引入改进tent映射的遗传禁忌混合算法及其在地区无功优化中的应用

基于对混沌算法、遗传算法和禁忌搜索法的比较分析,结合实际无功优化问题提出了一种引入改进tent映射的遗传禁忌混合算法,它以遗传种群为进化主体,同时伴随tent映射产生辅助个体,在状态更新中通过一定的选择比较机制引入辅助个体,在进化过程中综合禁忌搜索操作,一定程度上避免了迂回搜索。将其应用于某地区电网无功优化中,通过与基本遗传算法、改进遗传算法和遗传禁忌算法的比较表明该混合算法性能更为优良。

跳跃跟踪SSA交叉迭代AP聚类算法

针对传统近邻传播聚类算法以数据点对之间的相似度作为输入度量,由于需要预设偏向参数p和阻尼系数λ,算法精度无法精确控制的问题,提出了一种跳跃跟踪麻雀搜索算法优化的交叉迭代近邻传播聚类方法.首先,针对麻雀搜索算法中发现者和加入者位置更新不足的问题,设计了一种跳跃跟踪优化策略,通过考虑偏好阻尼因子的跳跃策略设计大步长更新发现者,增加麻雀搜索算法的全局勘探能力和寻优速度,加入者设计动态小步长跟踪领头雀更新位置,同时,利用自适应种群划分机制更新发现者和加入者的比重,增加算法的后期局部开发能力和寻优速度;其次,设计基于扰动因子的Tent映射,在此基础上增加3个参数,使映射分布范围增大,并避免了陷入小周期点和不稳周期点;最后,引入轮廓系数作为评价函数,跳跃跟踪麻雀搜索算法自动寻找较优的p和λ,代替手动输入参数,并融合基于扰动因子的Tent映射优化近邻传播算法,交叉迭代确定最优簇数.使用多种算法聚类University of California Irvine数据集的10种公共数据集,仿真结果表明,本文提出的聚类算法与经典近邻传播算法、基于差分改进的仿射传播聚类算法、基于麻雀搜索算法优化的近邻传播聚类算法和进化近邻传播算法相比具有更优的搜索效率以及聚类精度.对国家信息数据进行了聚类分析,提出的方法更加准确有效合理,具有较好的应用价值.

基于改进镜面反射优化算法的WSNs覆盖优化

针对无线传感器网络(WSNs)节点部署存在覆盖盲区大和均匀分布性差等不足,提出一种改进镜面反射优化算法(MSRA)的WSNs覆盖优化方法。首先,采用种群策略将算法单一种群扩充为多种群,并引入Piecewice映射初始化种群,提高种群初始质量和搜索空间的遍历性;其次,融合了改进的Tent映射和莱维飞行方式对个体位置进行变异,提高算法跳出局部最优能力;然后,利用莱维飞行策略扰动最优个体位置,以平衡算法的全局探索与局部开发能力。仿真结果表明:相比镜面反射优化算法(SRA)和对比算法,所提算法寻优能力更优,有效地改善了WSNs节点分布的均匀性和覆盖盲区,提高了覆盖率。

基于函数变换的改进混沌粒子群优化

粒子群在搜索过程中容易陷入局部而无法找到全局最优值,为了解决此早熟问题,提出基于函数变换的改进混沌粒子群优化算法。此方法将Logistic映射和改进的Tent映射引入到粒子群中代替随机数;将函数变换引入到粒子的速度、位置更新过程中以凸显全局最优值与局部极优值的差异,从而使粒子跳出局部极优值点,加细搜索进而找到全局最优值点。数值实验表明,基于函数变换的改进混沌粒子群在搜索时间和效率上要优于标准粒子群和基于Logistic映射的混沌粒子群。改进的算法是可行而有效的。

基于多策略麻雀搜索算法的径向基神经网络时延预测方法

网络诱导时延序列存在随机性和不稳定性,单一的预测算法难以准确预测,针对该问题,提出一种基于多策略麻雀搜索算法(ISSA)的径向基神经网络(RBF)时延预测方法来准确预测网络时延。首先,为了应对麻雀种群初始分布不均匀的问题,增加改进Tent混沌映射来提高种群早期的分布质量,并引入新的惯性权重因子改进发现者位置更新策略,扩大麻雀早期寻优范围;随后引入正余弦优化算法(SCA)更新跟随者位置,避免种群后期陷入局部最优。其次,考虑到RBF隐含层节点中心,幅值以及输出层权值不确定的问题,提出利用ISSA算法寻优求取。最后,搭建改进的时延预测模型并输入实测时延数据得到预测时延值。实验研究结果表明:相较于传统SSA-RBF模型,文中提出的ISSA-RBF时延预测模型的MSE、MAE和MAPE分别提高了69.46%、32.83%、34.43%,可有效预测网络时延,为之后的时延补偿提供基础。

