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。

自适应策略优化的粒子群优化算法在神经网络架构搜索中的应用

针对神经网络架构搜索(NAS)任务,提出一种自适应重启策略驱动的协作学习粒子群优化(ARCLPSO)算法。算法核心流程包括协作学习与信息共享、策略切换和参数自适应,以改进传统粒子群优化(PSO)算法在NAS中的性能。ARCLPSO算法结合了全局与局部信息的协同作用和智能切换学习策略。具体地,ARCLPSO利用全局和局部信息的协同作用令粒子向更优的方向移动,通过智能的切换粒子学习策略平衡粒子的搜索性能和收敛速度,提高搜索速度和搜索质量。在NAS-Bench-101数据集上的实验结果表明,ARCLPSO的收敛时间相较于传统进化算法(REA)和随机搜索(RS),分别减少了40.9%和55.2%。

基于双策略搜索粒子群算法的供应链库存优化

针对双渠道供应链中不同渠道间存在订货价格差异的问题,建立了考虑价格差异影响的双渠道多级供应链模型,提出一种双策略搜索粒子群优化(Double Strategy Search Particle Swarm Optimization,DSSPSO)算法求解该模型。为降低供应链系统总成本同时保证较高的客户满意度,供应链各级节点采用自适应共享库存控制策略。通过算例仿真对比三种算法的模型优化结果,结果表明:双策略搜索粒子群算法优化后的总成本较遗传算法降低了64.4%,达优率为80%,验证了算法的有效性和稳定性。

多策略改进的粒子群算法在VRPTW问题中的应用

该文研究带时间窗约束的车辆路径问题(Vehicle Routing Problem with Time Windows,VRPTW),这是一个典型的NP-Hard问题。针对传统粒子群算法求解带时间窗约束的车辆路径问题容易陷入局部最优的缺陷,提出了一种基于多策略方法改进的粒子群算法(Multi-Strategy improved particle Swarm Optimization Algorithm,MSPSO)来解决该问题。该算法采用惯性权重递减策略,使得算法在前期的全局搜索和后期的局部搜索都能够有良好的表现,通过引入随机选择策略更新粒子最优位置,可以增加解空间的多样性,有效避免算法陷入局部最优。最后通过测试Solomon Benchmark算例的结果,在25个客户的C103数据集上MSPSO算法对比RWPSO算法的行驶距离降低了38.29,对比S-PSO算法在C103、R103这两个数据集与最优解误差分别降低了1.76%和3.99%。在50个客户C1系列数据集上MSPSO算法对比PSO算法行驶距离分别减少了14.26、45.66、67.7,与数据集的最优解误差基本能保持在1%以内。从实验结果可以证明MSPSO算法在求解VRPTW问题方面具有优越性和有效性。

基于动态搜索策略离散粒子群算法的稀疏阵列约束优化

针对目前稀疏阵列优化算法搜索策略单一和适用范围受限问题,对离散粒子群(Discrete Particle Swarm Optimization,DPSO)算法进行改进,提出了一种基于多种融合的综合粒子学习策略的算法,用其设计具有多个约束条件的稀疏平面阵列.该方法在粒子速度更新时使用基于小生境的分散解集合替换群体最优解,以形成高多样性种群.为了增强后期局部收敛性,在适时启动局部变异策略,利用变异概率自适应地调整粒子位置,并通过两个观测参数监控其运动状态.经典函数测试和平面稀疏阵列数值仿真结果证明了算法的有效性和鲁棒性.相同仿真条件下,相比于现有三种算法,该算法峰值旁瓣电平(Peak Side-Lobe Level,PSLL)分别降低了8.45%,6.77%和8.27%.

