针对在阵列孔径、阵元数目、最小阵元间距等多约束条件下的稀布矩形平面阵列天线优化问题,提出了基于改进型灰狼优化(improved grey wolf optimizer,IGWO)算法和窗函数加权的稀布矩形平面阵列天线综合方法。首先,利用Tent混沌映射、非...针对在阵列孔径、阵元数目、最小阵元间距等多约束条件下的稀布矩形平面阵列天线优化问题,提出了基于改进型灰狼优化(improved grey wolf optimizer,IGWO)算法和窗函数加权的稀布矩形平面阵列天线综合方法。首先,利用Tent混沌映射、非线性收敛因子、优势狼动态置信策略和对立学习策略对灰狼优化(grey wolf optimizer,GWO)算法进行改进,增加算法的种群多样性和跳出局部最优的能力。然后,利用窗函数对阵列单元进行加权,生成位置分布矩阵,减少稀疏矩阵优化时间,提高优化效率。最后,利用位置分布矩阵生成稀疏阵列,再运用IGWO算法进行多约束条件的稀布优化。为验证所提方法的有效性进行了仿真实验,实验结果表明,本文方法可以有效提高阵列天线的性能,降低峰值旁瓣电平,对于解决在多约束条件下的阵列分布问题,具有一定的工程意义和参考价值。展开更多
灰狼优化(grey wolf optimizer,GWO)算法作为一种新的、高效的群体智能优化算法,可应用于电力系统优化问题。提出了采用GWO算法的多机电力系统稳定器参数优化设计方案。将传统超前-滞后型电力系统稳定器(PSS)的参数设计建模为基于特征...灰狼优化(grey wolf optimizer,GWO)算法作为一种新的、高效的群体智能优化算法,可应用于电力系统优化问题。提出了采用GWO算法的多机电力系统稳定器参数优化设计方案。将传统超前-滞后型电力系统稳定器(PSS)的参数设计建模为基于特征值的二次性能目标优化问题,通过向左半复平面移动机电振荡特征值实现对不同运行状态下机电模态阻尼系数的最大化进行寻优。GWO算法具有对初始取值不敏感,优化效率较高和全局寻优性能好等特点,因此被用来迭代搜索最优PSS参数值。通过IEEE New England 39节点算例的特征值分析和非线性时域仿真,验证了基于GWO算法优化整定的电力系统PSS在各种系统运行状态下抑制系统机电振荡的有效性和鲁棒性,并通过与传统相位补偿方法设计的PSS阻尼性能对比,表明所提GWO算法优化PSS参数具有明显优越性。进一步的算法性能分析表明,GWO算法具有对初值不敏感和稳健性强等优点。展开更多
节点定位是无线传感器网络中的一个重要问题,基于测距的定位算法虽然定位误差较小,但在应用于室外三维环境时具有较多的局限性。因此,以原始的距离向量(DV-Hop,distance vector-hop)算法为研究基础,分别引入接收信号强度指示(RSSI,recei...节点定位是无线传感器网络中的一个重要问题,基于测距的定位算法虽然定位误差较小,但在应用于室外三维环境时具有较多的局限性。因此,以原始的距离向量(DV-Hop,distance vector-hop)算法为研究基础,分别引入接收信号强度指示(RSSI,received signal strength indication)算法和最小均方误差(MMSE,minimum mean squared error)准则对算法的测距过程进行修正,同时采用改进的灰狼优化器对确定未知节点坐标的过程进行优化处理。仿真结果表明,相较于原始DV-Hop算法和IPDV-Hop算法,IGDV-Hop算法在初始参数下的平均定位误差率分别降低了28%和17%,定位效果得到明显改善。展开更多
