基于差分进化算法的减速器齿轮参数优化设计

根据上海道路循环工况,利用载荷的随机连续性和20CrMnMo材料的低载强化特性进行减速器齿轮有限寿命的轻量化设计。基于线性损伤理论,分别计算编制载荷谱和连续载荷谱在低载强化效应下的疲劳损伤,将疲劳损伤约束在一定范围内为选取条件,以齿轮体积最小为优化目标,建立了齿轮有限寿命的轻量化优化模型,通过差分进化算法求解得到优化后的齿轮参数。实验结果表明,设计的模型可快速准确优化齿轮参数,在采用连续载荷谱和考虑低载强化效应时,优化的齿轮参数最小。优化的模型可移植性好,可直接迁移到其他变速系统零件的轻量化设计。

基于变时段设计改进多目标差分进化算法的风/光/火/储日前优化调度

在高比例新能源馈入的新型电力系统中,新能源出力的不确定性导致火电难以满足调度计划的精度需求,风/光/火/储系统的经济调度求解算法面临严峻挑战。为此,提出一种基于变时段设计的多目标差分进化算法。首先按各时段负荷特征构建风/光/火/储系统的变时段日前调度规则。进而以系统运行经济成本与污染排放量为目标,基于多目标差分进化算法求解变时段系统日前调度模型的Pareto解集。最后,用IEEE 39节点系统进行测试。结果表明在风、光、储与火电的约束条件均符合校验的情形下,相较于其他算法,该方法使计算结果更加优化,火电机组出力跟踪调度计划效果显著提高,验证了所提方法的有效性。

基于自适应混沌精英变异差分进化算法的中长期水资源优化调度

中长期水资源优化调度问题是一类具有非线性、多阶段、高维度和多重约束特性的复杂优化问题。针对经典智能算法在求解此类问题时容易陷入局部最优或者收敛效率较低等问题,应用混沌搜索策略增强算法的探索能力,同时改进传统算法的变异方式,向精英个体学习以提升收敛速度,提出自适应混沌精英变异差分进化(ACEDE)算法。将所提出的算法应用于珠江三角洲水资源配置工程中长期调度进行实例研究,并与经典智能算法进行对比分析。结果表明:①ACEDE算法在全局探索能力、收敛精度与速度上实现了全面提升,并且表现出良好的适应性。相较于传统差分进化(DE)算法,2030年水平年6月份和2040年水平年6月份调度中ACEDE算法所计算的电费成本分别节省了74.23万元和23.55万元,降低了6.68%和1.52%。②在珠江三角洲水资源配置工程中长期调度中,充分利用调蓄水库库容满足高分水量需求,同时放缓月末补水充库过程,能够有效控制泵站的平稳运行,达到降低电费成本的目的。

采用差分进化算法的复杂轴零件工艺路线优化

针对某复杂轴工艺路线编制不合理导致加工效率低的问题,从现有工艺路线优化方案出发,将加工特征以加工精度为加工元节点进行详细划分,构架合理加工元编码,以生产实际中装夹为依据,对工艺约束关系分组分析,获得更优的约束矩阵表达。利用差分进化算法,以机床、刀具及装夹更换最少为目标函数,合理设计差分变异、交叉及序列有效性校验与调整算法。通过对比表明,优化方案相较于优化前方案以及工艺约束不分组方案,刀具、装夹更换次数均有减少。

混合整数优化问题的差分进化算法研究

为求解混合整数优化问题,提出了混合整数差分进化算法(Mixed Integer Differential Evolution,MIDE)。该算法结合整数变量的特点,为整数类型变量设计了专用的变异算子,使整数变量可以在差分进化算法中直接进化;为了维持种群多样性,采用了灾变策略;采用双编码方式,使整数变量与连续变量并行进化,进而提出了混合整数差分进化算法。通过与其它混合整数优化算法的比较,证明该算法具有较好的收敛速度、全局收敛性及算法稳定性等优点。

基于强度Pareto的自适应多目标差分进化算法

为提高传统多目标进化算法的搜索能力,分别对适应度分配和环境选择操作进行改进,同时利用自适应变异算子对参数进行设置,建立一种基于强度Pareto的自适应多目标差分进化算法(MODE).选择4个典型的多目标测试函数,对改进的算法进行实验仿真测试,并分别利用多目标粒子群算法(MOPSO)、非支配排序算法(NSGA-Ⅱ)和真实值进行对比,实验结果说明改进后算法具有良好的分布性与收敛性.

