基于蝗虫优化PID控制的光伏MPPT技术

光伏系统中最大功率点追踪(MPPT)由于受负载的随机性、太阳辐射的间歇以及环境温度的影响而变得复杂。针对这一问题,提出了一种基于MPPT技术的蝗虫优化PID控制(GO-PID)方法。在提出的MPPT中,蝗虫优化被用来调整PID控制的给定信号前馈分量,以处理由可变的光照和温度引起的所有不确定性,并研究了基于蝗虫优化PID的MPPT技术在快速变化的光照和温度下的性能。该算法克服了扰动&观测(P&O)传统技术最大功率点跟踪方法收敛速度慢、稳态振荡、跟踪效率低等缺点。通过仿真实验与P&O算法进行了比较,验证了该最大功率点跟踪算法的有效性和可行性。

融合模式搜索的蝗虫优化算法及其应用

在智能优化算法应用于复杂优化问题的求解过程中,平衡开发和探索以获得最优解具有重要意义。因此针对传统蝗虫优化算法在处理一些较为复杂的优化问题时出现的收敛精度低、搜索能力弱且容易陷入局部最优等缺陷,提出一种融合模式搜索的蝗虫优化算法。首先引入Sine混沌映射初始化蝗虫个体种群位置,减少个体重叠概率以增强种群迭代初期的多样性;其次利用模式搜索法,对种群目前找到的最优目标展开局部搜索,提高算法的收敛速度与寻优精度;同时为了避免算法后期陷入局部最优,引入了基于凸透镜成像的反向学习策略。实验部分通过对改进的蝗虫算法进行消融实验,验证了Sine混沌映射、模式搜索、反向学习每个策略的独立有效性。并用两组测试函数进行仿真实验,采用Wilcoxon秩和检验、Friedman检验的方法进行结果分析。实验结果均表明了融合模式搜索法改进的蝗虫算法在收敛速度与寻优精度上得到明显提高。最后,将其应用于移动机器人路径规划,测试结果进一步验证了改进算法的有效性。

融合改进DBSCAN聚类和多种进化策略的改进蝗虫优化算法

针对蝗虫优化算法复杂高维问题收敛精度不高、寻优能力不强、难以跳出局部最优的缺陷,提出一种融合改进DBSCAN聚类和多种进化策略的改进蝗虫优化算法(GOA)。首先,引入多核加权距离度量和动态并行运算策略,以提高改进DBSCAN高维数据聚类效率。其次,利用改进DBSCAN可以对任意形状数据集进行聚类的优势,对蝗虫种群进行聚类分析,并为蝗虫个体赋予核心点、边界点和孤立点等空间属性。最后,综合考虑种群空间特性和个体间进化程度差异性,设计多种蝗虫个体进化策略,以更好地提升算法全局寻优能力。典型复杂、高维测试函数以及经典TSP问题仿真结果表明:改进后的GOA在收敛精度上更具优势。

基于深度学习和改进蝗虫优化算法的用户电力数据挖掘

为研究用户用电行为数据挖掘问题,提出一种基于深度学习和改进蝗虫优化算法的用户电力数据挖掘方法。利用皮尔逊相关系数法选取用电行为特征集合,最大限度地降低数据处理维度。设计线性加权KFCM算法,采用改进蝗虫优化算法初始化聚类中心和聚类个数以提升聚类效果。利用改进的KFCM对用户用电行为进行数据挖掘,为电网企业网决策提供数据支撑。仿真实验结果表明,所提方法在聚类效果上有较好的表现。

蝗虫优化算法综述

蝗虫优化算法是基于蝗虫觅食行为来模拟优化过程的一种元启发式算法,具有收敛速度快、精度高、简单易实现等特点,广泛应用于解决优化问题和实际工程。首先,介绍蝗虫优化算法的原理及流程;然后,详细论述蝗虫优化算法的研究现状及其在人工智能、金融、医疗、路径规划等领域的应用;最后,对蝗虫优化算法进行总结,指出未来可能的研究方向。

