基于混沌策略状态转移算法的混沌系统参数辨识

针对混沌系统的参数辨识是一个多维参数的优化问题,提出了基于混沌策略状态转移算法的混沌系统参数辨识方法。该方法是在初始化时以混沌序列初始化种群,在搜索过程中引入混沌变异机制,利用遍历性对状态进行变异操作,避免了过早收敛,提高了全局搜索能力。利用该算法辨识Lorenz混沌系统参数,并与基本状态转移算法和粒子群算法进行比较。仿真结果表明,在有无噪声干扰的情况下,该算法比粒子群算法和基本状态转移算法具有更好的辨识精度,且比粒子群算法具有更好的收敛速度。证明了该算法的有效性和抗干扰性,对混沌理论的发展有重要的意义。

自适应状态转移模拟退火算法及其应用

状态转移模拟退火算法(STASA)作为解决复杂优化问题的有效方法,其搜索效率依赖于搜索算子和参数值的选择,在一些高维复杂问题上出现效率低下的问题。提出一种自适应状态转移模拟退火算法(ASTSA),通过自适应算子和参数选择策略来提高算法的适用性和求解效率;借鉴群智能算法的均值更新方法对平移算子进行改进,增强算子的搜索特性。通过23个基准测试函数和8个工程设计问题进行实验验证并与其他算法对比,证明了ASTSA算法和改进策略的有效性。

基于改进状态转移算法的不确定混沌电力系统参数辨识

电力系统参数的准确性是电网安全稳定运行和科学合理实现电网调度的前提,而混沌电力系统的参数常是未知的或是不稳定的,致使难以获取精确的混沌电力系统参数。针对混沌电力系统参数辨识难度大、易受外界干扰等问题,提出一种基于改进状态转移算法的混沌电力系统参数辨识方法。首先分别分析了二阶混沌电力系统和四阶混沌电力系统的数学模型及混沌状态;然后利用状态转移算法进行未知参数的辨识,其中设定陷入局部最优判别机制用于判断状态是否出现早熟现象,若发生早熟现象,加入逆向转移机制使状态跳出早熟状态,增加群体的多样性,避免陷入局部最优解;最后将该改进状态转移算法分别用于二阶和四阶混沌电力系统的参数辨识。仿真结果表明,改进的状态转移算法对于不确定混沌电力系统的参数辨识不仅具有很好的辨识速度,而且也具有很高的辨识精度。

基于原对偶状态转移算法的分数阶多涡卷混沌系统辨识

未知分数阶混沌系统参数辨识问题可转化为函数优化问题,是实现分数阶混沌系统同步与控制的关键.结合正交学习机制和原对偶学习策略,提出一种原对偶状态转移算法,用于解决分数阶混沌系统的参数辨识问题.利用正交学习机制产生较优的初始种群增加算法的收敛能力,并引入原对偶操作增加状态在空间的搜索能力,提高算法的寻优性能.在有噪声和无噪声情况下以分数阶多涡卷混沌系统的参数辨识为研究对象进行仿真.结果表明了该算法的有效性、鲁棒性和通用性.

基于多策略融合和约束处理技术的差分进化算法

当约束优化问题的目标函数结构比较复杂,约束条件较为严格时,差分进化算法(Differential Evolution,DE)的收敛性能表现较差。为发挥基于群智能搜索算法的优势,本文提出了一个基于等级划分、状态转移和不可行解处理的多策略融合差分进化算法(Multi-Strategy fusion Differential Evolution,MSDE)。首先,根据目标函数值和约束违反度值对父代群体进行等级划分,并根据等级特征将子群体划分为3个层次;然后,利用不同等级和层次的特征设计有效的进化操作,提高差分进化算法的勘探和挖掘能力;进一步,根据不可行解的分布特征将群体进行状态转移,使转移后的个体在决策空间具有较好的分布;接着,利用转移后个体的分布特征设计了约束处理技术,提高个体向可行域收敛的概率,使不可行解以较高的概率转移到可行域中;最后,与4个最新的进化算法做了仿真实验,结果表明,本文提出的相关策略改进了DE算法的性能。

基于旋转状态转移的麻雀搜索算法

针对现有的麻雀搜索算法(SSA)在接近全局最优时,种群多样性减少,容易陷入局部最优等问题,提出一种精英旋转策略的麻雀搜索优化算法(RLSSA)。首先,对麻雀种群中发现者进行旋转状态转移变换,以提高算法的局部搜索能力,提高算法的搜索精度。其次,对加入者引入基于莱维飞行的搜索策略,提高算法的全局搜索能力,同时引入贪婪算法搜索寻优策略。最后,在12个基础函数上进行仿真实验。实验结果表明上述方法在收敛速度和精度上有显著优势。

