目工期最优为目标的进度优化模型,通过在DE和PSO之间建立信息交流机制,避免了单一算法容易落入局部最优和精度低的缺陷。最后以某装配式住宅项目为例,通过三种算法的比较,结果表明DEPSO在求解装配式住宅项目进度优化中合理高效、鲁棒性较强,能有效地解决装配式住宅项目工期优化问题,有较大的应用价值。

融合自适应混沌差分进化的粒子群优化算法

针对粒子群优化算法易出现早熟收敛、收敛效率低的缺点,提出一种融合自适应混沌差分进化的粒子群优化算法.该算法首先将自适应混沌引入差分进化算法,再将所得结果进行一次校正变异和校正选择,最后将所得算法融合到粒子群优化算法,从而有效地利用与平衡了粒子群优化算法和差分进化算法的探测和开发能力,且局部搜索能力增强,进一步提高算法的求解精度和效率.数值实验证明本文算法的有效性.

一种融合差分进化的量子粒子群优化算法

由于量子粒子群优化算法在迭代后期易出现粒子多样性差,收敛到局部最优解等缺点。为解决上述问题,提出一种融合差分进化的量子粒子群优化算法。上述算法在量子粒子群算法的上,首先利用差分思想对粒子的速度提出一种改进策略,再对陷入局部最优的粒子进行交叉选择操作,从而较好的保持种群中粒子的多样性,避免粒子后期陷入局部最优。通过对3个测试函数进行的仿真,结果表明融合了差分进化算法的量子粒子群算法具有收敛速度快、收敛能力强等特点,解决了算法局部最优问题。

求解环境经济调度问题的多目标差分粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解电力系统环境经济调度问题。算法通过对Pareto最优解集的差分演化来增加Pareto最优解的多样性;通过循环拥挤距离来控制归档集中非劣解的分布,以提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘赌法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。对电力系统环境经济负荷分配模型进行仿真,并与文献中的其他算法进行了比较。结果表明,改进的算法能够在保持Pareto最优解多样性的同时具有较好的收敛性能。