基于蝗虫优化算法的工业区企业共享储能分配探析

为了进一步提高工业区经济运行效率,设计了一种基于蝗虫优化算法的工业区企业共享储能分配方法,并开展参数影响分析。研究结果表明:跟未参与联盟计划的情况相比,设置共享储能计划后,企业群体日支出降低了3805元。通过共享储能的方式来减小总成本、减小总体需求,可获得额外收益。设置较低服务费时,合作博弈共享储能策略下需支付费用跟服务费之间呈现线性变化。提升服务费后,通过降低购买储能服务方式来确保支出不会发生更大幅度增长。

基于改进蝗虫优化算法的智能组卷策略

针对传统组卷策略组卷时间长、试卷质量低等问题,本文提出了一种基于改进蝗虫优化算法的智能组卷策略。首先,综合知识点覆盖率、难度系数等因素,建立多目标评价模型;其次,将试题组合方案编码为蝗虫个体,通过蝗虫优化算法寻找最优组合方案,引入最优导向与随机竞争策略更新个体位置,以增强算法全局搜索能力;结合模拟退火思想,以使算法有能力跳出局部最优;引入余弦自适应函数调整搜索步长,以提升算法收敛速度。根据最优试题组合方案,生成一套高质量的试卷。实验结果表明,基于改进蝗虫优化算法的智能组卷策略与PSO-GA相比,组卷时间降低了52%,适应度提升了19%;与传统蝗虫优化算法相比,组卷时间降低了30%,适应度提升了14%。

焊接机器人路径规划的高斯变异蝗虫优化算法

为提高焊接机器人的工作效率,提出一种基于高斯变异蝗虫优化算法(GMGOA)的焊接机器人路径规划新方法。GMGOA在蝗虫优化算法(GOA)的基础上,引入了高斯变异操作,有效地减少了劣质解的个数,实现了算法跳出局部最优能力的增强。3个典型旅行商问题(TSP)算例的测试结果表明,GMGOA性能比GOA有了很大程度的提升;焊接机器人路径规划实例结果表明,GMGOA在焊接机器人路径规划中是有效可行的,获较其他几种方法获得的焊接路径更短、计算稳定性更强。

整车传动系统参数优化的自适应蝗虫优化算法

为提高优化整车传动系统参数的效果,提出一种基于自适应蝗虫优化算法(Adaptive Grasshopper Optimization Algorithm,AGOA)的整车传动系统参数优化新方法。AGOA在蝗虫优化算法(Grasshopper Optimization Algorithm,GOA)的基础上,引入余弦自适应策略,对调控系数线性递减的方式进行了调整,实现了算法全局和局部搜索能力的平衡,增强了算法的寻优能力。以机械式传动系统为例,在建立整车传动系统参数的优化模型的基础上,进行了参数的AGOA优化。结果表明,基于AGOA优化参数后,油耗和连续换挡加速时间降低,最高车速得到提升。

基于选择策略的简化蝗虫优化算法

针对蝗虫优化算法(Grasshopper optimization algorithm,GOA)收敛速度慢、收敛精度不高的问题,提出基于选择策略的简化蝗虫优化算法(Simplified grasshopper optimization algorithm,SGOA)。首先运用选择策略处理初始种群,有助于快速缩小算法的搜索范围。其次通过选择策略将整个种群分为精英种群和一般种群,精英种群由当前最优蝗虫指导位置更新,有利于实现算法的趋优和加速;一般种群的位置更新取决于自身位置、精英种群及当前最优蝗虫位置,有利于保持算法的稳定。为验证SGOA求解高维复杂函数的广泛适用性,选取GOA、经典的粒子群优化算法(Particle swarm optimization,PSO)、高效的灰狼优化算法(Gray wolf optimization,GWO)以及鲸鱼优化算法(Whale optimization algorithm,WOA)作为SGOA的对比算法。以上5种算法求解9个标准测试函数的统计结果表明:SGOA的收敛精度、稳定性以及寻优成功率均显著高于其他算法。

