基于混沌精英和Lévy飞行策略的鲸鱼优化算法

针对鲸鱼优化算法(Whale Optimization Algorithm,WOA)存在的收敛速度慢、精度低的问题,提出了基于Tent混沌精英和Lévy飞行策略的鲸鱼优化算法(TELWOA)。使用Tent混沌映射初始化鲸鱼种群,保持种群的多样性,并通过引入精英反向学习策略,对初始种群的精英个体生成反向解,选取适应度高的种群作为下一代鲸鱼种群,加快算法收敛速度。其次,通过使用非线性收敛因子,缓解算法全局搜索和局部搜索能力不平衡的现象。最后,在鲸鱼位置寻优过程中使用Lévy飞行策略,避免算法陷入局部最优,提升算法的全局搜索能力。通过对不同改进策略的有效性分析、与其他智能算法的对比分析,证明了TELWOA算法在收敛精度、算法稳定性和全局寻优能力上与对比算法有显著提升,具有一定的实际工程应用能力。

一种自适应t分布和Lévy飞行机制的沙猫群优化算法

沙猫群算法是一种新颖的群智能优化算法。为了进一步提高该算法的收敛精度,避免陷入局部最优问题,引入自适应t分布和Lévy飞行机制改进沙猫群算法,称之为TLSCSO算法。首先设计一个非线性收敛因子,用来平衡算法的探索和开发,再引入自适应t分布,提高收敛精度,最后引入Lévy飞行机制,使算法跳出局部最优。在CEC 2022的12个测试函数上与其他算法进行对比,计算结果表明,TLSCSO在大部分测试函数上能够找到更好的解,且收敛速度快。

Lévy飞行的正余弦乌燕鸥混合算法及应用

为解决标准乌燕鸥算法(STOA)易陷入局部最优和收敛速度慢等缺点,提出一种混合正余弦算法(SCA)和Lévy飞行的自适应乌燕鸥算法(SLSTOA)。采用正余弦算法的搜索方式,同时采用非线性递减自适应正弦因子,改进乌燕鸥算法的攻击搜索方式,来增强STOA算法的全局与局部探索能力。乌燕鸥个体和最优个体通过Lévy飞行策略进行变异,来增加种群多样性和扩大搜索空间,以达到提高跳出局部最优和全局探索能力。与四种先进的元启发式算法比较,SLSTOA算法性能通过6个基准测试函数进行评价,结果表明,相比其他四种元启发式算法,SLSTOA算法精度高、稳定性好和鲁棒性强。同时为验证SLSTOA算法的科学性与实用性,将其应用于解决32t/22.5m桥式起重机主梁结构优化设计中。

基于Lévy飞行的自适应差分进化算法

针对目前差分进化算法存在全局搜索与局部寻优的矛盾、搜索停滞、收敛速度慢的问题,提出一种改进算法:基于Lévy飞行的自适应差分进化算法。该算法鉴于Lévy飞行步长符合重尾分布的特点,在变异过程中结合差分进化算法的基本变异和Lévy飞行变异两种模式,并通过引入自适应缩放因子和交叉概率算子,改善种群在交叉与变异过程中的不足。通过理论分析与Benchmark函数的数值验证,并与其他6种算法进行比较。结果表明,所提新算法能够在全局搜索与局部寻优之间进行较好的平衡,而且收敛速度更快,种群多样性得到了很好的保存,一定程度上避免了搜索停滞的出现。

基于Lévy飞行的粒子群算法在大地电磁反演中的应用

粒子群优化算法在大地电磁测深反演中相较于一般的线性反演算法具有多种优点。然而标准粒子群算法在多维优化问题中存在早熟问题,为此,采用基于Lévy飞行随机游走策略的优化粒子群算法来处理局部最优解,增加寻优能力。通过对地电模型的反演对比表明,改进后的粒子群算法相较于标准粒子群算法适应度值下降速度更快、寻优能力更好。最后将该算法应用于已知钻孔旁实测数据,结果较好,表明该算法具有较好的实用性。

基于L1自适应律的尾坐式飞行器悬停位置控制

针对一款飞翼布局的尾坐式垂直起降飞行器,研究了悬停阶段的位置控制问题。小型飞行器质量、惯量小,具有纵向横向耦合严重、难以精确建模以及对扰动敏感等特点。首先,建立包含不确定性的非线性动力学模型,通过整合将其改写为一个不含不确定的标称系统和一个非线性非匹配的不确定性两部分,使用级联形式的非线性动态逆架构进行标称系统控制器的设计,显式的期望动力学表达使其更易与L1自适应控制器结合。接着使用L1自适应控制器对非线性非匹配的不确定性进行补偿,以便提高系统鲁棒性,改善瞬态性能。为减小运算负荷,便于工程实现,使用计算更轻量的比例型自适应律进行L1自适应控制器设计。数值仿真验证了所设计控制器具有良好的位置和高度指令跟踪能力。

