基于改进人工蜂群算法的船舶管路路径寻优算法分析

[目的]人工蜂群(ABC)算法具有控制参数少、局部寻优能力强、收敛速度快的特点,但在解决路径寻优问题方面,存在容易陷入局部最优的缺陷。为解决船舶管路系统中的管路路径规划问题,提出一种改进的人工蜂群(IABC)算法。[方法]在传统人工蜂群算法的基础上,在跟随蜂的更新机制中引入遗传算子中的交叉操作,并对交叉算子的交叉概率采用自适应的策略;通过对种群进行的交叉操作寻找全局范围内的新解,并改进侦察蜂寻找新路径的方式,由原来的对路径经过的点进行更新改为对路径中的“路段”进行更新;随后,提出一种适应于解决分支管路路径寻优的改进人工蜂群协同进化算法。[结果]实例验证表明,改进后的人工蜂群算法相比标准人工蜂群算法其路径布置效果能够提升32.3%~37.4%,收敛速度能够提升17.7%~29.9%。[结论]无论是解决单管路还是分支管路,改进后的人工蜂群算法相比传统的人工蜂群算法求解质量更高、收敛速度更快、稳定性更好。

基于自适应进化策略的人工蜂群优化算法

提出一种自适应进化策略的人工蜂群优化算法来提高基本人工蜂群优化算法的性能。算法中每个引领蜂拥有4种进化策略,在迭代过程中通过计算每种进化策略的立即价值、未来价值和综合奖励来决定引领蜂个体的进化行为,并通过多策略进化概率变异方式来提升个体寻优速度或避免陷入局部最优解。典型高维复杂函数测试表明,该算法具有很好的收敛精度和计算速度。

具有混沌差分进化搜索的人工蜂群算法

针对人工蜂群算法的不足,结合差分进化算法中的变异思想,提出一种改进的人工蜂群算法。其基本思想是在标准人工蜂群算法中观察蜂更新蜜源的阶段,使用差分进化算子对蜜源进行更新,在差分变异算子中引入混沌序列,以提高观察蜂在此阶段的局部搜索能力,最终获得最优蜜源。仿真结果表明,引入混沌差分进化搜索的蜂群算法无论在解的求解精度上还是算法的收敛速度上均优于标准人工蜂群算法,适合于复杂函数的全局优化问题。

基于差分进化人工蜂群算法的光伏最大功率跟踪策略研究

带有旁路二极管的光伏阵列在局部阴影时其P-U特性曲线会出现多个极值点,此时常规MPPT方法在多峰值寻优时可能会失效。对光伏阵列输出特性功率极值点的个数进行了研究,在此基础上将基于差分进化的人工蜂群算法应用于最大功率点跟踪。首先对蜜蜂的初始位置进行预定义初始化,避免遗漏极值点。将差分进化算法中的变异策略与人工蜂群算法相结合,实现时变条件下全局最大功率点跟踪控制。并且在上述算法中加入迭代终止策略,从而有效避免系统稳态时的功率振荡现象。在Matlab中搭建S-Function仿真模型,验证了该算法的有效性。

基于差分进化和人工蜂群混合策略的DV-Hop改进算法

为了解决无线传感器网络依靠DV-Hop算法定位过程中存在误差偏高的问题,将人工蜂群算法和差分进化算法融合,引入传统DV-Hop算法中,提出一种HDV-Hop算法。该算法在继承经典DV-Hop算法的前提下,获取锚节点的信息及平均跳距距离,在未知节点定位阶段引入混合策略的目标函数,优化搜索算法,提高定位精度,完成对未知节点的定位。仿真分析表明,该算法相比于DV-Hop算法和基于人工蜂群的定位算法能有效降低定位误差,提高稳定性。

基于差分进化人工蜂群算法的云计算资源调度

为减少云计算的任务完成时间,提出基于差分进化人工蜂群算法的云计算资源调度方法。引入高斯变异和自适应因子改进人工蜂群算法,兼顾算法前期全局搜索能力和后期局部细致搜索;引入自适应交叉概率改进差分进化算法,兼顾算法的基因多样性和收敛速度;提出差分进化人工蜂群算法,两种改进算法并行寻优并及时交流最优解及位置信息,使两算法能够快速靠近最优解,减少算法迭代次数,提高算法收敛速度和精度。实验结果表明,差分进化人工蜂群算法调度的云计算耗时最少,随着任务量的增加耗时优势越明显。

