基于灰狼-粒子群算法的柴发机组节油优化

以变速柴油发电机组油耗率最低为优化目标,以指示热效率神经网络模型的柴油机平均值模型为燃油消耗率的计算基础,将柴油机转速上下限和功率限制线作为变速范围限制条件,对变速柴油发电机组在不同负荷工况下的节油转速进行优化。提出一种粒子群算法与灰狼算法相结合的混合算法,并用标准函数验证该算法的优势,表明其具有较均衡的全局和局部优化特性,更适合进行最低油耗率优化。优化计算结果表明:用电负荷越低,节油效果越明显;10%负荷时节油率可达30%以上,综合工况下节油率可达11.9%;采用该混合算法优化的转速能有效降低变速柴油发电机组的油耗率。

基于概率精英差分和自适应黄金正弦的鲸鱼优化算法

针对鲸鱼优化算法收敛速度慢和寻优精度低的缺点,提出一种基于概率精英差分和自适应黄金正弦的鲸鱼优化算法。基于最大最小思想优化拉丁超立方体抽样来初始化鲸鱼种群,使初始种群分布更加均匀,拥有更好的全局搜索能力;提出融合余弦自适应算子的黄金正弦算法改进鲸鱼的螺旋更新,加快收敛速度,提高收敛精度;设计概率精英差分变异方法并进行贪婪选择,优化算法流程,增强算法跳出陷入局部最优的能力。选取4个单峰测试函数、4个多峰测试函数和5个多最优解的多模态测试函数与主流优化算法进行对比实验,实验结果表明,该算法具有更高的寻优精度、更快的收敛速度以及更优的全局搜索能力,通过消融实验验证了该算法改进策略的有效性。

融合正弦余弦算法的蝴蝶优化算法

针对蝴蝶优化算法存在收敛速度慢、求解精度差和易陷入局部最优等缺陷,提出一种融合正弦余弦算法的蝴蝶优化算法。首先在蝴蝶自身认知部分引入非线性自适应因子,其次重新定义香味浓度计算公式,最后在局部搜索阶段引入改进的正弦余弦算法。通过19个基准函数的测试,实验结果表明,本算法在收敛速度、寻优精度和鲁棒性方面均优于蝴蝶优化算法(Butterfly Optimization Algorithm,BOA)、正弦余弦算法(Sine Cosine Algorithm,SCA)、樽海鞘群算法(Salp Swarm Algorithm,SSA)、狼群算法(Grey Wolf Optimizer,GWO)和布谷鸟搜索算法(Cuckoo Search Algorithm,CS),与其他改进蝴蝶优化算法相比,在寻优精度方面也具有一定优势。

基于正弦因子和量子局部搜索的灰狼优化算法

针对基本灰狼优化算法在求解复杂问题时,存在依赖初始种群、过早收敛和易陷入局部最优等缺点,提出一种融合正弦控制因子和量子局部搜索的灰狼优化算法(QGWO)。通过对灰狼算法中的控制因子按照具有正弦变化的曲线变化,使改进后的算法在迭代前期加快收敛速度以快速完成全局搜索,并且在迭代后期减缓收敛速度以提高算法精度。引入量子局部搜索降低算法陷入局部最优的概率。选用12个标准测试函数对QGWO算法性能进行验证,分别从单峰、多峰和固定维测试函数对比分析。实验结果表明,与GWO、WOA、SCA和CGWO相比,QGWO对测试函数的求解有更高的精度和稳定性。通过工程实例优化KELM进行分类实验验证,QGWO表现出更好的寻优性能。

基于正弦与余弦优化算法的配电网故障区间定位

快速准确地定位配电网故障区间对缩短故障停电时间和恢复电网运行具有重要的意义。提出了基于正弦与余弦优化算法(Sine Cosine Algorithm,SCA)的配电网故障区间定位方法。SCA算法通过简单的正弦与余弦函数模型即可实现优化问题的全局快速搜索,具有原理简单,容易实现,搜索能力强等特点。算例对比分析了SCA算法定位结果的快速性与准确性,探讨了算法参数对定位结果的影响。仿真结果表明,SCA算法在单点与多点故障并伴有信息丢失畸变等情况下均表现出了良好的优化性能。