针对特征权重难以准确量化的问题,提出一种基于灰狼优化(grey wolf optimizer, GWO)算法和鸟群算法(bird swarm algorithm, BSA)的混合算法,用于特征权重的寻优。首先,将Chebyshev映射、反向学习与精英策略用于混合算法的初始种群生成;...针对特征权重难以准确量化的问题,提出一种基于灰狼优化(grey wolf optimizer, GWO)算法和鸟群算法(bird swarm algorithm, BSA)的混合算法,用于特征权重的寻优。首先,将Chebyshev映射、反向学习与精英策略用于混合算法的初始种群生成;其次,将改进后的GWO算法位置更新策略融入BSA的觅食行为中,得到一种新的局部搜索策略;然后,将BSA的警觉行为与飞行行为用作混合算法的全局搜索平衡策略,从而得到一种收敛的灰狼-鸟群算法(grey wolf and bird swarm algorithm, GWBSA),通过GWBSA的迭代寻优可获得各特征的权重值。利用标准测试函数和标准分类数据集进行了对比实验,与遗传算法、蚁狮算法等方法相比,GWBSA具有较快的收敛速度且不易陷入局部最优,可以提高模式分类问题的求解质量。展开更多
气弹控制系统的驱动器、闭环信号回路在实际中会存在时滞环节,由于气弹敏感性和环境复杂性,时滞会引起控制信号迟延并导致气弹控制极速恶化、甚至造成系统失稳,该问题以往研究较少。针对翼型时滞气弹控制问题,设计了一种基于BRGWO算法...气弹控制系统的驱动器、闭环信号回路在实际中会存在时滞环节,由于气弹敏感性和环境复杂性,时滞会引起控制信号迟延并导致气弹控制极速恶化、甚至造成系统失稳,该问题以往研究较少。针对翼型时滞气弹控制问题,设计了一种基于BRGWO算法和改进型滤波Smith的最优气弹控制方法。首先,引入二阶滤波器改进Smith预估器,设计了翼型气弹控制器;然后,创新设计了一种双向随机灰狼优化算法(bidirectional random grey wolf optimization, BGWO),提高了时滞下气弹控制参数的全局寻优能力,该算法改进了不同等级灰狼的狩猎策略,提高跳出非理想值机率、避免陷入局部最优。利用最小增益原理,在理论上证明了闭环系统稳定性。仿真结果表明,对比传统智能优化算法(如遗传算法、灰狼优化算法)和多种已有控制器(经典Smith、PI-PD型Smith和传统滤波Smith预估器),该方法具有更强的时滞补偿能力和更优的气弹控制性能,在不确定时滞、不确定风速、刚度变化和驱动干扰等算例下,保持了优良的时滞气弹控制效果,具有较强的鲁棒性。展开更多
合理利用节点的能量异构特性延长网络生命周期是异构无线传感器网络(HWSN,heterogeneous wireless sensor network)的主要目标之一。因此,根据节点能量的异构性提出了一种基于模拟退火(SA,simulated annealing)算法和改进灰狼优化器(GWO...合理利用节点的能量异构特性延长网络生命周期是异构无线传感器网络(HWSN,heterogeneous wireless sensor network)的主要目标之一。因此,根据节点能量的异构性提出了一种基于模拟退火(SA,simulated annealing)算法和改进灰狼优化器(GWO,grey wolf optimizer)的HWSN路由协议SA-MGWO(SA-modified grey wolf optimizer)。首先,该协议通过为能量异构的节点定义不同的适应度函数进行初始簇的选取;然后计算节点的适应值,并将其视为灰狼优化器中的初始权重;同时,根据狼群与猎物的距离以及系数向量对权重进行动态更新,提高灰狼优化器的寻优能力;最后,利用模拟退火算法保证异构网络中最优簇集的选取。仿真结果表明,相比于SEP(stable election protocol)、分布式能量有效成簇(DEEC,distribute energy efficient clustering)、M-SEP及FIGWO(fitness value based improved grey wolf optimizer)协议,SA-MGWO协议的网络生命周期分别提高了53.1%、31.9%、46.5%和27.0%。展开更多
