基于改进引力搜索算法的水轮机调节系统仿真

针对现阶段水电机组存在多种复杂工况、工程计算受限于算法本身的复杂性等问题,提出一种改进的引力搜索算法(改进PSOGSA),以此提高水轮机控制参数的优化性能,弥补传统控制策略难以满足动态需求的不足.首先,结合PSO算法,在GSA的速度更新公式中引入学习因子进行改进.其次,应用一种权重系数优化其位置更新公式,提高算法的自适应性.最后,结合相关仿真建模试验,使用所提改进PSOGSA对水轮机调节系统PID参数进行优化调节.仿真结果表明,在5%空载频率扰动下,改进PSOGSA的PID控制器明显优于上述传统算法,所调节的模型系统能在更短时间内趋于稳定,此时的超调量远低于传统算法,表明此改进PSOGSA在后续迭代中具备更高的迭代效率,并且改善了常规算法中易陷入局部最优的问题,从而证明了改进PSOGSA的合理有效性,水轮机调节系统的控制效果在一定程度上得到优化.

引入混沌干扰机制的变异天牛群搜索算法

针对天牛须搜索(Beetle Antennae Search,BAS)算法收敛慢、精度低且容易陷入局部最优等缺陷,提出了一种引入混沌干扰机制的变异天牛群搜索算法(Chaotic Interference Mechanism of Mutation Beetle Swarm Optimization Algorithm,CMBSOA)。首先,应用粒子群(Particle Swarm Optimization,PSO)策略将天牛须搜索算法中的天牛个体扩展为天牛群,扩大算法的搜索范围,提高算法的全局搜索能力;其次,引入Logistic混沌映射机制对天牛群进行混沌扰动,使初始化的种群以随机方式均匀分布,以加快算法的收敛速度;最后,提出变异因子策略进行位置更新,使该算法更易跳出局部最优,增强算法的稳定性与精度。为了验证CMBSOA算法的有效性,将其与天牛群算法(Beetle Swarm Antennae Search,BSAS)及PSO通过2组单峰和3组多峰测试函数进行测试和对比,结果表明,CMBSOA算法具有较强的稳定性,此外还具有更优的精度和较快的收敛速度,且能最大限度地避免产生局部最优解问题。

混合收敛因子与高斯混沌映射的麻雀搜索算法

针对原始麻雀搜索算法在ECE2020系列测试函数上表现的不足之处,本文引入高斯混沌映射与收敛因子α的方法,提出改进的麻雀搜索算法,以优化原算法初始化种群位置机制与更新麻雀位置时的缺陷,对麻雀算法的收敛精度与速度进行改善。实验结果表明,改进后的麻雀算法具有较好的性能。

基于粒子群与引力搜索混合算法的电网调度的性能研究

电力系统是一个存在大量复杂与不确定性约束条件的系统。针对电网经济环境调度优化中,粒子群算法的粒子搜索速度慢的问题,提出了一种改进的粒子群算法-粒子群与引力搜索混合算法(GPSO)。该算法结合粒子群算法和引力搜索算法(Gravitational Search Algorithm,GSA),将万有引力算法中的加速度添加到粒子群算法的速度更新公式中,以此提高算法的收敛速度。在速度更新公式中添加随机机制,防止粒子陷入局部最优点,提高粒子的全局探索能力。实验结果表明粒子群与引力搜索混合算法具有良好的准确度和收敛特性。

改进粒子群优化算法在搬运机器人机械臂中的应用

针对搬运机器人机械臂空间规划的时间最优问题,提出一种含有动态学习因子、变惯性权重因子并结合天牛须搜索(Beetle Antennae Search,BAS)算法的改进粒子群优化(Particle Swarm Opitimization,PSO)算法。通过运动学分析得到工作空间,引入3-5-3多项式插值进行轨迹规划,对运动过程的加速度和速度进行约束,得到运动过程的最短时间;对比改进前后的粒子群优化算法收敛速度,分析了各个关节的运动时间变化情况,并进行了仿真和试验验证。该算法将学习因子设为变量,使算法跳出局部最优;采用变惯性权重因子提高了算法搜索效率;结合天牛须搜索算法,加快了算法搜索速度、提高了搜索精度。结果表明,改进粒子群优化算法的收敛速度和精度都有所改善,避免了局部最优情况;整体的运动时间缩短了约15.9%。使用该算法的搬运机器人机械臂的关节角度、速度、加速度曲线平滑稳定,该改进算法有效。

