基于差分进化粒子群混合算法的多无人机协同区域搜索策略

为提高无人机群在未知环境中的区域搜索效率,提出一种多无人机协同区域搜索策略。首先,根据区域搜索任务需求,建立包含区域覆盖率、区域不确定度、目标存在概率三种属性的区域信息地图;其次,以最大化搜索效率、同时最小化无人机搜索过程中的能耗为目标,建立无人机区域搜索滚动时域优化目标函数,指导无人机在线决策搜索路线;然后针对传统群智能优化算法易陷入局部最优的缺陷,设计差分进化粒子群混合算法在线求解该多目标优化问题,提高算法的寻优性能,从而提高无人机的搜索效率。最后,通过数值仿真实验,对所提算法进行验证,仿真结果表明,文中设计的基于差分进化粒子群混合算法的多无人机协同区域搜索策略与传统的群智能优化算法相比具有更高的区域搜索效率。

融合差分进化和Sine混沌的改进粒子群算法

将差分进化与Sine混沌相结合,提出一种改进的粒子群算法。利用Sine混沌映射对初始种群进行优化,提高了收敛速度;该算法通过引入非同步变化的学习因子的速度更新公式,引入随机惯性权重,使算法能够更好地兼顾全局搜索与局部优化;借鉴差分进化算法中的交叉操作,采用淘汰机制随机搜索策略,提高算法的全局搜索能力,提高算法收敛速度。为了验证融合差分进化和Sine混沌的改进粒子群算法(improved particle swarm optimization algorithm,IPSO)的性能,与基于压缩学习因子的粒子群算法(yield-based particle swarm optimization,YPSO)、自适应加权粒子群算法(self-adaptive particle swarm optimization,SPSO)等PSO相关算法以及蜘蛛蜂优化算法(spider wasp optimization,SWO)、能量谷算法(energy valley algorithm,EVA)等2023年最新算法相比较,验证融合差分进化和Sine混沌的改进粒子群算法(IPSO)的有效性。在不同维度下解决12个常用基准函数,对12个测试函数进行实验,并与其他的几种算法进行比较,实验结果表明,改进后的PSO算法收敛速度快,收敛精度高。

改进粒子群算法的紫外光协作多无人机任务分配方法

为了解决无人机协同作战问题,需要将多任务分配给多个无人机。利用无线紫外光实现强电磁干扰环境下无人机机间隐秘信息传输,提出一种改进粒子群算法的多无人机任务分配方法,综合考虑无人机执行任务所付出的威胁代价、航程代价以及完成任务的时间差,结合压缩因子和差分进化思想解决粒子群优化算法容易陷入局部最优的问题。仿真结果表明,改进粒子群算法相较于传统粒子群算法在不同无人机和任务数量比下的任务分配平均成功率提高了约16%,算法在收敛时的迭代次数平均减少了约4.5倍,最优适应度值平均减小了近一倍,在多无人机任务分配的实际应用中有一定的意义。

基于自适应差分粒子群优化的DV-Hop定位算法

针对常规DV-Hop算法存在定位精确度偏低,难以满足高精度定位应用的需求等问题,提出一种基于自适应差分粒子群优化的DV-Hop定位算法。该算法首先利用节点间RSSI值实现跳数计算的精确化,然后引入跳距可信度提高平均跳距的计算精度,最后利用自适应差分粒子群优化算法来估计未知节点的位置。实验结果表明,在不同节点数量、通信半径以及锚节点数三种情况下,改进后算法的节点定位精确度相比于传统DV-hop定位算法分别提高了45.3%、42.9%和39.7%。

基于改进粒子群算法的水利基础设施空间布局优化研究

为提高水资源的利用效率,降低总投资成本,提出基于改进粒子群算法的水利基础设施空间布局优化方法。以总投资成本最小化和水资源利用效率最大化为目标,构建空间布局优化目标函数。采用差分进化算法改进粒子群算法,采用改进的粒子群算法求解目标函数,完成水利基础设施空间布局优化。测试结果表明:所提出方法能够降低布局优化的投资成本,提高水资源的利用效率。因此,说明所研究方法具有较高的布局优化效果,实际应用价值较高。

