基于改进萤火虫算法的永磁同步电机多模态优化设计

永磁同步电机的结构参数选择往往是多模态、非线性的优化问题,同时其结构优化设计又存在计算分析时间过长、计算效率过低、收敛慢等问题。文中针对此类问题提出了一种基于改进萤火虫算法的新型多模态优化算法。改进萤火虫算法主要引用了等值线概念并通过克里金(Kriging)代理模型自适应确定子计算区域,从而获得多个全局最优解和局部解,并且引入单纯形法和改进停止条件以提高算法效率。此外,研究了分层余一法用于检验代理模型精度。最后,将其应用到永磁同步电机的结构优化中,使齿槽转矩成功降低了38.33%。

基于改进萤火虫算法的含多种新能源地区电网的无功电压优化

为了解决风电和光伏等新能源场站大规模并网时带来的电压波动及越限问题,以及传统无功电压优化求解算法易陷入局部最优问题,提出了基于改进萤火虫算法(IFA)的含多种新能源的地区电网无功电压优化模型。该模型以标准化的有功网损、节点电压偏差和火电机组无功出力偏差之和最小为优化目标,以潮流计算、火电机组端电压和无功出力、变压器变比、新能源场站有功出力和静止无功补偿器出力等作为需满足的约束条件,采用IFA对优化模型进行求解,通过引入自适应步长和位置更新优化公式提高模型的计算精度和全局寻优能力。改进IEEE-30节点系统仿真分析表明:所提出的优化模型可降低系统有功网损,改善了地区电网无功分布,同时抵制了系统电压波动,提高了地区电网电能质量;IFA能有效提高计算精度和速度,提升全局寻优能力。

基于萤火虫-遗传算法的机械臂轨迹时间优化

针对传统遗传算法在求解机械臂轨迹优化问题时存在的搜索精度不够、效率低等问题,提出一种基于萤火虫-遗传算法的机械臂轨迹时间优化方法。在关节空间使用五次多项式插值法规划六自由度机械臂的末端轨迹,在运动学约束条件下,使用萤火虫-遗传算法对机械臂的末端轨迹进行时间优化,得到最优的末端轨迹运行时间。通过MATLAB仿真实验,轨迹运行时间从传统遗传算法的2.141 1 s减少到2.090 8 s。结果表明萤火虫-遗传算法具有比传统遗传算法更好的性能,能够有效地实现机械臂末端轨迹在运动学约束下的时间优化。

层级引导的增强型多目标萤火虫算法

针对多目标萤火虫算法在求解过程中易产生振荡和聚集现象,导致开发能力较弱、求解精度不佳的问题,提出一种层级引导的增强型多目标萤火虫算法(hierarchical guided enhanced multi-objective firefly algorithm,HGEMOFA)。构建层级引导模型,利用非支配排序获得不同层级个体,用优势层个体引导劣势层个体进化,明确引导方向,解决了进化过程中出现的振荡,减少了聚集现象的出现,增强了算法收敛性;引入莱维飞行扰动最优层个体,增强算法的全局搜索能力;每代进化完成后,对当前种群采用变异机制,增强算法的局部开发能力;把变异后的种群和前一代种群合并进行环境选择,筛选出和前一代种群规模相同的子代,避免优势解丢失。实验结果表明:HGEMOFA能有效增强解的收敛性和多样性。

基于改进萤火虫算法的WSN覆盖优化

针对无线传感器网络节点部署不均所导致的网络覆盖率较低问题,以无线传感器网络覆盖率最大化为目标,提出一种基于改进萤火虫算法(IFA)的网络覆盖优化方法。该方法运用佳点集方法初始化种群,提高种群的多样性,奠定全局搜索基础;利用具有非线性指数递减的变形Sigmoid函数作为惯性权重,平衡算法的全局搜索和局部开发能力;采用高斯扰动策略对个体位置扰动更新,避免算法早熟。仿真结果表明,该算法与人工鱼群算法(AFSA)、种子杂交粒子群算法(HSPSO)和混沌萤火虫算法(CGSO)相比,能有效提高网络覆盖率,使节点部署分布更均匀。