基于广义反向粒子群与引力搜索混合算法的多阈值图像分割

提出了基于粒子群优化(PSO)与引力搜索(GSA)混合算法(PSOGSA)的多阈值图像分割方法来解决图像阈值搜寻过程中单一优化算法局部搜索能力不强的问题。提出了图像阈值分割领域中的广义反向学习策略,在阈值寻优过程中提高群体多样性,增强了全局搜索能力;采用了全局最优解的正态变异策略,扩展了全局最优的搜索区域,避免了算法的早熟收敛。在此基础上,实现了基于广义反向粒子群与引力搜索混合算法的多阈值图像分割方法。最后,使用本方法对复杂多目标图像进行了多阈值分割实验,并与引力搜索算法和萤火虫算法进行了比较。实验结果表明,本文方法的分割精度优于引力搜索算法与萤火虫算法,其分割目标函数值在连续运行时的标准差降低了90%以上,是一种精度高、稳定性强的多阈值图像分割方法。

基于引力搜索和粒子群混合优化算法的证券投资组合问题研究

本文研究考虑交易成本的投资组合模型,分别以风险价值(VAR)和夏普比率(SR)作为投资组合的风险评价指标和效益评价指标。为有效求解此模型,本文在引力搜索和粒子群算法的基础上提出了一种混合优化算法(IN-GSA-PSO),将粒子群算法的群体最佳位置和个体最佳位置与引力搜索算法的加速度算子有机结合,使混合优化算法充分发挥单一算法的开采能力和探索能力。通过对算法相关参数的合理设置,算法能够达到全局搜索和局部搜索的平衡,快速收敛到模型的最优解。本文选取上证50股2014年下半年126个交易日的数据,运用Matlab软件进行仿真实验,实验结果显示,考虑交易成本的投资组合模型可使投资者得到更高的收益率。研究同时表明,基于PSO和GSA的混合算法在求解投资组合模型时比单一算法具有更好的性能,能够得到满意的优化结果。

基于引力搜索和粒子群混合优化算法的T-S模型辨识

提出了基于引力搜索(GSA)和粒子群(PSO)混合优化算法(GSAPSO)的T-S模型全局优化辨识方法.该方法充分整合GSA的勘探能力和PSO的开采能力,在GSA中引入PSO的个体最优值和群体最优值,同时改进惯性权重调整算法.T-S模型辨识分为结构辨识和参数辨识,采用聚类方法和GSAPSO算法同时辨识模型的结构和参数,从而实现全局优化辨识.仿真实例和比较分析证明了GSAPSO较标准的PSO和GSA有更强的全局优化能力和更高的辨识精度.

基于引力搜索和粒子群混合算法的移动机器人路径规划

针对移动机器人在静态环境下可能与障碍物发生碰撞并且路径容易陷入局部最小值的问题,提出一种利用粒子群算法(PSO)和引力算法(GSA)相结合的混合优化算法进行移动机器人路径规划的方法。将粒子群算法的全局搜索能力和引力算法的局部挖掘能力相结合,同时改进粒子群算法的惯性权重,以加快全局搜索的收敛速度。通过仿真实验证明,混合算法具有较好的能力来摆脱局部最小值,具有更快的收敛速度,提高了搜索效率,能有效地避开障碍物。

