基于改进花授粉算法的永磁同步电机参数辨识

针对传统花授粉算法辨识永磁同步电机参数迭代后期易陷入局部最优导致收敛速度慢和寻优精度低的缺陷,提出了一种基于t-分布扰动和高斯扰动的改进花授粉算法(tGFPA),以实现永磁同步电机参数的高精度辨识。首先利用混沌Logistic映射对花朵个体位置进行初始化,然后在全局授粉过程中引入t-分布扰动,提高搜索空间的多样性。在局部授粉过程中加入高斯扰动,增强跳出局部最优解的能力。最后,对比仿真结果表明:基于双扰动策略的改进花授粉算法收敛速度更快、辨识精度更高,对于永磁同步电机控制性能改善具有重要意义。

充分搜索多策略花授粉算法在PID参数优化中的应用

PID控制器广泛应用于工业领域,结构简单,控制效果良好,参数对控制器起到了绝对作用。花授粉算法是一种应用广泛的元启发算法,但存在易陷入局部最优、迭代后期收敛速度慢、寻优精度差等不足。用加入随机扰动的反双曲正切函数充分搜索策略的转换概率替换原本的固定概率,平衡全局搜索和局部搜索;在异花授粉中引入新型动态因子,改变母系花粉位置的影响;在自花授粉阶段提出权重学习策略,让花粉向优秀花粉方向聚拢;引入翻筋斗探索策略,加大种群多样性。在此基础上提出充分搜索下多策略花授粉算法(MSFPA),对比分析了花授粉算法(FPA)、粒子群算法(PSO)、差分进化算法(DE)和象群算法(EHO)对9个测试函数的仿真实验,结果表明MSFPA算法收敛速度快,性能更优。将MSFPA算法应用于PID参数优化中,经过优化的系统超调量较小,且调整时间较短,有较强的稳定性。

融合混沌映射和乘除算子的花授粉算法及应用

花授粉算法是一种群智能算法,广泛应用于各个领域。本文针对该算法存在收敛精度低、收敛速度慢、稳定性差等不足,提出基于混沌映射和乘除算子的花授粉算法(MDFPA)。首先,利用混合混沌映射更好的随机分布能力生成初始种群,减小随机误差给算法带来的影响;其次,反双曲正切函数有良好的性能,将其引入动态转换概率中,替换固定转换概率,提高算法收敛能力,有利于控制全局搜索和局部搜索之间的平衡;最后,在全局搜索阶段引入乘除算子对花粉位置进行放缩,在空间里进行充分搜索,避免算法陷入局部最优。通过对12个测试函数的仿真实验,表明该算法在单峰、多峰和固定维度测试函数上性能都优于花授粉算法(FPA)、粒子群算法(PSO)、布谷鸟算法(CS)和蜂群算法(ABC),寻优性能显著性提高,具有更快的收敛速度和更优的求解精度。将MDFPA算法应用于PID(Proportion Integration Differentiation)控制器参数优化中,结果表明优化后的PID控制器性能更优。

基于离散花授粉算法的分布式新能源继电保护整定优化方法

现有继电保护整定优化方法需要进行多次试验和调整,耗费大量时间和资源,对于大规模分布式新能源系统是非常不可行的。利用离散花授粉算法,对分布式新能源继电保护整定优化进行研究。以时间整定系数和启动电流为优化参数,构建了目标函数。采用离散花授粉算法对其进行优化求解。实验结果表明:设计方法在不到15次迭代下即可获得最优解,且耗时始终保持在60s之内,能够快速且准确的计算出继电保护的整定结果。

引入正弦余弦算子和新自花授粉的花授粉算法

针对花授粉算法在处理高维优化问题时,收敛精度较低,易陷入局部极值的缺陷,提出了一种花授粉算法的改进算法。在异花授粉阶段,改进算法使用正弦余弦算子对花粉个体进行逐维扰动,以增强花粉个体的多样性;在自花授粉阶段,基于自然界优胜劣汰的生存法则思想,提出了一种新的自花授粉策略。与7种算法对比,在9个基准函数上进行性能对比实验,结果表明:改进算法在收敛精度和收敛速度上较对比算法有显著优势;在函数维度达到5000维时,改进算法没有陷入“维数灾难”,收敛的精度较高。在悬臂梁设计和压力容器设计2个工程实例上进行应用实验,验证了改进算法的性能和实用性。