面向重心、质量变化的自适应飞行控制律设计与半物理实时仿真验证

考虑到重心、质量变化对飞行器动态的影响,提出一种非线性L1自适应控制方法,并应用此方法设计飞行控制器,达到提高飞控系统对重心、质量变化扰动鲁棒性的目标。该方法在L1自适应控制的基础上引入反馈线性化策略,用于消除飞行器已知非线性动态,并实现飞行器状态的快速解耦。提出的非线性L1自适应控制解决了常规L1自适应控制因克服自身已知非线性而导致鲁棒性不足的问题,进而提高控制器对外部扰动的鲁棒性。此外,应用改进的分段常数设计自适应律提高扰动的估计精度。在硬件在环的飞行控制半物理实验平台下验证所设计的飞行控制律的控制性能与鲁棒性。实验结果表明,基于非线性L1自适应设计的飞行控制律具有强大的鲁棒性,能够有效克服飞行过程中重心、质量突变对飞机的影响,在保证飞机稳态性能的同时,兼顾了飞机的瞬态性能。

基于自适应布谷鸟算法的摄像机标定方法研究

该文将自适应布谷鸟算法应用于摄像机标定中,解决传统摄像机标定算法参数多、计算量大等问题。通过对参数进行布谷鸟算法优化,解决群个体陷入局部最优的问题,增强算法全局寻优能力,从而提高布谷鸟算法的多样性。实验结果表明,该算法具有较好的全局搜索能力和避免局部最优的能力,可以准确地完成摄像机标定,在收敛精度、速度以及鲁棒性等性能上显著优于遗传算法、差分进化算法、基本布谷鸟搜索算法。

基于改进鸟群算法的多目标微电网优化调度研究

为克服传统智能算法在微电网多目标优化调度中存在局部最优、过早收敛等问题,提高微电网调度的准确性、稳定性和收敛速度,提出了1种基于改进鸟群算法的多目标微电网优化调度策略。首先,分析了微电网多目标调度的影响因素,建立了基于最低经济成本及最小环境影响的微电网调度模型。其次,通过随机均匀分布自适应选择惯性权重系数,运用线性调整策略及学习系数平衡全局和局部搜索能力,提高鸟群算法的收敛速度和搜索精度,并基于Lévy飞行策略更新鸟类群体的空间位置,扩大搜索范围、丰富种群多样性,从而使所提方法跳出局部最优实现精准收敛。最后,通过搭建并网运行条件下的典型微电网场景进行仿真实验,并使用典型的测试函数将所提方法与其他成熟算法进行对比分析。实验结果表明,所提方法的全局优化性能、收敛精度、稳定性和收敛速度均优于其他对比方法,且具有良好的经济性和环境友好性,能够实现良好的多目标优化平衡。

基于自适应布谷鸟搜索和扰动观察法的光伏最大功率点跟踪

当光伏阵列板暴露在不均匀的光线下时,功率电压(P-V)特性曲线会变为多峰,在这种情况下,传统的最大功率点跟踪(MPPT)算法将无法跟踪到正确的全局最大功率点(GMPP),而具有全局搜索能力的人工智能算法通常是高度参数化和复杂的。为了解决上述问题,提出了一种结合自适应布谷鸟搜索算法和扰动观察方法(ACS-P&O)的复合跟踪算法。该方法将布谷鸟搜索(CS)算法中的切换概率和Lévy飞行步长系数通过自适应调整,在跟踪早期,扩大算法的搜索范围。引入边界个体的处理策略,可进一步减少算法的迭代次数。该算法使系统更容易跳出局部最大功率点(LMPP),而在跟踪后期,算法精确运行在小范围内,提高了局部开发能力。扰动观察法(P&O)的加入缓解了系统位于GMPP附近时的功率振荡,稳定了输出。仿真结果表明,ACS-P&O复合算法能够适应环境变化的影响,并快速准确地跟踪GMPP。

基于ICS-IP&O的光伏最大功率跟踪

针对光伏组件存在局部阴影条件(PSC)时,功率输出曲线呈现出的多峰现象,传统最大功率点追踪方法容易陷入局部最优情况。为了解决上述问题,提出一种将自适应布谷鸟搜索(ICS)算法和变步长扰动观察法(IP&O)相结合的复合算法(ICS-IP&O)。对布谷鸟搜索方法(CS)的切换概率、Lévy飞行步长系数进行非线性自适应优化,使其满足迭代前、后期不同的需求,加快收敛进程。在偏好随机游走部分,引入粒子群算法思想,对位置更新公式进行优化,提高其多样性,使算法具有较强的全局搜索随机性,降低陷入局部最优的可能性。算法后期切换成IP&O搜索,减小振荡。通过Simulink进行仿真测试,并与粒子群算法(PSO)、布谷鸟算法(CS)进行对比。结果表明,该算法在静态、局部遮阴、动态遮阴条件下均具有更好的收敛速度和精度。

