基于混合IWO-PSO算法的掘进机截割轨迹规划方法

针对掘进机截割轨迹规划方法准确度低、对掘进设备损耗大的问题,提出了一种基于混合IWO(杂草优化)-PSO(粒子群优化)算法的掘进机截割轨迹规划方法。将截割断面环境分为单夹矸、双夹矸和多夹矸3种,对相应断面进行栅格化并建立栅格地图,采用二值膨胀法对不规则夹矸进行膨胀化处理,并采用混合IWO-PSO算法在3种断面环境中进行轨迹规划。混合IWO-PSO算法以IWO算法中的种子扩散方式为基础,对初始群体进行扩散,在竞争排斥前允许所有个体自由繁殖,使寻优空间的多样化得到有效保障;同时采用PSO算法中的位置迭代更新方式对繁殖的种子位置进行迭代更新,利用群体经验和个体经验对粒子位置进行及时调整,有效提高了算法寻优深度和速度。仿真结果表明,基于混合IWO-PSO算法得到的掘进机截割轨迹长度、二次挖掘栅格数和截割能耗均小于标准PSO算法,对障碍夹矸的规避能力优于标准PSO算法。通过EBZ135型掘进机进行断面截割试验,结果表明,巷道断面成形左侧、右侧、两侧边界误差最大值分别为30,20,50 mm,相对误差分别在2%,1.4%,1.7%内,可满足不同巷道断面环境下的有效避障和成形要求。

基于IWO算法的轴系—基座—壳体系统声辐射优化研究

针对轴系-基座-壳体结构复杂,对于激振力引起的结构表面声辐射尚未形成一套有效的计算和优化方法,文章尝试通过功率流有限元和声学边界元方法,对系统声优化问题进行了研究。在直线校中状态下,用相应单元模拟系统中减振器、隔振器和吸振器,建立轴系-基座-壳体系统有限元模型,利用有限元转子动力学,计算系统某特定工况下频率响应。在此基础上采用IWO算法,以各减振单元参数为设计变量,以传递路径的总功率流为目标函数进行优化,最后利用声学边界元方法对优化结果进行对比分析。结果表明,将流经路径总功率流替代场点声压为目标函数,不仅能将问题简化大大减少计算量,还能为系统减振降噪提供有效的优化计算方法,具有重要工程应用价值。

基于混沌序列的多种群入侵杂草算法

针对入侵杂草优化算法存在的早熟现象,提出一种基于混沌序列的多种群入侵杂草优化算法。首先,算法初始化时,利用混沌序列初始化种群提高初始解的质量;其次,在算法迭代过程中,若个体的聚集程度小于阈值时,再次用混沌序列重新初始化种群,使得算法迭代过程中能够有效地跳出局部极小;最后,将杂草种群分为5个种群协同合作,可有效地避免算法早熟现象,提高算法的寻优精度和收敛速度。通过对8个测试函数的测试,结果表明,所提算法获得最优值比基本入侵杂草优化算法精度提高了25%～300%;标准差提高了50%～100%。

作业车间调度问题的杂草优化算法求解

针对作业车间调度问题JSP(Job-shop scheduling problem),提出一种入侵式杂草优化算法。该算法中,子代以正态分布方式在父代个体周围扩散,兼顾全局搜索和局部搜索,并根据迭代次数不同对二者强度进行调节。通过典型算例进行仿真试验,并在反复实验中对算法参数进行修正。测试结果表明杂草算法求解作业车间调度问题的可行性和有效性,优于萤火虫算法和基本粒子群算法,是解决生产调度问题的一种有效方法。

基于云模型的入侵杂草优化算法

提出一种基于云模型的入侵杂草优化算法,根据杂草适应度值的大小将杂草种群分为优良子群、普通子群和较差子群。通过CR调整标准差,不同的子群采取不同的标准差进行扩散,优良子群采用较小的标准差进行精细搜索,普通子群利用云模型的随机性和模糊性动态调整标准差,进行自适应搜索,较差子群采用较大的标准差进行全局搜索。由此加快了算法的收敛速度,较好地平衡了全局搜索能力和局部搜索能力,并且在一定程度上避免了算法陷入局部最优。对7个测试函数进行仿真实验,结果表明,该算法具有较高的寻优精度和更快的收敛速度。

一种采用蜂群全局引导搜索策略的入侵杂草优化改进算法

针对入侵杂草优化算法收敛速度较慢、易陷入局部最优的缺点,提出了一种改进的入侵杂草优化算法。首先,采用反向学习初始化方法对种群进行初始化以提高其全局收敛速度;其次,利用改进蜂群算法中的全局引导搜索策略,对繁殖后的种子进行最优引导搜索以提高其跳出局部最优点的能力。最后,对不同维数的5个标准测试函数进行了仿真验证。试验结果表明:与GABC及标准IWO(Invasive Weed Optimization)算法相比较,该改进算法在函数优化方面具有较快的收敛速度和较强的跳出局部最优的能力。