基于非线性跨代差分进化的花授粉优化算法及其应用研究

针对高维度变量的优化问题,本文设计了一种基于非线性跨代差分进化的花授粉优化算法.该算法利用跨代差分进化引导个体逼近最优解,使算法的局部搜索过程具备导向性,并设置非线性惯性权重提升算法的搜索收敛速度.同时,通过参数自适应调整实现缩放因子和交叉概率的动态更新,从而提高种群丰富度、减少局部解的数量,再结合跨代赌轮盘方式以降低陷入局部最优解的概率.仿真验证表明,该算法能够在不同维度测试函数下保持较好的寻优特性和稳定性,尤其在高维度测试函数下的寻优性能更好.同时,本文以工业互联网中的无人机智能巡检的路径规划为例,评估了算法在实际应用中的性能.实验结果表明该算法可以满足巡检路径规划的低成本、高效率和规避外部攻击的需求.

基于改进花授粉算法的光伏MPPT控制研究

针对传统光伏最大功率点跟踪(MPPT)算法在解决局部遮荫环境下系统跟踪灵活性和时效性差,以及稳态输出振幅过大等问题,提出了基于改进花授粉算法(IFPA)的光伏最大功率跟踪控制策略。在对光伏阵列输出特性曲线进行分析的基础上,通过引入t-分布扰动机制和变异策略,分别对经典FPA算法的异花全局授粉过程与自花局部授粉过程进行优化,构建了基于IFPA的光伏最大功率点跟踪模型。以{3*2}的光伏阵列为例进行仿真实验,结果表明所研究模型在动态遮荫下的最大功率点跟踪速度较改进前大幅提高,系统在稳态时的震荡明显减小。

融合牵引变异和透镜成像的花授粉算法及应用

针对花授粉算法收敛速度较慢、容易陷入局部最优解等问题,提出结合牵引变异和改进型透镜成像的增强花授粉算法LMFPA(lens learning and traction mutation based enhanced flower pollination algorithm)。LMFPA算法利用改进型透镜成像机制优化算法的种群分布。通过增加观测因子的牵引变异机制增加算法收敛速度和跳出局部最优的能力。以CEC2013中的12个测试函数作为性能评测函数集,将LMFPA与FPA(follower pollination algorithm)、TMFPA(T-distribution mutation-based flower pollination algorithm)、t-GSSA(improved sparrow search algorithm based on adaptive t-distribution and golden sine and its application)和PCSPSO(particle compaction and scheduling based particle swarm optimization)4个改进型FPA算法进行评测。实验结果表明LMFPA算法无论是收敛速度还是收敛精度上都占优。将LMFPA应用于在无人机三维路径规划问题,实验结果表明LMFPA也能取得更优的三维路径规划结果。

基于改进花授粉算法的光伏MPPT研究

局部遮阴情况下,光伏阵列的P-V曲线存在多个极值,传统最大功率跟踪方法容易陷入局部最优而追踪失败。针对多峰值P-V曲线,提出一种改进型花授粉算法来实现全局最大功率跟踪。该算法在标准花授粉算法的基础上引入了自适应转化概率来平衡全局和局部搜索,同时用Jaya算法的位置更新公式替代原算法的局部搜索公式,有效避免了原局部搜索策略易陷入局部最优的不足。通过MATLAB/Simulink进行仿真验证,并与粒子群算法、花授粉算法进行比较,结果表明改进花授粉算法具有更高的追踪精度和更快的追踪速度。

基于花授粉算法的容器云资源低能耗部署方法

论文提出了基于花授粉算法的容器云资源低能耗部署方法。首先构建容器云资源能耗模型,在此基础上迁移容器,提出最低增长法、最高增长法、混合增长法以及随机选择模式四种容器选择方式应用在迁移中。综合容器迁移以及能耗模型得出资源部署的最低能耗,利用花授粉算法实施容器云资源的部署,划分云资源任务个体适应度种群,得出每个种群最高适应度实施初始化和更新处理,输出花授粉算法的最优解,即资源的最优部署策略。实验结果表明,该方法的平台资源利用率高、部署完成时间短以及负载均衡好,降低了容器云资源部署过程中的能耗。