基于动态平衡因子自适应步长的布谷鸟搜索算法

针对标准布谷鸟搜索算法依赖Lévy飞行的游走导致整个搜索过程步长具有随机性的问题,提出一种基于动态平衡因子自适应步长的布谷鸟搜索算法。通过对标准布谷鸟搜索算法中参数偏度动态自适应取值来实现算法对步长的动态自适应,同时引入动态平衡因子以调节全局适应度和当前迭代次数所占的比重,从而实现布谷鸟搜索算法收敛速度和搜索精度的平衡。测试仿真实验结果表明,与标准布谷鸟搜索算法相比,提出的算法收敛速度显著提升;与单纯依赖迭代次数自适应步长的布谷鸟算法相比,提出的算法避免了为追求收敛速度而造成的算法早熟现象。

一种求解数值和工程问题的改进算术优化算法

算术优化算法是一种新的元启发式算法,在数值优化中具有良好的收敛速度和精度,但在处理优化问题时存在易陷入局部最优等问题。通过提升初始种群的质量、引入自适应权重和Lévy飞行策略等,文章提出了一种改进的算术优化算法(MAOA),并在CEC2022基准函数和CEC2020工程约束问题上对MAOA与对比算法进行了对比实验。统计结果表明,MAOA在性能上优于其他对比算法。

基于Lévy飞行和自适应权重的混合WOAMFO算法

针对鲸鱼优化算法(Whale Optimization Algorithm,WOA)在迭代后期种群多样性丧失,易陷入局部最优的问题,将飞蛾-火焰算法(Moth-Flame Optimization algorithm,MFO)的位置更新机制融合到WOA中,由此提出了一种混合型算法WOAMFO.并在此基础之上进行了改进:通过引入Levy飞行策略对种群进行干扰,使算法在前期全局勘探阶段能够扩大搜索范围,预防算法早熟;通过引入自适应权重,使算法在后期的局部开发过程能够获得更快的收敛速度和更精细的搜索范围.改进的算法命名为IWOAMFO.选取10个经典基准测试函数对算法的性能进行了测试,结果表明WOAMFO能够有效平衡全局勘探能力和局部开发能力,性能要优于WOA和MFO.同时,IWOAMFO相较于WOAMFO来讲,具有更快的收敛速度、更好的全局勘探能力和稳定性.

基于改进乌燕鸥算法的移动机器人路径规划

为克服传统智能算法在解决复杂环境下移动机器人路径规划问题中存在的搜索效率慢和寻优精度低等不足,提出改进乌燕鸥优化算法(ISTOA)。以乌燕鸥算法(STOA)为基础,引入Circle混沌映射机制保证初始种群的质量,提升算法初期搜索效率。同时,提出旋转式翻筋斗搜索策略,对算法的扑食位置进行更新,提高了算法的局部寻优能力。在迁徙过程中,混合正弦控制非碰撞因子和自适应Lévy飞行策略平衡了算法的全局搜索和局部搜索。通过3种不同环境下移动机器人路径规划案例验证了改进乌燕鸥优化算法的有效性。结果表明:改进乌燕鸥优化算法可快速且稳定获得全局最优路径,整体寻优能力优于其他算法,有效地解决了移动机器人在复杂环境中的最优路径规划问题。

基于改进乌燕鸥算法的移动音乐机器人路径规划

移动音乐机器人最短路径规划是一个带有复杂约束和高维的非线性规划问题,标准的乌燕鸥算法求解此问题时,存在局部停滞不足导致其获得的最短路径精度较低。为此,设计一种改进的乌燕鸥算法。引入一种新颖的改进Logistic混沌映射种群初始化策略,增强算法迭代初期的寻优能力;采用非线性自适应Lévy飞行攻击位置更新方式,协调算法的全局搜索和局部开发能力之间的动态平衡;采用Lévy飞行和黄金正弦混合扰动策略,提高算法的全局寻优能力。仿真结果表明:与其他著名算法相比,该算法路径规划结果更优,寻优能力和搜索效率更强,可高效地处理复杂的移动音乐机器人路径规划问题,具有较强的适用性。