基于改进差分进化算法的动态防空资源分配优化

面对动态防空资源分配问题中存在的空袭目标突现和雷达、发射车等资源受干扰现象,在综合考虑雷达、发射车和导弹等武器装备性能的基础上,基于目标集、资源集建立了最小化目标总拦截价值与生存概率的混合整数决策模型。提出了一种新的改进差分进化算法进行求解,采用反向学习策略生成初始解,确保初始种群的质量,设计了一种快速修复与重构的启发式规则作用于多阶段,以提升算法的搜索能力。仿真实验验证了该算法具有求解时间和求解精度上的优越性。该研究能使武器系统在动态事件的随机影响下,保持高效的作战能力和决策效果。

基于差分进化算法的瞬变电磁一维反演

实际采集的瞬变电磁数据包含电磁感应和激发极化效应,如何准确提取电阻率和极化率信息是电性源瞬变电磁数据处理的关键。首先,基于Cole⁃Cole复电阻率模型实现有限长电性源瞬变电磁法一维正演,在此基础上提出一种基于差分进化算法的电性源瞬变电磁一维反演方法。然后,在传统差分进化算法的基础上引入反向学习策略及控制参数自适应调节,加快反演的收敛速度,同时在目标函数中引入约束条件,构成最小构造反演,降低反演的多解性。最后,基于典型的三层地电模型和复杂多层模型进行理论模型测试,反演结果可有效恢复模型的电阻率和极化率。利用实测资料进行反演,反演得到的电阻率与OCCAM反演电阻率基本一致。在此电阻率约束的基础上,进一步反演得到极化率信息。反演结果准确地提取了实测数据中的电阻率信息,得到了地下介质的极化率分布,证明了算法的准确性和适用性。

基于差分进化粒子群混合算法的多无人机协同区域搜索策略

为提高无人机群在未知环境中的区域搜索效率,提出一种多无人机协同区域搜索策略。首先,根据区域搜索任务需求,建立包含区域覆盖率、区域不确定度、目标存在概率三种属性的区域信息地图;其次,以最大化搜索效率、同时最小化无人机搜索过程中的能耗为目标,建立无人机区域搜索滚动时域优化目标函数,指导无人机在线决策搜索路线;然后针对传统群智能优化算法易陷入局部最优的缺陷,设计差分进化粒子群混合算法在线求解该多目标优化问题,提高算法的寻优性能,从而提高无人机的搜索效率。最后,通过数值仿真实验,对所提算法进行验证,仿真结果表明,文中设计的基于差分进化粒子群混合算法的多无人机协同区域搜索策略与传统的群智能优化算法相比具有更高的区域搜索效率。

基于改进差分进化算法的跨平台武器目标分配方法

现代战争中,跨平台武器单元的协同利用,是合同编队体系的重要内容,作战方式也正由平台级协同向着能力要素级协同转变,这对武器目标分配问题的解决提出了更大挑战。本文将武器单元的最小划分单位细化到能力要素级,以毁伤概率与成本消耗为优化目标,面向多种来袭目标的编队防空场景,提出了跨平台武器目标分配算法。同时,基于混沌映射提出了混沌种群重构(chaotic population reconstruction,CPR)机制,并结合带存档的自适应差分进化(adaptive differential evolution with optional external archive,JADE)算法提出了CPR-JADE算法,利用CPR机制可以帮助算法在解决高维复杂约束问题时跳出局部最优。再将其运用到武器目标分配模型上,实现了对模型的高效求解。最后,通过在多种数据规模下与其他进化优化算法的仿真对比试验分析,验证了所提方法的正确性与有效性。

Q学习差分进化算法求解热电动态经济排放调度

热电联产动态经济排放调度同时考虑了燃料成本花费和污染气体排放两个目标值,且下一时间段的热电产量受当前时间段热电产量的影响,这是近年来电力系统运行中的一个重要问题。文中提出一种基于Q学习强化多目标差分进化(Q Learning Multi-Objective Differential Evolution,QLMODE)算法,以此求解热电联产动态经济排放调度(Combined Heat and Power Dynamic Economic Emission Dispatch,CHPDEED)问题。在QLMODE中,采用Q学习技术调整算法的比例因子参数,即在迭代过程中利用子代解和父代解之间的支配关系确定动作奖励和惩罚,并通过Q学习调整参数值,以获得最适合环境模型的算法参数。文中将所提QLMODE用于求解11机组和33机组的热电联产动态经济排放调度问题。仿真结果表明,与4种成熟的多目标优化算法相比,QLMODE算法燃料成本最小,污染气体排放最少,收敛性和多样性指标优于其他4种算法,且QLMODE在两组问题上都获得了更好的Pareto最优前沿。

