基于改进引力搜索算法的水轮机调节系统仿真

针对现阶段水电机组存在多种复杂工况、工程计算受限于算法本身的复杂性等问题,提出一种改进的引力搜索算法(改进PSOGSA),以此提高水轮机控制参数的优化性能,弥补传统控制策略难以满足动态需求的不足.首先,结合PSO算法,在GSA的速度更新公式中引入学习因子进行改进.其次,应用一种权重系数优化其位置更新公式,提高算法的自适应性.最后,结合相关仿真建模试验,使用所提改进PSOGSA对水轮机调节系统PID参数进行优化调节.仿真结果表明,在5%空载频率扰动下,改进PSOGSA的PID控制器明显优于上述传统算法,所调节的模型系统能在更短时间内趋于稳定,此时的超调量远低于传统算法,表明此改进PSOGSA在后续迭代中具备更高的迭代效率,并且改善了常规算法中易陷入局部最优的问题,从而证明了改进PSOGSA的合理有效性,水轮机调节系统的控制效果在一定程度上得到优化.

基于麻雀搜索算法优化分层粒子群的虚拟机放置

随着用户和应用程序数量的不断增长,云数据中心对虚拟机的需求也日益增加。虚拟机放置(VMP)作为实现高效资源管理的关键问题,备受关注。本文针对VMP问题提出了一种新的优化模型,综合考虑了放置时间、功率消耗和资源浪费三个目标的最小化。为了优化VMP方案,我们采用了基于麻雀优化分层粒子群算法(SSA-HPSO)。该算法通过对粒子进行层次划分,使得粒子的搜索策略和更新规则针对不同层次和能量水平进行优化。同时,结合麻雀搜索算法,进一步提高了搜索效率和全局搜索能力。这种混合优化策略充分利用了分层粒子群算法的全局搜索和麻雀搜索算法个体之间的协同搜索能力,从而有效地解决了VMP问题。实验结果表明,所提出的基于麻雀搜索算法优化分层粒子群的虚拟机放置算法要优于传统的方法,显著提升了虚拟机放置性能。

基于改进麻雀搜索算法的物流配送路径优化研究

在当前竞争激烈的市场环境中,优化物流配送路径成为企业控制供应链成本、提高服务效率和客户满意度的关键。针对供应链环节中物流配送成本高和时间长等痛点,文中构建了一个物流配送路径优化模型,旨在最大程度地减少配送时间和成本。以麻雀搜索算法(Sparrow Search Algorithm,SSA)为基础框架,引入Cubic混沌映射来初始化种群,旨在增进种群初始位置的多样性,并促进算法跳出局部最优解。在迭代过程中,模型通过重心反向学习机制对麻雀个体进行适时变异,从而提升了算法的全局搜索能力并有效防止了早熟收敛的问题。随后,引入粒子群技术以提高算法的寻优精度和稳定性。最后,经过一系列实验验证,该算法在优化搜索方面有较好的优越性。

引入混沌干扰机制的变异天牛群搜索算法

针对天牛须搜索(Beetle Antennae Search,BAS)算法收敛慢、精度低且容易陷入局部最优等缺陷,提出了一种引入混沌干扰机制的变异天牛群搜索算法(Chaotic Interference Mechanism of Mutation Beetle Swarm Optimization Algorithm,CMBSOA)。首先,应用粒子群(Particle Swarm Optimization,PSO)策略将天牛须搜索算法中的天牛个体扩展为天牛群,扩大算法的搜索范围,提高算法的全局搜索能力;其次,引入Logistic混沌映射机制对天牛群进行混沌扰动,使初始化的种群以随机方式均匀分布,以加快算法的收敛速度;最后,提出变异因子策略进行位置更新,使该算法更易跳出局部最优,增强算法的稳定性与精度。为了验证CMBSOA算法的有效性,将其与天牛群算法(Beetle Swarm Antennae Search,BSAS)及PSO通过2组单峰和3组多峰测试函数进行测试和对比,结果表明,CMBSOA算法具有较强的稳定性,此外还具有更优的精度和较快的收敛速度,且能最大限度地避免产生局部最优解问题。

