基于差分进化粒子群混合算法的多无人机协同区域搜索策略

为提高无人机群在未知环境中的区域搜索效率,提出一种多无人机协同区域搜索策略。首先,根据区域搜索任务需求,建立包含区域覆盖率、区域不确定度、目标存在概率三种属性的区域信息地图;其次,以最大化搜索效率、同时最小化无人机搜索过程中的能耗为目标,建立无人机区域搜索滚动时域优化目标函数,指导无人机在线决策搜索路线;然后针对传统群智能优化算法易陷入局部最优的缺陷,设计差分进化粒子群混合算法在线求解该多目标优化问题,提高算法的寻优性能,从而提高无人机的搜索效率。最后,通过数值仿真实验,对所提算法进行验证,仿真结果表明,文中设计的基于差分进化粒子群混合算法的多无人机协同区域搜索策略与传统的群智能优化算法相比具有更高的区域搜索效率。

融合差分进化和Sine混沌的改进粒子群算法

将差分进化与Sine混沌相结合,提出一种改进的粒子群算法。利用Sine混沌映射对初始种群进行优化,提高了收敛速度;该算法通过引入非同步变化的学习因子的速度更新公式,引入随机惯性权重,使算法能够更好地兼顾全局搜索与局部优化;借鉴差分进化算法中的交叉操作,采用淘汰机制随机搜索策略,提高算法的全局搜索能力,提高算法收敛速度。为了验证融合差分进化和Sine混沌的改进粒子群算法(improved particle swarm optimization algorithm,IPSO)的性能,与基于压缩学习因子的粒子群算法(yield-based particle swarm optimization,YPSO)、自适应加权粒子群算法(self-adaptive particle swarm optimization,SPSO)等PSO相关算法以及蜘蛛蜂优化算法(spider wasp optimization,SWO)、能量谷算法(energy valley algorithm,EVA)等2023年最新算法相比较,验证融合差分进化和Sine混沌的改进粒子群算法(IPSO)的有效性。在不同维度下解决12个常用基准函数,对12个测试函数进行实验,并与其他的几种算法进行比较,实验结果表明,改进后的PSO算法收敛速度快,收敛精度高。

基于差分粒子群算法的铝合金模板多目标智能配模方法

为提高铝合金模板设计效率,解决人工设计铝合金模板存在的模板数量、种类、非标构件多造成的加工成本高、力学整体性差等问题,建立了铝合金模板两阶段多目标约束配模优化方法。基于BIM技术提取配模混凝土构件信息,以铝合金模板使用数量和使用种类最少为目标,建立了对应的多目标优化数学模型;使用差分粒子群算法求解,并将最优解在BIM模型中自动配模。该智能优化方法应用于铝合金模板设计,与人工配模设计方案对比,智能配模方案中模板数量减少了19.2%,模板种类减少了37.5%,配模优化效果良好,证明了算法运用于铝合金模板配模优化中的可行性及有效性。

改进粒子群算法的紫外光协作多无人机任务分配方法

为了解决无人机协同作战问题,需要将多任务分配给多个无人机。利用无线紫外光实现强电磁干扰环境下无人机机间隐秘信息传输,提出一种改进粒子群算法的多无人机任务分配方法,综合考虑无人机执行任务所付出的威胁代价、航程代价以及完成任务的时间差,结合压缩因子和差分进化思想解决粒子群优化算法容易陷入局部最优的问题。仿真结果表明,改进粒子群算法相较于传统粒子群算法在不同无人机和任务数量比下的任务分配平均成功率提高了约16%,算法在收敛时的迭代次数平均减少了约4.5倍,最优适应度值平均减小了近一倍,在多无人机任务分配的实际应用中有一定的意义。

基于随机增强量子粒子群算法的弹性波数值模拟

在本文中,我们提出了一种随机增强量子粒子群优化算法,并基于该随机增强量子粒子群算法提出了一种新的有限差分格式。随机增强量子粒子群优化算法具有明显的收敛速度优势,可以在第200代内收敛。在相同条件下,未改进的量子粒子群算法的收敛速度远低于随机增强量子粒子群算法。数值频散分析表明,基于随机增强量子粒子群算法的优化有限差分格式具有更大的频谱覆盖范围并将精度误差控制在了有效范围之内,这意味着随机增强量子粒子群算法具有更好的搜索全局精确解的能力。最后,采用基于随机增强量子粒子群算法的优化有限差分格式对弹性波动方程进行数值模拟。数值模拟结果表明,基于随机增强量子粒子群算法的优化有限差分格式能有效压制数值频散。

基于差分粒子群算法的装配式建筑时空冲突优化研究

由于装配式建筑施工的特殊性,相比于传统建筑施工,更易发生施工工作之间的时空冲突。结合建筑项目施工工作时空冲突研究以及进度管理需求,以施工进度、安全管理要求为总体目标,以时空冲突程度最小化为目标函数建立冲突优化模型,并提出冲突工作开始时间与完成时间的调整方法。针对问题需求,使用差分粒子群算法(DEPSO)求解模型,以某项目为例,进一步验证冲突优化模型的可行性,并使用蒙特卡洛方法仿真模拟分析时空冲突的优化效果。实验证明,该模型可有效减小时空冲突,优化比例维持在45%,相较传统解决时空冲突方法,能够合理保障工期,为装配式建筑施工管理提供更优的方案。

