融合BFGS的自适应蜂群算法在谐波平衡分析中的应用

针对谐波平衡分析中传统算法存在初值限制,以及智能算法收敛速度慢的缺点,提出一种基于BFGS(Broyden-Fleteher-Goldfarl-Shanno)算法局部搜索策略的自适应蜂群算法。该算法在基本蜂群算法的基础上引入非线性的动态调整因子代替蜂群算法搜索公式中的随机变量,增加搜索的自适应性,并将BFGS算法运用到自适应蜂群算法后期求解,提高其局部搜索能力。实验结果表明,改进算法较标准蜂群算法迭代次数减少51.9%,相对于传统BFGS算法和部分改进智能算法均表现出较好收敛性能。

一种求解分类问题的自适应人工蜂群算法

考虑到分类算法学习到的分类器的可理解性,提出一种求解分类问题的自适应人工蜂群算法——A_ABC,该算法生成一组可理解的分类规则。在基于规则的分类方法中,采用合适的规则评价函数能够提高分类算法的性能,A_ABC算法能够针对不同数据集自适应选取相适应的规则评价函数,同时能够有效处理连续类型的属性和离散类型的属性。最后,在多个公用的真实数据集上,将A_ABC算法与相关算法进行了比较,结果表明A_ABC算法能够更加有效地解决分类问题。

基于多智能体网络的自适应遗传蜂群推理算法

针对复杂战场环境中的意图推理问题,首先构建能够表示目标信息及相互间关系的基于多智能体的意图推理网络,将目标意图推理问题转化为复杂网络中的最优推理路径搜索问题;然后,在基本人工蜂群算法的基础上,引入遗传算法中的遗传变异交叉等思想,并结合改进的食物源自适应策略,提出一种自适应遗传蜂群推理算法;最后,通过实验对比,验证了自适应遗传蜂群推理算法在多智能体网络推理中具有比其他算法更优的准确性和收敛性。

基于改进人工蜂群算法的概率积分法参数反演

针对传统算法在反演概率积分法参数时易发散且难以获得全局最优解的问题,提出利用自适应人工蜂群算法反演概率积分法参数。根据该算法在求解过程中收敛速度快,获得全局最优解的特点,将参数反演问题转化为组合优化问题,建立了自适应人工蜂群算法的概率积分法预计参数反演流程,并将计算结果与实际值进行对比分析。通过理论分析与实验证明,自适应人工蜂群算法反演概率积分法参数精度高,较最小二乘法和模矢法拟合效果好,可应用于矿山开采沉陷预计。

改进人工蜂群算法的农村DRT路径优化研究

农村地区居民的出行需求低且分布分散,导致常规公交运营难以为继。针对农村公交运营成本高、运输效率低的问题,基于农村居民出行需求特征,构建了考虑农村地区需求响应公交(DRT)同时接送模式的车辆路径问题模型,提出一种改进的两阶段自适应大邻域人工蜂群算法(adaptive large neighborhood search artificial bee colony algorithm,ALNS算法)对模型进行求解。算例结果分析显示:在低需求密度的农村地区,农村DRT同时接送模型更具经济性和实用性;相比于遗传算法和自适应大邻域搜索算法,改进的人工蜂群算法成本均值分别比上述2种算法结果低9%和3%,且收敛速度更快、在精度和稳定性上表现更优,可以有效地找到高质量的最优方案。

计及动态电价的电动汽车定制化充电策略

为应对电动汽车(EV)充电负荷给电网带来的冲击,平衡电网、充电站和用户三方的利益,提出计及动态电价的电动汽车定制化充电策略。首先根据三方利益需求明确充电站动态电价机制;接着建立以用户充电费用最低和台区负荷波动率最小为目标的EV充电过程优化模型;随后在人工蜂群(ABC)算法的基础上,引入自适应正态衰减系数形成自适应ABC算法,并用其对模型进行求解,得到EV定制化的有序充电计划;进一步结合动态电价机制和EV定制化充电方法优化每辆EV的充电过程;最后基于蒙特卡洛方法模拟不同数量EV在不同充电方式下的充电情况。仿真结果表明,所提方法可以大幅提高台区负荷指标、保证站方收益和降低用户充电费用,实现电网、充电站和用户三方利益共赢。

客货混行条件下列车运行调整模型及算法

研究了单线铁路客货混行条件下列车运行调整问题,目标是客、货不同等级列车在调度区间内总的偏离列车图定运行时刻最少,考虑列车间隔时间、列车停站时间、区间运行时间及车站越行等约束条件,建立了混合整数非线性规划模型.同时,针对模型特点,采用自适应柯西变异人工蜂群算法,以快速得到满意解.最后,以盘西铁路全线为例对模型和算法进行验证,设计了2种扰动场景下的列车运行实时调整方案进行求解.研究结果证明:客货混行条件下的列车运行调整问题模型及求解算法,能够有效生成列车运行调整计划,具有可行性.

基于改进粒子群算法的分布式能源系统协同优化运行研究

分布式能源系统是能源利用的未来趋势,其中协同经济优化运行是实现能量供需平衡、降低能源站成本的关键。首先从冷热电协同优化运行入手,建立了包括三联供系统、离心式冷机、空气源热泵以及风光储在内的分布式能源协同运行优化模型,然后考虑设备约束和系统约束,目标函数综合考虑运行成本和环境成本,采用改进粒子群优化算法求解。结果表明,与粒子群算法和自适应粒子群算法相比,该算法有效避免了局部最优以及后期收敛慢的问题,同时具有更好的优化效果。最后针对国内某示范园区分布式能源系统进行优化验证,所提方法能够有效降低总成本,提高分布式能源系统经济效益,促进可再生能源充分消纳。

面向JIT采购的多目标车辆调度

在JIT采购模式下,以最小化采购运输总距离和车辆使用数目为双目标,重点研究了运输周期和采购量对路径优化的影响,建立了调度模型,设计了一种基于自适应网格的多目标人工蜂群算法(Grid-based Adaptive MultiObjective Artificial Bee Colony Algorithm,GAMOABC)。算法中,利用网格保存找到的帕累托最优解,对网格内的最优解进行更新和维护,保证解集的多样性并通过位置共享信息,更新网格内引领蜂的位置,从而提高解集的精确性。利用二维矩阵的编码方式表示车辆与原料对应的优先权值。在解码过程中,为满足生产约束,根据当前原料的消耗完成时间确定调度集合,设计了启发式信息。通过测例及实验表明:相较于NSGA-II、MOEAS算法,GAMOABC算法求得的Pareto解集多样性和精确性更好。