引入精英反向学习和柯西变异的混沌蜉蝣算法

为提高蜉蝣算法的收敛速度,提升算法寻优能力,提出一种引入精英反向学习和柯西变异的混沌蜉蝣算法。利用Circle混沌映射序列优化初始种群使种群分布更加均匀,提高种群多样性。在蜉蝣更新阶段,对蜉蝣中的精英个体进行反向学习策略,防止算法陷入局部最优,提高算法收敛速度。为保证种群进化方向和扩大寻优范围,将自适应概率阈值和柯西变异的扰动机制相结合,对劣势蜉蝣个体附近生成更大的扰动。通过8个基准测试函数实验对比和Wilcoxon秩和检验,实验结果表明,混沌蜉蝣算法在收敛速度、求解精度以及稳定性等方面有较大提高。

基于精英反向学习策略的麻雀搜索算法

针对麻雀搜索算法(Sparrow Optimization Algorithm,SSA)存在收敛速度慢、容易陷入局部极值的问题,提出了一种基于精英反向学习(EOBL,elite opposition-based learning)的麻雀搜索算法。该算法引入精英反向学习策略,通过精英个体反向学习生成反向解,同时获取精英麻雀的动态边界,对比更新前后麻雀,如果更优则替代之前的麻雀,从当前解和精英反向解中挑选优异个体作为下一代种群,有效的提高了算法全局搜索能力和搜索精度。通过标准测试函数进行对比仿真,结果表明加入精英反向学习麻雀搜索算法具有很好的全局搜索能力和收敛速度。

基于混沌精英和Lévy飞行策略的鲸鱼优化算法

针对鲸鱼优化算法(Whale Optimization Algorithm,WOA)存在的收敛速度慢、精度低的问题,提出了基于Tent混沌精英和Lévy飞行策略的鲸鱼优化算法(TELWOA)。使用Tent混沌映射初始化鲸鱼种群,保持种群的多样性,并通过引入精英反向学习策略,对初始种群的精英个体生成反向解,选取适应度高的种群作为下一代鲸鱼种群,加快算法收敛速度。其次,通过使用非线性收敛因子,缓解算法全局搜索和局部搜索能力不平衡的现象。最后,在鲸鱼位置寻优过程中使用Lévy飞行策略,避免算法陷入局部最优,提升算法的全局搜索能力。通过对不同改进策略的有效性分析、与其他智能算法的对比分析,证明了TELWOA算法在收敛精度、算法稳定性和全局寻优能力上与对比算法有显著提升,具有一定的实际工程应用能力。

透镜成像反向学习的精英池侏儒猫鼬优化算法

侏儒猫鼬优化算法(dwarf mongoose optimization,DMO)是新提出的一种元启发式算法,该算法具有较强的全局探索能力和稳定性,但由于原始算法中仅依靠雌性首领带领整个猫鼬种群进行搜索,会产生收敛速度较慢、易陷入局部最优以及探索阶段与开发阶段之间的平衡较差等问题。针对上述问题,提出一种融合透镜成像反向学习的精英池侏儒猫鼬优化算法(improved dwarf mongoose optimization,IDMO),采用透镜成像反向学习策略,避免算法在迭代过程中陷入局部最优,增强算法的探索能力;在阿尔法组觅食时引入精英池策略,提高了算法的收敛精度,进一步增强算法探索能力。通过基准测试函数进行实验,表明IDMO算法具有良好的寻优性能和鲁棒性,且算法收敛速度得到显著提升。通过对汽车碰撞优化问题的求解,进一步验证了IDMO算法具有良好的适用性和有效性。

基于精英反向学习的改进BAS算法

针对标准天牛须算法(BAS)收敛精度不高、容易陷入局部最优值的问题,提出一种基于精英反向学习的改进BAS算法(IBAS)。首先采用天牛种群代替单一天牛个体,通过种群的精英个体指引天牛个体的搜索路径,提高种群搜索效率;然后引入精英反向学习策略增加种群的多样性,改善算法的全局寻优能力。基于8个基准函数分别在低维与高维进行仿真实验,相较于其他比较算法,IBAS算法取得了更优的寻优精度与鲁棒性。