基于粒子群和差分进化算法的含分布式电源配电网故障区段定位

配电网中引入分布式电源将导致传统的故障区段定位方法不再适用。通过构建新的开关函数,提出了基于二进制混合算法的配电网故障区段定位方法。该方法可动态适应分布式电源的投切,在进行多重故障定位时只需确定一次正方向,利用双种群进化策略和信息交换机制实现了粒子群和差分进化算法的混合。算例分析结果表明该方法能够对含分布式电源的配电网中的单一和多重故障进行准确定位,并且具有一定的容错性和高效性。

一种基于粒子群优化算法和差分进化算法的新型混合全局优化算法

提出一种基于粒子群算法(PSO)和差分进化算法(DE)相结合的新型混合全局优化算法——PSODE.该算法基于一种双种群进化策略,一个种群中的个体由粒子群算法进化而来,另一种群的个体由差分操作进化而来.此外,通过采用一种信息分享机制,在算法执行过程中两个种群中的个体可以实现协同进化.为了进一步提高PSODE算法的性能,摆脱陷入局部最优点,还采用了一种变异机制.通过4个标准测试函数的测试并与PSO和DE算法进行比较,证明本文提出的PSODE算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法.

基于差分进化和粒子群优化算法的混合优化算法

为了发挥差分进化和粒子群优化算法各自拥有的特点,并克服自身存在的问题,提出了一种混合优化算法(简称DPA)。该算法首先利用差分进化的变异和选择算子产生新的群体,然后通过使用粒子群优化算法和交叉、选择算子进行局部搜索。在整个算法过程中,群体寻优范围先扩散再收缩,反复迭代渐进收敛。通过3个标准算例的测试表明,新的混合优化算法与差分进化和粒子群优化算法相比,具有收敛速度快、搜索能力强、鲁棒性好的特点。

基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。

差分进化混合粒子群算法求解项目调度问题

针对求解资源受限项目调度问题(RCPSP),提出了基于差分进化(DE)的混合粒子群算法(PSODE)。通过在PSO种群和DE种群之间建立一种信息交流机制,使信息能够在两个种群中传递,以避免个体因错误的信息判断而陷入局部最优点。采用标准测试函数和具体算例进行检验,结果表明PSODE算法可以较好地解决RCPS问题。

差分进化粒子群混合优化算法的研究与应用

对基本粒子群算法(PSO)和差分进化算法(DE)进行了分析,有机结合两种进化算法提出了一种新型差分进化粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和DE算法同时进行。迭代过程中引入进化速度因子并通过群体间的信息交流阻止算法陷入局部最优。对4个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO和DE。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能较好。

多策略差分进化的元胞多目标粒子群算法

为了增加Pareto解集的多样性,平衡多目标优化的全局搜索和局部寻优的能力,提出一种多策略差分进化的元胞多目标粒子群算法.该算法在分析粒子群优化原理基础上,将元胞自动机理论融入粒子群算法,研究粒子种群的交流结构和信息传递机制.为了避免粒子飞行速度过快陷入局部收敛,提出一种限制粒子飞行速度的策略,并引入一种多策略差分进化选择算子增加对粒子的扰动.实验证明,该算法相对于比较算法,有更好的收敛性和多样性.

基于差分进化粒子群算法的城市电动汽车充电站最优规划

针对如何确定电动汽车充电站的位置及充电机数量问题,分析了快速充电站的服务对象,建立了考虑建设成本、充电途中行驶成本、充电站等待成本的综合优化模型。模型考虑了城市地理信息,以充电便捷、等待时间为约束条件,以充电站固定成本、车主充电行驶成本和在充电站等待成本之和最小为目标函数。电动汽车充电站规划问题是非凸、非线性、组合优化问题。为此,对目标函数的求解,提出用差分进化混合粒子群算法,该算法增加了种群的多样性和全局寻优能力。算例分析验证了所提规划方法的有效性和实用性。

融合自适应混沌差分进化的粒子群优化算法

针对粒子群优化算法易出现早熟收敛、收敛效率低的缺点,提出一种融合自适应混沌差分进化的粒子群优化算法.该算法首先将自适应混沌引入差分进化算法,再将所得结果进行一次校正变异和校正选择,最后将所得算法融合到粒子群优化算法,从而有效地利用与平衡了粒子群优化算法和差分进化算法的探测和开发能力,且局部搜索能力增强,进一步提高算法的求解精度和效率.数值实验证明本文算法的有效性.

