基于Shapley值与全局和声搜索算法的电网投资组合策略

随着新型电力系统建设的加速推进,电网投资的力度持续攀升,企业须探索更加合理高效的电网投资策略,以实现最优的综合效益。为此,从经济、社会、环保和安全的维度出发,以电网项目投资的综合效益为优化目标,对投资组合策略进行研究。首先,应用Shapley值法对各效益函数的占比进行分摊,以呈现不同效益指标的特性。其次,在考虑投资能力、负荷需求等关键约束的基础上,设计了电网项目投资组合优化模型,并采用全局和声搜索算法进行求解。最后,构建算例对投资组合策略进行验证。算例结果表明,所提方法能够协助决策者在新形势下制定最优的电网投资策略。

反向学习和声搜索算法优化高维函数问题

提出一种反向学习和声搜索(OLHS)算法,该算法设计了随机位置更新操作,进一步提高算法的全局搜索能力;融合了反向学习技术,拓宽解空间的开发,增加解的多样性;引进了小概率变异策略,平衡算法的聚集和发散过程,防止算法陷入局部最优;采用了模拟退火选择机制,推动和声记忆库的更新,增加新解的有效利用.对10个高维标准函数进行了测试,同基本和声搜索算法及最近文献中提出的7种优秀改进和声搜索算法相比较,结果表明本文算法具有更好的优化性能.最后,分析了关键参数F和Pm对算法优化性能的影响.

基于精英反向学习策略的麻雀搜索算法

针对麻雀搜索算法(Sparrow Optimization Algorithm,SSA)存在收敛速度慢、容易陷入局部极值的问题,提出了一种基于精英反向学习(EOBL,elite opposition-based learning)的麻雀搜索算法。该算法引入精英反向学习策略,通过精英个体反向学习生成反向解,同时获取精英麻雀的动态边界,对比更新前后麻雀,如果更优则替代之前的麻雀,从当前解和精英反向解中挑选优异个体作为下一代种群,有效的提高了算法全局搜索能力和搜索精度。通过标准测试函数进行对比仿真,结果表明加入精英反向学习麻雀搜索算法具有很好的全局搜索能力和收敛速度。

一种全局和声搜索算法及在PID控制中的应用

PID控制受到H∞多性能标准的限制,是一类约束优化问题.引入了一种全局和声搜索算法(GHS)以解决PID控制问题.由于使用了位置更新和小概率的变异,GHS算法具有很强的收敛性和跳出局部最优的能力.通过结合GHS算法和一种罚函数法来处理目标和约束之间的矛盾.实验结果表明,GHS算法在解决PID控制问题上具有很强的解空间开发能力,它所获得的解要好于文献中所报道的解.

全局和声搜索算法求解具有2~n个解的绝对值方程

绝对值方程是一个NP-hard问题,有关多解绝对值的研究更不多见,重点研究存在2n个解的绝对值方程.首先给出了存在2n个解的条件,其次给出了一个求解算法:带有聚类的全局和声搜索算法.采用位置更新和小概率变异策略来取代经典和声搜索算法的音调微调操作,进而通过多种群多次聚类策略来寻找原问题的多个解.实验结果表明,本文算法具有较强的搜索能力,能够获得绝对值方程问题尽可能多的解.

混沌反向学习和声搜索算法

为改善和声搜索算法易陷入局部最优的不足,提出了一种混沌反向学习和声搜索(COLHS)算法.基于聚集和发散思想,对算法陷入局部最优和停滞状态进行初步预判断,并根据预判断的结果融合混沌扰动策略和反向学习,利用了logistic混沌序列的遍历性和反向学习的空间可扩展性.此外,利用和声记忆库的历史信息定义更新因子和进化因子,自适应地调整参数基音调整概率(PAR)和基音调整步长(BW),平衡算法的聚集和发散.数值结果表明,COLHS算法优于HS算法及最近文献报道的8种改进的HS算法.

