基于改进生物地理学算法的列车ATO多目标优化研究

高速列车运行过程优化是一个多目标、非线性优化问题.为研究列车自动驾驶系统(automatic train operation,ATO)多目标优化问题,以列车运行的准时性、停车精确性、舒适性、能耗性为控制目标,列车动力学模型为约束条件,同时考虑列车惰行过分相区,建立列车多目标优化模型,提出了一种改进的生物地理学(biogeography-based optimization,BBO)优化ATO速度曲线方法.为提高算法优化性能,使用更加倾向自然法则的双曲正切变体迁移模型;在变异过程中使用差分进化(differential evolutionary,DE)变异策略,提高种群多样性,同时加入柯西分布随机数帮助算法跳出局部最优;利用反向学习提高变异后个体的多样性,保证算法的全域搜索.同时通过基准测试函数验证该算法收敛速度和全局优化能力的优越性.以CRH3型高速列车和汉宜客运某线路进行仿真实验,结果表明,所提方法可以使列车追踪运行更加高效、舒适、安全和节能,其中舒适度提升了39.24%,能耗降低了3.5653%.

一种求解番茄种植规划问题的多目标粒子群-生物地理学优化算法

针对番茄酱产季的番茄原料供应不均衡问题,提出一种多目标粒子群生物地理学算法对番茄规划模型进行求解。结合Pareto快速非支配排序法和粒子群与生物地理学算法的操作机制,能够更好地增加算法的全局搜索性能。构建以使企业经济损失最小、种植户总净收益最大和使种植面积最小为番茄规划的三个目标函数。以某番茄酱厂提供的环境参数为例,MATLAB仿真计算结果表明,在求解番茄种植规划问题上,该算法比传统的进化算法表现更好,能够获得合理的种植规划方案。

基于改进生物地理学算法的并网型微电网优化调度

在综合考虑燃气轮机、柴油发电机等分布式电源以及储能装置的基础上,建立了各微电源出力的数学模型;建立了计及分时电价和负荷转移策略的双重指标负荷侧响应模型;以微网日运行成本最低为目标,建立了微电网优化调度目标函数。为求解负荷侧响应模型和调度模型,对生物地理学优化(Biogeography-based optimization,BBO)算法进行改进,结合差分进化思想修改迁移算子,使用基于协方差矩阵的迁移操作来增强BBO对不可分离问题的适应性。结果表明,改进后生物地理学算法的收敛性有所改善;优化后的微电网运行具有更好的经济效益。

基于生物地理学算法的桁架结构优化

针对具有离散变量的桁架结构优化问题,提出了基于生物地理学算法的尺寸、形状与拓扑一体式优化方法。以杆件截面尺寸、结构形状与节点连接形式作为设计变量,以结构质量最小为目标函数,考虑以结构刚度、强度和杆件的稳定性作为约束条件,建立一种基于生物地理学算法的优化模型,采用罚函数法处理约束条件,对平面和空间桁架结构进行布局优化。优化后的桁架杆件排布形式合理且质量最优。

电网故障诊断改进解析模型及其自适应生物地理学优化方法

针对电网故障诊断原有解析模型存在多解的问题,在详细剖析产生多解原因的基础上,根据保护和断路器的动作具有不确定性的特点,综合考虑故障发生时各类保护动作的优先权信息建立了新的改进解析模型。改进解析模型赋予不同保护和断路器不同的贡献因子,使模型更加合理,符合实际需求。此外,还给出了求解改进解析模型的自适应生物地理学优化方法,旨在实现模型的高效求解。算例仿真结果表明:改进解析模型诊断结果唯一,且诊断结果合理;自适应生物地理学优化方法具有全局快速收敛的良好优化性能。

