基于非线性搜索策略的改进灰狼优化算法及其应用

灰狼算法(GWO)在大工业复杂的优化问题求解中存在许多不足之处,如容易陷入局部最优解、收敛速度慢、最优解精度低等缺点,由此提出一种改进的灰狼优化算法.在灰狼算法的基础上,通过引入非线性参数和新的位置迭代更新方程,构建一种基于非线性策略的灰狼优化算法,并通过软件实现算法.通过8个标准测试函数在多维度下的数值对比实验和一个工程设计优化问题求解,分析验证算法的稳定性和优越性,并证明其性能均优于原有的GWO系列算法,是一种具有潜力的元启发式算法.

融合非线性收敛因子与变异准反射学习的哈里斯鹰优化算法

针对哈里斯鹰优化算法(Harris Hawks optimization,HHO)易早熟收敛、寻优精度低、收敛速度慢等问题,提出一种融合非线性收敛因子与变异准反射学习的哈里斯鹰优化算法(improved Harris Hawks optimization,IHHO)。首先,初始化阶段引入Circle混沌映射,提高初始化种群多样性和种群位置质量;其次,引入Sigmoid非线性收敛因子,平衡全局探索和局部开发能力;最后,针对HHO算法易陷入局部最优问题,提出变异准反射学习(quasi-reflection-based learning,QRBL)策略,提高种群活力,进一步提高算法局部收敛能力。仿真实验采用13个标准测试函数和1个经典工程问题对改进算法进行测试,结果表明改进算法收敛精度、收敛速度均有较大提高,适用于解决实际问题。

基于非线性自适应比例因子的雪豹优化算法

针对雪豹优化算法在求解复杂优化问题时,存在全局勘探能力不足、寻优精度低等问题,提出一种改进的雪豹优化算法。首先,基于分段Logistic混沌映射初始化从而提高初始种群多样性;其次,引入非线性比例因子用于平衡算法的全局勘探能力和局部开发能力;然后,提出了一种差分变异策略,在第一次种群更新位置后,使用5个随机个体提高全局搜索能力和算法收敛能力,在第二次种群更新位置后,使用3个随机个体保证在求解过程的中后期也具有一定的全局勘探能力,尽可能避免陷入局部最优。通过在IEEE CEC2022基准函数测试集上测试,并与其他算法进行比较,结果表明所提出的算法在种群质量、求解精度以及算法稳定性上均有较大提升。最后将所提出的算法应用于工程优化,计算结果进一步证实了算法的强优化能力。

可重构智能表面辅助通信系统的非线性优化及实验设计

针对可重构智能表面辅助的通信系统,提出了一种智能反射表面开关选择和功率分配的联合设计方法,以改变电磁波传播环境、提高信号传输效率、减少功率消耗。首先,在保证接收端数据传输速率达到一定门限值等多个约束条件下,建立以系统能量效率最大化为目标的多维变量联合非线性优化问题,其中涉及的优化变量包括:智能反射表面开关选择、相位调整和功率分配。在开关选择方面,采用贪婪算法选择开启起主要作用的元器件,并关掉起次要作用的智能反射表面。在功率分配方面,通过求解凸优化问题得到功率分配的闭式解。基于此,设计出一种高传输速率、低功率消耗的迭代优化算法。最后,设计仿真教学实验,通过MATLAB软件,验证了所提出的联合优化算法通过改变电磁波传播环境,有效地提高了信号传输的速率和能量效率;并分析了实验中导致算法性能发生变化的机理,这也有利于帮助学生提高科研创新能力和工程实践能力。

非线性问题的求解及优化研究--基于遗传算法和混合遗传算法的分析

遗传算法(GA)是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率算法,然而在GA求解过程中,往往会出现早熟现象。基于GA传统算法,结合最速下降法和惩罚函数方法,提出求解非线性优化问题的混合遗传算法(HGA)。在无约束优化和约束优化两类问题中分别使用基于最速下降法的SHGA、基于惩罚函数法的PHGA进行求解。通过数值算例验证,表明HGA在非线性优化问题中比GA传统算法具有更快的收敛速度以及更好的最优解。