基于精英反向学习的混沌蝙蝠算法

针对基本蝙蝠算法存在的后期收敛速度慢、易陷入局部极值、稳定性差等缺点,提出一种基于精英反向学习的混沌蝙蝠算法。该算法引入精英反向学习策略,通过比较精英个体与其的反向解并择优,充分利用优秀个体信息,加快算法收敛速度,同时,在迭代过程中对蝙蝠位置进行混沌扰动,增加种群多样性,有效地提高了算法的搜索能力和搜索精度。数值测试结果表明,新算法有较快收敛速度及较高的寻优精度。

基于反向策略的混沌麻雀搜索算法

针对麻雀搜索算法(SSA)在全局搜索初期多样性较差且后期具有陷入局部最优的风险,利用反向学习策略和混沌理论提出了一种改进的麻雀搜索算法(ISSA)。首先,在麻雀初始化种群个体位置时引入反向学习策略,以提高寻优前期麻雀种群整体质量,利于加快全局搜索速度;其次,在算法后期采用Sinusoidal map混沌映射策略,对麻雀位置进行扰动以提高算法的局部开发能力。利用12个国际基准测试函数测试改进算法的性能,并与SSA、改进灰狼算法(TGWO)、鲸鱼算法(WOA)、多分段动态定权粒子群算法(DPSO)进行对比,实验表明ISSA在收敛精度和算法的稳定性方面均表现更优,且收敛速度更快。

基于精英反向学习的萤火虫k-means改进算法

为解决传统k-means聚类算法在聚类精度及中心点选取方面的问题,提出一种基于精英反向学习的萤火虫k-means改进算法。针对k-means算法的弱点,利用萤火虫优化算法具有较强全局搜索能力这一特性,使用精英反向学习策略对萤火虫进行改进,扩大萤火虫的搜索范围并提高收敛速度,对萤火虫的吸引度和步长因子进行改进,提升聚类效率。将改进算法运用到UCI标准数据集进行聚类仿真实验,该算法在寻优精度和收敛速度上有更好的结果,验证了其有效性。

融合学习机制的多混沌麻雀搜索算法

针对麻雀搜索算法(SSA)易受初始解的影响陷入局部极值、迭代后期收敛速度慢等缺陷,提出了一种融合学习机制的多混沌麻雀搜索算法(MMCSSA)。首先,引入重心反向学习策略(COBL)生成精英种群增强对多源优质搜索区域的勘探能力,提升算法的局部极值逃逸能力和收敛性能。其次,提出一种动态调整的黄金正弦领导策略并嵌入SSA中以改善发现者的搜索方式,增强算法的全局搜索能力。然后,提出一种基于学习机制的多混沌映射策略,该机制利用多混沌多扰动模式的特性,通过动态调用不同混沌映射赋予算法不同类别的扰动特征。混沌扰动失败时,引入高斯变异策略对当前解进行深度开发,两种策略协同作用,相互促进,极大增强了算法逃逸局部最优的能力。最后,将所提算法应用于12个不同特征的基准函数进行实验,结果表明与其他算法相比,MMCSSA在收敛精度、寻优速度和鲁棒性方面有更好的表现。

多策略融合的改进狮群算法及其工程优化

狮群算法是近年提出的一种智能优化算法,已经应用于多个领域,然而该算法仍存在搜索效率不足、易落入局部最优等问题.因此,基于狮群算法,提出了多策略融合的改进狮群算法.首先,使用Tent混沌种群的初始化方法,增强种群分布的均匀性的历遍性,提高算法初始解的质量和搜索效率;其次,采用柯西变异机制,在狮群最优位置采用柯西扰动操作,提升算法逃离局部极值的能力;再次,改进母狮位置更新方式和步长公式,提高算法后期的收敛精度;最后,融合精英反向学习,提高解的质量.选取国际通用的13个基准函数和部分CEC2014函数进行实验仿真,结果表明所提算法寻优性能和搜索精度有明显提升;另外通过对两个工程实例进行优化,结果表明改进算法在工程应用中具有优势.

