基于分层多子群的教与学优化算法

文章针对教与学优化(teaching-learning-based optimization,TLBO)算法在求解高维函数优化问题时易陷入局部最优与"早熟"现象、迭代后期收敛速度慢、求解精度低的缺点,提出了一种基于分层多子群的教与学优化算法(hierarchical subpopulation TLBO,HSTLBO),对平均学生水平进行重新定义,并根据适应度值对教学因子动态取值;通过预设的一个等级层次结构,将种群划分为若干个子群,构成层次结构的底层;底层子群粒子相对独立进化,保证种群多样性,每个子群的最优粒子则构成层次结构的上一层,提升算法的全局收敛能力,子群自下而上更新。通过10个Benchmark函数将提出的算法与其他算法进行对比实验,结果表明,HSTLBO在求解精度和收敛速度方面均优于其他算法。

分层多子群协作正余弦算法及应用

针对正余弦算法后期收敛速度慢、局部搜索能力差的缺点,提出了一种分层多子群协作正余弦算法。新算法的主要思想是将种群的更新架构分成两层:在底层中,将种群分成若干个个体数目相等的子群,每个群体的个体只能在相应的群体中并行进化;在顶层中,群体是由底层中各个子群中最优个体组成的,顶层中的个体都是按照高斯采样学习策略实现位置更新的。为了保持种群的多样性,在更新过程中利用随机重组策略来保持种群的多样性。新算法经过18个基准测试函数和神经网络中的应用实验的结果比较,新算法在稳定性、计算精度和收敛速度方面都具有明显的优势。

机器人逆运动学差分自适应混沌粒子群求解

采用D-H法通过连杆坐标系变换矩阵建立机械臂运动控制模型,该模型呈现非常严重的非线性特性,传统方法难以求解。由于动态差分算法具有很强的全局搜索能力,而粒子群算法具有精确的局部搜索能力的特点,融合改进的动态差分算法和粒子群算法,并引入混沌映射初始种群和粒子群学习因子与惯性权重的自适应算法,提出多子群分层差分自适应混沌粒子群算法。该算法采用的多子群分层结构能提升个体共享群体信息的能力,底层利用动态差分算法进行全局搜索,顶层精英群利用改进的粒子群算法进行局部搜索。仿真试验和实际应用表明该算法在稳定性、搜索成功率以及收敛精度有显著提高,能有效解决机器人逆运动学模型的求解。

基于HUCPSO算法的电力系统稳定器参数优化方法

电力系统稳定器(PSS)对于抑制电力系统低频振荡简单有效,因而得到了普遍应用。一般采用工程整定方法设计PSS参数,这种方法难以达到优化控制效果。利用辨识参数获得参数初值,采用基于分层多子群的均匀分布混沌粒子群算法(H UCPSO)优化PSS参数,利用2机5节点系统非线性仿真模型对所得参数进行仿真。结果表明,相比于传统方法及其他智能优化算法,采用该方法优化设计的PSS具有更好的性能,所得到的控制参数使系统动态调节性能得到提高。