基于改进粒子群算法的地铁隧道维护策略优化

[目的]维护策略是影响地铁隧道全寿命期服役性能和维护成本的关键因素,因此需研究更适宜的维护策略优化算法。[方法]建立了基于Gamma过程的隧道服役性能退化模型,并对检查计划和维修行为进行了参数化假设;针对维护策略优化数学模型中的随机性问题,提出了一种改进粒子群算法,并与网格枚举法对比验证了该算法的有效性;分析了不同预防性维修阈值和初始检查时间间隔对维护成本的影响。[结果及结论]改进粒子群算法可提升地铁隧道维护策略优化的计算效率;与初始检查时间间隔相比,地铁隧道全寿命周期维护成本对预防性维修阈值更加敏感。

协同粒子群算法的乌鸦搜索算法与无线传感器网络应用

无线传感器网络技术在随机部署过程中经常面临节点分布不均匀的挑战。为了提高节点部署覆盖率,提出了一种协同粒子群算法的乌鸦搜索算法。该方法将粒子群优化与乌鸦搜索算法相结合,使乌鸦搜索算法能够利用粒子群优化的全局最优位置信息,平衡全局和局部搜索能力。在初始化过程中,采用了Logistic混沌映射来处理种群的多样性。此外,引入自适应步长和Levy飞行,提高了算法逃避局部最优的能力,提高了收敛速度和优化精度。当应用于优化8个基准函数和部署WSN节点时,新算法始终优于其他智能算法,证明了其在函数优化和WSN节点部署方面的有效性。

基于多策略粒子群算法的变电站二次设备缺陷识别

变电站二次设备经过长期运行,对一次设备的保护程度逐渐变弱,缺陷渐显。针对上述问题,提出一种基于多策略粒子群算法的变电站二次设备缺陷识别方法。利用振动加速度传感器采集二次设备运行状态时的振动信号,从振动信号中提取极值差、信号静态变化程度、信号振动剧烈程度、信号分布形态偏移度、信号偏离正态分布的程度、信号时域波形因子、信号脉冲因子等7个特征参数,构建适应度函数,利用多策略粒子群算法计算每个粒子的适应度值,并按照最大适应度值,一一对应变电站二次设备缺陷因子,完成变电站二次设备缺陷类型识别。实验结果表明,所研究方法应用下,继电器识别出来的缺陷类型为触点松动开裂,熔断器识别出来的缺陷类型为溶体熔断,控制开关识别出来的缺陷类型为拒动缺陷,与实际情况均为一致,识别准确性高。

麻雀搜索算法-粒子群算法与快速扩展随机树算法协同优化的智能车辆路径规划

针对智能汽车在面对多样化工作场景时其路径规划算法存在响应时间长、规划效率低的问题,提出了多元协同优化策略。首先,融合麻雀搜索算法(SSA)的警惕机制与粒子群算法(PSO)的种群寻优特性,对PSO算法中的惯性权重因子和学习因子进行优化;其次,提出“三角布线”搜索规则,对快速扩展随机树算法(RRT)进行双向优化(RRT-Connect);然后,基于MATLAB软件建立了复杂环境道路仿真模型,对上述优化方案进行了仿真验证。结果表明,相较于单一的优化方案,协同优化算法在路径长度与规划时间上均具有显著的优势。对两种协同优化方案的应用场景进行了实车试验,结果显示:在局部路径规划中,SSA-PSO算法响应时间更短,规划效率更高,而在全局路径规划中,“三角布线”RRT-Connect算法更具优势。

基于粒子群算法的6.6 kV核电厂中性点接地方式优化策略

随着地区经济发展,某核电厂中压系统的规模不断扩大,系统电容电流快速增长,重要负荷日渐增多,对供电可靠性的要求也日益提高,传统的中性点接地方式可能跟当前的运行需求无法匹配,需要进行优化。因此提出了评价中性点电阻阻值优劣的多维度指标,以接地方式的安全性评价指数最大为目标建立目标函数及隶属度函数,根据某核电厂的实际运行设置指标权重,利用粒子群算法求解目标函数最大值及对应的中性点电阻阻值,优化了中性点接地方式。

智能算法的亚群优化策略综述

群智能算法的优化是提升群智能算法性能的一个主要途径,随着群智能算法越来越广泛地运用到各类模型优化、生产调度、路径规划等问题中,对智能算法性能的要求也越来越高。亚群策略作为一种优化群智能算法的重要手段,能够灵活地平衡算法的全局勘探能力和局部开发能力,已经成为群智能算法的研究热点之一。为了促进亚群优化策略的发展和应用,对动态亚群策略、基于主从范式的亚群策略和基于网络结构的亚群策略进行了详细调查,阐述了各类亚群策略的结构特点、改进方式和应用场景。最后,总结了亚群策略目前存在的问题以及未来的研究趋势和发展方向。