改进状态转移策略的蚁群算法求解TSP问题

针对蚁群算法在求解TSP问题中易出现算法易早熟难收敛的问题,基于历史搜索信息提出了一种改进状态转移策略的蚁群算法,并引入自适应信息素更新机制引导信息素的更新。实验表明,改进的蚁群算法较传统蚁群算法改善了在求解TSP问题上易早熟难收敛的问题,求解效果和求解稳定性上提升显著。

求解时间依赖型绿色车辆路径问题的算法研究

蚁群优化(ACO)算法是一种模拟自然界蚂蚁寻找食物路径的优化算法,能够在动态变化的环境中无需任何外部指导或控制解决几何分布的非确定性多项式(NP)-Hard组合问题。针对ACO算法在求解NP-Hard问题时容易陷入局部最优、搜索的深度与广度之间难以平衡等问题,提出一种绿色智能进化蚁群优化(G-IEACO)算法。引入4种邻域操作算子,改进ACO算法的状态转移规则和信息素更新方式,以增强寻优性能并防止过早收敛,同时采用规避拥堵策略,平衡时间成本和环境成本。应用Solomon标准测试集中不同规模的算例进行仿真实验,数值分析结果表明,G-IEACO算法在处理车辆总行驶时间(TT)和车辆碳排放量(TCO_(2))方面优于遗传算法(GA),在客户规模为100的R2类和RC2类算例中平均降低了13.32%的TT和13.64%的TCO_(2),有效地促进了绿色低碳目标的实现。

一种求解无线传感器网络定位问题的改进状态转移算法

基本状态转移算法求解一些高维复杂优化问题时,局部搜索能力较差,收敛速度慢。针对这一缺陷,本文提出了一种改进的状态转移算法。所提算法在最优算子参数选择的基础上,首先采用二次插值技术替换平移算子来提高局部开发能力,其次采用随机变异策略来增加算法跳出局部最优解的概率。最后采用基于梯度的技术对算法进行加强,进一步提高算法后期的搜索效率,并通过几个无线传感器网络定位问题,验证了所提方法的有效性和优势。

一种改进的混沌伊藤算法求解车辆配送问题

为了提高基本伊藤算法搜索最优解的效率,在状态转移策略中引入C-W节约法,并根据伊藤算法迭代的特性改进了距离启发因子和路径权重的更新规则,同时在寻优过程中对各个因子的权值系数作线性调整,保证了初期种群的多样性和后期遍历寻优的能力。根据种群中粒子的适应度设计了针对波动算子和漂移算子的自适应扰动策略,以避免算法在迭代过程中出现搜索停滞的现象。构造了4个邻域搜索算子,并在此基础上提出了基于幂函数载波的混沌局部优化方法,该方法提高了局部搜索的充分性和遍历性。仿真结果证明了所提算法的有效性。

基于改进差分进化算法的配电网状态估计

状态估计是当前配电网中的研究重点,为了获得更加理想的配电网状态估计结果,提出一种基于改进差分进化算法的配电网状态估计方法。首先在标准差分进化算法中引入混沌变异策略,保持种群个体的多样性,增强全局搜索能力,然后建立配电网状态估计目标优化函数,并采用改进差分进化算法对其求解,最后采用配电网状态估计仿真实验测试其有效性和优越性。结果表明,改进差分进化算法加快了配电网状态估计的求解速度,获得了较高的配电网状态估计准确度,配电网状态估计性能要优于其他配电网状态估计方法。

基于增量式策略强化学习算法的飞行控制系统的容错跟踪控制

针对发生故障的飞行控制系统,在强化学习算法的基础上,提出了一种基于增量式策略的强化学习容错方法.本方法利用传感器获取的系统状态值,根据系统预先设定的奖励函数对当前控制系统状况做出最优的决策并不断更新价值网络,将系统的容错控制过程转换为强化学习Agent的贯序决策过程,并使用一种改进型的增量式策略实现对当前故障的正确补偿策略的逐渐逼近.同时,针对连续控制系统,提出一种状态转移预测网络来得到下一步状态值.最后,通过南京航空航天大学“先进飞行器导航、控制与健康管理”工信部重点实验室的飞行器故障诊断实验平台验证了该方法的有效性.