基于引力搜索和粒子群混合优化算法的证券投资组合问题研究

本文研究考虑交易成本的投资组合模型,分别以风险价值(VAR)和夏普比率(SR)作为投资组合的风险评价指标和效益评价指标。为有效求解此模型,本文在引力搜索和粒子群算法的基础上提出了一种混合优化算法(IN-GSA-PSO),将粒子群算法的群体最佳位置和个体最佳位置与引力搜索算法的加速度算子有机结合,使混合优化算法充分发挥单一算法的开采能力和探索能力。通过对算法相关参数的合理设置,算法能够达到全局搜索和局部搜索的平衡,快速收敛到模型的最优解。本文选取上证50股2014年下半年126个交易日的数据,运用Matlab软件进行仿真实验,实验结果显示,考虑交易成本的投资组合模型可使投资者得到更高的收益率。研究同时表明,基于PSO和GSA的混合算法在求解投资组合模型时比单一算法具有更好的性能,能够得到满意的优化结果。

基于引力搜索和粒子群混合优化算法的T-S模型辨识

提出了基于引力搜索(GSA)和粒子群(PSO)混合优化算法(GSAPSO)的T-S模型全局优化辨识方法.该方法充分整合GSA的勘探能力和PSO的开采能力,在GSA中引入PSO的个体最优值和群体最优值,同时改进惯性权重调整算法.T-S模型辨识分为结构辨识和参数辨识,采用聚类方法和GSAPSO算法同时辨识模型的结构和参数,从而实现全局优化辨识.仿真实例和比较分析证明了GSAPSO较标准的PSO和GSA有更强的全局优化能力和更高的辨识精度.

融合粒子群优化算法与蚁群算法的随机搜索算法

针对PSO算法与蚁群算法的优缺点,提出一种融合PSO算法与蚁群算法的混合随机搜索算法。该算法充分利用PSO算法的快速、全局收敛性和蚁群算法的信息素正反馈机制,达到优势互补,将这种优化方法拓展到求解连续空间问题,并通过实例来验证该算法对于单峰、多峰函数都能取得较好的优化效果。

基于粒子群与引力搜索混合算法的电网调度的性能研究

电力系统是一个存在大量复杂与不确定性约束条件的系统。针对电网经济环境调度优化中,粒子群算法的粒子搜索速度慢的问题,提出了一种改进的粒子群算法-粒子群与引力搜索混合算法(GPSO)。该算法结合粒子群算法和引力搜索算法(Gravitational Search Algorithm,GSA),将万有引力算法中的加速度添加到粒子群算法的速度更新公式中,以此提高算法的收敛速度。在速度更新公式中添加随机机制,防止粒子陷入局部最优点,提高粒子的全局探索能力。实验结果表明粒子群与引力搜索混合算法具有良好的准确度和收敛特性。

基于麻雀搜索算法和改进粒子群优化算法的网络入侵检测算法

针对网络入侵检测模型自适应能力不足的问题,将麻雀搜索算法(SSA)中的大范围快速搜索能力引入到粒子群优化(PSO)算法,提出基于麻雀搜索算法的改进粒子群优化(SSAPSO)算法。该算法通过对轻量级梯度提升机(LightGBM)算法中难以整定的参数进行寻优,使PSO算法在保证寻优精度的同时快速收敛,并得到最优的网络入侵检测模型。仿真实验结果表明,在4种基准函数上,SSAPSO比基本PSO算法收敛速度更快;在KDDCUP99数据集上,SSAPSO优化LightGBM后得到的SSAPSO-LightGBM算法比分类特征和梯度提升(CatBoost)算法的准确率、召回率、精确率和F1指数分别提升了15.12%、3.25%、21.26%和12.25%;SSAPSO-LightGBM算法在上述数据集中正常流量(Normal)、未授权远程访问(R2L)攻击、未授权本地访问(U2R)攻击、监听(PROBE)攻击的检测准确率比LightGBM算法分别提升了0.61%、3.14%、4.24%、1.04%和5.03%。