病毒进化理论人工蜂群算法研究

为了提高人工蜂群算法的搜索性能,引入了连续状态下的生物病毒机制和宿主与病毒基于感染操作等思想优化人工蜂群算法搜索机制。人工蜂群算法具有控制参数少、实现简单的优点,但是由于蜂群收敛采用局部搜索,使得算法易于早熟收敛或者陷入局部最优值。通过病毒进化对人工蜂群算法进化机制的分析,利用病毒的感染与进化,建立精英雇佣蜂对懒惰蜂引导,提高人工蜂群算法的搜索性能,加强群体的多样性,提高了局部搜索能力。仿真实验表明这种方法较常见的人工蜂群算法,有较明显收敛速度和搜索精度改进。

基于双层进化的多种群并行人工蜂群算法

针对人工蜂群算法(ABC)容易陷入早熟收敛等不足,引入文化算法双层进化结构和多种群并行进化思想,提出基于双层进化的多种群并行人工蜂群算法(PMABC)。将采蜜蜂群划分为具有不同搜索策略的子种群并行进化,平衡全局开发能力与局部搜索能力,避免算法过早陷入局部最优。采用双层进化结构,采蜜蜂群作为种群空间寻找可行解,追随蜂群作为信仰空间,记忆采蜜蜂群搜索的优质蜜源并继续搜索。将其搜索结果用于指导蜂群寻优,可加速算法收敛,提高收敛精度。通过6个经典的适应度测试函数仿真验证了该算法能够有效避免陷入局部最优,具有较快收敛速度和较高收敛精度。

受粒子群和差分进化启发的人工蜂群算法

针对基本人工蜂群算法搜索策略探索能力强而开发能力弱的特点,受粒子群和差分进化思想的启发,提出了两种新的搜索策略:PSO-DE-PABC和PSO-DE-GABC。前者在随机个体附近产生新的候选位置以提高算法的多样性;后者在最优解附近产生新的候选位置以提高算法的收敛速度,并加入差分进化中的差异向量来增加种群的多样性。在此基础上,引入维度因子来控制算法的收敛速度,并且使用一种利用当前种群信息的侦查策略来增强算法的局部搜索能力。通过对10组标准测试函数的实验仿真并与基本ABC、GABC和ABC/best算法相比,结果表明PSODE-GABC和PSO-DE-PABC对数值优化具有更高的收敛速度和收敛精度。

基于分段搜索策略的自适应差分进化人工蜂群算法

针对人工蜂群算法在求解函数优化问题时存在的探索能力强,而开发能力不足和收敛性能差的问题,本文提出一种基于分段搜索策略的自适应差分进化人工蜂群算法。该算法将改进后的差分进化算法中的变异操作引入到观察蜂的局部搜索策略中,让观察蜂在雇佣蜂逐维变异后的当前最优解周围进行局部搜索,并采用分段搜索的方式更新蜜源,以提高其局部搜索能力。仿真实验结果表明,与基本人工蜂群算法相比,改进后的算法有效地平衡了算法的探索能力和开发能力,并提高了算法的寻优精度和收敛速度。

受启发的人工蜂群算法在全局优化问题中的应用

人工蜂群算法是最近提出的一种较有竞争力的优化技术.然而,它的搜索方程存在着探索能力强而开发能力弱的缺点.针对这一问题,受差分进化算法的启发,提出了一个改进的搜索方程.该搜索方程在最优解附近产生新的候选位置以便提高算法的开发能力.进一步,充分利用和平衡不同搜索方程的探索和开发能力,提出了一个改进的人工蜂群算法(简记为IABC).此外,为了提高算法的全局收敛速度,用反学习的初始化方法产生初始解.通过18个标准测试函数的仿真实验并与其他算法相比较,结果表明IABC算法具有良好的处理复杂数值优化问题的性能.