引力搜索算法中粒子记忆性改进的研究

针对引力搜索算法(GSA)对一些复杂问题的搜索精度不高的问题,特别是高维函数优化性能不佳、优化过程容易出现早熟的现象,因此考虑将粒子群优化(PSO)算法中关于局部最优解和全局最优解的概念引入引力搜索算法中,对引力搜索算法中粒子的记忆性进行改进,这样使得粒子的进化不仅受空间中其他粒子的影响,还受到自身记忆的约束,以此来提高算法的搜索能力。通过对选用的10个基准函数测试,证明了该方法的有效性。

基于搜索空间可调的自适应粒子群优化算法与仿真

针对收缩因子粒子群优化(CPSO)算法易陷入局部最优和发生过早收敛的问题,提出了基于搜索空间可调的自适应粒子群优化(APSO)算法.该算法根据种群早熟收敛程度和个体适应值,在CPSO算法停滞时,将全部粒子有效地划分在3类不同的搜索空间,使种群始终保持搜索空间的多样性,易于跳出局部最优,从而有效地改善了CPSO算法后期的寻优能力.

引入模式搜索算子的粒子群优化算法

针对粒子群优化算法(PSO)在解决复杂的高维优化问题时容易陷入局部最优和收敛速度慢的问题,结合模式搜索算法较强的局部搜索能力,提出一种引入模式搜索算子的粒子群优化算法(HJPSO).为避免最优粒子陷入局部最优而导致整个种群出现搜索停滞,在PSO算法的迭代过程中加入判断粒子陷入局部最优的机制,当检测到早熟停滞迹象时,使用模式搜索算子对整个粒子群当前搜索到的历史最优位置进行模式搜索以帮助算法跳出局部最优点.标准测试函数的运行结果表明,该算法具有较强的跳出局部最优的能力,收敛速度较快,稳定性好.

基于改进万有引力搜索算法的住宅区微网优化

微网容量优化是微网建设中的重要环节。针对目前住宅区微网经济性、稳定性、气象匹配性较差的问题,提出了一种多目标的优化方法。首先,给出了优化对象的目标函数和约束条件,提出了一种负载分类方法,设计了一种用于气象跟踪的风光互补组合系数,并分三个层次建立优化的数学模型。其次,利用杂交粒子群算法和风光互补组合系数改进万有引力搜索算法,分析网内负载的使用情况,求得微网内风/光/柴/储的最优配置组合。最后,从经济性、气象跟随性、网内能源结构和负载波动承受能力方面对比分析四种算例。算例验证了模型的可靠性。

基于混沌搜索与种群交叉的粒子群优化算法

在种群交叉粒子群算法优化中,为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种基于逻辑自映射函数的混沌搜索与种群交叉的粒子群优化算法。算法中每进化一次粒子搜索四次:一次全局搜索,一次局部搜索,一次向局部搜索学习的搜索,一次交叉重组搜索,搜索完成后分别进行三角函数学习,以增加种群的多样性。四个经典基准测试函数仿真结果表明,改进的粒子群优化算法在收敛速度和寻优精度上均有提高,与现有的改进粒子群优化算法相比,改进优化算法具有明显的优势。

基于惯性因子的混沌粒子群优化算法研究

粒子群优化算法本身在多峰复杂函数时会出现早熟收敛现象,降低粒子的多样性,导致粒子群不能收敛到全局极值点。针对粒子群优化算法的局限性,把混沌优化思想引入到粒子群算法,采用混沌优化粒子群算法对测试函数进行仿真,并在此基础上加入惯性因子对混沌优化粒子群算法进一步改进,Matlab仿真结果表明,改进的混沌优化粒子群算法,结合了混沌和粒子群算法共同的优点,能快速、准确地搜索到全局最优值。

改进的引力搜索算法及在面阵综合中的应用

针对引力搜索算法在迭代过程中粒子惯性质量的累积效应造成的引力中和对优化性能的影响问题,提出了一种改进算法:自适应引力搜索算法。设计了一种随迭代次数自适应调整的衰减因子,提高了迭代后期算法的开采能力;在速度的计算过程中加入精英粒子,增强了粒子的记忆能力,算法的探索能力得以提高。将改进算法用于均匀同心圆环阵中,和文献中的算法相比,自适应引力搜索算法优化的主瓣宽度窄了6.7°、旁瓣电平分别低了5.1 dB和1.8 dB,更接近期望的方向图;平均收敛曲线的结果中,在迭代次数为2000时,算法的适应度值提高了30%,收敛速度更快,优化精度更高;稀布同心圆环阵列也具有同样的优化效果,证明了所提改进算法在解决面阵方向图综合时的有效性。