基于引力搜索-粒子群优化算法的电力系统经济调度

建立电力系统经济调度模型;引入引力搜索算法,计算粒子群中各粒子之间的引力以及各粒子的质量,求解各粒子的加速度,设置粒子群的自适应权重;提出引力搜索-粒子群优化算法进行搜索求解,获得粒子适应度最大的个体,根据最优个体位置获得最优电力系统经济调度方案。结果表明:相比于粒子群优化算法,所提出算法的调度精度更高,发电机组输出功率更小;与传统电力系统经济调度算法相比,所提出算法的调度性能更优,优化得到更低的发电成本,在电力系统经济调度中的适用度更高。

基于广义反向粒子群与引力搜索混合算法的多阈值图像分割

提出了基于粒子群优化(PSO)与引力搜索(GSA)混合算法(PSOGSA)的多阈值图像分割方法来解决图像阈值搜寻过程中单一优化算法局部搜索能力不强的问题。提出了图像阈值分割领域中的广义反向学习策略,在阈值寻优过程中提高群体多样性,增强了全局搜索能力;采用了全局最优解的正态变异策略,扩展了全局最优的搜索区域,避免了算法的早熟收敛。在此基础上,实现了基于广义反向粒子群与引力搜索混合算法的多阈值图像分割方法。最后,使用本方法对复杂多目标图像进行了多阈值分割实验,并与引力搜索算法和萤火虫算法进行了比较。实验结果表明,本文方法的分割精度优于引力搜索算法与萤火虫算法,其分割目标函数值在连续运行时的标准差降低了90%以上,是一种精度高、稳定性强的多阈值图像分割方法。

基于粒子群优化和变邻域搜索的混合调度算法

提出了用于解决作业车间调度问题的离散版粒子群算法。该算法采用基于工序的编码和新的位置更新策略,使具有连续本质的粒子群算法直接适用于调度问题。同时,针对粒子群算法容易陷入局部最优的缺陷,利用粒子群算法和变邻域搜索算法的互补性能,设计了粒子群-变邻域搜索算法、改进的粒子群算法、粒子群-变邻域搜索交替算法和粒子群-变邻域搜索协同算法4种混合调度算法。仿真结果表明,混合算法能够有效地、高质量地解决作业车间调度问题。

基于改进万有引力搜索算法的住宅区微网优化

微网容量优化是微网建设中的重要环节。针对目前住宅区微网经济性、稳定性、气象匹配性较差的问题,提出了一种多目标的优化方法。首先,给出了优化对象的目标函数和约束条件,提出了一种负载分类方法,设计了一种用于气象跟踪的风光互补组合系数,并分三个层次建立优化的数学模型。其次,利用杂交粒子群算法和风光互补组合系数改进万有引力搜索算法,分析网内负载的使用情况,求得微网内风/光/柴/储的最优配置组合。最后,从经济性、气象跟随性、网内能源结构和负载波动承受能力方面对比分析四种算例。算例验证了模型的可靠性。

引入模式搜索算子的粒子群优化算法

针对粒子群优化算法(PSO)在解决复杂的高维优化问题时容易陷入局部最优和收敛速度慢的问题,结合模式搜索算法较强的局部搜索能力,提出一种引入模式搜索算子的粒子群优化算法(HJPSO).为避免最优粒子陷入局部最优而导致整个种群出现搜索停滞,在PSO算法的迭代过程中加入判断粒子陷入局部最优的机制,当检测到早熟停滞迹象时,使用模式搜索算子对整个粒子群当前搜索到的历史最优位置进行模式搜索以帮助算法跳出局部最优点.标准测试函数的运行结果表明,该算法具有较强的跳出局部最优的能力,收敛速度较快,稳定性好.