带自适应迁入的生物地理学优化算法

为提高生物地理学优化算法的全局和局部搜索能力,提出一种自适应迁入混合拉丁超立方采样的改进生物地理学优化算法。算法基于混沌函数优化种群初始分布,综合当前最优栖息地和当前迁出地优化迁入地适应度指数变量,以增加算法的全局搜索能力。在满足预定条件时,围绕当前最优栖息地进行拉丁超立方采样展开深度搜索,提高算法的收敛精度。同时,辅以适应度相关的变异机制。基于标准测试函数的仿真实验结果表明,算法在全局搜索、收敛速度和收敛精度上均优于对比算法。

关于生物地理学算法自适应性能优化研究

针对生物地理学优化算法(BBO)存在局部搜索能力不强,后期收敛速度变慢以及收敛精度过低等问题的存在影响系统优化。为提高算法的全局优化程度,提出了一种基于自适应动态调整迁移过程,并在变异操作中采用差分变异方法的生物地理学优化算法(SDBBO)。在迁移过程中采用基于更新代数设置的自适应迁移算子优化,增强了算法的全局搜索能力并提高收敛速度和收敛精度;在变异过程中采用差分进化模型,提高算法多样性,避免陷入局部最优;全局采用余弦迁移模型,使系统更加趋向于自然界中真实情况,提高算法性能。基于标准测试函数仿真实验的优化结果表明,提出的改进算法应用与优化问题中在收敛速度、精度以及全局优化能力上优于其它对比算法,验证了改进算法的可行性和有效性。

生物地理学优化算法综述

生物地理学(Biogeography)是一门研究自然界种群迁移机制的科学,Dan Simon用生物地理学的方法和机制来解决工程优化问题,提出了生物地理学优化算法(BBO,Biogeography-Based Optimization)。生物地理学优化算法以其独特的搜索机制和较好的性能在智能优化算法领域得到了广泛的关注。对生物地理学优化算法的设计原理、迁徙模型、算法流程及相应迁移和突变操作进行了综述。通过BBO算法在14个基准函数下与传统算法,如遗传算法、蚁群算法和粒子群等优化算法的性能比较,表明生物地理学优化算法是有效的。论述了算法与传统优化算法之间的差异以及BBO算法有待解决的问题。

生物地理学优化算法理论及其应用研究综述

生物地理学优化算法(Biogeography-Based Optimization,BBO)是Simon提出的一种基于生物地理学理论的新型智能优化算法,具有良好的收敛性和稳定性。从BBO算法提出的背景出发,介绍了算法的基本理论、算法特点以及算法流程。总结了BBO算法的研究进展,包括BBO算法的理论分析、算法的改进、算法与其他优化算法的混合算法以及BBO算法在函数优化、电力系统、图像处理、机器人路径规划以及调度优化等领域的典型应用。对BBO算法有待解决的问题和未来研究方向进行了总结。

动态迁移和椒盐变异融合生物地理学优化算法的高维多阈值分割

针对高维多阈值图像分割中存在的多阈值搜索问题,提出了一种动态迁移和椒盐变异融合的生物地理学优化算法(BBOD)。首先,构建了一种基于动态扰动的迁移算子,对候选解中没有发生迁移操作的特征值添加一个动态的扰动因子,使种群的多样性增加,从而提高全局搜索能力;然后,创建了新型的变异算子,对待变异的特征值产生一个椒盐扰动,使该值在小范围内浮动,以便提高局部搜索能力和算法的收敛速度;最后,将该算法应用到基于最小交叉熵的图像高维多阈值分割中。高维多阈值分割实验结果表明,本文提出的BBOD算法能够获得最优的阈值向量,运行速度、性能指标均优于标准的生物地理学优化(BBO)算法,基于变异的生物地理学优化(BBOM)算法、FFA(Firefly Algorithm)和CSA(Cuckoo Search Algorithm),运行速度是FFA的5倍以上。该算法更适用于基于最小交叉熵的高维多阈值优化选择。