一种融合反向学习机制与差分进化策略的蛇优化算法

蛇优化(snake optimizer,SO)算法存在前期收敛速度慢和易陷入局部最优的问题,为此提出一种融合反向学习机制与差分进化策略的改进蛇优化(improved snake optimizer,ISO)算法。反向学习机制可提高种群质量,以提升算法寻优速度;差分进化策略有助于算法精准寻优,降低算法陷入局部最优的几率。在10个基准测试函数上的实验结果表明,ISO算法拥有更高的寻优精度和更快的收敛速率。将其应用于支持向量机(support vector machine,SVM)的参数选取中,进一步验证了ISO算法的有效性。

基于改进差分进化算法的自由曲面测量路径优化

为解决传统差分进化算法存在收敛速度慢、易陷入局部最优解以及由于个体选择的随机性导致求优稳定性差的问题,文章通过引入多重启动策略,多次运行算法并使用不同的随机种子,增加算法对空间的探索性,在一定程度上解决算法易陷入局部最优解问题;通过使用新的突变策略,在求优稳定性提高了约10%;通过引入参数自适应调节机制,动态地调整算法参数的取值,使收敛速度提高了约10%,并提高了算法的鲁棒性。

基于改进的差分进化算法求解SWMP问题

需求侧响应可以为电网带来可观的收益,计及需求响应的电力系统经济调度优化方法研究成为国内外学者的关注的课题。提出了一种可以用于解决计及需求侧响应的电力系统经济调度问题的基于随机黑洞模型的差分进化算法(sequence-based differential evolution hole,S-DEH),该算法基于原始的差分进化算法结合随机黑洞模型,对初始序列敏感性高,稳定可靠,计算量小,能够针对不同的问题选择最佳的控制参数,能够减少人为的操作失误和调整优化算法参数所需要的时间,具有很高的求解效率。同时所采用的演算模型为计及需求侧响应的求解电力系统的单时段的社会效益最大化问题(social welfare maximization problem,SWMP),以验证算法的性能,并通过求解多时段的SWMP优化调度问题验证了算法在处理高维度复杂优化问题时仍能保持高效的性能。

一种基于改进差分进化的K-Means聚类算法研究

为改进传统K-Means聚类算法中因随机选取初始聚类中心而导致聚类结果不稳定且效率低的缺点,提出一种基于改进差分进化的K-Means聚类算法(AGDE-KM)。首先,设计自适应操作算子来提升算法前期的全局搜索能力和后期的收敛速度;其次,设计多变异策略并引入权重系数,在算法的不同进化阶段发挥不同变异策略的优势,平衡算法的全局和局部搜索能力,加快算法的收敛速度;最后,提出一种基于当前种群最佳个体的高斯扰动交叉操作,为个体提供更优进化方向的同时保持种群在“维”上的多样性,避免算法陷入局部最优。将算法停止执行时输出的最优解作为初始聚类中心替代传统K-Means随机选取的聚类中心。将提出算法在UCI公共数据库中的Vowel、Iris、Glass数据集和合成数据集Jcdx上进行对比实验,误差平方和(SSE)相对于传统K-Means分别减小5.65%、19.59%、13.31%、6.1%,聚类时间分别减少83.03%、81.33%、77.47%、92.63%。实验结果表明,提出的改进算法具有更快的收敛速度和更好的寻优能力,显著提升了聚类的效果、效率和稳定性。

基于差分进化算法的改进遗传算法的UUV路径规划

针对水下无人航行器在三维环境中的全局路径规划问题,从优化初始种群和提高收敛精确度寻得最优路径的角度改进遗传算法,并对遗传算法和差分进化算法的融合进行了研究。采用精英反向学习的方式筛选初始种群,寻得较优初始种群并融合差分进化算法思想改进遗传算法,提升了算法的全局搜索能力。结果表明,改进算法的初期收敛速度较快,规划的曲线能够降低UUV能耗,在一定程度上改善了陷入局部最优解的情况。

