变步长自适应萤火虫群多模态函数优化算法

针对萤火虫群优化(GSO)算法优化多模态函数存在收敛速度慢和求解精度不高等缺陷,提出一种变步长自适应萤火虫群优化算法(CSGSO)。该算法主要思想是在GSO算法中引入搜索成功与失败概念,在每次迭代中萤火虫个体据其搜索成功或失败,加大或减小其搜索步长,使算法具有动态自适应性。实验结果表明,该算法可有效地解决GSO算法优化多模态函数存在收敛速度慢和求解精度不高的问题,增强了GSO算法优化多模态函数的性能;与其他算法相比,提出的算法具有操作简单、容易理解、收敛速度快和求解精度高等优点。

基于变步长萤火虫群优化算法的光伏系统容量优化设计

通过C++builder设计了一款独立光伏系统容量计算软件。通过变步长自适应萤火虫算法确保蓄电池用量和光伏方阵发电量二者相互匹配。变步长自适应萤火虫算法根据搜索成功与失败改进步长,易收敛。

一种改进的变步长萤火虫优化算法

萤火虫优化算法(Glowworm swarm optimization,GSO)是最近新出现的群智能优化方法.针对基本萤火虫算法在求解复杂函数全局最优值时,存在着求解精度较低、容易陷入局部最优和收敛速度较慢等问题,经过深入分析得知原有算法中采用固定步长是导致这些问题的主要原因,提出一种改进的变步长萤火虫优化算法.该算法中步长随着迭代次数的增加而呈曲线递减,这样在迭代开始时由于步长较大,群体可保持较高的全局搜索能力;随着迭代进行步长逐步递减,从而能提高群体的局部搜索能力.最后通过6个标准测试函数的仿真实验,表明了该算法操作简单,在求解精度和收敛速度上都要优于基本萤火虫优化算法.

混沌变步长萤火虫优化的随机共振微弱信号检测

针对传统随机共振只能完成单参数寻优及寻优能力差的问题,提出了混沌变步长萤火虫优化的随机共振微弱信号检测方法。该方法选用二阶Duffing振子随机共振系统作为研究对象,将随机共振问题转化为系统的多参数同步寻优问题,利用追尾行为的混沌变步长萤火虫优化算法寻找系统的最优参数,实现随机共振,检测出强噪声背景下的微弱周期信号。仿真结果表明,随着输入信号的信噪比越低,混沌变步长萤火虫优化算法寻优结果越好;在寻优结果上,混沌变步长萤火虫优化算法的随机共振明显优于量子粒子群优化算法,主要表现为输出信噪比提高了5.70 dB,相对于原始信号,信噪比提高了28.76 dB。

一种改进的变步长的萤火虫算法

为了克服人工萤火虫算法(Glowworm swarm optimization,GSO)在求解全局优化问题时,存在收敛速度慢,求解精度不高、易陷入局部最优等问题.提出了一种改进的变步长自适应的萤火虫优化算法.采用该算法可在一定程度上避免因过早的成熟陷入局部最优,并且可在后期达到更高的精确度.实验仿真证明,该算法较明显的提高了其收敛速度和精确度.

引入萤火虫行为和Levy飞行的粒子群优化算法

粒子群优化(PSO)算法具有易陷入局部最小值和全局搜索能力差的缺陷,对PSO算法的改进大多只是在某一方面利用单一搜索策略进行改进,针对这种改进策略不能全面优化PSO算法性能的问题,提出一种引入萤火虫行为和Levy飞行的粒子群优化(FBLFPSO)算法。根据改进的自调节步长的萤火虫搜索策略改善PSO的局部搜索能力,避免PSO陷入局部最小值;后期利用Levy飞行策略增强种群多样性,提高PSO全局搜索能力,跳出局部最优解。仿真实验结果表明,与现有相关算法相比,FBLFPSO的全局搜索能力和搜索精度都有较大提高。