基于改进差分进化-生物地理学优化算法的最优潮流问题

生物地理学优化算法(biogeography-based optimization,BBO)是一种新提出的全局智能优化算法,但是其应用于最优潮流计算时,具有早熟和收敛不稳定的问题。将BBO与差分进化(differential evolution,DE)算法相结合,并对差分进化部分的改进策略稍做修改,形成改进DE-BBO算法。应用所提方法对IEEE 30节点系统进行了有功优化的计算,并和GA、PSO、BBO和DE 4种方法进行了分析和比较,结果表明所提方法具有良好的收敛稳定性,可以有效缩短迭代时间。

差分迁移和趋优变异的生物地理学优化算法

为增强生物地理学优化(Biogeography-based optimization,BBO)算法的优化性能,降低其运行时间,提出了一种差分迁移和趋优变异的生物地理学优化算法(DGBBO).首先,将两种差分扰动操作与BBO算法的迁移操作有机融合,形成差分迁移算子,提升全局搜索能力并平衡探索和开采;其次,将趋优操作融入到BBO算法的变异算子中,替换原变异操作,形成趋优变异算子,克服了原变异算子存在的缺陷,加快收敛速度;此外,还从多个角度降低算法的计算复杂度.在一组常用的基准函数上进行了仿真实验,实验结果表明,相较于其它state-of-the-art算法,DGBBO算法寻优能力显著,稳定性强,收敛速度快,运行时间少,验证了其优秀的优化性能.

基于改进生物地理学优化算法的SVC次同步阻尼控制器设计

针对常用的次同步振荡控制器不能较好地适应电力系统时变非线性的特点,提出了一种引入余弦迁移模型、早熟判断机制、变尺度混沌变异策略及排重操作的改进生物地理学优化算法。基于该算法结合静止无功补偿器(SVC)抑制次同步振荡的机理,对次同步阻尼控制器进行优化设计,并采用特征值分析和时域仿真验证了控制系统的有效性。锦界电厂算例分析表明:经改进生物地理学算法优化的SVC次同步阻尼控制器能较好地提高机组扭振的模态阻尼,可有效抑制次同步振荡,进而保证机组和电网的安全稳定运行;与传统的生物地理学优化算法、粒子群算法及遗传算法相比,改进生物地理学优化算法在搜索最优控制参数时具有较快的搜索速度和较高的搜索精度。

基于模糊支配的生物地理学优化算法及其在含风电场电力系统调度中的应用

构建了含风电场电力系统发电成本和环境影响的双目标优化调度模型,应用模糊支配将双目标函数转化为单个评价标准,提出了基于模糊支配的生物地理学优化算法并对模型进行求解。通过与使用同样支配算法的遗传算法、粒子群优化算法相比较,验证了所提算法在处理电力系统多目标优化调度问题中的可行性和优越性。算例分析表明,根据优化调度决策,在合理的穿透功率范围内,风电的并网对提高电力生产的经济性具有较明显的效果,而在改善环境效益方面不是决定性因素。

基于混合生物地理学优化的多目标优化算法

提出一种基于混合生物地理学优化算法的多目标进化算法(multi-objective optimization based on hybrid biogeography-based optimization,MOBBO)。针对生物地理学优化算法(biogeography-based optimization,BBO)自身的机制,建立适用于BBO的多目标进化模型。在模型中,结合栖息地个体间的Pareto支配关系对栖息地适应度指数进行了重新定义;为了保持栖息地种群的分布性,提出一种新的基于动态距离矩阵的分布性保持机制;同时,根据多目标优化的特点,提出了新的自适应迁入迁出率确定方式,动态迁移策略及分段logistic混沌变异策略。通过对测试函数ZDT和DTLZ的仿真实验表明,与现有多种多目标优化算法相比,MOBBO在解集的收敛性和分布的均匀性上均有明显改善,能够有效且高效地进行复杂多目标优化问题的求解。