基于混合遗传算法的非线性问题求解及优化研究

遗传算法(GA)是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率算法,然而在GA求解过程耗时较长,易出现早熟现象导致结果准确度低。根据GA传统算法与结合最速下降法和惩罚函数方法,提出求解非线性优化问题的混合遗传算法(HGA)。在无约束优化问题和约束优化两类问题中分别使用基于最速下降法的SHGA、基于惩罚函数法的(PHGA)进行求解。通过数值算例验证,表明HGA在非线性优化问题中比GA传统算法具有更快的收敛速度以及更好的最优解。

考虑材料非线性的两端固支柱后屈曲载荷优化算法

针对满足Ramberg-Osgood本构关系的6082-T6铝合金固支柱的后屈曲问题进行了研究。利用泰勒展开式得到了用于计算横截面上弯矩的应力显式表达式,并通过弯矩-曲率关系导出了用剪力表示的控制方程。由于同时考虑材料非线性和几何非线性,此时控制方程为二阶非线性微分方程,本文提出了求解包含屈曲载荷的控制方程的优化算法。以屈曲载荷和固支端处的曲率为设计变量,以固支柱中点处的转角和挠度形成目标函数。利用进退法和黄金分割法改变设计变量的值,通过程序中包含的R-K法输出不同的结果,然后将输出的结果代入到目标函数中进行比较,获得包含目标函数极小值的最小区间,最终实现了对满足计算精度的设计变量值的确定。相较于打靶法复杂的分析过程,该优化算法优化过程简单,计算速度较快。为了验证本文算法的正确性,与两端固支6082-T6铝合金柱后屈曲时的数值解进行了对比。

遗传算法优化的非线性悬架系统仿真研究

以四分之一汽车模型为研究对象,通过线性减振弹簧构建非线性Duffing振子,提出一种切实可行的非线性悬架系统构建方法。利用增维精细积分法求解非线性悬架系统动力学模型;以车身总加权加速度均方根值最小为优化目标,汽车偏频取值为约束条件,建立非线性悬架系统的优化模型,引入遗传算法,确定非线性悬架最优的弹簧刚度和阻尼系数;进行SIMULINK仿真,对比非线性悬架系统相与传统线性悬架系统的减振效果,进一步证明了所构建的非线性悬架系统的可行性和优越性,为非线性悬架方面的研究提供了一种新方法。

在线优化可变基的非线性预测函数控制

针对基本预测函数控制只能用于线性系统控制的这一不足,给出基于实用随机NARMAX模型的非线性预测函数控制,采用可克服算法病态的非线性递推最小二乘法进行参数估计,利用在工作点处的动态切平面逼近方法,将实用随机NARMAX模型用线性时变CARMAX模型逼近,使非线性预测函数控制转化为线性模型下的预测函数控制,用线性优化算法求解控制输入,避免了复杂的非线性优化问题,并采用直接极小化指标函数优化算法对可变基函数的加权系数进行在线优化,提出在线优化参数的非线性预测函数控制。仿真研究表明,因算法具有优化可变基函数加权系数和预测函数控制功能,系统具有优良的控制响应。

基于决策树求解非线性规划问题的算法

针对群体智能优化算法具有随机性、盲目性、可编程性差的问题,提出了一种简单有效且不具有随机性的全局搜索算法,用于求解非线性规划问题。通过对每个决策变量的可行域离散化处理后得到的数据构建决策树,采用深度优先的规则对最优解进行搜索,搜索的同时用指数衰减函数调整搜索步长,从而逐步缩小搜索范围,直到结果收敛。算法不具有随机性,不需要编码、解码、交叉、变异等复杂操作,也不需要随机生成初始种群,可编程性强。对非线性规划的六个测试函数进行求解,并与文献中报道的结果对比,结果表明基于决策树的遍历搜索对解决非线性规划问题有效,对于多决策变量的复杂优化问题,采用分组搜索的策略既能保证求解精度,也能保证收敛速度。

