基于差分进化人工蜂群算法的光伏最大功率跟踪策略研究

带有旁路二极管的光伏阵列在局部阴影时其P-U特性曲线会出现多个极值点,此时常规MPPT方法在多峰值寻优时可能会失效。对光伏阵列输出特性功率极值点的个数进行了研究,在此基础上将基于差分进化的人工蜂群算法应用于最大功率点跟踪。首先对蜜蜂的初始位置进行预定义初始化,避免遗漏极值点。将差分进化算法中的变异策略与人工蜂群算法相结合,实现时变条件下全局最大功率点跟踪控制。并且在上述算法中加入迭代终止策略,从而有效避免系统稳态时的功率振荡现象。在Matlab中搭建S-Function仿真模型,验证了该算法的有效性。

基于差分进化人工蜂群算法的云计算资源调度

为减少云计算的任务完成时间,提出基于差分进化人工蜂群算法的云计算资源调度方法。引入高斯变异和自适应因子改进人工蜂群算法,兼顾算法前期全局搜索能力和后期局部细致搜索;引入自适应交叉概率改进差分进化算法,兼顾算法的基因多样性和收敛速度;提出差分进化人工蜂群算法,两种改进算法并行寻优并及时交流最优解及位置信息,使两算法能够快速靠近最优解,减少算法迭代次数,提高算法收敛速度和精度。实验结果表明,差分进化人工蜂群算法调度的云计算耗时最少,随着任务量的增加耗时优势越明显。

基于引领个体策略的人工蜂群算法

近年来,蜂群进化算法由于其较强的全局搜索能力收到了广泛关注,但研究发现该算法收敛速度不快。文章首先通过从具有较好寻优结果的个体中任意选取一个个体作为当前进化个体的引领个体,从而加快其收敛速度。其次,通过引入一个混沌变异因子控制改进以后个体的寻优范围以平衡个体的全局和局部搜索能力。改进以后的蜂群进化算法同多个比较算法在典型的标准测试函数验证了算法有效性。

基于EABC算法优化RFR模型的电力行业碳排放量预测

针对电力行业碳排放量预测问题,在传统人工蜂群算法中引入遗传学习策略进行改进,提出一种基于进化人工蜂群算法优化的随机森林回归预测模型。首先在可拓展随机性环境影响评估模型(stochastic imacts by regression on population affluence and technlogy,STIRPAT)模型基础上确定电力行业碳排放量影响因素,将其作为预测模型的输入自变量,继而利用进化人工蜂群算法优化随机森林回归模型,从而避免模型参数主观设置不合理对预测精度的不利影响,最后运用参数优化后的模型对电力行业碳排放量进行预测。实际测算数据验证结果表明,该模型可以准确反映电力行业未来碳排放趋势,并且与其他预测模型相比,预测精度更高、优势更加明显,能够为节能减排政策制定提供参考借鉴。

通信不确定MPI并行程序的测试数据自动生成方法

通过对用不确定方式传递信息的MPI并行程序进行分析,给出测试数据自动生成的数学模型,提出相似路径概念,并将交叉思想与协同进化机制融入到人工蜂群算法中,提出一种测试数据生成算法交叉协同进化人工蜂群算法.应用该算法求解并行程序的测试数据,并与人工蜂群算法、随机法进行对比分析.实验结果表明,该方法可以求解测试数据,并降低了时间消耗.

不确定条件下多无人机侦察调度问题

结合动态目标的不确定性,构建了动态环境下多无人机协同搜索问题模型,并基于半随机式搜索策略的人工蜂群算法求解该模型。利用双重进化的特点,改进了插入点算子和逆转序列算子,在需要进行两点操作的搜索过程中,随机选取一点,另一点通过遍历可行解来确定最优解的位置。最后在某海域岛礁间距离之和的解空间维度上进行交叉搜索,并应用到局部搜索过程中构成双重进化,实验结果验证了所提出算法的有效性以及解决多无人机调度问题的可行性。

不确定条件下速度时变VRPTW问题

构建了不确定条件下速度时变的VRPTW问题模型(UTDVRPTW),设计了一种改进的双重进化人工蜂群算法求解该模型.在需要两点进行操作的搜索过程中,采用一点随机选取,另一点通过遍历可行解,以其中最优解确定位置的半随机式搜索策略改进插入点算子和逆转序列算子,分别在两对以及三对城市间距离之和的解空间维度上交叉搜索,并应用到局部搜索中构成双重进化过程.实验结果验证了所提出算法的有效性以及解决UTDVRPTW的可行性.