基于差分变异算子的烟花算法

烟花算法是受到烟花爆炸的启发而提出的群智能算法。在分析高斯变异算子不足的基础上,提出了一种基于差分变异算子的烟花算法(DEFWA),并对最优烟花采用动态火花爆炸策略。在测试函数集上的实验表明,DEFWA算法在求解精度和收敛速度上优于多种改进型烟花算法。

微扰动和混合变异的差分生物地理学优化算法

为增强生物地理学优化算法(biogeography-based optimization,BBO)的优化能力并克服其不能很好平衡开发能力与避免陷入局部最优解之间的矛盾,提出基于微扰动和混合变异的差分生物地理学优化算法(differential biogeography optimization algorithm based on micro-perturbation and mixed variation,MDEBBO)。引入差分变异算子和自适应的微扰动因子来改进迁移算子,使算法朝着最优解快速移动,提高算法的查找精度。采用混合变异算子代替原变异算子,在迭代前期算法具有良好的全局探索能力,在后期具有较优的局部开发性。基准测试函数的仿真结果表明了MDEBBO算法的有效性。通过MDEBBO算法对Richards模型进行参数估计预测谷氨酸菌体生长浓度,实验结果表明,MDEBBO算法较对比算法更适用于Richards模型的参数估计。

混合变异算子的人工鱼群算法

在分析基本人工鱼群算法存在不足的基础上,提出了基于高斯变异算子与差分进化变异算子相结合的人工鱼群算法,该算法克服了人工鱼漫无目的随机游动或在非全局极值点的大量聚集,显著提高了求解质量和运行效率.通过仿真实验测试验证,表明该算法是可行的和有效的。

改进的基于差分进化的群集蜘蛛优化算法

为了克服群集蜘蛛优化(SSO)算法易陷入局部极值和收敛速度慢等缺陷,提出了一种融合差分进化和粒子群优化算法搜索机制的改进群集蜘蛛算法。在群集蜘蛛算法中引入差分变异算子,让部分雌蜘蛛进行由种群中全局最优个体和两个随机个体所引导的变异,从而增加种群多样性,提高算法跳出局部最优解的能力。另外,在上述改进的基础上,借鉴粒子群优化算法的搜索机制,在位置更新公式中添加一组动态的非线性惯性权重及学习因子,以更好地平衡算法的局部和全局搜索能力。实验结果表明:改进的群集蜘蛛算法具有更快的收敛速度和更好的求解精度。

解复杂多峰优化问题的双引导机制灰狼算法

为解决复杂多峰优化问题高质量解难以获取的难题,分析灰狼算法解此类问题时易陷入局部最优的原因,提出一种解复杂多峰优化问题的双引导机制灰狼算法。对于当前适应度较好的个体,沿用传统灰狼算法引导机制探测个体,保留其局部搜索能力强的优点;对于适应度较差的个体,通过动态选择稀疏点算子或偏向差分变异算子的引导机制探索解空间新区域,增强灰狼算法跳出局部最优的能力。实例仿真计算结果表明,该算法所获计算精度优于相比较的其它算法。特别是Wilcoxon假设检验结果显示,其分别以96.67%、97.43%、93.15%的显著性优于传统灰狼算法、粒子群-灰狼混合算法及选择性反向灰狼算法。

基于多策略融合的混合多目标蝗虫优化算法

为提高蝗虫优化算法(GOA)求解多目标问题的性能,提出一种基于多策略融合的混合多目标蝗虫优化算法(HMOGOA)。首先,利用Halton序列建立初始种群,保证种群在初始阶段具有均匀分布和较高多样性;然后,通过差分变异算子引导种群变异,促进种群向优势个体移动同时进行更大范围寻优;最后,利用自适应权重因子根据种群优化情况动态调整算法全局搜索和局部寻优能力,提高优化效率及解集质量。选取7个典型函数进行实验测试,并将HMOGOA与多目标蝗虫优化、多目标粒子群(MOPSO)、基于分解的多目标进化(MOEA/D)及非支配排序遗传算法(NSGAⅡ)对比分析。实验结果表明,该算法避免了其他四种算法的局部最优问题,明显提高了解集分布均匀性和分布广度,具有更好的收敛精度和稳定性。

具备反向学习和局部学习能力的磷虾群算法

针对磷虾群算法易陷入局部最优、收敛速度慢等缺点,提出了具备反向学习和局部学习能力的磷虾群算法。利用混沌映射和反向学习的思想初始化种群,根据算法迭代次数自适应调整学习维度,对精英个体进行反向学习,能有效保持种群的多样性,选取精英群体,通过自适应的Lévy飞行分布和改进的差分变异算子,提高种群的局部学习能力。这种新颖的元启发方式能加速收敛速度的同时可以保证磷虾群算法的鲁棒性。通过对8个基准函数进行仿真测试,实验结果表明:与最近的KH优化算法相比,该算法在收敛速度、收敛精度等方面得到明显改进。

基于改进人工鱼群算法的逆变器SHEPWM方法的研究

对于特定谐波消除调制策略(SHEPWM)的开关角求解问题,传统数值方法需要提供方程的特定初值,现有的智能算法如遗传算法容易陷入局部最优解中。针对以上不足,将人工鱼群算法引入到非线性超越消谐方程组的求解,因其具有较好的全局收敛性,通过群体寻优较易达到全局最优解,同时为了避免鱼群搜索的盲目性,利用差分进化算法的快速局部收敛性,将二者相结合,有效地提高了进化效率。为了验证新算法的可行性,用MATLAB/Simulink仿真软件,将求解出的开关角用于两电平逆变器进行仿真研究,并利用以TMS320F28335为核心的实验平台进行了实验,实验证明了所求解能够消除选定的低频次谐波。