基于改进自适应黑洞机制的引力搜索算法

针对基本引力搜索算法(gravity search algorithm,GSA)易早熟、易陷入局部最优、缺少有效加速机制等缺点,提出了基于改进自适应黑洞机制的GSA(improved adaptive black hole gravity search algorithm,IABHGSA)。通过改进Tent映射对种群初始化,使得初始种群的分布更随机、均匀、全面,增强算法的全局勘探能力;引入改进自适应黑洞机制,根据粒子进化情况选择位置更新策略,使得位置更新更为合理,有效减小粒子陷入局部最优的可能性;通过基于学习思想的最优与最差粒子更新策略增强算法逃离局部最优的能力,并提高算法的寻优速度;引入群体迁徙,为算法提供有效的加速收敛机制。最后,选取八个基准测试函数对IABHGSA进行测试,并与相关算法的实验结果进行了对比,结果证明IABHGSA有更好的寻优性能。

含运行协调性并改进差分进化算法的机组组合

为解决大规模风电并网后传统调度策略易致线路长时间重载运行问题,提出含运行协调性的多目标优化模型及采用含动态搜索空间的混沌多目标差分进化算法求解。对多目标差分进化算法与搜索空间的动态更新机制进行有机结合,将随机生成算法的初始种群改为采用改进Tent映射的混沌化初始种群来提高算法的寻优精度。IEEE 30节点算例结果表明,所提优化算法可提高帕累托前沿的收敛性与均匀性,所提优化模型可将调度运行和预想故障下满载、超载支路的负载率降低至安全运行范围内,满载支路的负载率由100%降低至65%以下,预想故障中超载支路的负载率由120%降低至80%以下,提高了系统安全运行水平。

基于改进多元宇宙算法优化ELM的短期电力负荷预测

为改善因人工神经网络参数随机初始化对短期电力负荷预测带来的不足,提出一种基于改进多元宇宙(improved multivariate universe optimizer, IMVO)算法优化极限学习机(extreme learning machine, ELM)的短期电力负荷预测方法。算法的改进包含3个方面。首先,添加beta分布的随机数得到改进Tent混沌映射方法,采用遍历均匀性更好的改进Tent混沌映射方法使MVO算法得到好的初始解位置。其次,采用指数形式改进传统MVO算法的旅行距离率,利用指数形式改进后可使算法在整个寻优迭代前中期保持较高的全局开发水平。然后,采用精英反向学习的方法改进宇宙群。通过基准函数测试改进前后算法的性能,表明IMVO算法具有更好的稳定性和鲁棒性。最后,利用IMVO算法优化ELM的权值和阈值,建立IMVO-ELM短期电力负荷预测模型。通过实例分析和实验对比,表明IMVO-ELM模型的稳定性、预测精度和泛化能力均优于其他模型。

翼伞系统在复杂环境下的组合式归航轨迹规划

在较为复杂的空投环境中进行翼伞系统归航任务时,必须考虑风场以及复杂地形的影响。针对该问题,本文将翼伞空投区域分为障碍区、过渡区以及着陆区,并提出一种基于风场下的复杂多约束条件的翼伞系统组合式航迹规划策略。在该方法中,将障碍区的复杂地形环境约束转化为实时路径约束,借助风场干扰下的翼伞系统模型,把控制量消耗最小作为目标函数并采用高斯伪谱法进行求解;为了使翼伞系统能更平滑精准地到达目标点,设立过渡区以实现翼伞系统控制量调整,并在着陆区采用分段归航的方式设计归航轨迹;最后基于改进Tent映射的混合混沌粒子群算法求解目标参数。仿真结果表明:与高斯伪谱法直接归航对比,本文方法规划出的航迹具有更好的可行性和实用性;与传统混沌粒子群算法相比,本文的改进混沌粒子群算法具有更好的收敛性,规划出的翼伞航迹具有更高的精准度。

基于改进金豺算法的无人机三维航迹规划

针对传统金豺优化算法(GJO)在求解无人机航迹规划时存在的稳定性差、寻优能力不足等问题,提出一种改进金豺优化算法(IGJO)。首先使用改进Tent混沌映射初始化种群;然后结合北方苍鹰优化算法思想,开发一种新型探索阶段位置更新方式;其次,采用动态能量因子策略来转换能量递减方式;最后,提出一种用于平衡探索和开发的阈值双重自适应t分布扰动变异策略,完成对GJO算法的改进。另外,建立一个无人机三维航迹规划模型,并利用IGJO算法求解以航程代价、高度代价等为目标函数的无人机三维航迹规划问题。结果表明,IGJO算法可适用于不同的复杂地形环境,且规划的航迹具有最优的成本代价。

基于粒子群优化的WSN覆盖增强算法研究

针对粒子群算法无线传感器网络(WSN)覆盖优化中算法稳定性较差,后期收敛速度慢和易陷入局部最优问题,本文提出了一种自适应扰动混沌的粒子群(Adaptive Disturbance Chaotic Particle Swarm Optimization,简称ADCPSO)的覆盖增强算法。一是在覆盖范围中应用改进的混沌Tent映射对粒子初始化,提高了种群的求解质量和算法的稳定性;二是采用非线性递减的惯性权重和学习因子自适应操作;三是根据一定概率对粒子位置进行扰动更新,避免粒子陷入局部收敛的问题。仿真结果表明,该算法具有良好的全局搜索能力,稳定性好,提高了网络覆盖率。