基于质心和自适应指数惯性权重改进的粒子群算法

针对粒子群优化(PSO)算法易出现早熟收敛及寻优精度低等问题,为提高粒子群优化算法寻优能力,提出了一种基于质心和自适应指数惯性权重改进的粒子群优化算法(CEPSO)。首先,使用各粒子的适应度计算权重系数;然后,分别使用各粒子当前位置和迄今为止最优位置构造了加权的种群质心和最优个体质心,使用平均粒距来度量群体状态,并依据群体状态设计了分段指数惯性权重;最后,结合使用分段指数惯性权重和双质心调整了粒子速度更新公式。仿真结果表明,CEPSO能增强寻优能力,并具有较强的稳定性。

基于质心和自适应指数惯性权重改进的粒子群算法

针对标准粒子群优化算法易出现早熟收敛及寻优精度低等缺陷,提出一种基于双质心和自适应指数惯性权重的改进粒子群算法(DCAEPSO)。算法使用粒子搜到的最优解和当前解构造加权的种群质心和最优个体质心,结合使用自适应指数惯性权重调整了速度更新公式。通过几个典型测试函数仿真及Friedman和Holm检验,实验结果显示DCAEPSO比其他粒子群算法寻优能力强。

基于指数惯性权重和自适应变异的樽海鞘算法

针对樽海鞘算法(SSA)求解精度低,收敛速度慢,易陷入局部最优等缺陷,提出一种基于指数惯性权重和自适应t分布变异的改进樽海鞘算法。通过用最优位置替代个体位置改进了跟随者位置更新公式,提升了其寻优能力。将带有随机扰动项的指数递减惯性权重引入到改进后的跟随者位置更新公式中,平衡了算法全局搜索和局部搜索能力。在搜索过程中对每次更新后的位置以一定概率进行自适应t分布变异,避免其陷入局部最优。将改进算法与4种算法在8个不同维度、峰度的测试函数上进行了对比测试,并将其应用到2种工程设计问题中,结果表明:改进算法具有更好的全局和局部搜索能力,以及更高的寻优精度和更快的收敛速度,同时在求解实际问题时也表现出良好性能。

基于指数衰减惯性权重的分裂粒子群优化算法

针对粒子群优化算法因种群多样性丧失而陷入局部最优、早熟收敛的问题,提出一种基于指数衰减惯性权重的分裂粒子群优化算法(EDW-DPSO)。首先,采用半均匀初始化种群,使种群以整体均匀、局部随机的方式分布;其次,引入动态分裂算子,对满足分裂条件的粒子执行分裂操作,增加种群多样性,避免粒子陷入局部最优;最后,采用指数衰减的惯性权重,平衡粒子全局搜索和局部开发能力。实验结果表明,该算法在前期有较大的搜索空间,种群多样性增加,后期则强调局部开发,提高收敛精度和优化能力,加快粒子跳脱局部极值逼近全局最优。

指数函数功率重构的超级电容荷电控制策略研究

光伏及混合储能系统中,常用变分模态分解(VMD)实现系统剩余功率分配,但其中分解模态数、二次惩罚因子的取值直接影响功率重构的误差,常用的凹型、S型函数惯性权重误差较大。以皮尔逊相关系数为适应度函数,提出采用指数型函数惯性权重粒子群算法参数优化VMD参数,获得VMD算法中各自[K,α]最优值组合,分解系统剩余功率,将剩余功率合理分配至蓄电池和超级电容。进而提出在考虑超级电容荷电状态(SOC)下的混合储能功率互补优化控制策略,使其SOC运行于稳定区域。算例分析中,采用对称平均绝对百分误差(SMAPE)对比分析了三种惯性权重函数优化算法下的功率重构误差,并考虑超级电容SOC与优化控制。结果表明,采用指数型函数惯性权重算法得到的功率重构误差最小,并使得超级电容SOC控制在稳定区域,避免过充过放现象,延长其使用寿命。