基于粒子群优化变步长扰动观察MPPT算法

在复杂的光照条件下,由于光伏阵列被云层局部遮挡,使得其功率-电压(P-V)曲线呈现阶梯状、多极值的形状,从而造成传统的最大功率点跟踪不起作用,陷入局部寻优,影响了光伏阵列的转化效率。针对上述情况,提出了一种可以快速、稳定并且能够全局寻优的最大功率点跟踪(MPPT)算法。算法先将粒子群优化(PSO)改进,使得其能够在一定的迭代次数下稳定地全局更新所有粒子的速度和位置,快速找到最大功率点(MPP)的大概位置,再利用改进的Fibonacci数列作为变步长扰动观察法步长改变的依据,快速接近和得到功率的最佳解。通过Matlab/Simulink建立了仿真模型并且搭建了实验平台,与变步长扰动观察法、传统粒子群优化算法进行比较,验证了算法在精度与速度上均有明显提升。

采用粒子群算法的自适应变步长随机共振研究

针对传统的自适应随机共振只能实现单参数优化和变步长随机共振计算步长选取困难的缺陷,提出一种基于粒子群优化算法(Particle Swarm Optimization,PSO)的自适应变步长随机共振方法,实现了变步长随机共振最优输出的自适应求解。该方法以双稳系统的输出信噪比作为粒子群算法的适应度函数,通过变步长随机共振系统的结构参数和计算步长的自适应同步选取,能够最优地检测出大参数条件下的微弱信号。仿真数据和工程实际数据的分析表明,该方法简单易行,适用范围广,收敛速度快,能有效的检测出强噪声背景下的高频微弱信号,具有良好的工程应用前景。

一种改进的优化支持向量机参数的萤火虫算法

针对人工萤火虫群优化(GSO)固定步长带来的收敛速度不快且容易陷入局部寻优的问题,对步长因子进行改进,提出一种基于S型变步长的萤火虫算法(S-VS-GSO),步长随着迭代次数的增加而改变,并利用改进后算法对支持向量参数C和g进行优化,并利用优化后的算法对空中机动目标进行分群聚类。仿真结果表明,改进后的算法相比较标准算法,收敛速度和全局寻优能力都有所改善,算法耗时相对于标准算法也有所减少,在战场目标分群应用中准确率也高于传统算法。

基于感知功能和变步长的蚁群图像边缘检测

针对传统蚁群算法对图像边缘检测需要重复计算、步长单一问题,提出了一种具有感知功能和变步长的蚁群图像边缘检测算法。让觅食蚁具有感知功能和灵活的步长,这样,可以避免大量的重复计算同时让觅食蚁快速搜索到图像边缘。实验仿真结果表明,该算法可以有效地检测出图像边缘,运行时间明显缩短。

求解无人机ISR任务分配问题的离散萤火虫算法

针对解决存在多个情报侦察监视ISR任务地点的无人机任务分配问题,提出了一种离散萤火虫算法。对每个任务地点进行编码并重新定义萤火虫移动机制,通过引入交换子将多目标函数的寻优转化为编码序列的交换过程。采用变步长移动和多邻域搜索的方法,提高了算法的收敛速度和全局寻优能力。仿真结果表明,对于多目标离散问题,文中算法在种群规模较小、迭代次数较少的情况下能够找到满意解。

瞬变电磁法非线性优化反演算法对比

瞬变电磁法(TEM)属于时间域电磁探测方法,被广泛应用于矿产资源勘探、煤矿突水突泥调查以及岩溶调查等领域.传统的瞬变电磁数据处理方法采用“烟圈”快速成像或者线性迭代方法,存在精度低、易陷入局部极小值以及灵敏度矩阵计算量大等不足.本文提出将非线性优化算法应用到瞬变电磁数据反演中,采用粒子群优化(PSO)算法和萤火虫算法进行对比分析,建立典型的三层和四层地电模型,分析两种算法的收敛特性和抗噪特性.研究结果表明:虽然PSO算法具有较高的计算效率,但数据处理精度低,抗噪能力差;而萤火虫算法在抗噪性、数据处理精度等方面均优于PSO算法.最后,采用两种算法对实测数据进行处理,反演结果验证了上述结论.