异步变化收缩因子粒子群算法心脏电流模型重构

针对收缩因子的粒子群算法(CFPSO)求解复杂问题时精度偏低,提出了异步变化收缩因子的粒子群算法(NL-CFPSO).该算法利用异步变化的学习因子来产生收缩因子,改善粒子进化中的社会性和自身的学习性能,同时引入了"发散"和"收敛"操作,有效提高了粒子的收敛速度和精度.在该算法中,首先在给定的搜索空间上随机产生初始的粒子种群,在进化过程中采用异步变化的收缩因子,再根据判别函数来执行"发散"和"收敛"操作,使得粒子加速向全局最优的位置运动.将新算法和CFPSO在最新的6个测试函数进行对比,结果证明新算法比CFPSO算法具有更高的搜索精度和较低的时间复杂度.将该算法用于心脏单电流偶极子模型的反演计算仿真中,仿真结果证明该算法可以得到精确的模型参数,能够反映心脏模型的电磁现象,具有很高的实用价值.

自适应惯性权重的粒子群优化算法

针对粒子群优化算法容易陷入局部极值、进化后期的收敛速度慢和精度低等问题,提出自适应惯性权重的粒子群优化算法。算法采用自适应更新惯性权重,添加影响算子,并通过惯性权重自适应调整学习因子,然后加入随机局部搜索策略;最后使用测试函数,通过和3种优化算法进行30次重复实验。结果表明,提出的算法具有更好的全局收敛能力,且收敛精度、和稳定性都有明显的提升。

基于突变策略的自适应骨干粒子群算法

骨干粒子群算法是由标准粒子群算法演变而来的,其在粒子位置更新方面采用了高斯采样策略。针对骨干粒子群算法在解决高维优化问题时存在的易陷入局部最优的问题,文中引入了具有下降趋势的时变因子,提出了一种基于突变策略的带有自适应扰动值的骨干粒子群算法。该算法在高斯分布的均值项中引入两个服从均匀分布的随机数,在高斯分布的标准差中引入了一个自适应扰动值,且给出了突变策略进一步保证粒子收敛到全局最优解。改进后的算法与其他5种粒子群算法在9个经典测试函数上进行仿真实验,结果表明改进的算法在收敛速度和收敛精度方面的综合表现都优于其它算法。

一种带有二维扰动和自适应学习因子的粒子群算法

针对粒子群算法(Particle Swarm Optimization,PSO)容易陷入局部最优值、后期收敛速度慢和收敛精度低等问题,提出了一种带有二维扰动和自适应学习因子的粒子群算法(TDDALFPSO).首先,提出了自适应惯性权重和学习因子调节算法调节惯性权重、认知系数和社会系数,提高了全局搜索能力和局部搜索能力;然后提出了基于位置、速度二维扰动更新粒子位置的算法,避免了不在最优值区域的全局历史最优值对搜索的误导,提高了算法的收敛速度和精度;最后通过变异一些适应度值最差的粒子,让它们搜索空间中的其他领域,增加了种群的多样性,改善了算法容易陷入早熟的问题.仿真实验表明和基本PSO算法相比,TDDALFPSO在收敛速度、精度和稳定性上有了明显的提高;并且在大多数优化问题上和基于线性惯性权重递减的PSO算法(PSO-W)、基于综合学习的PSO算法(CLPSO)、基于适应值距离比例的PSO算法、基于三角函数动态参数选择的PSO算法(TPSO)和带正弦函数因子的粒子群优化算法(TFPSO)相比,TDDALFPSO在收敛速度、精度和稳定性上都有一定的优势.