多策略改进蜉蝣算法的无人机航迹规划

针对传统蜉蝣算法在求解无人机航迹规划存在稳定性差、精度低、收敛速度慢,且容易陷于局部最优等问题,提出了一种应用于无人机航迹规划的多策略改进蜉蝣算法。首先,建立代价函数模型和环境模型,将无人机航迹规划问题转变为满足无人机可行航路要求和航路安全约束的优化问题;其次,基于莱维(Lévy)飞行原理对粒子种群(PSO)初始化,通过采用自适应t分布和基于Pareto原理的精英保留策略对传统蜉蝣算法进行改进;最后,通过仿真实验验证了所提算法。结果表明:改进的蜉蝣算法的性能优于传统蜉蝣算法和粒子群算法,且规划出的航迹质量较高。

针对六自由度高超音速飞行器模型的L1自适应辅助控制系统设计

针对六自由度高超声速飞行器的飞行控制问题,本文提出了基于非线性动态逆和线性反馈方法建立主控制系统,应用L1自适应控制理论设计辅助控制系统以提升控制性能的设计方案.首先,对高超音速飞行器模型的速度和姿态角控制通道建立非线性动态逆系统.在这一基础上,采用线性二次型(linear quadratic, LQ)方法设计线性反馈控制器,作为主控制系统完成指令信号的跟踪.其次,应用L1自适应控制方法设计辅助控制器,以提升控制系统在不确定性存在情况下的性能.仿真结果显示,辅助控制系统能有效提升跟踪控制的精度,提高系统的鲁棒性,并且在输入扰动、气动参数不确定性、参数变化、控制功能部分失效等情况下可取得良好的指令跟踪效果.

面向光伏MPPT控制策略的改进果蝇算法

局部遮光会降低光伏发电系统的效率。在局部遮光条件下,光伏系统的输出功率特性曲线会产生多个峰值,传统的最大功率跟踪方法不具有全局搜索的能力,其在进行多峰值最大功率跟踪时会失效。果蝇算法(Fruit Fly Optimization Algorithm,FOA)具有全局寻优能力,但是在求解过程中存在收敛速度慢、收敛精度低及容易收敛于局部最优值的问题。文中对果蝇算法进行改进,提出结合自适应lévy飞行步长的Lévy-FOA算法,该算法充分利用Lévy飞行不均匀随机游走的特性,引入自适应步长调整因子,改进了原有算法的位置更新方式,提高了算法的收敛速度以及收敛精度,避免了算法陷入局部极值。文中利用3个标准函数对自适应Lévy-FOA算法的收敛性进行分析,并与普通FOA算法、自适应改进学习因子粒子群算法(Adaptive Particle Swarm Optimization,APSO)进行对比。结果表明,与FOA算法和APSO算法相比,自适应Lévy-FOA算法的平均跟踪时间有较大幅度的减少,平均收敛精度提高了4个数量级。最后,将自适应Lévy-FOA算法应用于光伏最大功率跟踪中。仿真结果显示,在不同的光照条件下,自适应Lévy-FOA算法能够经过较少的迭代实现最大功率跟踪,并且在第一次迭代后就能达到最大功率的90%以上,与其他算法的跟踪效果对比,自适应Lévy-FOA算法具有较短的跟踪时间和较高的跟踪精度,实际寻优能力优越,能够提高光伏系统的输出效率。

求解大规模优化问题的改进正弦余弦算法

针对正弦余弦算法(sine cosine algorithm,SCA)在求解大规模优化问题时收敛精度低、收敛速度慢和易陷入“维数灾难”的不足,提出一种带Lévy飞行的正弦余弦算法(sine cosine algorithm with Lévy flight,SCAL).SCAL算法通过将Lévy飞行分布与正弦余弦种群个体位置向量进行对应元素相乘运算,使Lévy飞行分布的特征和信息融入正弦余弦种群个体信息中,使其拥有Lévy飞行随机游走的特性,增强了个体局部开发和逃离局部极值的能力;采用基于空间距离的非线性参数调整方法,平衡算法的局部开发和全局搜索,提高了算法的收敛速度.在14个经典测试函数上,维度分别为100、1 000和5 000维时,与SCA、花授粉算法(flower pollination algorithm,FPA)、粒子群优化(particle swarm optimization,PSO)算法、麻雀搜索算法(sparrow search algorithm,SSA)和鲸鱼优化算法(whale optimization algorithm,WOA)5种群体智能算法进行仿真对比实验.结果表明,SCAL算法在收敛精度、收敛速度和鲁棒性上较5种群体智能算法优势明显.与解决大规模优化问题的改进狼群算法(improved wolf pack algorithm,IWPA)、改进花授粉算法(improved flower pollination algorithm,IFPA)、鲸鱼算法的两种改进版本IWOA(improved whale optimization algorithm)和MWOA(modified whale optimization algorithm)进行比较,发现SCAL的整体寻优结果优于对比算法,在求解大规模优化问题上具有显著优势和竞争力.