基于混沌和自适应搜索策略的GSO算法分析与优化

针对基本萤火虫群算法在全局优化问题求解过程中存在的求解精度偏低、易陷入局部最优、收敛速度较慢等问题,提出一种基于混沌和自适应搜索策略的萤火虫优化算法(CSAGSO)。利用混沌搜索技术对萤火虫种群进行初始化以得到分布更为均匀、合理的较优初始解;运用混沌扰动优化策略对每一代适应度较差的部分萤火虫个体进行混沌扰动以增强种群多样性和提高全局搜索能力。采用动态步长的自适应搜索策略,并对寻优过程中静止不动的萤火虫个体位置进行更新,加快了算法前期收敛速度,减少了后期震荡现象发生。仿真实验结果表明,优化后的萤火虫算法参数较少并具有较好稳定性,同时在求解精度和收敛速度上都明显优于基本萤火虫群算法。

基于改进PSO-ICA的地震信号去噪方法

为了改善常规固定步长独立分量分析(ICA)算法的叠前地震信号去噪效果,本文提出一种基于混沌粒子群优化(PSO)的改进ICA算法。该算法利用混沌PSO动态调整相对梯度ICA的步长函数,减小ICA算法的稳态误差。在混沌PSO优化过程中,采用一种基于反正切函数的非线性递减惯性权重,提高PSO迭代初期的全局搜索能力和迭代后期的局部搜索能力。模型试算和实际单炮记录处理结果表明:本文提出的改进ICA算法去噪效果明显,有效信号损失小。与其他算法相比,改进ICA算法不仅能很好地保护有效地震信号,而且能提高信噪比。

基于ASGSO-ENN算法的瓦斯涌出量动态预测模型

针对煤矿瓦斯涌出量的多影响因素预测问题,引入荧光因子以自适应调整搜索步长,用于改善基本萤火虫算法后期收敛速度慢及容易陷入局部最优的缺陷。将改进后的自适应步长萤火虫算法与Elman动态反馈神经网络相结合,用于辨识瓦斯涌出非线性系统。通过实时对网络的权值、阈值进行全局寻优,建立基于ASGSO-ENN耦合算法的绝对瓦斯涌出量预测模型。利用矿井监测到的各项历史数据进行实验,结果表明,该模型的预测均方根误差为0.103 4,平均相对变动值为0.000 387。相比于其他工程常用的预测模型,具备更高的预测精度与更强的泛化能力。

云计算环境下基于改进GSO的目标主机选择算法

目标主机的选择是虚拟机动态迁移过程中的重要阶段,是实现负载均衡的关键。针对基本萤火虫算法存在的精度不高、收敛较慢的问题,提出了一种改进的萤火虫优化算法,用于解决虚拟机迁移时虚拟机和目标物理主机的映射问题,实现多目标最优求解。该算法通过引入步长调整因子,能够动态调整移动步长,克服了步长过大或过小导致的精度不高、后期收敛较慢的缺点。全面考虑物理主机负载指标,建立负载均衡模型,将萤火虫算法中个体与节点资源相对应,利用萤火虫发光机制寻优求解,以实现目标主机的优化选择。仿真实验表明,该算法能够快速完成目标主机的选择,有效平衡系统资源,实现数据中心负载均衡。

试车数据驱动的涡轴发动机起动过程模型辨识

针对传统的采用解析法建立涡轴发动机起动过程模型复杂的问题,提出了一种基于变步长萤火虫算法优化的有外部输入的非线性自回归网络(CSFA-NARX)的涡轴发动机起动过程模型辨识方法。以涡轴发动机起动过程试车试验数据为数据样本,利用CSFA-NARX网络模型辨识得到涡轴发动机起动过程模型,并采用留一交叉验证方法对辨识模型的性能进行验证。结果表明:得到的辨识模型输出参数,如燃气发生器转速n_(g)、输出轴转速n_(r)和涡轮后温度T_(4)都较好地逼近了试车实测数据,各参数验证样本最大相对误差平均值分别为0.90%、1.51%、和2.01%;在相同训练与验证样本情况下,得到的辨识模型精度优于采用萤火虫算法优化的NARX网络(FA-NARX)、NARX网络和变步长萤火虫算法优化的BP网络(CSFA-BP)模型精度。