一种融合差分进化的量子粒子群优化算法

由于量子粒子群优化算法在迭代后期易出现粒子多样性差,收敛到局部最优解等缺点。为解决上述问题,提出一种融合差分进化的量子粒子群优化算法。上述算法在量子粒子群算法的上,首先利用差分思想对粒子的速度提出一种改进策略,再对陷入局部最优的粒子进行交叉选择操作,从而较好的保持种群中粒子的多样性,避免粒子后期陷入局部最优。通过对3个测试函数进行的仿真,结果表明融合了差分进化算法的量子粒子群算法具有收敛速度快、收敛能力强等特点,解决了算法局部最优问题。

一种改进的粒子群与差分进化混合算法

粒子群优化算法(PSO,particle swarm optimization)在搜寻全局最优解时易出现局部最优、收敛速度慢、收敛精度低等缺点.为此,在基本的粒子群优化算法中引入了Tent混沌操作以及惯性权重的自适应调整操作,并且与加入了参数自适应调整操作的差分进化(DE,differential evoluation)算法进行融合,提出一种改进的自适应混沌粒子群(IPSO,improved particle swarm optimization)算法与自适应差分进化(IDE,improved differertion evolution)算法的混合算法.仿真结果表明,相比于PSO和DE算法,新提出的算法具有收敛速度快、搜索能力强的优点.

采用量子粒子群算法耦合差分进化算法优化BP神经网络的铣床热误差预测研究

针对铣床主轴运行产生的热误差问题,采用改进BP神经网络预测模型,并对预测结果进行验证。融合量子粒子群算法和差分进化算法的各自优点,给出混合算法寻优操作流程。分析BP神经网络结构,给出改进BP神经网络优化流程图,构造铣床热误差适应度函数,采用混合算法优化BP神经网络预测模型。通过具体实例对铣床热误差进行实验验证,预测结果显示:BP神经网络预测偏差值较大,在Y轴、Z轴方向预测产生的偏差最大值分别为7.3μm和7.5μm,改进BP神经网络预测偏差值较小,在Y轴、Z轴方向预测产生的偏差最大值分别为2.8μm和2.9μm。同时,改进BP神经网络预测铣床热误差与实际偏差值波动较小。采用改进BP神经网络预测铣床热误差精度较高,可以提高主轴加工工件的精度。

基于改进差分进化和粒子群混合算法的电力系统最优潮流计算

针对电力系统最优潮流典型的非线性多峰值的非凸规划问题,提出一种将差分进化与粒子群优化算法结合在一起的混合优化算法.采用双种群进化策略,分别利用粒子群优化算法和差分进化算法进行寻优迭代,通过信息分享机制,使两个种群在寻优过程中协同进化.提出一种老化机制和精英改选机制,根据最优粒子的引导能力动态改变其寿命.在其引导能力不足时,采用一种多项式变异策略引入一个竞争个体与最优粒子竞争,使算法全局寻优能力得到加强.IEEE30节点系统仿真结果表明,算法收敛速度快、精度高,具有一定的有效性和可行性.

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。

混沌鲶鱼粒子群优化和差分进化混合算法

为了改善粒子群优化算法的性能,引入了"鲶鱼效应"思想,改造粒子群个体的进化策略,用混沌方法改良了种群搜索策略,把这两者结合起来,既提高种群的广度搜索能力,又提升深度搜索能力,跟差分进化算法进行混合,算法优势互补,形成一种新型的混合算法,更好地协调广度搜索和深度搜索之间的矛盾,提升算法性能。经过对三个标准函数的测试,仿真结果表明该算法在逃离局部陷阱能力和搜索精度均有显著提高。