基于采蜜机制的正弦余弦算法及其在机械优化设计中的应用

针对标准正弦余弦算法(SCA)在求解函数优化问题时存在局部开发能力差、收敛速度慢和求解精度低等问题,提出了一种基于采蜜机制的正弦余弦算法(SCAHGM)。首先,更改参数r_(2)、r_(3)、r_(4)的位置,使每个个体采用相同的参数r_(1)、r_(2)、r_(3)和r_(4),按幂递减函数自适应调整参数r_(1),并动态调整参数r_(3),减少随机性,提高算法搜索效率;其次,利用贪婪选择策略、采蜜蜂算子、侦察蜂算子,加快算法收敛速度,提高算法优化精度,增加种群多样性,防止算法陷入局部最优;然后,在算法迭代过程中,以一定概率交替执行正余弦算子或采蜜蜂算子,更好地平衡算法的全局探索与局部开发能力。最后,选取23个标准测试函数进行仿真实验,结果表明SCAHGM算法较标准SCA、改进SCA和其他元启发式算法具有更佳的寻优性能,并通过优化2个机械设计实例,验证了SCAHGM算法的可行性和适用性。

解决高维优化和特征选择的多策略改进正弦余弦算法

针对基本正弦余弦算法(sine cosine algorithm,SCA)求解高维复杂优化问题时存在精度低、收敛慢和易陷入局部最优等缺点,提出一种改进的SCA(improved sine cosine algorithm,iSCA)。首先,该算法设计出一种基于倒S形函数的非线性转换参数规则替代原有线性策略,从而实现从全局搜索到局部搜索的良好过渡;其次,嵌入个体历史最佳信息修改位置搜索方程以指导寻优过程,进一步改善算法的解精度和加快收敛;最后,引入翻筋斗觅食机制生成新的位置以增加群体多样性,从而降低算法陷入局部最优的概率。选取10个高维基准测试函数、10个UCI高维数据集和2个风电机组故障数据集进行仿真实验,并与基本SCA、MSCA(memoryguided SCA)和I-GWO(improved grey wolf optimizer)算法比较,结果表明,iSCA算法在精度和收敛指标上均优于其他比较方法。

求解大规模优化问题的改进正弦余弦算法

针对正弦余弦算法(sine cosine algorithm,SCA)在求解大规模优化问题时收敛精度低、收敛速度慢和易陷入“维数灾难”的不足,提出一种带Lévy飞行的正弦余弦算法(sine cosine algorithm with Lévy flight,SCAL).SCAL算法通过将Lévy飞行分布与正弦余弦种群个体位置向量进行对应元素相乘运算,使Lévy飞行分布的特征和信息融入正弦余弦种群个体信息中,使其拥有Lévy飞行随机游走的特性,增强了个体局部开发和逃离局部极值的能力;采用基于空间距离的非线性参数调整方法,平衡算法的局部开发和全局搜索,提高了算法的收敛速度.在14个经典测试函数上,维度分别为100、1 000和5 000维时,与SCA、花授粉算法(flower pollination algorithm,FPA)、粒子群优化(particle swarm optimization,PSO)算法、麻雀搜索算法(sparrow search algorithm,SSA)和鲸鱼优化算法(whale optimization algorithm,WOA)5种群体智能算法进行仿真对比实验.结果表明,SCAL算法在收敛精度、收敛速度和鲁棒性上较5种群体智能算法优势明显.与解决大规模优化问题的改进狼群算法(improved wolf pack algorithm,IWPA)、改进花授粉算法(improved flower pollination algorithm,IFPA)、鲸鱼算法的两种改进版本IWOA(improved whale optimization algorithm)和MWOA(modified whale optimization algorithm)进行比较,发现SCAL的整体寻优结果优于对比算法,在求解大规模优化问题上具有显著优势和竞争力.

基于折射反向学习的改进正弦余弦探路者算法

针对探路者算法(Pathfinder Algorithm,PFA)在寻优时收敛速度慢、求解精度低与极易陷入局部最优等问题,提出一种基于折射反向学习的改进正弦余弦探路者算法运用于函数优化问题当中。首先,通过折射反向学习策略初始化种群,利用折射与反向原理相结合使初始解更加靠近最优解位置,优质的种群定位能为迭代期的策略执行提供良好基础;其次,在探路者位置更新阶段引入改进的正弦余弦个体位置更新方式,该方式将原更新式中的线性步长搜索因子进行替换,以非规律的模式产生新代探路者个体,从而降低个体忽略最优解的概率,同时提出一种自适应权重添加至原更新式当中,配合正、余弦函数对算法的全局搜索与局部开发能力进行平衡;最后,将本文算法运用于12个经典的基准测试函数与10个具有复杂特征的CEC2014基准测试函数上进行寻优求解,并将其运用于压力容器设计与三杆桁设计问题,同时选取了合适的评价指标对算法性能进行评估。实验结果表明:本文算法在收敛速度、寻优精度与局部最优规避性方面均有较大提升,出色的工程优化性能也证明了本文算法的鲁棒性。