基于粒子群算法的钢丝网垫隔振器参数识别

目的 证明粒子群优化算法对钢丝网垫隔振器参数识别的有效性和准确性。探究不同的加载条件对钢丝网垫元件力学性能的影响。方法 对钢丝网垫元件进行正弦加载试验,获取试验响应数据。以双折线模型对钢丝网垫的力学性能进行描述,建立隔振器的参数识别方程,应用粒子群算法和试验响应数据识别出模型参数,并研究不同加载条件下识别参数的变化规律。结果 用识别出的参数计算绘制的迟滞回线和试验结果吻合较好。改变激励幅值和频率,钢丝网垫的一次刚度、三次刚度、滑移刚度、等效阻尼均发生规律性变化,而改变钢丝网垫所受静载,曲线变化极为微小。结论 研究证明了粒子群优化算法对钢丝网垫隔振器参数识别的有效性和准确性,是一种有工程应用价值的参数识别方法。

基于改进粒子群算法的木材板材下料方法

木材板材在家具行业应用广泛,以绿色环保、节约能源为目的的木材板材优化下料已经成为研究的热点。木材板材下料优化问题属于二维矩形下料问题,是一种具有高度计算复杂性的问题。本研究主要针对单规格木材板材进行矩形零件下料问题,在木材板材长和宽都大于零件长和宽的情况下,通过建立二维下料的数学模型,采用标准粒子群算法、变邻域搜索算法、粒子群混合变邻域搜索算法分别进行求解,并以某企业的下料实例进行分析计算。首先,利用标准粒子群算法求解单规格板材下料问题;其次,利用变邻域搜索算法求解单规格板材下料问题。在获得局部最优解的基础上改变其邻域结构再进行局部搜索,找到另一个局部最优解,如此不断迭代,直到满足算法的终止条件,获得全局最优解;最后,利用粒子群变邻域搜索混合算法求解单规格板材下料问题。针对粒子群算法局部搜索能力较差、容易过早收敛的问题和具有较好包容性的特点,将变邻域搜索的思想融入粒子群算法中,使结果更加趋向全局最优。结果表明:粒子群变邻域搜索混合算法相比粒子群算法和变邻域算法效率都有显著提升,能显著提高该木材板材的利用率,增加企业经济效益。

基于混合简化粒子群算法的贝叶斯网络结构学习研究

为改善当前贝叶斯网络结构学习算法易陷入局部最优、过早收敛和寻优效率低的问题,进行了混合简化粒子群算法优化贝叶斯网络结构学习的研究。该算法利用最大支撑树约束搜索空间,并提出V-结构与条件相对平均熵相结合的初始定向策略,然后利用爬山策略建立初始粒子群,再利用改进的粒子群优化算法和遗传算法对初始种群迭代优化,在迭代过程中提出条件交叉和变异策略避免粒子的随机发散更新,并结合副粒子增缓策略更新未优化粒子,避免算法陷入局部最优。该算法与其他算法在4种标准网络下进行了仿真实验。实验结果表明,所提算法在ASIA、CAR、CHILD、ALARM网络中相比于MMHC、GS、BNC-PSO、PC-PSO算法BIC评分分别平均高5.775%、5.8%、0.475%、2.75%;汉明距离HD更低,正确率ACC更高。

融入重心反向学习和单纯形搜索的粒子群优化算法

针对粒子群优化PSO算法后期种群多样性差和易陷入局部最优解等问题,提出具备重心反向学习和单纯形搜索行为的粒子群优化COLS-PSO算法。初始时,基于混沌策略构造出搜索空间。进化过程中,基于Spearman系数选择需要进行重心反向学习的粒子,以帮助算法逃离局部极值区域。进一步引入局部搜索能力较强的单纯形搜索方法增强对最优粒子邻近区域的开发,以提高搜索精度。实验先在若干标准测试函数上进行,之后将COLS-PSO算法应用于软件测试数据生成问题。实验结果表明,COLS-PSO算法在求解精度、收敛速度和有效性方面表现较好,能够有效平衡种群多样性和算法收敛性的矛盾。