一种带局部搜索功能的入侵杂草优化算法

为了改善入侵杂草优化算法解的质量,提出一种带局部搜索功能的入侵杂草优化算法。该算法按照一定概率对每代产生的最优个体执行球体局部搜索算子或Logistic映射搜索算子,在最优个体周围进行精细搜索,并用搜索到的较优个体代替最优个体,提高了算法的局部搜索能力和优化精度。并对7个测试函数进行了仿真实验,结果表明:该算法具有较高的优化性能。

基于改进野草算法的推荐对象建模技术研究

为了提高个性化推荐系统中模型描述的准确性,提出了一种改进的入侵野草优化算法。该算法将野草算法和混合遗传算法有机地结合,旨在克服传统野草算法过早收敛、易于陷入局部优化的不足。最后,计算机仿真结果表明了所提出的算法明显优于其他常见的建模算法。

基于杂草算法的含分布式电源的配电网重构

随着社会不断发展,保证供电的可靠性和质量的要求越来越高。分布式电源(Distributed Generator以下简称DG)接入配电网将直接改变潮流分布,而网络重构通过改变开关的开合状态以提高供电的可靠性和经济性。以降低网损和电压分布指数为目标,将杂草算法(Invasive Weed Optimization Algorithm以下简称IWO)、Pareto最优解理论和模糊决策理论相结合,提出了求解上述多目标模型的优化算法。并利用IEEE33节点系统进行仿真验证算法的有效性和实用性。

考虑配电网拓扑变化的广义电源规划

针对主动配电网中广义电源配置问题,提出考虑网络拓扑变化的广义电源双层规划方法。首先,计及风力和光伏发电的时序性和随机性,建立其出力的时序性多场景模型。然后,上层规划确定广义电源的位置和容量,以年投资费用、燃料费用、向上级电网购电费用和环境污染折算费用最小为目标函数;下层规划考虑网络结构变化,选取网损、节点电压偏差和负荷均衡为评估指标。通过网络重构求解拓扑解集,并评估配置方案对不同拓扑的适应性,以减少拓扑变化对结果的影响。上、下层分别采用入侵杂草算法和NSGA-Ⅱ算法求解。最后,选取IEEE 33节点算例进行仿真,结果表明,考虑网络拓扑变化的广义电源配置的综合效益更好,与粒子群算法相比,入侵杂草算法求解更有效。

基于入侵杂草算法的水下目标TDOA定位方法

针对水下传感器网络中定位精度不高的问题,提出了一种基于入侵杂草算法的水下目标定位方法。利用入侵杂草优化算法,以定位误差为目标函数,优化设计未知节点的位置初值;利用初值和距离干扰参数估计粗略解,并引入目标定位误差来构造新的定位方程;根据加权最小二乘算法求解获得未知节点的精确解。通过与克拉美罗下界进行比较,验证了算法性能。仿真结果表明,提出的优化定位方法可得到更好的定位精度。

基于微分进化的改进杂草优化算法

针对入侵杂草优化算法（IWO）在迭代后期存在种群多样性差、局部搜索能力差、收敛精度不高等缺点，提出一种改进的入侵性杂草优化算法（IWODE）。首先，引入一个0-1之间的随机数，通过提高子代个体的质量来提高算法的寻优精度；其次，对繁殖后的新种群引入差分进化算法中的变异、交叉和选择策略以增加种群多样性，使算法在迭代过程中跳出局部最优，提高算法的全局寻优能力。对9个测试函数的仿真结果表明：无论是单峰还是多峰高维函数， IWODE 算法的收敛精度和稳定性都高于标准 IWO 算法。

全振荡型入侵野草优化算法的仿真研究

标准入侵野草优化算法(IWO)存在易陷入局部最优、后期寻优能力差等缺点,影响了算法运算结果的精确度,也限制了算法的应用范围。在Basak等人提出的振荡型入侵野草算法的基础上,对算法的空间扩散环节进行改进,提出一种全振荡型IWO算法。通过三个标准测试函数的Matlab仿真对比研究以及在PID控制器参数优化中的实际应用,均表明了全振荡型IWO算法的优良性能,较好地解决了标准IWO算法存在的问题,改善了算法的收敛性,极大地提升了算法的寻优精度。

入侵杂草算法及其改进方法综述

入侵杂草算法(IWO算法)是模拟杂草繁衍过程的一种随机搜索方法,具有鲁棒性、自适应性强和编程简单等优点,但也有搜索效率低,容易陷入局部最优的不足.在种群初始化阶段,研究者采用多子群法、反向学习法和混沌序列等方法使种群在全局空间分布更均匀;在空间扩散阶段,研究者将防早熟的杂草算法、Alopex算法、Lévy飞行法和蝙蝠算法等应用于IWO算法,使得部分种子在空间扩散阶段获得更强的全局搜索能力;在竞争排斥阶段,采用差分进化算法,可改善种群的多样性,并且更容易选择出优秀个体,提高收敛速度.