基于改进蚁群算法作业车间调度问题仿真研究

蚁群算法是一种仿真蚂蚁群体智能行为的仿生优化算法,具有良好的正反馈、鲁棒性、群体性和并行性等特点。针对基本蚁群算法易陷入局部收敛这一缺点,为提高精确高度,提出了一种改进蚁群算法,采用了新的状态转移规则,当算法陷入局部收敛时调整信息素更新策略,并根据陷入局部收敛的程度动态调整信息素挥发系数和信息素强度,使算法能快速跳出局部收敛得到全局最优解;仿真结果验证了改进蚁群算法求解作业车间调度问题的有效性。

基于改进型蚁群算法自适应停车引导系统的设计

针对停车场停车最优路径规划问题,提出了基于改进型蚁群算法的自适应停车引导模型。以原有信息素更新为基础,设计下一步潜在节点状态转移策略,引入停车路径动态自适应度,进一步缩小蚂蚁搜索范围,合理规划最优停车路径。对比仿真实验表明:改进型自适应蚁群算法求解效率和质量有明显优势,实现了停车最优路径规划与选择,减少了停车时间,提高了安全性,具有很强的实用价值。

一种改进的蚁群算法

为了解决普通蚁群算法容易产生的停滞和收敛速度慢等问题,提出了一种改进的蚁群算法,通过改变信息素的更新策略和状态转移规则,实验结果证明改进的蚁群算法可以有效解决普通蚁群算法容易陷入局部最优解和收敛速度慢等现象。

带有策略自适应的状态转移算法

针对基本状态转移算法(state transition algorithm,STA)搜索效率低和后期收敛速度慢的不足,对不同算子求解特定优化问题的效果差异性展开统计研究,提出一种带有策略自适应的状态转移算法(SaSTA).首先,定义成功率和下降率两个指标,并在3个测试函数上进行统计研究,以证明不同算子对算法搜索能力的影响,设计一种综合成功率和下降率的评价指标对最优算子进行自适应选择;然后,采用一种非线性控制参数策略平衡算法的探索和开发能力;最后,将所提出算法应用于15个基准测试函数(100维、300维和500维).仿真结果表明,所提出算法在求解精度、收敛速度和稳定性方面均明显优于其他对比算法.

改进蚁群算法的移动机器人路径规划

针对传统蚁群算法在路径规划中存在易陷入局部最优与收敛速度慢等问题,提出一种改进的蚁群算法。采用初始信息素差异化分布策略,增强目标点导向区的初始信息素浓度;基于回退策略与禁忌搜索结合分块优化,利用叉积运算进行局部折点优化;引入信息素自调节加强因子,改进信息素浓度更新公式;引入随机状态转移参数,增强全局搜索能力;将改进算法在多种地图环境下与传统蚁群算法、樽海鞘群算法进行比较,仿真结果证明了改进算法拥有较好的收敛性与稳定性。

含分布式能源的主动配电网状态估计

针对目前现有的含分布式能源(DG)的主动配电网状态估计在精度上存在的不足现象,提出一种适用于求解状态估计模型的混沌策略蛙跳萤火虫算法(LSLFA),并建立含DG的主动配电网状态估计模型,验证该改进算法在求解精度上的提高。该算法基于萤火虫算法(FA),通过引入蛙跳族群划分策略增加了初始种群的多样性,在迭代后期使用Logistic混沌策略,提升FA算法的全局搜索能力,防止较早收敛。以IEEE30节点配电系统作为对象进行仿真验证,引入均方根误差和平均绝对误差来对比估计精度,结果表明:使用LSLFA算法估计节点负荷值和DG能源输出值的精度相比遗传算法更高,为主动配电网研究人员提供了一种新的状态估计方法。

基于正态云模型的状态转移算法求解多目标柔性作业车间调度问题

为了求解具有多目标多约束的柔性作业车间调度问题,提出一种基于正态云模型的状态转移算法.构建以最小化最大完工时间、机器总负荷及瓶颈机器负荷为目标的多目标柔性作业车间调度问题的数学模型;针对灰熵关联度适应度分配策略在Pareto解比较序列与参考序列之间的差值相等时不能引导算法进化的情况,提出一种改进灰熵关联度的适应度值分配策略;同时引入兼具模糊性和随机性的云模型进化策略以改进状态转移算法,可有效避免算法早熟并增加候选解的多样性.仿真结果表明:基于正态云模型的状态转移算法能够有效解决多目标柔性作业车间调度问题;与其他算法相比,所提出算法求解问题的收敛精度更高、收敛速度更快.

一种自适应拟牛顿-状态转移混合智能优化算法及应用

针对基本状态转移算法在某些复杂高维函数寻优后期表现出收敛慢、精度低的问题,引入局部搜索拟牛顿算子,构造一种混合状态转移算法,以弥补状态转移算法后期搜索效率低和拟牛顿法对初始点敏感的不足,保证算法能够快速收敛到全局或精度较高的近似最优解.混合算法采用自适应调用策略,判断算法收敛到全局最优附近的时机,并在此时调用拟牛顿算子,最大程度上发挥其局部搜索能力强的优势.在算法收敛到全局最优或者近似最优解附近时,不再进行无用的拟牛顿局部搜索,节省计算资源.通过对典型测试函数的仿真与无线传感器网络定位问题的求解,验证了混合智能优化算法的有效性,且与其他群智能算法相比,混合算法具有更高的收敛速度与精度.