改进人工蜂群算法求解非线性方程组

针对传统的人工蜂群算法在处理单峰问题时收敛速度较慢、多峰时易陷入局部最优等缺点,通过借鉴差分进化算法中变异算子的作用,提出了一种改进的人工蜂群算法.该改进算法在对蜜源邻域的搜索过程中引入了个体当前最优值及随机向量,从而加快算法的收敛速度,并且在一定程度上防止多峰问题易陷入局部最优的不足,提高算法的搜索能力.最后将改进的算法应用到求解基本函数和非线性方程组上,测试改进算法的性能.结果表明,改进的算法能够有效避免陷入局部最优,并能较大幅度地提高收敛速度和收敛精度.

基于改进人工蜂群算法的并联机器人正运动学解

并联机器人的正运动学问题可转化为等效的最小化问题,并采用数值优化方法求解。人工蜂群算法是模拟采蜜过程中蜂群行为机制的一种启发式搜索方法,目前还尚未在并联机器人正运动学问题中得到应用。提出一种数值求解并联机器人正运动学问题的改进人工蜂群算法(Improved artificial bee colony algorithm,IABC),该方法通过多维度改变蜜源位置,对算法中雇佣蜂采用以DE/rand/1差分操作为主,并兼以遗传算术交叉为辅两种策略相结合搜索方式增强群体多样性,而对旁观蜂则采用DE/best/2差分操作方式在其邻域内搜索到性能更优蜜源位置;此外在旁观蜂选择蜜源阶段采用一种非线性排序选择操作,减弱群体中超级蜜源(个体)引起的早熟问题;基准函数测试表明该方法较大改善了寻优解质量、求解可靠性。在此基础上以6-SPS并联机器人为例,采用IABC算法数值求解其正运动学问题,数值仿真结果表明了该方法是求解并联机器人正运动学问题的一种有效方法。

基于交叉突变算子的人工蜂群算法及其应用

人工蜂群(artificial bee colony,ABC)算法在解决多峰函数优化问题时经常会陷入局部最优,使得算法过早停滞,而在解决单峰问题时往往出现收敛速度过慢的问题。针对上述不足,为了进一步提高算法的优化性能,提出了一种基于交叉突变的人工蜂群(intersect mutation ABC,IMABC)算法。IMABC算法将整个蜂群依据其适应度值优劣进行划分,引入种群划分参数,对不同种群中的个体运用交叉突变算子,有效地平衡了种群的局部开采与全局探测能力,避免早熟收敛和提高收敛速度。从对基本函数的测试上可以看出,IMABC相对于GABC、IABC、ABC/best等改进的ABC算法,优化能力有了较大的提高。最后,将IMABC用于优化K-means算法,验证了该方法具有一定的实用性。

改进人工蜂群算法的孤岛混合可再生能源发电系统容量优化

容量优化对提高风电-光伏-电池混合发电系统的经济性和可靠性具有重要意义。为进一步提高容量优化的精度,本研究提出了一种基于改进蜂群算法的容量优化方法。首先,在建立组件模型、设计能源管理规则库的基础上,以最小化单位度电成本为目标,以系统缺电率为约束,建立了混合发电系统容量优化模型;其次,通过在蜂群算法雇佣蜂阶段中引入差分进化算子,提出了一种改进蜂群算法的模型求解方法,并通过与蜂群、差分进化算法对比,验证了改进蜂群算法的有效性;最后,分别在不同缺电率要求下优化混合系统容量,得出了单位度电发电成本与缺电率的关系,并通过灵敏度分析,研究了设备价格,气象等因素对单位度电成本的影响。结果表明,在缺电率为3%时,混合系统总投资成本为779 564.26美元($),其中,光伏、风电、电池及变换器成本分别占总成本的33%、29%、34%和3%,单位度电成本为0.349 447$/kWh;单位度电成本随缺电率增加而下降且下降速率逐渐降低;单位度电成本在组件价格方面受光伏组件价格影响更明显,在气象方面,受风速均值影响更明显。该研究成果可为科学设计混合系统容量,促进风、光资源互补利用提供科学依据。