基于改进花授粉算法的光伏最大功率点追踪研究

针对厂区光伏在局部阴影或光照不均匀的情况下,光伏阵列输出存在多个极值点,导致传统优化算法追踪最大功率点时存在速度慢和精度低等问题,提出了基于改进花授粉算法的光伏最大功率跟踪控制策略。采取有利于全局广泛搜索的自适应系数对全局搜索进行改进,提高了算法的收敛速度与精度。通过MATLAB/Simulink建模仿真,证明了所提出的改进花授粉算法在复杂光照条件下具有更快的收敛速度与追踪精度。

融合高斯变异和Powell法的花朵授粉优化算法

花朵授粉算法(flower pollination algorithm,FPA)是最近提出的一种新型群智能优化算法,由于其较好地解决了全局搜索和局部搜索的平衡性问题,且具有参数少,易实现等特点,已得到广泛应用和研究,但现有研究对其参数的研究较少,同时该算法也存在演化后期收敛速度慢且易陷入局部极小等缺陷,使其应用范围受到制约。为了提升FPA算法的整体性能,对其控制步长的缩放因子的取值进行了修正;提出了把高斯变异和Powell法融入到花朵授粉算法中的混合算法GMPFPA(flower pollination algorithm combination with Gauss mutation and Powell search method)。改进算法首先利用高斯变异对全局搜索进行扰动,增强种群的多样性,提高全局探测能力,然后引入局部寻优能力强大的Powell法提升其局部开发能力。通过12个高维经典测试函数对比实验,验证了改进算法的有效性和优越性。

基于进化控制与非均匀变异的花授粉算法研究

针对花授粉算法(FPA)优化高维复杂性问题时存在的收敛精度低且收敛速度慢的缺陷,提出一种基于进化控制与非均匀变异的花授粉算法(ENFPA)。该算法引入以余弦函数为控制因子随机调节当前位置与最优位置进化比例,改善算法前期花粉过于聚拢于最优个体而导致进化方向不佳的可能。为一定程度抑制算法进化后期种群多样性降低而出现的优化解聚拢现象,引入非均匀变异策略对当前位置进行改变以拓展新的进化方向。经过仿真数值实验表明,改进算法在函数优化问题上具有更好性能。将改进的算法应用于神经网络优化模型的实验表明,可以一定程度降低神经网络预测的误差。

基于花授粉算法的曲面薄壁件定位布局优化

优化定位布局是减小薄壁件装夹变形的重要手段,现有研究大多以节点法向变形最小为优化目标而忽略其他方向上的变形,为此提出了一种新的基于花授粉算法的夹具布局优化方法。针对曲面薄壁件,在建立法向约束定位模型的基础上,通过应变能来描述所有方向上的变形,以薄壁件的整体应变能最小为目标,结合花授粉算法和基于Python语言的参数化有限元分析,实现薄壁件的定位布局寻优。最后以飞机蒙皮定位布局优化为例验证方法的有效性,并通过与遗传算法的对比表明,花授粉算法在优化薄壁件的定位布局时具有更优的性能。

基于改进花授粉算法的共融AGV作业车间调度

针对传统智能算法求解自动导引小车与机器集成的车间调度问题效率低且易早熟的缺点,提出一种基于改进花授粉算法的车间调度算法。其中,基于主成分分析法提出新的变异算子以增强算法对解空间的感知能力和跳出局部极值的能力;引入交叉算子以提高花授粉算法的全局搜索能力;基于染色体相似度矩阵提出一种自适应个体初始化生成策略以提高初始种群的多样性。面向该集成调度问题需求,建立了机器与自动导引小车集成的调度数学模型,然后采用新的解码算法和新解接受机制对模型进行求解。最后通过搭建集成调度实验平台验证了所提改进算法的有效性。

