基于Circle映射和自适应t分布变异改进的鹈鹕优化算法

针对传统鹈鹕优化算法(POA)存在收敛速度慢、易陷入局部最优解等缺陷,提出一种基于Circle映射初始化和自适应t分布变异的改进的鹈鹕优化算法(IPOA)。首先,在种群初始化阶段,采用Circle映射生成具有高度多样性的初始解,并结合反向学习策略,提高种群多样性,增强种群的探索能力。其次,在迭代过程中,采用自适应t分布变异操作对个体进行扰动,有助于鹈鹕优化算法跳出局部最优解并提高收敛速度。另外,在鹈鹕优化算法的探索阶段引入自适应因子和改进惯性权重,更好地平衡算法全局探索能力和局部开发能力。最后,在多个测试函数上将IPOA与其他4种经典算法进行比较。实验结果表明,IPOA在收敛速度、全局搜索能力和收敛鲁棒性方面均有显著提升。

基于自适应t分布变异麻雀搜索算法的无人机航迹规划

为使无人机可以在复杂环境中高效率地完成指定任务,提出一种基于自适应t分布变异的麻雀搜索算法的航迹规划方法。建立用于无人机航迹规划的三维空间模型和航迹代价模型,将航迹规划问题转化为多维函数优化问题,并对其进行优化求解。仿真结果表明,相比传统的粒子群算法和麻雀搜索算法,改进后的算法能够得到一条避开障碍物和威胁区域的最优路径,证实该方法在无人机路径规划中具有更强的稳健性和可行性。

基于改进T分布烟花-粒子群算法的AUV全局路径规划

针对传统粒子群算法在处理自主水下机器人(Autonomous Underwater Vehicle,AUV)全局路径规划时面临的寻优时间长、能耗高的问题,本文提出一种改进的T分布烟花-粒子群算法(T-distribution Fireworks-Particle Swarm Optimization Algorithm,TFWA-PSO),该算法融合了烟花算法的高效全局搜索能力和粒子群算法的快速局部寻优特性.在变异阶段,提出自适应T分布变异来扩大搜索范围,并在理论上证明了该变异方式能够使个体在局部最优解附近增强搜索能力.在选择阶段提出了适应度选择策略,淘汰适应度差的个体,解决了传统烟花算法易丢失优秀个体的问题,并对改进的T分布烟花算法与传统烟花算法的收敛速度进行对比.将改进算法的爆炸操作、变异操作和选择策略融合到粒子群算法中,对粒子群算法的速度更新公式进行了改进,同时从理论上对所改进的算法进行了收敛性证明.仿真实验结果表明,TFWA-PSO能够有效规划出一条最短路径,同时与给定的智能优化算法相比,TFWA-PSO在寻找最优路径的时间上平均降低了24.72%,能耗平均降低了17.33%,路径长度平均降低了16.96%.

基于自适应t分布混合变异的人工萤火虫算法

针对人工萤火虫(AGSO)算法中存在一些漫无目的随机运动的萤火虫及一些萤火虫在非全局极值点出现严重聚集时,收敛速度降低,甚至陷入局部极值的问题,提出一种基于自适应t分布混合变异的人工萤火虫算法。用自适应t分布变异和最优调教变异来增强种群的多样性,限制算法陷入局部最优;定义了变异控制因子对变异的运行进行控制,结合历史状态信息给出了自适应t分布混合变异描述。该变异方法能使算法同时提高全局探索能力和局部开发能力。通过典型函数算例和实际应用算例实验结果表明,该算法是可行有效的,比传统算法具有较快的寻优速度和较高的寻优精度。

基于自适应t分布混合变异的人工鱼群算法

针对人工鱼群算法在非全局极值点出现较严重聚集情况时,收敛速度降低,甚至陷入局部极值,搜索性能劣化的问题,把变异操作加入到人工鱼群算法中,增加了种群的多样性,从而在一定程度上避免算法陷入局部最优。提出了一种基于自适应t分布混合变异的人工鱼群算法。该算法对最优鱼进行高斯最优调教变异,对非最优鱼进行自适应t分布变异。引入t分布变异算子将高斯变异和柯西变异的优点结合起来,使得算法在进化初期具有良好的全局探索性,而在进化后期具有较优的局部开发性。四个典型函数算例、多个应用算例及大量的实验数据仿真结果表明,该算法是可行有效的,较ACM-AFSA和AGM-AFSA求解精度更高,算法更稳定。

融合改进Logistics混沌和正弦余弦算子的自适应t分布海鸥算法

针对基本海鸥算法存在的缺陷,提出一种融合改进Logistics混沌和正弦余弦算子的自适应t分布海鸥算法(ISOA).首先,采用改进Logistics混沌映射初始化种群,使海鸥更加均匀地分布于初始解空间;其次,在海鸥位置更新方式中引入正弦余弦算子来协调算法的局部搜索和全局搜索,同时加入改进的参数A加快算法收敛速度;然后,引入自适应t分布变异策略,在最优解位置进行扰动变异产生新解,增强算法跳出局部最优的能力;最后,基于8个标准测试函数与3种基本算法进行对比仿真实验,结果表明ISOA与其余3种算法相比,有较强的跳出局部最优能力,收敛速度更快,精度更高.

