基于对称映射搜索策略的自适应金鹰算法及应用

金鹰优化算法(Golden Eagle Optimizer,GEO)是一种基于种群的元启发式算法,其模拟了金鹰的合作狩猎行为。针对GEO算法中存在的求解精度差和陷入局部最优等问题,文中提出了一种改进MERGEO(Mapped Elitist Reverse GEO)算法。在原算法基础上采用对称映射搜索策略、自适应精英策略和随机反向学习机制这3种方法平衡了算法的探索和开发阶段,获得了规避局部最优能力和较好的优化精度。在10个基准测试函数上对该算法进行独立策略有效性分析、可扩展性分析以及同其他算法的优化性能比较分析。实验结果表明,改进后的MERGEO算法具有较强的竞争力和良好的优化能力。将改进后的算法用于无线传感器网络的覆盖优化问题和压力容器设计问题研究,验证了其实际应用价值。

基于统计分析的自适应蚁群算法及应用

路径规划是机器人关键技术之一。利用改进的蚁群算法进行机器人的路径规划。针对传统蚁群算法收敛速度慢且易陷入局部最优解的缺陷,在Ant Colony System算法基础上,对每代蚁群动态随机统计分析,提取最优、平均和最差的蚂蚁信息,构成自适应算子用于局部信息素的自适应更新。仿真实验结果证明该自适应算子在平衡增加收敛速度和陷入局部最优解矛盾的问题中是有效的。

基于改进CPSO的动态阴影环境下光伏MPPT仿真研究

动态阴影下,传统最大功率点追踪(MPPT)算法易陷入局部极值,而常规粒子群(PSO)算法实现的MPPT控制易给系统带来较大的振荡。针对上述问题,提出一种自适应精英策略改进混沌粒子群(AEM-CPSO)算法的MPPT控制策略。该算法对粒子前三次迭代进行混沌搜索,使粒子在初始状态具有全局遍历性。自适应精英策略运用于粒子搜索后期,用于缓解算法后期振荡的问题。仿真结果表明,AEM-CPSO算法在全局搜索性,追踪速度以及暂态稳定性都优于传统方法。