基于蝗虫优化算法的大型运输船舶自适应控制

[目的]海上航行环境随机复杂多变,而智能自主航行是大型远洋运输船舶发展的重要趋势,为此,提出一种新的自适应控制方法。[方法]首先,基于蝗虫优化算法(GOA),将线性二次型调节器(LQR)控制方法与一阶动态积分滑模控制方法相融合;然后,结合实时监测波浪干扰力的非线性无源估计器,将船舶高、低频运动信号进行分离;最后,与LQR控制方法和一阶动态积分滑模控制方法进行仿真对比。[结果]结果显示,新的控制方法具有更好的瞬态和稳态跟踪性能,在不同的海况下能够克服随机波浪的影响,具有较强的鲁棒性。[结论]新的控制方法具有复杂环境下的自适应调节能力,且控制响应快、精度高、无效操舵少,能极大地提高大型运输船舶的航行效率、安全性和稳定性。

改进的蝗虫优化算法及其应用

针对蝗虫优化算法(GOA)收敛精度不高、易陷入局部最优等问题,提出一种非线性自适应模拟退火的蝗虫优化算法(SA-NGOA)。利用非线性自适应更新GOA的关键参数,更好地协调算法的全局探索和局部开发;利用模拟退火算法,以一定概率接收GOA的劣势解,提高算法的收敛精度。实验结果表明,SA-NGOA算法具有良好的优化性能。同时,将SA-NGOA算法用于扩展同步参数观测器(ESPO)参数优化,其结果表明,该算法优化后的ESPO具有更快的辨识速度和更稳定的精度。

基于改进蝗虫优化算法的FIR滤波器设计

针对蝗虫优化算法(GOA)在设计有限脉冲响应(FIR)数字滤波器时易陷入局部最优等问题,引入参数c非线性递减、自适应步长的Levy飞行策略,提出一种改进的蝗虫优化算法(IGOA)并将其应用在FIR数字滤波器设计上。仿真结果表明与原始GOA和粒子群算法(PSO)相比,改进的蝗虫优化算法设计FIR数字滤波器时更加稳定、有效。

基于多目标蝗虫优化算法的移动机器人路径规划

在静态多障碍物环境下的移动机器人路径规划问题中,粒子群算法存在容易产生早熟收敛和局部寻优能力较差等缺点,导致机器人路径规划精度低。为此,提出一种多目标蝗虫优化算法(MOGOA)来解决这一问题。根据移动机器人路径规划要求将路径长度、平滑度和安全性作为路径优化的目标,建立相应的多目标优化问题的数学模型。在种群的搜索过程中,引入曲线自适应策略以提高算法收敛速度,并使用Pareto最优准则来解决三个目标之间的共存问题。实验结果表明:所提出的算法在解决上述问题中寻找到的路径更短,表现出更好的收敛性。该算法与多目标粒子群(MOPSO)算法相比路径长度减少了约2.01%,搜索到最小路径的迭代次数减少了约19.34%。

混合蝗虫优化算法求解作业车间调度问题

作为新兴的智能算法,蝗虫优化算法在作业车间调度问题中的应用符合智能制造的趋势。但由于全局寻优能力不足,基本蝗虫优化算法(GOA)在解决作业车间调度问题(JSP)时容易陷入局部最优,导致收敛精度较低。为了克服上述缺陷,利用量子旋转门操作对其进行改进,提出了一种基于量子计算思想的混合蝗虫优化算法(HGOA)。此外,对混合蝗虫优化算法进行了计算复杂度分析与全局收敛性证明,并利用11个作业车间标准测试问题进行了仿真实验。通过与基本蝗虫优化算法(GOA)、鲸鱼优化算法(WOA)、布谷鸟搜索算法(CS)、灰狼优化算法(GWO)的比较发现,混合蝗虫优化算法在平均值、最小值、寻优成功率及迭代次数方面存在较优结果。研究表明,混合蝗虫优化算法具有更强的全局搜索能力,更好的收敛精度,能够有效跳出局部最优。

