基于适应度空间距离评估选取的多目标粒子群算法在电网无功优化中的应用

提出了一种基于适应度空间距离评估选取最优解的多目标粒子群算法。该方法避免了目前多目标优化求解方法中权重选择的难题,保证了寻优方向的多向性,可以获得多目标优化问题的Pareto解集。将该算法应用于网损最小、静态电压稳定裕度最大为目标的多目标无功优化问题,算例表明在有效性和最优性等方面均有良好表现。

用于跳频分量选取的修正适应度距离比粒子群算法

跳频信号参数估计是跳频信号截获、干扰的前提,而传统Cohen类时频分析方法存在核函数选择的瓶颈。结合匹配追踪和智能计算的思想,将多峰函数粒子群优化算法引入跳频信号时频分析领域。在分析粒子适应度和粒子间距2个影响粒子搜索行为的关键因素的基础上,提出了基于改进的适应度-距离比测度的多峰函数粒子群优化算法,并应用于跳频分量自适应选取。该方法不需要跳频信号的任何先验知识和粒子群小生境参数的人为设置。理论分析和仿真结果表明,与基于环形拓扑结构、单一共享适应度信息的粒子群优化算法相比,算法成功率和参数估计精度进一步改善,该方法的邻域搜索机制和跳频分量选取具有可行性和有效性。

用适应度-距离选择机制遗传算法识别油气层

为提高遗传算法种群的多样性,在选择父辈串的时候通过综合考虑适应度值与彼此之间的海明距离确定选择机制,提出了基于适应度-距离(FD:Fitness-Distance)选择机制的遗传算法(GA:GeneticAlgorithm)。将该遗传算法与人工神经网络(ANN:ArtificialNeuralNetwork)技术相结合,应用于油气层的识别问题中。通过对实际样本的验证,获得了较好的效果,达到了快速识别油气层的目的,对两个实例的训练精度分别比标准遗传算法提高了22.6%和10.5%

一种基于改进适应度的多机器人协作策略

通过对基于适应度的协作策略及其改进方法的研究发现,针对机器人在两个任务的适应度相同时无法选择出最匹配任务的问题,提出通过加入与机器人起止位置有关的距离适应度函数,使得机器人可以选择出最优匹配任务;同时,针对外部能力适应度,采用更符合实际的高斯分布模型来计算适应度.仿真结果表明,改进后的算法不仅实现了最优匹配,而且算法更高效,更节省能量.

基于相对距离和历史成功率机制的增强麻雀搜索算法

针对麻雀搜索算法收敛精度低、易陷入局部最优等问题,提出了一种融合相对距离和历史成功率的增强麻雀搜索算法(RHSSA)。首先,RHSSA引入一种融合适应度值与相对距离的发现者选择方式,使选出的发现者既保持较高质量,又保持在搜索空间的分布广泛;其次,RHSSA在麻雀发现者搜索过程中,采用融合加权重心的反向学习策略,充分挖掘搜索空间的优质位置信息并减弱发现者向原点聚集的趋势;最后,RHSSA引入基于历史成功率的自适应选择算子动态地选择柯西变异与高斯变异对最优解做扰动,提高算法跳出局部最优的能力。选用CEC2017测试函数集中的12个函数作为性能基准函数,将RHSSA与其他五种改进的麻雀搜索算法(AMSSA、SCSSA、SHSSA、ISSA、CSSOA)进行性能评测。基于实验数据的Friedman检验表明,RHSSA能获取最优的结果。为验证提出的改进策略的有效性,还对改进策略进行了消融实验。实验结果表明在综合改进策略的共同作用下,RHSSA的综合优化性能排名为第一名。

交叉粒子群算法及其在天线设计中的应用

目的为了求解解析性质差的复杂优化问题,提出了一种新的交叉粒子群算法。方法该算法将全局邻域粒子群算法与局部邻域粒子群算法交叉使用,并采用适应度距离比确定局部邻域粒子群算法的速度更新策略。结果提高了粒子群算法粒子的搜索能力。结论该算法用来解决六边形阵列天线问题,取得了满意的效果。

改进小生境粒子群算法应用于电网故障诊断

通过对电网中断路器、保护等设备动作信息分析,建立适合智能算法优化的电网故障诊断分析模型。电网故障模型维数高、离散型、非线性、动态性等特点对智能算法寻优性能要求极高。粒子群优化算法在多维函数寻优、动态目标寻优等方面有着收敛速度快、求解质量高和鲁棒性好等优点。针对电网故障模型的特点,从基本粒子群优化算法的优化特性出发,引入小生境搜索的思想,提出了改进的小生境粒子群优化算法。算例结果表明,改进的优化算法大幅度提高了搜索速度和收敛精度,从根本上提高了电网故障定位精度和故障抢修的反映速度,具有很好的应用前景。

融合密度峰值和模糊C-均值聚类算法

针对模糊C—均值(FCM)聚类算法聚类结果依赖于初始中心的选取,易收敛于局部极值等问题,提出了一种密度峰值聚类(DPC)算法和FCM相结合的混合聚类方法(DPC-FCM),利用密度峰值快速搜索算法可以比较准确地刻画聚类初始中心的特点,改善FCM聚类算法存在的不足,从而实现优化聚类。在UCI数据集和人工模拟数据集上的实验结果显示:融合后的新算法和传统的FCM算法相比有着更高的正确率和更快的收敛速度,证明了新算法的可行性。

多策略改进的蜣螂优化算法及其工程实例应用

蜣螂优化算法(DBO)虽独具优势,同时也存在一些问题,如收敛精度低下以及容易陷入局部最优。为了解决这些难题,提出了一种名为MSIDBO的改进型蜣螂优化算法,目的是增强优化效果,同时保持全局和局部搜索的平衡。提出了一种自适应适应度距离平衡策略,该策略通过优化蜣螂的觅食和偷窃行为,有效地避免算法陷入局部最优解的困境;同时,引入引导学习策略和局部最优扰动方案,加快算法的收敛速度,平衡算法在局部开发和全局探索能力之间的关系。为评估MSIDBO算法的性能,采用CEC2017测试函数进行仿真实验,在3个实际工程设计问题中,同时运用了MSIDBO算法,并与其他5种优化算法进行了比较,结果表明,MSIDBO算法在收敛速度、求解精度和稳定性方面均表现出显著优势,充分验证了其在实际应用中的高效性和可靠性。