针对基本灰狼优化算法(grey wolf optimizer,GWO)在求解复杂优化问题时存在解精度低、探索与开发能力不平衡、收敛速度慢和易陷入局部最优的缺点,提出一种基于多策略融合的改进灰狼优化算法。首先,设计一种基于正弦函数的非线性过渡参...针对基本灰狼优化算法(grey wolf optimizer,GWO)在求解复杂优化问题时存在解精度低、探索与开发能力不平衡、收敛速度慢和易陷入局部最优的缺点,提出一种基于多策略融合的改进灰狼优化算法。首先,设计一种基于正弦函数的非线性过渡参数策略替代原灰狼优化算法中的线性递减策略,以实现算法从勘探到开发的良好过渡;其次,利用个体自身历史最佳位置和决策层个体共同引导群体进行搜索,以加速算法收敛速度和提高寻优精度;然后,在当前最优灰狼个体上引入小孔成像学习策略产生新的候选个体,以降低算法陷入局部最优的概率。选取6个基准测试函数进行数值实验。结果表明:改进算法在求解精度和收敛速度指标上均优于其他比较算法。最后,将改进算法用于求解特征选择问题,对10个基准数据集的仿真结果表明,改进算法能有效地提高分类精度和选择最优特征。展开更多
文摘针对在阵列孔径、阵元数目、最小阵元间距等多约束条件下的稀布矩形平面阵列天线优化问题,提出了基于改进型灰狼优化(improved grey wolf optimizer,IGWO)算法和窗函数加权的稀布矩形平面阵列天线综合方法。首先,利用Tent混沌映射、非线性收敛因子、优势狼动态置信策略和对立学习策略对灰狼优化(grey wolf optimizer,GWO)算法进行改进,增加算法的种群多样性和跳出局部最优的能力。然后,利用窗函数对阵列单元进行加权,生成位置分布矩阵,减少稀疏矩阵优化时间,提高优化效率。最后,利用位置分布矩阵生成稀疏阵列,再运用IGWO算法进行多约束条件的稀布优化。为验证所提方法的有效性进行了仿真实验,实验结果表明,本文方法可以有效提高阵列天线的性能,降低峰值旁瓣电平,对于解决在多约束条件下的阵列分布问题,具有一定的工程意义和参考价值。
文摘灰狼优化(grey wolf optimizer,GWO)算法作为一种新的、高效的群体智能优化算法,可应用于电力系统优化问题。提出了采用GWO算法的多机电力系统稳定器参数优化设计方案。将传统超前-滞后型电力系统稳定器(PSS)的参数设计建模为基于特征值的二次性能目标优化问题,通过向左半复平面移动机电振荡特征值实现对不同运行状态下机电模态阻尼系数的最大化进行寻优。GWO算法具有对初始取值不敏感,优化效率较高和全局寻优性能好等特点,因此被用来迭代搜索最优PSS参数值。通过IEEE New England 39节点算例的特征值分析和非线性时域仿真,验证了基于GWO算法优化整定的电力系统PSS在各种系统运行状态下抑制系统机电振荡的有效性和鲁棒性,并通过与传统相位补偿方法设计的PSS阻尼性能对比,表明所提GWO算法优化PSS参数具有明显优越性。进一步的算法性能分析表明,GWO算法具有对初值不敏感和稳健性强等优点。
文摘节点定位是无线传感器网络中的一个重要问题,基于测距的定位算法虽然定位误差较小,但在应用于室外三维环境时具有较多的局限性。因此,以原始的距离向量(DV-Hop,distance vector-hop)算法为研究基础,分别引入接收信号强度指示(RSSI,received signal strength indication)算法和最小均方误差(MMSE,minimum mean squared error)准则对算法的测距过程进行修正,同时采用改进的灰狼优化器对确定未知节点坐标的过程进行优化处理。仿真结果表明,相较于原始DV-Hop算法和IPDV-Hop算法,IGDV-Hop算法在初始参数下的平均定位误差率分别降低了28%和17%,定位效果得到明显改善。