改进萤火虫群算法协同差分隐私的干扰轨迹发布

针对历史轨迹加噪发布干扰轨迹时数据集的冗余问题和轨迹形状相似带来的隐私泄露风险,提出轨迹数据先约简后泛化再进行差分隐私加噪的基于改进萤火虫群优化求解的干扰轨迹发布保护机制(IGSO-SDTP)。首先,基于位置显著点约简历史轨迹数据集;其次,结合k⁃匿名和差分隐私对简化后的轨迹数据集分别进行泛化和加噪;最后,设计了兼顾距离误差和轨迹相似性的加权距离,并以加权距离为评价指标,基于改进萤火虫群优化(IGSO)算法求解加权距离小的干扰轨迹。在多个数据集上的实验结果表明,与RD(Differential privacy for Raw trajectory data)、SDTP(Trajectory Protection of Simplification and Differential privacy)、LIC(Linear Index Clustering algorithm)、DPKTS(Differential Privacy based on K-means Trajectory shape Similarity)相比,IGSO-SDTP方法得到的加权距离分别降低了21.94%、9.15%、14.25%、10.55%,说明所提方法发布的干扰轨迹可用性和稳定性更好。

基于粒子群萤火虫混合算法的计算机辅助配棉

为促进棉纺企业精细化管理水平和生产效益的提升,提出一种粒子群萤火虫混合算法的计算机辅助配棉方法。首先,构造混和棉成本最小和混和棉综合质量指标最优的多目标优化函数,建立库存、总重量、原棉种类及质量指标边界等多约束条件,按照线性加权方式将多目标模型转化为单目标模型。其次,对粒子群和萤火虫群进行分阶段初始化,设计一种学习因子动态调整和非线性递减惯性权重策略用以提高粒子群算法的综合寻优能力,并采用自适应移动步长更新萤火虫个体位置。最后,使用粒子群、萤火虫及粒子群萤火虫混合算法对配棉模型进行求解。试验结果表明:3种配棉算法均展现出良好的求解可行性,所得混和棉质量指标的综合绝对误差分别为0.0268、0.0240、0.0281,皆处于较低水平;并且粒子群萤火虫混合算法在成本节约方面更具优势,其配棉的总成本相比粒子群算法、萤火虫算法分别降低了1.20%、2.27%。

自适应萤火虫算法在物流集散点选址中的应用

随着国民生产收入的不断提高,我国物流业得到飞速发展.物流集散点选址作为物流企业生产效益的重要影响因素,其选址的科学性和合理性直接决定物流运输成本.本文深入研究了传统萤火虫算法工作原理,提出了改进的自适应萤火虫算法,并应用在物流集散点选址中.通过物流集散点选址建模以及运行流程优化,完成自适应萤火虫算法的收敛性和时间复杂度分析,并进行最优解求解验证.结果表明,自适应萤火虫算法在物流集散点选址中的寻优性能比传统萤火虫算法好,收敛速度和求解精度得到了提高,能够有效提高物流集散点的工作效率,在一定程度上降低了物流运输成本.

基于AGSO-BAS融合算法的含风电配电网无功优化

为提高含风电配电网运行的经济性和稳定性,以配电网网络损耗和系统节点电压偏差为综合优化目标,综合考虑各类约束,建立了含风电配电网无功优化模型。针对AGSO算法全局搜索性能好和BAS算法对初值敏感的特点,提出了AGSO-BAS混合算法,以提高算法的优化性能。利用AGSO-BAS混合算法对模型进行求解,并采用工程实例进行仿真分析,结果表明,AGSO-BAS混合算法优化后配电网网损和电压偏差分别降低了110.84 kW和0.411 p.u.,各节点电压均在规定范围内,优化效果好于其他方法,验证了该模型和求解方法的正确性。

基于改进萤火虫优化算法的伤员救援车辆调度

本文以高效率调度伤员救援车辆为目标,提出基于萤火虫优化算法的车辆调度方法。首先,构建伤员救援车辆调度双目标数学模型,设置约束条件,将救援路径和救援时间最小的目标设成伤员救援车辆调度优化目标,设置伤员救援车辆调度双目标函数;引入生物学中多种群学习机制和高斯变异对标准萤火虫算法进行改进,并采用改进萤火虫算法求解伤员救援车辆调度最优方案;最后,进行了伤员救援车辆调度优化的仿真实验。实验结果表明,改进的萤火虫算法更有效,能得到更好的调度结果。