混合离散人工蜂群算法在齿轮传动优化中的应用

齿轮传动优化是一类典型离散约束优化问题(Constrained Discrete Optimization Problems,CDOPs)。根据等效优化原理,将CDOPs转化为约束非负整数规划问题(Constrained Non-Negative Integer Programming Problems,CNIPPs),并应用人工蜂群(Artificial Bee Colony,ABC)算法求解该问题。为克服基本ABC算法求解离散问题易发生进化停滞或早熟收敛的缺陷,提出一种混合离散人工蜂群(Hybrid Discrete ABC,HDABC)算法,以增强全局优化能力。该算法采用反向学习邻域搜索、差分进化算子和随机扰动变异等策略生成新蜜源。将可行性规则约束处理技术与HDABC算法结合,形成求解CNIPPs的离散优化算法。应用HDABC算法求解齿轮传动优化设计实例。通过测试与分析可知,新算法具有良好稳健性和可靠性,且所得结果优于对比算法。

一种多目标人工蜂群算法

为将标准人工蜂群算法有效应用到多目标优化问题中,设计了一种多目标人工蜂群算法。其进化策略在利用精英解引导搜索的同时结合正弦函数搜索操作来平衡算法对解空间的开发与开采行为。另外,算法借助了外部集合来记录与维护种群进化过程中产生的Pareto最优解。理论分析表明:针对多目标优化问题,本算法能收敛到理论最优解集合。对典型多目标测试问题的仿真实验结果表明:本算法能有效逼近理论最优,具有较好的收敛性和均匀性,并且与同类型算法相比,本算法具有良好的求解性能。

并联机构位置正解的人工蜂群和牛顿组合算法

将智能优化算法与数值迭代方法有机组合,构造一种并联机构位置正解求解的通用算法——混合人工蜂群和Newton迭代(Hybrid artificial bee colony and Newton iteration,HABC-Newton)算法。将差分进化(Differential evolution,DE)算法融入人工蜂群(Artificial bee colony,ABC)算法,形成一种能快速收敛到问题近优解的混合人工蜂群(Hybrid ABC,HABC)算法,再以该近优解为初值,应用Newton-Шамарский迭代法求出高精度位置正解。以4自由度4-SPS-CU并联机构正运动学分析为例,阐述基于HABC-Newton算法的并联机构正运动学分析方法。为了验证算法的有效性和普适性,给出4-SPS-CU、3-RRR两种耦合并联机构位置正解的数值算例。结果表明,HABC-Newton算法能以较少计算开销求得并联机构的全部高精度位置正解。还比较了HABC-Newton、ABC、DE和粒子群算法求并联机构位置正解的性能,数值实验显示,HABC-Newton算法的精度、稳健性和计算效率高于对比算法。

基于boltzmann选择策略的人工蜂群算法

人工蜂群算法(ABC)是一种基于蜜蜂行为的优化算法。基于Boltzmann选择机制提出了一种改进的人工蜂群算法(BABC)用来优化多变量函数。BABC算法使初始群体均匀化;采用Boltzmann选择机制来代替轮盘赌以防止算法过早收敛。经过实验证明,该算法具有全局搜索能力好,收敛速度快,参数设置少等优点。

混合人工蜂群算法在并联机构尺度优化中的应用

以4-RUPaR并联机构为研究对象,以机构杆长为约束条件,利用解析几何中的坐标变换理论,得到其运动学反解模型,根据该模型,利用所有满足约束条件的'点集'描述并联机构定姿态工作空间大小。建立以并联机构驱动连杆长度、执行连杆长度和动平台尺寸为设计变量,以工作空间最大化作为优化目标的尺度优化模型。在求解多维优化问题时,为提高算法的搜索效率及解的质量,文中将差分进化(Differential Evolution, DE)算法融入人工蜂群(Artificial Bee Colony,ABC)算法,提出一种混合人工蜂群(Hybrid Artificial Bee Colony,HABC)算法,以增强算法的全局优化能力。应用HABC算法求解并联机构尺度优化设计,获得了较好的优化效果。