生物地理学优化算法中迁移算子的比较

生物地理学优化算法(Biogeography-Based Optimization,BBO)是一种模仿物种迁移规律的智能优化算法,其中迁移算子是影响优化效果的关键环节。基于迁移地的选择模式(以迁出率高的栖息地为主导或者以迁入率高的栖息地为主导)和迁移量的规模(单变量和部分变量),提出了BBO算法中可能存在的四种迁移方式。通过对13个经典实例的实验仿真,比较4种迁移算子的优化结果,阐明了产生差异的原因。实验结果表明,迁入主导的部分迁移式算子优化效果最好。

基于生物地理学优化算法的输电网络规划

随着栖息地居住条件的变化,生物物种在各个栖息地之间不断迁移。将根据自然界物种迁移规律构造的生物地理学优化算法(biogeography-based optimization,BBO)应用于求解输电网络规划问题。针对BBO算法开采能力较强而搜索能力偏弱的特点,采用排重操作对其进行改进。以18节点系统为算例,对各种机制作用下的BBO算法的寻优能力以及与遗传算法的性能差别进行了对比分析。结果显示包含排重操作的BBO算法为兼顾了开发能力和搜索能力、可与遗传算法比拟的寻优方法。

融合细菌觅食趋化算子的生物地理学优化算法

针对高维多阈值彩色图像分割中由于维数高带来阈值搜索困难等问题,提出了一种融合细菌觅食算法(BFO)趋化算子的混合生物地理学算法(hybrid biogeography-based optimization,HBBO).首先构建一种嵌入变异操作的迁移算子,去掉BBO算法原有的变异算子;其次将细菌觅食算法中具有较强局部搜索能力的趋化算子的趋化步长固化为1,将此趋化算子与改进的迁移算子融合,并将精英保留策略换成贪婪选择算子,形成混合BBO算法;最后将HBBO算法应用到高维Tsallis熵多阈值彩色图像分割中.实验结果表明,与目前的MABC、IDPSO、MBFO和BBO-M算法相比,HBBO算法在高维多阈值图像分割中有更好的优化性能、更快的运行速度和更强的稳定性.

基于二次变异改进生物地理学优化算法的限流器配置方法

针对开关型限流器的优化配置问题,为准确评估限流器动作后的限制效果,建立了断路器的最大开断电流与限流器配置的数学关联模型,在此基础上以各支路两侧安装限流器的电抗值为优化变量,以区域电网配置限流器的单位成本限流效果最大化为优化目标,以母线短路电流、断路器最大开断电流以及单个限流器的限流电抗为约束条件,建立限流器优化配置模型。以余弦迁移模型和柯西变异的生物地理学优化(BBO)算法为基础,并针对优化变量中相邻维度对适应度函数影响相近的特点,在算法中引入相邻维度间的二次变异操作,提出了基于适用于限流器优化配置的二次变异改进BBO算法。以某500 kV区域电网为例,进行限流器优化配置;为了验证所提改进BBO算法的优化性能,运用多个不同优化算法对限流器优化配置模型进行求解,优化结果表明,改进BBO算法具有较好的收敛速度、稳定性以及寻优能力。

一种基于生物地理学优化算法的集成选择方法

集成选择发生在集成结论合成之前,所有的个体学习器已经生成后对某些不满足精度要求或多样性要求的个体进行剔除,从而用较少的个体集成获得同原始集成相同,甚至更好的泛化性能,同时降低系统的存储和计算开销。基于一种新的优化算法——生物地理学优化算法(Biogeography-based optimization,BBO),对获得的初始集成个体依据个体的预测精度和个体之间的多样性准则设置目标函数,进行优化选择,提出了一种新的基于BBO的集成选择算法(BBO based Ensemble Selection Algorithm,BBOESA)。基于UCI数据的仿真结果表明,该算法在不降低,甚至提高了常规的Bagging集成学习的泛化性能的同时,使集成个体数量有了大幅度的减少。