一种多种群进化和差分变异的鲸鱼优化算法

针对鲸鱼优化算法容易陷入局部最优,求解精度低,收敛速度慢,提出了一种多种群进化和差分变异的鲸鱼优化算法(MDWOA).首先,根据适应度值将种群划分为两个大小相等的子种群,并为每个子种群分配不同的移动策略,以平衡全局和局部搜索能力.其次,设计了一种种群进化和差分变异的策略来帮助MDWOA提高收敛速度,避免其陷入局部最优.最后,引入反向学习策略,增加种群多样性.将MDWOA与多种优化算法在13个基准函数上进行仿真测试,非参数检验的结果表明相较于其他优化算法来说改进的算法具有更高的精度和稳定性.在此基础上,建立了基于MDWOA优化BP神经网络模型,预测波士顿房价的实验结果表明所提出的预测模型具有更好的预测性能和有效性.

基于差分进化算法的配电网网格负荷控制与规划技术研究

在配电网网格负荷控制与规划中,为优化配电网网格线损、供电质量、负荷等结构性指标,研究提出了一种基于差分进化算法的配电网网格负荷控制与规划技术。针对配电网格中各类发电装置,建立电网规划模型,设定和构建初始化种群,选取适当差分初始矢量实施变异处理,在差分增量下构成新个体的前提下,为提高后代种群多样性,利用交叉因子对差分出的个体实施交叉训练,以此形成新的分配个体。最后,利用贪婪选择模式评价和保留子代种群,控制可控负荷和不可控负荷的有功功率,从而完成电网网格规划。实验结果证明,运用差分进化算法对配电网网格的负荷控制和规划效果都比较好,鲁棒性能优越,迭代速度也更快。

融合差分进化和Sine混沌的改进粒子群算法

将差分进化与Sine混沌相结合,提出一种改进的粒子群算法。利用Sine混沌映射对初始种群进行优化,提高了收敛速度;该算法通过引入非同步变化的学习因子的速度更新公式,引入随机惯性权重,使算法能够更好地兼顾全局搜索与局部优化;借鉴差分进化算法中的交叉操作,采用淘汰机制随机搜索策略,提高算法的全局搜索能力,提高算法收敛速度。为了验证融合差分进化和Sine混沌的改进粒子群算法(improved particle swarm optimization algorithm,IPSO)的性能,与基于压缩学习因子的粒子群算法(yield-based particle swarm optimization,YPSO)、自适应加权粒子群算法(self-adaptive particle swarm optimization,SPSO)等PSO相关算法以及蜘蛛蜂优化算法(spider wasp optimization,SWO)、能量谷算法(energy valley algorithm,EVA)等2023年最新算法相比较,验证融合差分进化和Sine混沌的改进粒子群算法(IPSO)的有效性。在不同维度下解决12个常用基准函数,对12个测试函数进行实验,并与其他的几种算法进行比较,实验结果表明,改进后的PSO算法收敛速度快,收敛精度高。

基于差分进化算法的旧采空区水分质利用优化配置

大部分矿井水污染程度低,稍加处理即可供饮用、工业、农业、生态等使用。焦作煤田吴村矿旧采空区水可供水量为718 m^(3)/h,矿区周围饮用、电厂、灌溉、养殖、生态等用户需水量为1073.74 m^(3)/h,旧采空区水仅能满足66.87%的用水需求;旧采空区水需处理达标后才能供给用户,不同用户的水处理工艺和费用差异较大,依据水质优化配置旧采空区水量具有重要意义。目的为了实现矿井排水综合利用效益最大化,方法以焦作煤田吴村矿旧采空区水为研究对象,在计算其供水量和分析水质基础上,结合矿区周围饮用、电厂、灌溉、养殖、生态需水量及水质要求,构建718 m^(3)/h旧采空区水分质利用优化配置数学模型,并利用差分进化算法求解。结果结果表明:灌溉期分配饮用水6.00 m^(3)/h、电厂用水334.95 m^(3)/h、灌溉用水353.89 m^(3)/h、养殖用水19.76 m^(3)/h、生态用水3.40 m^(3)/h;非灌溉期分配饮用水6.00 m^(3)/h、电厂用水688.84 m^(3)/h、灌溉用水0 m^(3)/h、养殖用水19.76 m^(3)/h、生态用水3.40 m^(3)/h时,旧采空区水分质利用年收益最大。结论研究结果可为类似矿井旧采空区水和矿井排水资源化利用提供借鉴。