多模函数优化的改进花朵授粉算法

为了探讨花朵授粉算法(FPA)在解算多模函数优化问题中存在的不足,通过定义种群多样性及差异性指标,定性分析了FPA在多模复杂函数优化中的寻优缺点。基于模拟退火思想优化全局授粉过程,并利用Nelder-Mead单纯形搜索技术对花朵局部授粉进行重构,提出一种新的花朵授粉寻优架构。仿真结果表明,相对于基本的FPA、布谷鸟算法、萤火虫算法,改进花朵授粉算法能够有效避免陷入局部最优,具备优异的全局勘探和局部开采能力,对多模优化问题具有一定优势。

自适应变异的量子花授粉算法

花授粉算法是计算智能领域的一个新方法,但该算法也存在收敛精度较低、收敛速度较慢等问题。针对此类问题,提出了一种自适应变异的量子花授粉算法。该算法首先将量子搜索机制引入花授粉算法,利用量子的随机性,提升算法的全局搜索能力;然后给出基于前后两次群体平均位置标准差的群体多样性评判准则,并在此基础之上,对失活个体进行变异操作,改善群体多样性的同时,引导群体向最优解方向搜索;最后在10个标准测试函数上进行实验,结果表明,自适应变异的量子花授粉算法具有较快的收敛速度与良好的收敛精度,优于基本花授粉算法及其他群体智能算法,是解决复杂函数优化问题的有效方法。

花授粉算法的改进及在压力容器设计中的应用

虽然花授粉算法对于求解优化问题十分有效,但也存在收敛性慢的问题。为了解决此问题,提出一种带有时变因子的差分进化花授粉算法(Differential Evolution Flower Pollination Algorithm with Time Variant Factor,TVDFPA)。对步长因子进行改进,同时在迭代过程中加入差分进化的策略,通过种群杂交,提高算法的收敛速度和寻优能力。通过标准测试函数进行测试,仿真结果表明TVDFPA的收敛速度比原始花授粉算法、混沌和声的花授粉(HFPCHS)、模拟退火花授粉算法(SFPA)快,收敛精度也有较大提高。进而结合花授粉算法的特点,建立带有变参数的双适应值比较法来求解压力容器设计问题,实验结果表明改进之后的算法具有较好的求解性能。

基于改进花授粉算法和极限学习机的锅炉NO_x排放优化

为降低电站锅炉NO_x排放质量浓度,对花授粉算法中转换概率和局部搜索进行修改,得到改进的花授粉算法,利用改进花授粉算法和极限学习机以某330 MW燃煤锅炉运行历史数据为基础建立锅炉NO_x排放特性模型;基于所建模型,采用改进花授粉算法对燃煤锅炉运行时可调参数进行寻优来优化NO_x排放质量浓度。结果表明:相比于BP神经网络模型和极限学习机模型,所建NO_x排放特性模型的预测精度更高,改进的花授粉算法优化后的NO_x排放质量浓度明显低于花授粉算法,为燃煤锅炉降低NO_x排放质量浓度提供了参考。

基于多策略的改进花授粉算法

花授粉算法是近年来提出的一种新型的、简单高效的优化算法,已在各个领域得到广泛应用,但其搜索策略存在的不足,制约着其应用范围.为此,提出一种改进的基于多策略的花授粉算法.首先,新全局搜索策略通过利用两组随机个体差异矢量和莱维飞行机制来增加种群多样性并扩大搜索范围,使算法更易跳出局部最优,提升其开采能力;其次,在局部搜索部分引入精英变异策略,并与随机个体变异机制组合成一种新的局部授粉策略,利用精英个体对其他个体的演化方向进行引导,提高算法的搜索速度;通过随机个体变异策略来保持种群的多样性,增强算法的持续优化能力;同时,通过一种线性递减概率规则调节这两种变异策略,使其取长补短,以提高算法的优化能力;最后,对进化中没有得到改善的解,利用余弦函数搜索因子策略产生一个新解加以替换,从而提高算法解的质量.通过5类经典测试函数的仿真实验和采用统计学上的分析,证明了该算法的稳定性和有效性;与现有经典的和知名的改进算法进行了对比,实验结果表明,所提出的改进算法是一种富有竞争力的新算法.同时,利用改进算法对军事领域中的无人作战飞行器航线规划问题进行求解,测试结果表明,改进算法在解决实际工程问题时,同样具有一定的优势.