基于改进多目标粒子群的大型设备群检测策略优化方法

在大型履带起重机群(大型设备群)检验检测中,存在检测工期紧、检测质量和人员安全要求高、经济效益最大化等多目标约束下的最优检测策略制定问题,为此,提出了一种基于改进多目标粒子群的大型设备群检测策略优化方法(MOPSO)。首先,利用变异算子对传统的多目标粒子群算法优化方法进行了改进;然后,根据大型设备群检测项目的实际需求构建了检测工期、检测成本、检测质量与安全的多目标优化模型,并确定了各子目标的约束条件;最后,将该优化算法和构建的模型应用于大型履带起重机群的检测项目中,对该方法的有效性进行了验证。研究结果表明:与传统检测策略相比,在保证质量和安全的前提下,利用该方法得到最优的检测策略,其检测周期仅需3/4,检测单位成本节省了14%,受检单位成本节约了32.8%,极大地提升了检测效率,降低了企业和检验单位人力、经济和时间成本。因此,该方法具有良好的实用性和推广应用价值。

基于混合策略改进粒子群算法的配电网无功优化研究

无功优化问题需确定无功补偿点和补偿容量,针对无功优化的特点,首先在奇异值分解法的基础上,考虑多次潮流计算,依次选择无功补偿点,避免出现补偿重叠。其次以有功损耗最小、负荷电压平均偏离最小为目标函数,构建双目标无功优化模型,为解决算法收敛速度慢,粒子多样性差等问题,提出了多策略融合的改进粒子群(IPSO)算法,综合考虑了粒子在前、中、后期的特点对粒子寻优的影响,有效增强了算法局部寻优能力、种群粒子前期多样性以及后期收敛速度。最后采用IEEE30算例进行验证,相比传统方法,结果表明该方法能有效减少网损、补偿容量,提高电能质量,具有良好的优化效果。

融合禁忌搜索和惯性权重动态调整的二进制粒子群优化算法

传统的二进制粒子群算法在优化过程中容易出现收敛速度慢和容易陷入局部最优的问题,因此提出了一种融合禁忌搜索和惯性权重动态调整的二进制粒子群优化算法。该算法不仅综合了粒子群优化算法的快速性、随机性、全局收敛性的优点,而且能够进行禁忌搜索以实现局部寻优。通过在4个基准测试函数上进行实验,实验结果表明该算法在逃离局部最优解方面具有更好的能力,提高了算法的收敛性能。

泵站单机组优化调度组合改进粒子群算法

开展泵站节能降耗优化模型算法研究、实现泵站经济运行具有重要的现实意义。动态规划法在泵站优化调度模型求解中较为常用,针对动态规划法决策变量离散处理对精度的影响,引入决策变量在可行域内随机生成并不断更新的粒子群算法,并提出“Sobol序列优化初始种群+实时调整惯性权重+正余弦替代学习因子”多策略融合的改进方法,通过4种基准函数性能测试,验证了改进粒子群算法在搜索能力和计算精度上有显著提升。在此基础上,将改进粒子群算法应用于某大型调水泵站以耗电费用最小为目标的单机组变速优化模型求解中,得到不同时段的最优决策方案及相应的目标最优值,并与动态规划法计算结果进行对比,2种方法最优决策过程基本一致,最优目标值精度相当。结果表明:粒子群算法组合改进策略是可行的,计算结果是可靠的,可以作为泵站优化调度模型求解的一种有效方法。

ACCQPSO:一种改进的量子粒子群优化算法及其应用

针对量子粒子群优化算法前期易陷入局部极值点、后期寻优精度不高等问题,文章提出一种自适应交叉算子的混沌量子粒子群优化算法,并将其应用于BP神经网络超参数寻优。首先,利用Logistics映射初始种群为混沌序列进行最优解搜索,增强初始种群的随机性与遍历性,提高算法寻优能力;然后,通过纵向交叉操作进行种群中个体的信息交换,并引入自适应交叉概率公式,增加种群多样性,提高算法的寻优精度;最后,在实验中,一方面,选取8个函数在高低两个维度进行验证,同时进行Wilcoxon秩和检验分析以及消融实验,验证该算法相较其他算法的有效性;另一方面,通过算法优化BP神经网络应用到网络安全态势预测任务中,实验结果表明该算法收敛速度相较于对比算法有大幅度提升。