一种螺旋更新的正弦余弦算法

针对基本正弦余弦算法在处理函数优化问题时优化精度低、易陷入局部最优、收敛速度慢等问题,提出一种螺旋更新的正弦余弦算法。首先,非线性调整参数,平衡全局勘探和局部开发能力;其次,利用螺旋更新策略,改进原算法搜索方式,提高优化精度,增强全局搜索能力,防止陷入局部最优;最后,采用贪婪选择与高斯变异策略,提高收敛速度和优化精度。采用23个基本测试函数进行仿真实验,并与其它几种算法进行比较,实验结果表明改进算法具有较高的优化性能。

可调加工时间炼钢-连铸的灰狼优化调度算法

炼钢-连铸(SCC)是钢铁生产中的瓶颈,SCC生产过程中最后一个阶段的加工时间可调。可调加工时间SCC调度问题是NP难组合优化问题,高质量的SCC调度算法可以较大地提高生产效率。基于问题特征,研制了求解该问题的高效灰狼优化(GWO)算法。首先设计了新的解码方法对解进行解码。同时提出了种群初始化方法,以得到具有一定质量和多样性的初始种群。其次,研制了一种基于多操作的搜索算子,该算子包含3种不同操作,在一定程度上实现了GWO算法的集中性和多样性的平衡。此外,设计了重启操作,以提高GWO算法的多样性。对比实验说明了基于多操作的搜索算子的有效性。此外,与4种有效调度方法的对比说明了GWO算法的高性能和优越性。

函数优化的量子正弦余弦算法

正弦余弦算法利用正弦和余弦函数对个体位置进行更新与搜索。为避免正弦余弦算法早熟收敛,根据量子进化算法的相关理论和正弦余弦算法原理,设计了一种求解函数优化问题的新型智能算法——量子正弦余弦算法。量子正弦余弦算法利用量子位对个体位置进行编码,以量子旋转门实现对个体最优位置的搜索,并以量子门实现个体的变异,从而避免早熟收敛。通过一系列典型函数优化问题的求解实验并与其他算法作比较进行检验,实验结果表明该算法具有良好的性能。

改进的正弦余弦算法在函数优化问题中的研究

正弦余弦算法(SCA)是2015年提出的一种新型的群智能算法。针对标准正弦余弦算法局部搜索能力差、精度低的缺点,提出改进的正弦余弦算法(简称ISCA)。首先,引入动态惯性权重平衡算法的局部与全局搜索能力;然后,为更进一步加强迭代后期局部搜索能力,将参数r1由线性递减函数变成了指数型递减函数;最后,引入自适应变异因子,增强种群的多样性;最后,将改进的SCA算法对10个经典的单峰、多峰函数进行测试,并同标准SCA算法、粒子群算法(PSO)、遗传算法(GA)进行比较。实验结果表明:ISCA算法优于其他几种算法。

求解高维优化问题的改进正弦余弦算法

提出一种改进的正弦余弦算法(简记为ISCA)。受粒子群优化(PSO)算法的启发,引入惯性权重以提高正弦余弦算法的收敛精度和加快收敛速度。此外,采取反向学习策略产生初始个体以提高种群的多样性和解的质量。采用八个高维基准测试函数进行仿真实验:在相同的最大适应度函数评价次数下,ISCA总体性能上均优于基本SCA和HGWO算法;当维数较高(D=1 000)时,ISCA所用计算量远小于HDEOO算法。实验结果表明ISCA在收敛精度和收敛速度指标上均优于对比算法。

自学习策略和Lévy飞行的正弦余弦优化算法

针对正弦余弦算法(SCA,sine cosine algorithm)局部搜索能力差的缺陷,提出自学习策略和Lévy飞行的正弦余弦优化算法(SCASL,sine cosine optimization algorithm with selflearning strategy and Lévy flight)。首先,提出正弦余弦算法自学习策略和非线性权重因子,使搜索个体记忆自身历史最优位置,在寻优过程中指导搜索个体更新位置,提高SCA的局部搜索能力;算法寻优后期,当搜索陷入局部最优时,采用基于Lévy飞行的停滞扰动策略使算法跳出局部最优,提高SCA的局部最优规避能力。基于13个经典基准测试函数对算法性能进行测试的实验结果表明,SCASL相比标准SCA和较新的优化算法SSA,VCS,WOA,GSA,具有更高的计算效率,收敛精度以及更强的局部最优规避能力。求解无人作战飞机航迹规划的仿真结果表明,在有6个敌方威胁源的战场环境中,相比SCA,SCASL求解得到的飞行航迹具有更小的航迹代价。综上,所提出的SCASL具有较强的寻优能力。