自适应t分布与动态边界策略改进的算术优化算法

针对算术优化算法(arithmetic optimization algorithm,AOA)存在的收敛速度慢、易陷入局部最优等问题,提出了自适应t分布变异和动态边界策略改进的算术优化算法(t-CAOA)。利用引入自适应t分布变异策略提高种群的多样性和质量可以有效提升算法的收敛速度,同时通过引入余弦控制因子的动态边界策略优化AOA的寻优过程,从而协调AOA的全局勘探和局部开发能力。对10个单模态和多模态函数进行寻优实验,并与鲸鱼优化算法、灰狼优化算法等算法进行对比,实验结果表明,经过改进的算术优化算法具有更高的寻优精度和稳定性。进一步对t-CAOA进行求解大规模优化问题的实验,实验结果表明,改进过的t-CAOA可以有效地解决大规模优化问题。

基于t-SSA-BP的煤矿噪声职业健康损害预测

为精准预测煤矿接噪人员职业健康损害情况,基于分位图法选取健康损害数据影响因素,依据噪声职业健康损害评估方法,以自适应t分布变异因子和麻雀搜索算法(SSA)作为参数优化算法,建立t-SSA-BP煤矿噪声职业健康损害预测模型,利用基准函数测试算法寻优性能,并以陕北地区10个煤矿为研究对象,采用现场调查、理论分析和Matlab仿真模拟方法验证煤矿噪声职业健康损害预测模型。结果表明:噪声暴露强度、个体年龄、接噪工龄和接噪岗位4个指标是煤矿噪声健康损害的影响因素;t-SSA较SSA在4种基准函数上整体精度提升660%,5种噪声健康损害神经网络预测模型预测精度从高到低依次为:t-SSA-BP>SSA-BP>PSO-BP>CFA-PSO-RBF>PSO-GRNN,t-SSA-BP预测模型的平均绝对误差(MAE)、平均绝对百分误差(MAPE)相比SSA-BP分别降低681%、667%,决定系数(R2)达0999,预测精度明显提升,且收敛速度更快。

采用改进北方苍鹰算法的微电网优化调度研究

微电网系统通常由多种分布式电源组成,为降低运行成本,常使用智能算法对微电网进行调度。智能算法在求解微电网调度模型时容易陷入局部最优解,导致求解精度差,因此在北方苍鹰算法的基础上,提出了一种混合策略改进的北方苍鹰算法(HNGO),利用反向学习、Metropolies准则以及自适应t分布变异提高求解精度,同时构建了考虑可再生能源出力特性的需求响应模型,使负荷曲线与可再生能源出力曲线更贴近,然后建立日运行成本最低的微电网优化调度模型,并利用HNGO求解。对比仿真结果显示所提算法具有更好的求解精度,且所提需求响应模型能显著降低燃料成本。

基于反向变异麻雀搜索算法的微电网优化调度

微电网系统包括多种分布式电源,为了降低微电网发电成本,应用优化算法对微电网进行调度很有必要。传统优化算法在微电网调度求解时容易陷入局部最优,导致收敛速度下降,因此文中在麻雀搜索算法(SSA)的基础上,提出一种反向变异麻雀搜索算法(RMSSA)。首先,利用反向学习策略和自适应t分布变异扩大SSA的寻优范围,提高种群多样性,改善SSA的搜索能力,然后建立以综合运行成本最低为目标的微电网优化调度模型,最后设定功率平衡、充放电速率、爬坡速率等约束条件,利用RMSSA对微电网优化调度模型进行求解。对比仿真结果表明此算法具有良好的全局搜索能力,其在收敛速度、寻优精度和稳定性上优于原SSA、灰狼算法、蝙蝠算法,微电网能获得更佳的综合效益。

融合鲸鱼泡泡网机制的SSA算法

针对基本麻雀搜索算法(Sparrow Search Algorithm,SSA)在迭代寻优过程中,种群多样性减少、易陷入局部极值等问题,提出一种改进的麻雀搜索算法(WSSA)。首先,基于Tent混沌映射策略初始化种群,提高初始解的质量;其次,结合鲸鱼优化算法(WOA)中的鲸鱼泡泡网捕食数学模型,改进发现者的位置更新策略,增强算法全局搜索;然后,采用自适应t分布变异,提升算法跳出局部最优能力;最后,在仿真实验中,结果表明改进麻雀搜索算法具有更好的收敛性和求解精度。

改进天牛群搜索算法及其在船舶纵摇运动预测中的应用

【目的】针对天牛群搜索算法易陷入局部最优及搜索精度较低等缺陷,提出一种基于二阶振荡自适应变异的天牛群搜索算法。【方法】该算法引入二阶振荡环节增加算法的全局探索能力和局部开发能力。采用正余弦搜索思想对天牛个体进行位置更新,使得天牛个体可充分的利用自身与最优位置的差值信息逐渐趋近最优解。同时引入自适应t分布变异算子来增加种群的多样性,避免算法陷入局部最优。【结果与讨论】对高维单峰函数、高维多峰函数的仿真实验结果表明,改进的算法有效地提高其搜索精度、收敛速度及鲁棒性,克服其易陷入局部最优的缺陷。将改进天牛群算法应用于BP神经网络权值及阈值优化对船舶纵摇运动姿态进行预测,并于BP网络、BSO-BP网络及PSO-BP网络的预测结果进行比较,精度分别提升85.7%、74.6%和77.2%。改进天牛群搜索算法在实际工程应用中具有一定的优越性。