融合Tent混沌和维度学习的阴阳对算法

针对阴阳对算法(YYPO)易早熟收敛,提出一种融合Tent混沌映射和维度学习策略的阴阳对优化算法(YYPO-TP)。使用Tent混沌序列初始化阴阳两点生成以增加初始位置分布的均匀性,使用维度学习策略和反向搜索策略设计一种正反向搜索的分割方式,避免算法的早熟,增强算法全局寻优能力。实验结果表明,YYPO-TP相比YYPO在统计学意义上有显著性能优势,在风力发电机参数优化问题YYPO-TP也取得了更优的结果。

基于阿基米德混沌精英鲸鱼算法的微电网优化

针对微电网可再生能源不稳定性对电网造成的冲击,合理优化配置分布式能源以实现更为经济和环保的目标。提出了改进的鲸鱼算法,通过tent映射提高了初始种群的均匀程度,建立改进的精英反向学习方法提高算法跳出局部最优解的能力,通过自适应参数优化调节鲸鱼算法搜索策略的选取,并且选取阿基米德螺线替换原有的螺旋收缩方式,加强局部搜索能力,采用多种基准函数验证了算法性能上的提高,并以污染治理费用和运行费用作为目标函数,针对多种电源类型的微电网进行优化,通过仿真试验对比其他算法验证改进鲸鱼算法的有效性和实用性。

一种精英反向学习的萤火虫优化算法

为了提高传统萤火虫算法的收敛速度和求解精度,提出了一种精英反向学习的萤火虫优化算法。通过反向学习策略构造精英群体,在精英群体构成的区间上求普通群体的反向解,增加了群体的多样性,提高了算法的收敛速度;同时,为了避免最优个体陷入局部最优,使整个群体在搜索过程中出现停滞,提出了差分演化变异策略;最后,提出了一种线性递减的自适应步长来平衡算法的开发能力。实验结果表明,算法在收敛速度和收敛精度上有更好的效果。

基于多策略融合灰狼算法的移动机器人路径规划

针对标准灰狼算法(GWO)在解决移动机器人路径规划问题时存在初始参数依赖性强、缺乏多样性及易陷入局部极值的缺陷,提出一种基于多策略融合灰狼算法(LTGWO)。首先运用精英化思想将Logistic-Tent复合混沌映射与反向学习结合,优化灰狼种群分布序列;然后引入sigmoid函数修改收敛因子a,平衡算法全局探索与局部开发能力,并改进控制参数C以更好地拟合灰狼实际捕猎过程;最后加入随适应度值变化的比例权重,提高灰狼个体搜索能力,同时采用种群淘汰策略,淘汰适应度值差的个体,促进种群进化。选用3组不同的栅格地图进行实验,实验结果表明:由LTGWO算法生成的平均路径长度、路径长度标准差都优于对比算法。

基于振动信号与深度学习的电力变压器故障诊断方法

针对当前电力变压器机械故障实时诊断准确率较低的问题,本文提出了一种基于振动信号与深度学习的电力变压器故障诊断方法。首先针对电力变压器箱体表面振动信号采用改进自适应噪声完备经验模态分解(ICEEMDAN)对其进行分解以获取重构信号,并引入模糊熵值构建振动特征向量。然后以卷积神经网络-双向门控循环单元(CNN-BiGRU)组成基础分类网络以实现特征分类,并引入高效通道注意力机制(ECAM)提升CNN学习性能。最后设计一种基于ICMIC混沌映射、自适应动态扰动和精英反向学习混合改进得到多策略协同优化秃鹰搜索(MSCOBES)算法,并将改进后的算法应用于实现CNN-BiGRU的超参数寻优,从而得到基于MSCOBES-CNN-BiGRU-ECAM的电力变压器故障诊断优化模型。在实验中对于试验变压器的机械故障进行诊断,实验结果表明本文所提出的方法对于电力变压器不同类型的机械故障的诊断准确率可达99.4%。