基于Iterative映射和非线性拟合的鲸鱼优化算法

为解决鲸鱼优化算法中收敛速度慢和寻优精度低等问题,提出一种基于Iterative映射和非线性拟合的鲸鱼优化算法(NWOA)。首先,该算法利用了Iterative映射对鲸鱼种群初始化,保证初始种群的多样性;其次,采用非线性拟合的策略对收敛因子和惯性权重进行改进,以平衡算法的全局勘测能力和局部开发能力。通过对13种函数进行仿真实验,从均方差和平均值的角度分析,改进后算法寻优精度显著提高,且稳定性较强。实验结果表明NWOA与传统的鲸鱼优化算法相比,收敛速度明显加快。

面向非线性方程组的学习型头脑风暴优化算法

求解非线性方程组的难点是在一次运行中获取问题的多个根,常规求解方法难以同时满足解的精度和解的数量要求。提出一种基于知识学习的目标空间头脑风暴优化(LBSOOS)算法,通过将非线性方程组问题建模为多模态优化问题进行求解,在求解过程融合算法的求解特性和待求解问题的领域知识,采用求解问题学习和求解算法学习两种学习方式解决求解精度和解集合多样性的冲突。从算法层面改进算子的学习方式,将随机解的扰动算子替换为最差解的解间学习,提高算法的整体寻优能力。通过对多模态问题进行分析,在算法中增加额外的档案集,保证输出解集合的多样性。将LBSOOS算法与5种群体智能优化算法在7个非线性方程组问题上进行性能测试,实验结果表明,LBSOOS算法在保证求解精度的条件下,在绝大多数测试问题上的求解多样性优于BSO、BSOOS、PIO等对比算法。

基于混沌映射与反向学习机制的非线性灰狼优化算法

为提高灰狼优化算法种群多样性和搜索解的质量,提出一种基于Tent混沌函数与反向学习机制的非线性灰狼优化算法。采用Tent混沌函数和反向学习机制进行种群个体初始化,使得初始种群个体分布均匀及多样性增强;引入一种非线性收敛因子控制策略,平衡其全局搜索能力和局部搜索能力;引入动态权重策略以提升灰狼优化算法的收敛速度和收敛能力。为验证改进算法的有效性,采用8个基准数学函数测试其收敛速度和收敛精度,并与GWO、CGWO和I-GWO三种灰狼算法进行对比。实验结果表明:非线性灰狼优化算法在多个测试函数上的收敛精度均达到了10-5以上,收敛精度和收敛速度优于其他三种对比算法。

基于非线性优化算法的工业机器人轨迹跟踪自动控制

为完成机器人高效率工业生产任务,提出一种基于非线性优化算法的工业机器人轨迹跟踪自动控制方法。考虑杆件运动重力因素,从角速度、加速度等方面明确工业机器人动力学规律;使用具备非线性优化性质的蚁群算法规划运动轨迹,引入人工势场法计算待选节点和目标节点的间距,评估当前路径是否为最佳路径并更新信息素,输出最优工业机器人运行路线;计算机器人相对功率因数校正控制量,运用粒子群算法求解轨迹跟踪预测控制序列,通过支持向量机构建轨迹跟踪自动控制模型。实验结果表明,所提方法的轨迹跟踪稳定性强、精度高,能满足工业生产的实时动态需求,实用性强。

基于遗传算法的磨削力模型系数优化及验证

在磨削力模型求解问题中,目前大多使用分段计算法或列方程组直接计算各个待求系数,不仅计算量大且其精度也无法保证。另外,传统的回归模型容易陷入局部最优,难以描述非线性关系。为此,将遗传算法引入到非线性优化函数参数优化中,基于外圆横向磨削力模型、平面磨削力模型、外圆纵向磨削力模型等现有的模型数据,开展磨削力理论模型的系数优化方法研究。相关性分析结果表明:通过计算得到的3种模型磨削力的预测精度提高了14.69%~42.54%,且3种模型所预测的法向磨削力的平均误差分别为5.9%、9.13%、3.23%,切向力平均误差分别为6.78%、8.36%、3.69%。经对比知,优化后的模型拟合度较好,模型预测精度显著提高。遗传算法优化后的非线性优化函数GA-LSQ算法更适合磨削力模型的求解,可对磨削力的预测及实际加工生产中的参数优化提供参考。

