求解旅行商问题的人工协同搜索算法

针对传统人工协同搜索(ACS)算法求解精度不高、收敛速度慢等问题,提出一种基于Sigmoid函数的反向人工协同搜索(SQACS)算法求解旅行商问题(TSP)。首先,利用Sigmoid函数构造比例因子,增强算法的全局搜索能力;其次,在变异阶段,加入差分进化(DE)算法的DE/rand/1变异策略,对当前种群进行二次变异,提高算法的计算精度和种群的多样性;最后,在算法后期的开发阶段,引入拟反向学习策略,进一步提高解的质量。对TSP测试库TSPLIB中的4个实例进行仿真实验,结果显示,SQACS算法在最短路径与花费时间上均优于麻雀搜索算法(SSA)、DE、阿基米德算法(AOA)等7种对比算法,并且具有良好的鲁棒性;与其他求解TSP的改进算法综合对比,SQACS算法也显示了良好的性能。实验结果表明,SQACS算法在求解小规模TSP时是有效的。

基于多群组均衡协同搜索算法的电动汽车充放电多目标优化

大规模电动汽车无序充电将会给电网安全运行带来巨大压力,合理利用V2G(vehicle to grid)技术制定最优充放电策略可以有效改善电网运行状况。在满足电动汽车充电需求的基础上,基于经典电池损耗模型和分时电价,以日负荷曲线波动最小和计及电池放电成本的用户充电成本最小为目标建立了电动汽车充放电多目标优化模型,采用多群组均衡协同搜索算法(EMGSS)进行帕累托前沿和最优折中解的求取,以滚动优化的方式满足综合考虑日间/夜间不同的随机的充电需求并进行优化计算,最大限度地实现电网侧和用户侧的双赢。通过仿真案例验证了该模型可以有效地平抑日负荷曲线波动并且降低用户充电成本。

基于路网分层的协同诱导路径搜索算法

针对交通诱导中的分布式诱导和中心式诱导各自的不足,提出了基于路网分层的协同式诱导算法。首先,根据出行偏好,对路网进行了分层,并对不同形式的路径进行了分析。然后,通过对子区域中路径搜索进行动态搜索限定,提出了基于改进A*的跨层节点确定方法,在此基础上建立了基于改进的跨层路径搜索算法。最后,构建了协同式诱导算法模型,此模型运用中心式诱导完成主干道路网层交通流的诱导,而分布式诱导完成子区域小范围次要路网上的车辆的路径搜索,并对协同搜索算法进行了仿真验证。结果表明:该算法模型相比单一诱导模型计算性能好,平均搜索的效率提高了17.5倍。

一种基于和声搜索的协同过滤算法研究

改进传统的相似度计算方法,为寻找最优的相似度函数,采用参数优化的和声搜索算法来寻找相似度函数的最优权值向量。为提高推荐速度,得到最优的相似度函数后,对于用户的推荐计算不再采用和声搜索算法。实验表明,和传统算法相比,该算法能提高预测精度和覆盖率,有更好的推荐效果,并能够更快地获得目标用户的最邻近用户,加快推荐的速度。

乌江流域梯级水库群调峰优化调度研究

针对标准协同搜索算法后期易陷入局部最优、全局搜索能力减弱等缺陷,提出了三种有效改进策略,基于此建立了一种耦合三种改进策略的精英协同搜索算法(ECSA),并以乌江流域四库梯级为例,构建了以剩余负荷标准差最小为目标的梯级水库群中长期调峰调度模型,基于3种不同来水情形,采用ECSA、CSA、PSO、GWO、WOA五种算法分别求解,发现所提ECSA在梯级调峰问题上具有很好的优越性与工程适用性。