基于灰狼算法优化卷积神经网络的工业过程故障诊断

针对工业过程故障诊断中数据规模的逐渐增大以及数据之间映射关系、复杂程度的增加,文中以TE过程为数据背景提出一种基于灰狼算法(Grey Wolf Optimizer,GWO)优化卷积神经网络(GWO Convolutional Neural Networks,GWO-CNN)的模型,结合GWO算法具有搜索能力强、结构清晰、容易实现等特点,寻找CNN卷积核的个数等参数的最优解,并利用所寻得的最优参数搭建GWO-CNN模型并将其应用于工业过程的故障诊断。仿真结果表明,相比传统的卷积神经网络,GWO-CNN算法能够从原始数据中提取更多故障特征,从而提升原有的故障诊断的准确率。

一种改进的正弦余弦算法求解0-1背包问题

【目的】针对组合优化中的经典背包问题,提出了一种用于求解0-1背包问题的改进正弦余弦算法.【方法】按幂递减函数自适应调整参数r1,较好地平衡算法的全局探索与局部开发能力;利用采蜜蜂算子和贪婪选择策略,加快算法的收敛速度,提高算法优化精度;通过侦察蜂算子,增加种群多样性,防止算法陷入局部最优;采用贪心变换算法和修正连续解算法对求解过程中的不可行解进行修复.【结果】求解10个经典0-1背包问题的仿真实验表明,改进算法在收敛速度、求解精度和成功率等方面明显优于基本正弦余弦算法,并与其它改进智能算法的优化结果相当.【结论】改进算法具有较高的优化性能,能较好地求解0-1背包问题.

求解机器人双边装配线平衡的莱维-灰狼优化算法研究

装配线平衡在企业的生产管理中占据了重要的环节。随着自动化程度的提高,机器人在装配线上应用越来越广泛。在解决机器人双边装配线的平衡问题时,建立了以生产节拍、机器人投入成本和能耗为优化目标、多种因素限制为约束条件的数学模型,并用灰狼算法对其进行求解。根据问题的特殊性,采用了特殊的编码方法。在更新头狼的位置时,引入莱维飞行搜索群体中的灰狼个体α,以避免灰狼算法陷入局部收敛、早熟现象,提高了算法的综合性能。最后,以某汽车生产公司车身车间的机器人双边装配线为例,运用所提算法对其进行求解,论证了算法的可行性。

融合正弦余弦和无限折叠迭代混沌映射的蝴蝶优化算法

针对蝴蝶优化算法求解精度不高、收敛速度较慢等问题,提出融合正弦余弦和无限折叠迭代混沌映射(ICMIC)的蝴蝶优化算法.首先,采用ICMIC映射对蝴蝶个体状态进行初始化,避免算法陷入局部最优.然后,在自身认知飞行部分引入正弦余弦算子,平衡算法的局部搜索能力与全局搜索能力.最后,通过改进依赖香味大小的幂指数调整吸收程度,获取更好的最优解.在8个基准函数上的实验表明,文中算法具有较优的全局搜索能力和求解鲁棒性,寻优精度较高,收敛速度较快.

融合多策略的黄金正弦灰狼优化算法

【目的】为解决灰狼优化算法(grey wolf optimization,GWO)收敛精度不高,收敛速度较慢和易陷入局部最优等不足,提出一种融合多策略的黄金正弦灰狼优化算法(golden sine grey wolf optimization,G-GWO)。【方法】首先,利用非线性调整收敛因子、动态调整比例权重和引入黄金正弦策略对GWO算法进行改进;然后,选取三类基准测试函数进行寻优实验,并与GWO算法、其他智能优化算法和其他改进GWO算法进行对比,从寻优的收敛精度、鲁棒性和收敛速度方面验证G-GWO算法的优越性;最后,建立板料冲压成形工艺参数与质量参数的BP神经网络(BP neural network,BPNN)代理模型,选用8种算法分别优化BP神经网络的权值和阈值,对比优化后的代理模型精度,验证G-GWO算法在实际工程应用中的有效性。【结果】G-GWO算法在三类基准测试函数的收敛精度、鲁棒性和收敛速度较其他算法均有较大优势,优化后的代理模型最大减薄率相对误差为3.47%,最大增厚率相对误差为4.99%。【结论】改进策略能提高GWO算法的性能,这可作为建立高精度代理模型和后续的板料冲压工艺参数优化的参考。