文摘针对特征权重难以准确量化的问题,提出一种基于灰狼优化(grey wolf optimizer, GWO)算法和鸟群算法(bird swarm algorithm, BSA)的混合算法,用于特征权重的寻优。首先,将Chebyshev映射、反向学习与精英策略用于混合算法的初始种群生成;其次,将改进后的GWO算法位置更新策略融入BSA的觅食行为中,得到一种新的局部搜索策略;然后,将BSA的警觉行为与飞行行为用作混合算法的全局搜索平衡策略,从而得到一种收敛的灰狼-鸟群算法(grey wolf and bird swarm algorithm, GWBSA),通过GWBSA的迭代寻优可获得各特征的权重值。利用标准测试函数和标准分类数据集进行了对比实验,与遗传算法、蚁狮算法等方法相比,GWBSA具有较快的收敛速度且不易陷入局部最优,可以提高模式分类问题的求解质量。
文摘气弹控制系统的驱动器、闭环信号回路在实际中会存在时滞环节,由于气弹敏感性和环境复杂性,时滞会引起控制信号迟延并导致气弹控制极速恶化、甚至造成系统失稳,该问题以往研究较少。针对翼型时滞气弹控制问题,设计了一种基于BRGWO算法和改进型滤波Smith的最优气弹控制方法。首先,引入二阶滤波器改进Smith预估器,设计了翼型气弹控制器;然后,创新设计了一种双向随机灰狼优化算法(bidirectional random grey wolf optimization, BGWO),提高了时滞下气弹控制参数的全局寻优能力,该算法改进了不同等级灰狼的狩猎策略,提高跳出非理想值机率、避免陷入局部最优。利用最小增益原理,在理论上证明了闭环系统稳定性。仿真结果表明,对比传统智能优化算法(如遗传算法、灰狼优化算法)和多种已有控制器(经典Smith、PI-PD型Smith和传统滤波Smith预估器),该方法具有更强的时滞补偿能力和更优的气弹控制性能,在不确定时滞、不确定风速、刚度变化和驱动干扰等算例下,保持了优良的时滞气弹控制效果,具有较强的鲁棒性。
文摘合理利用节点的能量异构特性延长网络生命周期是异构无线传感器网络(HWSN,heterogeneous wireless sensor network)的主要目标之一。因此,根据节点能量的异构性提出了一种基于模拟退火(SA,simulated annealing)算法和改进灰狼优化器(GWO,grey wolf optimizer)的HWSN路由协议SA-MGWO(SA-modified grey wolf optimizer)。首先,该协议通过为能量异构的节点定义不同的适应度函数进行初始簇的选取;然后计算节点的适应值,并将其视为灰狼优化器中的初始权重;同时,根据狼群与猎物的距离以及系数向量对权重进行动态更新,提高灰狼优化器的寻优能力;最后,利用模拟退火算法保证异构网络中最优簇集的选取。仿真结果表明,相比于SEP(stable election protocol)、分布式能量有效成簇(DEEC,distribute energy efficient clustering)、M-SEP及FIGWO(fitness value based improved grey wolf optimizer)协议,SA-MGWO协议的网络生命周期分别提高了53.1%、31.9%、46.5%和27.0%。
文摘针对基本灰狼优化算法(grey wolf optimizer,GWO)在求解复杂优化问题时存在解精度低、探索与开发能力不平衡、收敛速度慢和易陷入局部最优的缺点,提出一种基于多策略融合的改进灰狼优化算法。首先,设计一种基于正弦函数的非线性过渡参数策略替代原灰狼优化算法中的线性递减策略,以实现算法从勘探到开发的良好过渡;其次,利用个体自身历史最佳位置和决策层个体共同引导群体进行搜索,以加速算法收敛速度和提高寻优精度;然后,在当前最优灰狼个体上引入小孔成像学习策略产生新的候选个体,以降低算法陷入局部最优的概率。选取6个基准测试函数进行数值实验。结果表明:改进算法在求解精度和收敛速度指标上均优于其他比较算法。最后,将改进算法用于求解特征选择问题,对10个基准数据集的仿真结果表明,改进算法能有效地提高分类精度和选择最优特征。