基于萤火虫与粒子群混合优化算法的移动储能调度

近年来,受规模化电动汽车无序充电、高比例新能源功率波动等因素影响,配电网存在负荷峰谷差较大、网损较高、配电网运行成本高的问题。提出基于萤火虫与粒子群混合优化算法的移动储能调度方法。分别建立电动汽车、移动储能车、氢燃料发电车的移动储能模型,建立负荷峰谷差、配电网网损和配电网运行成本多目标函数,为了降低排名异常的概率,引入Tent混沌映射、柯西变异算子、萤火虫算法中的模糊自适应惯性权值,求解多类型移动储能共同参与调度的最优方案。算例分析结果表明,所提方法能够有效减少负荷峰谷差、降低配电网网损和降低配电网运行成本。

基于萤火虫算法的移动边缘计算网络带宽优化策略

由于移动边缘计算网络在边缘位置部署,在多用户并发的情况下带宽资源优化策略容易出现高计算负荷;提出基于萤火虫算法的移动边缘计算网络带宽资源优化策略;在服务器之间数据连续传输的情况下,确定网络内用户分布情况,计算网络运行需要消耗的能量,利用萤火虫算法建立以带宽资源为中心的数学模型,以移动边缘计算网络的各项参数作为依据,对数学模型求解,得到最优解后,以用户最大收益为目标部署优化策略;实验结果表明:提出的基于萤火虫算法中当移动用户数量从10个增加到100个,网络平均能耗在8J到13J之间;当移动用户数量从10个增加到80个,边缘计算能力分别是4 GHz、8 GHz两种计算条件下,平均延迟均在1 s以内;提出的算法在收敛速度和计算性能方面都具有优势,具有很好的参考价值。

基于萤火虫群优化算法的无线传感器网络覆盖优化

无线传感器网络加速了无线通信的发展,无线网络覆盖率的高低可直接影响网络的性能。为改善传感器节点随机分布时的不合理部署问题以提高网络覆盖率,提出一种相对较优的无线传感器网络覆盖算法。针对粒子群优化(particle swarm optimization,PSO)算法局部搜索能力存在不足、容易陷入局部极值点、无法得到最优结果的问题,引入局部搜索能力较强的萤火虫群优化(glowworm swarm optimization,GSO)算法,实现网络有效覆盖率的提高,对节点实现快速覆盖。最后通过实验验证,结果表明,提出的改进GSO(improved GSO,IGSO)算法相较于传统鲸鱼优化算法(whale optimization algorithm,WOA)、PSO算法在网络覆盖率上有较大提升。

基于离散萤火虫算法的轨道交通车站建筑内部空间设计优化

传统轨道交通车站建筑内部空间设计优化方法直接对客流量分布进行计算未对车站内部功能进行分区,造成传统方法客流通行延误时间较长。提出基于离散萤火虫算法的轨道交通车站建筑内部空间设计优化。对车站内部功能进行分区,根据轨道交通车站分区,基于离散萤火虫算法进行进一步的客流量分布,从而实现轨道交通车站建筑内部空间优化设计。设计对比实验,实验结果表明该方法具有更好的轨道交通车站建筑内部空间客流运输能力,值得推广。

基于萤火虫算法的无人机组网多径路由协议优化方法

常规的无人机组网多径路由协议设计方法多数采用遗传算法,此种算法具有一定的局限性,无法实时监测组网节点分量的动态变化,导致多径路由控制开销值较高,无人机组网各项性能得不到保障。针对这一问题,引入萤火虫算法,提出了一种无人机组网多径路由协议优化方法。首先,根据组网多径路由使用模式,设计多径路由选择约束,减少组网路由发现时间与时延。其次,建立无人机组网多径路由参数模型,反映无人机组网节点在快速时间内的数据处理能力,提高组网能量均衡性。在此基础上,基于萤火虫算法,对组网多径路由协议进行多维度的优化。根据实验分析结果可知,提出的优化方法应用后,在数据包容量大小逐渐增加的趋势下,组网路由控制开销值均较小,未出现明显的波动变化,优化效果优势显著,路由协议具有较好的性能。