改进的粒子群优化算法在云计算任务调度中的应用

针对粒子群优化算法在求解云计算任务调度问题中存在的收敛速度慢、精度低、易陷入局部极值等缺陷,综合考虑最大完成时间最少、任务执行总时间最优两个优化目标,提出一种多策略融合的粒子群优化(multi-strategy particle swarm optimization,MSPSO)算法,并将其应用于求解云计算任务调度问题。该算法融合模拟退火算法、饥饿游戏搜索和双重变异限制策略。首先,通过模拟退火算法动态更新惯性权重,平衡粒子群优化算法的全局搜索和局部搜索,帮助粒子跳出局部极值。其次,引入饥饿游戏搜索算法优化粒子位置更新策略,在算法后期加快粒子收敛速度,提高结果精度。最后,采用双重变异限制策略,同时限制粒子速度和位置,避免粒子发生越界。与其他3种粒子群优化算法进行对比实验,在适应度平均值、最小值、标准差3个方面,MSPSO都有更好的表现。通过仿真,在求解不同任务量的云计算任务调度问题中,MSPSO在总成本、适应度值最小化两方面均表现出明显优势。尤其当任务量为40时,MSPSO总成本比其他算法分别降低了14.4%、15.3%、11.2%,适应度值分别降低了10.5%、10.6%、7.6%,验证了所提算法在求解云计算任务调度问题中的有效性。

基于人群搜索算法对齿轮传动优化设计

人群搜索算法(SOA)结合人的思维习惯和行为方式,克服了粒子群算法(PSO)和遗传算法(GA)等智能优化算法收敛性差、局部寻优的缺点。建立以体积最小为目标的多约束数学模型,提出了SOA算法的圆柱齿轮减速器的优化设计方法,同PSO算法、GA算法的仿真结果进行对比分析,SOA算法的收敛速度更快、全局搜索能力更强和鲁棒性更好,为机械部件优化设计提供了参考。

基于麻雀搜索算法的盐河北闸底板优化设计

水闸底板优化设计对于减少水闸建造总工程量具有十分重要的意义。本文选取盐河北闸实际工程的底板为优化对象,首先,以水闸底板截面面积为目标函数,闸室底板长度和厚度为设计变量,几何和稳定为约束条件,建立水闸底板优化数学模型;然后,利用麻雀搜索算法对其进行优化求解;最后将麻雀搜索算法得到的结果与粒子群优化算法得到的结果进行对比。分析结果表明:麻雀搜索算法对盐河北闸底板优化设计问题的优化效率更高,优化效果也更好。

基于人群搜索算法的PID控制器参数优化

关于PID控制器在工业控制领域应用优化问题,PID参数优化成为工业自动化研究的热点。PID参数优化对于系统的稳定性、可靠性和快速响应等特性有着重要的意义。为了改善和优化PID控制器性能,提出一种人群搜索算法(SOA),以PID三个参量为搜寻队伍,以误差绝对值和控制输入平方项的时间积分作为优化目标,经过迭代寻优计算得到系统最优控制量。通过对比遗传算法和粒子群算法PID参数优化,仿真结果表明,改进算法提高了系统的控制精度,系统响应速度快,鲁棒性好,为控制系统PID参数整定提供了参考。

改进万有引力搜索算法在函数优化中的应用

为了克服标准的万有引力搜索算法在函数优化中迭代速度慢、易陷入局部最优等问题,基于加强算法的性能,研究了新的策略.结合粒子群算法的开采能力和万有引力搜索算法的勘察能力,得到了基本粒子群万有引力搜索混合算法.对混合算法中的加速因子进行改进并引入了动量因子,提出了一种改进的粒子群万有引力搜索混合算法(IPSOGSA).结果表明:与粒子群算法、万有引力搜索算法、基本粒子群万有引力搜索混合算法相比,改进的粒子群万有引力搜索混合算法在非线性的复杂函数优化中具有更好的寻优能力.

基于粒子群和声搜索混合算法的多模态函数优化

和声搜索算法是一种启发式全局搜索算法,概念简单、参数少、易于实施,加强了鲁棒性和基础搜索机制的灵活性。针对粒子群算法和和声搜索算法各自的特点提出了一种新的搜索算法———粒子群和声搜索混合算法(PSO-IHS)。新算法将和声搜索算法的和声库初始解通过粒子群(PSO)算法进行改进产生,同时对和声搜索算法的算法参数和每次迭代产生的新解个数也作了改进,并分别用5个多模态测试函数进行了仿真,用于验证算法的搜索性能。仿真结果表明,粒子群和声搜索混合算法提高了函数优化的搜索效率,具有较高的寻优性能和较强的跳出局部极小的能力。