基于白鲨优化极限学习机的三维力传感器非线性解耦

针对三维力传感器维间耦合干扰问题,以基于光纤布拉格光栅(Fiber Bragg Grating,FBG)的一体式三维力传感器为研究对象,提出了一种基于白鲨优化算法的优化极限学习机(White Shark Optimizer-Extreme Learning Machine,WSO-ELM)的非线性解耦算法。首先,设计了基于FBG的一体式三维力传感器,阐明该传感器波长漂移量与三维力的映射关系;然后,搭建静态标定实验系统,分析三维力耦合特征,并建立WSO-ELM算法三维力传感器解耦模型,利用白鲨优化算法(White Shark Optimizer,WSO)稳定、高效特点优化模型,寻找ELM神经网络隐含层神经元数与解耦时间的最佳参数组合,开展基于WSO-ELM的三维力传感器非线性解耦研究;最后,该传感器解耦后最大平均I类误差达到0.51%,最大平均II类误差达到0.65%,实现了基于WSO-ELM的三维力非线性解耦。为验证解耦效果,将WSO-ELM算法与极限学习机神经网络模型、反向传播神经网络、最小二乘法解耦效果进行对比实验。实验结果表明:WSO-ELM算法具有较好的解耦效果,能有效构建三维力维间耦合关系,同时降低传感器耦合干扰,提高传感器的测量精度,具有良好的非线性解耦能力。

非线性方程组的仿射尺度内点信赖域算法

很多领域研究寻优问题时,所采用的寻优算法普遍存在全局搜索能力差、收敛速度慢的问题,导致求出的解无法达到最优。针对上述问题,研究了一种非线性方程组的仿射尺度内点信赖域算法。构建目标最小化或者目标最大化非线性方程组,并针对方程组设置等式或者不等式约束条件;在约束条件下,利用仿射尺度内点信赖域算法求取非线性方程组最优解;将所研究算法应用到有功优化当中,以线损最小化和电压偏差最小化构建非线性方程组,并为其设置四个约束条件,利用仿射尺度内点信赖域算法求取最优解。实验结果表明:与自适应粒子群算法、樽海鞘群算法以及改进差分灰狼算法相比,所研究算法应用下,线损以及电压偏差均要更小,说明仿射尺度内点信赖域算法的求解结果更优,算法的寻优能力更强。

炉膛火焰温度场重建非线性优化算法研究

随着数字图像处理技术的发展,使得利用面阵CCD进行电厂锅炉炉膛温度测量成为可能。该文分析了基于火焰辐射图像的炉膛温度场的测量原理,建立了针对测试系统和测量对象的非线性优化数学模型,提出了一种非线性寻优算法,最后在某电厂锅炉进行了验证性试验,并给出了实验结果,结果表明,这种测试方法方便可行,具有一定的应用前景。

基于遗传算法的退火精确罚函数非线性约束优化方法

提出一种新的基于遗传算法求解非线性约束优化的方法，通过自适应的退火罚因子和不可微精确罚函数来处理约束条件，可以使算法逐渐收敛于可行的极值点。仿真结果表明该方法有较高的求解精度。

求解约束非线性优化问题的群体复合形进化算法

分析了SCE UA算法的特性 ,指出该算法仍存在着一些缺陷 .例如 ( 1)SCE UA算法的全局最优性依赖于随机选取的初始点集的多样性 ,若初始点集选取不当 ,搜索进化就会早熟而陷入局部最优解 ;( 2 )SCE UA算法求解具有区间约束的非线性约束优化问题较有效 ,但对于一般的不等式约束非线性优化问题其求解效率有待于进一步提高 .提出了群体复合形进化算法 ,能充分利用目标函数值的信息 ,优化搜索过程具有较强的方向性和目标性 ,收敛速度较快 ,且是全局优化算法 ,能有效地求解不等式约束非线性优化问题 .