一种改进鱼鹰优化算法及其应用

针对鱼鹰优化算法(osprey optimization algorithm,OOA)在运行时存在寻优精度和稳定性差的问题,提出了如下改进策略:首先,将SPM混沌映射融入种群的初始化阶段,提升种群多样性;其次,在勘探和开采阶段分别利用威布尔分布的长、短距离随机扰动策略更新鱼鹰的位置,可有效改善OOA的收敛精度;最后,提出一种“最优-随机均值”的变异策略,用于强化OOA迭代过程中跳出局部最优的能力。所提出的算法称为改进鱼鹰优化算法(improved osprey optimization algorithm,IOOA)。为了验证IOOA的寻优能力,将IOOA与其他新兴智能算法分别对12个基准函数进行寻优对比实验,结果表明:IOOA的寻优成功率、收敛速度以及稳定性显著高于其他算法。此外,将所提出的IOOA应用于混合核相关向量机的超参数寻优中,进一步用于柴油机多目标性能预测。

多策略协同改进的阿基米德优化算法及其应用

针对阿基米德优化算法(AOA)寻优过程中存在全局搜索能力弱、收敛精度低、易陷入局部最优等缺陷,提出一种融合多策略的阿基米德优化算法(MAOA)。首先,采用随机高斯变异策略选取适应度优的多个个体引导种群向最优解区域寻优,增强全局搜索能力;其次,利用多种混沌映射的随机性、遍历性和多样性,引入局部混沌搜索策略扩大混沌空间的搜索范围,提高算法的局部开发能力;同时,为了协调算法的全局勘探和局部开采能力,提出一种非线性动态密度降低因子;最后,利用Lévy飞行引导机制的黄金正弦策略对种群位置进行扰动更新,增加迭代过程中种群的多样性,提高算法跳出局部最优的能力。通过对12个基准测试函数和部分CEC2014测试函数进行仿真实验,结果表明所提算法能够改善AOA全局探索能力弱、易陷入局部最优等缺点,提高AOA的寻优精度和稳定性。另外,引入机械设计案例进行测试分析,进一步验证MAOA在处理实际问题上的适用性和可行性。

基于改进的鲸鱼优化算法在ELD上的应用

针对电力系统经济负荷分配(ELD)这一典型的优化问题,本文提出一种基于自适应权重更新策略和差分进化随机变异策略的鲸鱼优化算法(ADWOA)相结合。首先在WOA算法中引入了自适应权重来提高WOA的捕食能力,使算法能够在早期执行精细的全局搜索,在后期执行精确的局部搜索,加速寻优算法的迭代。同时由于随机变异策略,会再次更新位置。然后从更新的结果中选择最优位置,以加速种群的收敛。最后,将多个仿生算法用于在ELD问题方面进行了对比,验证了ADWOA算法可以更好地解决ELD问题,并且可以快速的找到最优解,实现低成本的负荷分配。

一种求解无线传感器网络定位问题的改进状态转移算法

基本状态转移算法求解一些高维复杂优化问题时,局部搜索能力较差,收敛速度慢。针对这一缺陷,本文提出了一种改进的状态转移算法。所提算法在最优算子参数选择的基础上,首先采用二次插值技术替换平移算子来提高局部开发能力,其次采用随机变异策略来增加算法跳出局部最优解的概率。最后采用基于梯度的技术对算法进行加强,进一步提高算法后期的搜索效率,并通过几个无线传感器网络定位问题,验证了所提方法的有效性和优势。

基于改进灰狼算法优化SVR的混凝土中钢筋直径检测方法

传统钢筋混凝土检测方法通过线性拟合或标准值查表法只能对钢筋直径做大致估算,无法精确测量。针对钢筋直径检测中样本数据较少、检测结果受到钢筋埋深及相邻钢筋间距的影响而非表现出非线性回归变化的情况,提出了基于改进灰狼算法(Improved Grey Wolf Optimizer,IGWO)优化的支持向量回归机(Support Vector Regression,SVR)检测方法(IGWO-SVR)。首先,通过反向学习策略优化初始化种群分布,改善了灰狼优化算法(Grey Wolf Optimizer,GWO)的全局搜索能力,通过随机差分变异策略扩大狼群动态搜索范围,避免了灰狼优化算法陷入局部最优;然后,将改进后的灰狼优化算法应用于支持向量回归机的核心参数寻优,以改良算法模型的检测性能;最后,与另外3种算法模型的实验结果进行对比分析,结果表明了所提方法在钢筋直径检测中的精度以及优化模型与实际值的拟合度都得到了有效提升。

能源互联网环境下电力系统配电网智能规划模型

针对江苏地区能源互联网环境下因广泛使用小规模分布式电源(DG)而引起的配电网电压波动大、网络损耗严重的问题,通过以网络损耗、DG投资综合费用及电压偏差率为目标函数,采用自适应惯性权重和随机差分变异改进鲸鱼优化算法(WOA)对目标函数进行求解,提出一种面向多元客户侧可调负荷的集群控制策略,并在IEEE33系统上进行了验证。仿真结果表明,所提的改进WOA规划模型,可实现对能源互联网环境下对多元客户侧可调负荷的集群控制,有效减少配电网的网络损耗,维持配电网电压平稳,降低DG投资综合费用。相较于遗传算法(GA)和粒子群优化算法(PSO),具有一定的有效性和优越性。