全局共享因子的和声搜索算法

针对和声搜索算法在求解单峰值和多峰值函数寻优问题时存在收敛速度慢、精度低等问题,提出一种全局共享因子的和声搜索算法。在和声搜索算法基础上,引入全局共享因子思想,通过对和声搜索算法音调微调机制产生新和声方式,使改进算法能在初期利用较小的全局共享因子减弱音调微调带宽对最差和声的音调微调能力,迭代后期利用迅速增大到一定值后的全局共享因子来增强音调微调能力,最终实现全局收敛。从固定迭代次数和固定收敛精度两个角度分别对4个单、多峰值函数进行对比实验。结果表明:对多峰值Rastrigrin和Ackley函数,改进后的算法收敛精度、速度均优于和声搜索算法;对多峰值Griewank函数,改进后的算法在迭代次数10 000之后,其收敛精度、速度较和声算法无明显改进;改进算法对单峰值Rosenbrock函数的收敛精度、速度提升较为明显。

一种全局和声搜索算法求解绝对值方程

绝对值方程Ax-|x|=b是一个不可微的NP-hard问题。在假设矩阵A的奇异值大于1时,给出了一个求解绝对值方程的全局和声搜索算法。新的和声搜索算法使用了位置更新和小概率变异策略,实验结果表明,该算法具有较强的全局搜索能力,且收敛快、数值稳定性好、参数少等优点,是求解绝对值方程的一种有效算法。

随机交叉全局和声搜索算法

针对和声搜索算法易陷入局部最优的不足,提出了一种随机交叉全局和声搜索(RCGHS)算法。通过最差和声向最优和声学习提高算法的全局搜索性能,引入其他和声向最优和声学习的交互策略提高算法的局部搜索性能。将两种学习策略随机交叉动态产生新和声,平衡算法的全局搜索和局部搜索性能。在和声记忆库更新阶段,利用即兴创作产生的和声向量与随机反向学习产生的和声向量中较优的个体更新和声记忆库。将RCGHS算法与目前文献中较优的几种改进HS算法、ABC算法、PSO算法和GWO算法进行性能测试,测试结果表明RCGHS算法具有较高的寻优精度和较快的收敛速度。

基于反向计算和高斯分布估计的动态自适应和声搜索算法

为了增强和声搜索算法在求解高维多模态问题时的空间全局探索能力和求解精度,通过定义的4种反向计算方法和高斯分布估计算法,提出一种动态自适应高维和声搜索算法.该算法采用正交试验初始化和声记忆库;利用多维动态自适应算法进行和声创作;采用动态反向选择算法更新和声记忆库,并改进和声音调微调调解步长,从而增强算法的空间探索能力,避免陷入局部搜索.通过6个标准的高维Benchmark函数测试表明,本文算法在全局搜索能力、收敛速度和求解精度等方面都有明显改进.

基于全局和声搜索算法的特征基因选择方法

鉴于DNA微阵列数据中无关基因和冗余基因对分类精度和效率的影响,提出一种基于全局和声搜索的特征基因选择方法,首先采用ReliefF算法对微阵列基因数据集排序,取排序靠前的N个基因构成初选基因子集,然后利用全局和声搜索算法选择特征基因.两个公共微阵列数据集上的仿真实验表明,该算法全局搜索能力强,分类精度高,能够有效地剔除噪声和冗余基因,是一种有效的特征基因选择算法.

带有全局交叉的修正和声搜索算法

为增强和声搜索算法的全局搜索能力,提出一种带有全局交叉的修正和声搜索(MHSgc)算法.MHSgc算法采用多和声记忆库协同创作,应用邻域学习策略进行调整,取代原有的基音调整,从而增加了种群多样性.同时,提出一种全局交叉操作,并融合到MHSgc算法中,防止算法陷入局部最小.针对几个标准函数进行了实验仿真,数值结果表明,上述算法优于文献报道的8种智能算法(HS,IHS,GHS,NGHS,EHS,ITHS,MPSO,RMDE),具有较好的优化潜力.

新颖的全局和声搜索算法在经济性调度中的应用

提出采用新颖的全局和声搜索算法来解决经济调度问题,并设计了一种新颖的处理系统约束的方法;介绍了经济调度问题数学模型、新颖的全局和声搜索算法实现过程及其应用方法。实验结果表明,采用新颖的全局和声搜索算法所获得的最优值要明显好于采用进化算法、粒子群算法所获得的最优值,新颖的全局和声搜索算法为解决经济性调度问题提供了一种新的解决方案。

求解函数优化问题的反向自适应和声搜索算法

针对多维函数优化问题,提出2种新的反向自适应和声搜索算法。在自适应和声搜索算法的基础上,通过引入反向初始化操作,增强初始和声库的质量。设计一种反向自适应新和声搜索产生策略,加强算法的寻优能力。分别设计2种不同的和声微调概率的设置方式,并研究其对于算法收敛速度的影响。针对4个标准测试函数的仿真实验结果表明,与传统的和声搜索算法相比,2种算法的求解质量和收敛速度都有所提升。