基于改进布谷鸟算法的微电网优化调度

为提高微电网日运行经济效益及环保效益,同时解决传统布谷鸟算法寻优精度差、易陷入局部最优的问题,提出了一种基于复合混沌映射的维间反向扰动学习布谷鸟算法。首先,引入统计参数映射、动态步长因子策略及指数递减惯性权重偏好游走策略以提高寻优精度和收敛速度;其次,采用动态自适应发现概率来控制全局搜索和局部搜索的切换频率。将所提算法通过10个典型测试函数进行仿真,结果表明改进的布谷鸟算法相比灰狼等元启发式算法具有更好的寻优精度、求解稳定性、收敛速度;最后,再将改进的布谷鸟算法用于求解微电网并网模式下的多目标优化调度问题。仿真结果表明,改进的布谷鸟算法能有效提高微电网日运行总效益及系统运行稳定性。

融合多策略人工水母算法及工程应用研究

针对人工水母群算法(JS)在求解较为复杂问题和部分工程问题时存在易陷入局部最优和寻优精度低等问题,提出一种融合多策略的人工水母算法。首先,该算法利用莱维飞行的扰动策略对洋流运动和被动运动阶段位置更新方式进行扰动,增强算法跳出局部最优的能力;其次,对水母跟随洋流和群内被动运动阶段引入指数递减惯性权重,使算法扩大全局搜索范围,提高寻优收敛速度;最后,将黄金正弦引导机制引入至被动运动阶段,替换原有被动运动位置更新方式,提升算法在探索和开发阶段的寻优能力。通过对6个基准测试函数进行测试分析,采用Wilcoxon秩和检验证明改进算法的寻优能力强、收敛速度快,将其应用于压力弹簧设计工程实际问题中,进一步验证了改进算法的适应性和有效性。

优化的径向基函数(RBF)神经网络实现高场非对称波形离子迁移谱(FAIMS)分离电压温度补偿研究

针对高场非对称波形离子迁移谱仪（FAIMS）分离电压温度漂移造成的其物性表征的不确定性问题,提出了一种采用径向基函数（RBF）神经网络对分离电压进行温度补偿的方法。为了提高算法的实时性,加快函数逼近速度,采用指数下降惯性权重（EDIW）动量因子策略对RBF神经网络参数进行了优化。在20-120℃的温度范围内,对该算法及线性下降惯性权重（LDIW）动量因子策略优化的RBF神经网络和传统RBF神经网络等3种补偿算法进行对比。结果表明,指数下降惯性权重动量因子策略优化的RBF神经网络模型具有更少的迭代次数和更短的运算耗时,使分离电压很好地保证了对特定物质离子表征的唯一性,同时验证了该模型还具有较强的泛化能力。对分离电压采用温度补偿的方法也为实现迁移管无恒温控制提供了理论依据。

基于混合策略的缎蓝园丁鸟优化算法

标准的缎蓝园丁鸟优化算法存在收敛速度慢、寻优精度低和易陷入局部最优等缺点,为此,提出了一种基于混合策略的缎蓝园丁鸟优化算法。首先,在种群初始化时,通过引入Logistic混沌映射,使初始种群能够均匀分布;其次,求偶亭位置更新时,加入了指数惯性权重,平衡了算法的全局和局部搜索能力,从而提升了算法的全局收敛速度;最后又在求偶亭位置变异时,引入了Levy飞行变异,提升了种群的多样性,使算法跳出局部最优。

基于改进多种群PSO算法的火炮随动系统调节器参数优化

针对传统火炮随动系统调节器参数整定难以达到最优的问题,提出一种基于K-均值与惯性权重指数递减的多种群PSO(KEDM-PSO)优化算法。为保证种群的全局搜索能力得到最优的参数,采用将初始种群划分为多个子群协同寻优的策略。综合考虑系统复杂程度、种群规模、解集的多样性及收敛性,采用K-均值算法将初始种群划分为3个子群,使3个子群协同寻优。为保持种群多样性,各子群不断地聚类重组,动态调整子群规模以更好地进化。子群寻优采用惯性权重指数递减策略,使得算法具有初期搜索范围大、速度快,后期惯性权重小,利于收敛、稳定的特点。试验表明该算法是有效可行的。