一种基于Levy飞行的改进蝗虫优化算法

蝗虫优化算法是一种元启发式优化算法,能够用于解决任务调度问题。已有的改进蝗虫优化算法缺乏随机性,跳出局部最优的能力较弱,改进效果不够显著。针对这一问题,本文提出一种基于Levy飞行的改进蝗虫优化算法(LBGOA)。该算法引入基于Levy飞行的局部搜索机制增强算法的随机性,并采用基于线性递减参数的随机跳出策略来提高算法跳出局部最优的能力。CEC测试实验结果表明,所提出的算法拥有较强的搜索能力,在30个测试函数结果中能够获得17个最优解和6个次优解。将所提出的改进算法应用于边缘计算中的任务调度问题。任务调度仿真实验结果表明,所提出的算法能够有效提高搜索效果,相比GOA、OBLGOA、WOA、ALO、DA和PSO算法,LBGOA的搜索效果分别提升7.4%、7.5%、4.8%、27.7%、29.9%和20.7%。

基于改进蝗虫优化算法的移动机器人路径规划

为提升蝗虫优化算法(GOA)在移动机器人路径规划中的应用效果,将基于Levy飞行的局部搜索策略和基于线性递减参数的随机跳出策略引入到GOA中,提出了改进蝗虫优化算法(IGOA)。相比于GOA,IGOA中的Levy飞行局部搜索策略增强了算法的随机性,线性递减参数的随机跳出策略降低了算法陷入局部最优的概率。移动机器人2种不同行驶环境的路径规划实例中,IGOA获得的结果更优。

基于改进蝗虫优化算法的光伏电池模型参数辨识

针对蝗虫优化算法容易陷入局部最优、收敛精度不足等缺点,提出一种改进蝗虫优化算法。将混沌算法与蝗虫优化算法融合,对蝗虫优化算法进行混沌初始化,改善初始种群质量;再引入差分进化算法的差分策略,通过变异、交叉和选择过程,维持种群的多样性,增大算法跳出局部最优的可能性,从而使算法能搜索到更好的解;在个体更新部分引入了粒子群算法的思想,以当前的最优个体为目标进行个体位置更新,加快算法寻优速度。将改进蝗虫优化算法用于多晶硅太阳能电池模型参数的辨识中,并通过与其它智能优化算法的比较,验证了改进蝗虫算法辨识太阳能电池参数的有效性和优越性。通过实验验证了改进蝗虫优化算法在不同光照下对太阳能电池参数的辨识效果。

基于蝗虫优化Bi-LSTM网络的电机轴承故障预测

为了有效预测复杂工况下的电机轴承故障,提出一种利用蝗虫优化算法(GOA)优化双向长短时记忆网络(Bi-LSTM)的电机轴承故障预测方法。首先,对电机轴承的振动信号利用互补集合经验模态分解(CEEMD)算法进行分解,获得能够表征振动特征的多组固有模态分量(IMF),计算每组IMF分量的奇异值能量,并组成奇异值能量谱作为电机轴承的性能退化指标。其次,采用GOA对Bi-LSTM网络的多个超参数进行迭代寻优,提高模型的预测精度与收敛速度,从而获得一组最优的超参数组合。最后,利用优化后的Bi-LSTM网络实现电机轴承的故障预测。以开源的电机轴承振动信号进行测试实验,实验结果表明,相较于其他多种预测模型,所建立模型具有较高的预测精度同时还具有较强的鲁棒性,能够及时为检修工作提供理论支撑,具有一定的研究价值与工程意义。

改进蝗虫优化算法在模糊神经网络PID控制中的研究

传统模糊神经PID控制算法易出现网络参数调整不合适导致控制效果差的问题。本文提出一种改进蝗虫算法优化下的模糊神经网络PID控制算法。首先针对传统蝗虫算法粒子多样性不足的问题引入Levy随机飞行策略,其次引入非线性缩减因子和模拟退火算法来改善算法寻优能力以及跳出局部最优解的能力,然后将改进的蝗虫算法与模糊神经PID结合来优化神经网络超参数以及实现控制参数自整定,最后由仿真结果验证所提出的改进蝗虫算法优化模糊神经网络PID算法的优越性和可靠性。