钢筋混凝土框架结构优化的萤火虫算法

为提高钢筋混凝土框架结构优化效率,将离散化的萤火虫算法应用于钢筋混凝土框架结构优化中。建立离散萤火虫算法的数学模型,通过萤火虫的变量离散化和萤火虫的位置更新离散化将萤火虫改造为离散变量萤火虫算法,将其用于钢筋混凝土框架结构优化。钢筋混凝土框架结构优化算例结果表明:离散萤火虫算法的优化结果均能满足约束条件,其优化结果相比于遗传算法、改进遗传算法更优,效率更高,说明了该算法在钢筋混凝土框架结构中的适用性。

船舶协同通信资源配置优化算法

针对船舶协同通信资源分配不合理,多种业务无序传输,导致网络整体吞吐量下降问题,研究新的船舶协同通信资源配置优化算法。在分析基于空天地海通信的船舶协同通信网络模式,了解此类协同通信网络主体后,构建基于优先级的协同通信频谱资源配置优化模型,模型在划分船舶协同通信业务优先级的基础之上,设计实现协同通信下行链路总吞吐量最大化的目标函数,由萤火虫算法求解满足此目标的下行链路船载终端频谱资源配置优化方案,完成船舶协同通信资源配置优化。实验结果显示,该算法优化下,船舶协同通信网络业务传输优先级明确,吞吐量可满足多数船舶通信需求,且大容量传输类、密集接入类、超远程实时类业务数据均可成功、可靠传输。

混沌自适应量子萤火虫算法

为提升量子萤火虫算法(Quantum Firefly Algorithm,QFA)的搜索性能,解决其在面对部分问题时易陷入局部最优等问题,文中提出了一种引入混沌映射、邻域搜索以及自适应随机扰动的改进量子萤火虫算法——混沌自适应量子萤火虫算法(Chaotic Adaptive Quantum Firefly Algorithm,CAQFA)。该算法将混沌映射应用于种群的初始化阶段,提高初始种群的质量;并在更新阶段对当前种群中的最优个体进行邻域搜索,增强算法跳出局部最优的能力;对其他个体引入自适应的随机扰动,增加算法的随机性,在对搜索空间的探索和开发之间寻找平衡,以此提升算法的性能。文中选取了18个不同类型的基准函数对算法的性能进行测试,并将其与萤火虫算法(Firefly Algorithm,FA)、QFA以及量子粒子群优化(Quantum Particle Swarm Optimization,QPSO)算法进行对比。实验结果表明,CAQFA具有更好的搜索能力和稳定性,表现出了较强的竞争力。

求解TSP问题的离散型萤火虫群优化算法

基于求解TSP问题,提出一种离散型萤火虫群优化(DGSO)算法,该算法结合TSP问题特点,给出一种有效编码和解码方法,并定义适合编码的个体间距离计算公式和编码更新公式.同时,为增强算法求解TSP问题的局部搜索能力,加快算法的收敛速度,算法使用了操作简单的2-Opt优化算子.最后,通过对10个TSP问题进行仿真实验,实验结果表明本文提出的算法是在种群规模较小,迭代次数较少的情况下就可以收敛到已知最优解.在大规模TSP算例中算法获得的最优值与理论最优值的误差也在1%以下.

求解约束优化问题的萤火虫算法及其工程应用

针对基本萤火虫算法存在收敛速度慢、易陷入局部最优等缺点,提出一种改进的萤火虫算法用于求解约束优化问题。该算法首先利用混沌序列初始化萤火虫的位置,引入动态随机局部搜索以加快算法的收敛速度;为了避免算法陷入局部最优,对当前全局最优解进行多样性变异操作。对几个数值优化和工程优化问题进行实验。研究结果表明:与其他启发计算法相比,该算法具有较强的寻优性能。