一种改进的全局和声搜索算法求解函数优化问题

针对和声搜索算法的早期收敛速度快,后期收敛慢,容易陷入局部最优解的问题,本文提出了一种改进的全局和声搜索算法.该算法对标准和声搜索算法作了三点改进,首先在和声记忆库初始化时采用反向学习策略,提高初始解的质量,提高收敛速度,其次,采用动态方式调整参数,第三,利用当前和声记忆库中的全局最优解产生新解,提高全局搜索能力.采用该算法对6个标准的测试函数进行优化,结果表明,该算法避免算法的早熟和增强算法的全局搜索能力,具有较好的优化性能.

自适应改进和声模式搜索算法

由于基本和声搜索算法存在不足,本文提出一种自适应改进和声模式搜索算法(AIHPS).在新算法中加入变异策略对和声微调进行改进,来增强算法的鲁棒性;适时执行模式搜索来增加和声搜索的方向性,来加快搜索;利用自适应参数HMCR、PAR和BW调节全局和局部搜索.利用6个标准的优化算法测试函数对AIHPS算法进行测试,并与HS、IHS和GHS等多个算法进行实验对比,实验结果表明新算法具有跳出局部最优和较强的精确寻优能力.

混合蛙跳细菌觅食的和声搜索算法及图像应用

针对和声搜索算法存在早熟、收敛停滞等问题,提出了一种基于混合蛙跳细菌觅食的和声搜索算法(harmony search algorithm based on shuffled frog leaping and bacterial foraging,SFLBF-HSA)。引入混合蛙跳算法全局搜索及细菌觅食优化算法群聚吸引、排斥信号等思想,对和声音调搜索机制进行了改进。首先,提出和声音调学习策略(即吸引信号),利用全局最优和声个体对最差和声个体进行正方向的差异扰动,保持搜索朝向最优个体;其次,提出和声音调调节策略(即排斥信号),利用全局最优和声个体对最差和声个体进行反方向的差异扰动,保持搜索远离局部最优个体并朝向其他优秀个体。在两种策略搜索中,同时利用全局共享因子的非线性动态特点抑制搜索的随机性。Benchmark函数对比实验结果表明,改进后算法在单峰值和多峰值函数寻优问题上收敛速度和精度均有显著提高。将SFLBF-HSA应用于作物籽粒图像分割,提高了分割效果,对颗粒较大,似圆形状作物籽粒图像分割后,识出率和识别成功率有显著提高。

基于自适应t分布与随机游走的麻雀搜索算法

针对麻雀搜索算法在解决复杂问题时存在的收敛精度降低以及陷入局部最优等问题,文中提出了一种基于自适应t分布与随机游走的麻雀搜索算法。该算法在初始化过程中使用反向学习来生成反向解,从中选择优秀的个体组成初始化种群。在原始麻雀搜索算法上采用自适应t分布策略和高斯随机游走策略可以提高麻雀个体的寻优能力,同时防止算法早熟。仿真结果表明,相较于对比算法,文中所提算法的收敛精度和收敛速度都有所提升。

一种改进的和声搜索算法求解FJSP

针对柔性作业车间调度问题(Flexible Job-Shop Scheduling Problem,FJSP),以最大完工时间为优化目标,提出一种新改进的和声搜索(Harmony Search,HS)算法。该算法采用两段组合的编码方式,利用全局随机混合初始化的方式来保证初始解的质量和多样性。算法的搜索过程中采用一次创作多个和声方式,充分利用和声记忆库积累的资源,来提高收敛速度。加入智能变异算子,达到均衡机器负载分配,提高搜索到最优解概率的目的。通过与文献算法对比基准测试结果和实际工程测试,证明该算法不但提高了求解FJSP的精确度,还具有较高的有效性和实用性。

求解航天器最优交会问题的改进和声搜索算法

针对航天器最优交会问题,基于C-W模型建立一种燃料时间混合指标,并提出一种改进和声搜索(AHS)算法进行求解.在AHS算法中,提出一种全局均匀学习操作,利用了当前全局最优和声的指导作用,取代了原始和声搜索算法的基音调整操作,增强全局搜索和局部搜索的平衡,并对参数PAR进行了有效的动态调整,以更好适应算法的搜索进程.利用几个最优交会实例对AHS算法的有效性进行了测试,数值结果表明AHS算法能够取得满意的结果,并且优于其他算法.