多交叉混沌选择反向小生境遗传算法

为提高小生境遗传算法的全局以及局部搜索能力,提出一种多交叉混沌选择反向小生境遗传算法。利用分段线性混沌映射函数生成一组混沌数序列,在每次进行交叉操作前,依据序列中对应元素的数值大小选择不同的交叉算子进行操作,通过小生境遗传算法产生较优的子代种群。针对子代种群,应用反向搜索策略获得反向种群,在子代种群和反向种群中进行精英选择得到最终新种群,以进一步加强算法的局部寻优能力。仿真实验结果表明,该算法在最优解及均值方面好于小生境遗传算法,从而证明其可行性和优越性。

多策略SMA-BP神经网络的空气质量指数预测

针对BP神经网络预测精度不佳、预测结果不稳定的问题,提出改进黏菌算法(ISMA)优化BP神经网络的预测模型,引入Tent混沌映射克服初始种群分布不均的缺点,针对黏菌算法位置更新的随机性和后期容易陷入局部最优等问题引入领导者策略和莱维飞行策略,利用自适应反向学习策略扩大搜索空间并用23组基准函数加以测试。随后利用ISMA算法优化BP网络模型的初始权值和阈值,构建ISMA-BP空气质量指数预测模型,最后将收集到的779组空气质量指数数据代入预测模型中进行测试分析,实验结果表明,与BP神经网络模型、GWO-BP、SMA-BP模型相比,ISMA-BP模型对AQI的预测具有更高的精度,其预测的均方误差为3.8402,平均绝对误差分别为1.5078。

基于混沌精英黏菌算法的无刷直流电机转速控制

针对传统比例-积分-微分(proportional integral differential,PID)在无刷直流电机转速控制中存在响应速度慢、稳定性差等缺点,提出了一种基于混沌精英黏菌算法的自适应控制方法。首先,分析并建立了无刷直流电机数学模型。其次,为进一步提高标准黏菌算法的收敛速度和求解精度,采用Tent混沌映射丰富种群多样性,同时引入精英反向学习策略扩大搜索范围。最后,将上述改进算法应用于无刷直流电机的速度环PID参数自整定。通过在不同运行条件下进行MATLAB仿真以及实验,结果表明:对比传统PID以及模糊PID,所提方法能够使得控制精度得到显著提高,并且具有响应速度快,抗干扰能力强等优势。

基于反向学习的布谷鸟算法优化搜索仿真

针对布谷鸟算法求解复杂的问题时收敛速度过低、全局效果不理想等问题,提出基于反向学习的布谷鸟算法优化搜索方法。对当前布谷鸟群体加入反向学习策略,从全局中找出精英个体,并对个体求反向解,在所得的可行解与反向解中找出最优个体作为下一次迭代的个体。将混沌扰动策略引入鸟巢位置的确定过程,扩大布谷鸟种群的多样性,提高算法整体的收敛精度和搜索能力。最后进行仿真,运用不同方法对四个函数测试的结果中可以看出,所提方法具有更优的搜索能力和收敛速度。

基于改进灰狼算法的自动导航小车控制策略

针对灰狼算法(grey wolf optimizer,GWO)易陷入局部最优、后期收敛速度慢等问题,通过引入改进Tent混沌映射反向学习策略和非线性收敛因子,并加入差分进化的变异、交叉、选择操作,提出一种改进的差分灰狼优化算法(improved differential evolution grey wolf optimizer,IDE-GWO)。将改进算法应用于优化自动导航小车(automated guided vehicle,AGV)的比例积分微分(proportion integration differentiation,PID)控制参数,并与其他几种算法进行对比。Simulink仿真实验结果表明:该改进算法优化PID参数的控制效果明显优于其他智能优化算法,能够有效地提升AGV轨迹跟踪性能,使得AGV实际轨迹能较好拟合目标轨迹。