基于改进粒子群算法的水利基础设施空间布局优化研究

为提高水资源的利用效率,降低总投资成本,提出基于改进粒子群算法的水利基础设施空间布局优化方法。以总投资成本最小化和水资源利用效率最大化为目标,构建空间布局优化目标函数。采用差分进化算法改进粒子群算法,采用改进的粒子群算法求解目标函数,完成水利基础设施空间布局优化。测试结果表明:所提出方法能够降低布局优化的投资成本,提高水资源的利用效率。因此,说明所研究方法具有较高的布局优化效果,实际应用价值较高。

基于差分粒子群算法的含DG配电网优化重构

为解决含分布式能源的配电网优化重构问题,提高配电网对分布式能源的消纳能力,提出了一种基于差分粒子群算法的含DG配电网优化重构方法。以配电网系统有功网损最小为目标函数,综合考虑各类约束条件,建立了含DG配电网优化重构模型,采用差分粒子群算法对模型进行求解,并与其他优化方法进行对比。结果表明,差分粒子群算法能够有效减少迭代次数,提高收敛精度,文章所提方法的重构策略为断开开关6-7、8-9、13-14、27-28、31-32,对应的配电网有功网损为106.06 kW,降损率为37.50%,优于其他方法,验证了文章所提方法的实用性和优越性。

基于NW小世界邻居的粒子群多阈值分割算法

针对多阈值分割问题,提出了一种新的多阈值分割算法。此算法采用相对类内方差代替传统Otsu算法中的绝对类内方差,改善了传统Otsu对小对象分割不理想的弱点;采用NW小世界模型作为粒子群优化的社会认知拓扑结构,具有较好的全局寻优能力和较快的收敛速度。实验结果显示此算法具有好的性能。

基于自适应差分粒子群优化的DV-Hop定位算法

针对常规DV-Hop算法存在定位精确度偏低,难以满足高精度定位应用的需求等问题,提出一种基于自适应差分粒子群优化的DV-Hop定位算法。该算法首先利用节点间RSSI值实现跳数计算的精确化,然后引入跳距可信度提高平均跳距的计算精度,最后利用自适应差分粒子群优化算法来估计未知节点的位置。实验结果表明,在不同节点数量、通信半径以及锚节点数三种情况下,改进后算法的节点定位精确度相比于传统DV-hop定位算法分别提高了45.3%、42.9%和39.7%。

基于动态NW小世界量子粒子群算法的电力系统无功规划优化

为了解决电力系统无功规划优化问题,提出一种动态NW小世界量子粒子群算法(NWQPSO),改善了传统量子粒子群算法易陷入局部最优的缺点。将NW小世界的动态拓扑结构应用到粒子进化公式中,增加了迭代过程中粒子多样性,使其多局部搜索和全局性搜索。利用电压稳定裕度指标,寻找系统电压稳定性较薄弱节点,将其作为无功补偿安装点,以无功补偿装置投资和网损综合费用为目标函数,通过IEEE30节点系统的仿真,验证了该规划方法和算法的有效性。

基于粒子群和差分进化算法的含分布式电源配电网故障区段定位

配电网中引入分布式电源将导致传统的故障区段定位方法不再适用。通过构建新的开关函数,提出了基于二进制混合算法的配电网故障区段定位方法。该方法可动态适应分布式电源的投切,在进行多重故障定位时只需确定一次正方向,利用双种群进化策略和信息交换机制实现了粒子群和差分进化算法的混合。算例分析结果表明该方法能够对含分布式电源的配电网中的单一和多重故障进行准确定位,并且具有一定的容错性和高效性。

一种基于粒子群优化算法和差分进化算法的新型混合全局优化算法

提出一种基于粒子群算法(PSO)和差分进化算法(DE)相结合的新型混合全局优化算法——PSODE.该算法基于一种双种群进化策略,一个种群中的个体由粒子群算法进化而来,另一种群的个体由差分操作进化而来.此外,通过采用一种信息分享机制,在算法执行过程中两个种群中的个体可以实现协同进化.为了进一步提高PSODE算法的性能,摆脱陷入局部最优点,还采用了一种变异机制.通过4个标准测试函数的测试并与PSO和DE算法进行比较,证明本文提出的PSODE算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法.

基于差分进化和粒子群优化算法的混合优化算法

为了发挥差分进化和粒子群优化算法各自拥有的特点,并克服自身存在的问题,提出了一种混合优化算法(简称DPA)。该算法首先利用差分进化的变异和选择算子产生新的群体,然后通过使用粒子群优化算法和交叉、选择算子进行局部搜索。在整个算法过程中,群体寻优范围先扩散再收缩,反复迭代渐进收敛。通过3个标准算例的测试表明,新的混合优化算法与差分进化和粒子群优化算法相比,具有收敛速度快、搜索能力强、鲁棒性好的特点。

差分进化混合粒子群算法求解项目调度问题

针对求解资源受限项目调度问题(RCPSP),提出了基于差分进化(DE)的混合粒子群算法(PSODE)。通过在PSO种群和DE种群之间建立一种信息交流机制,使信息能够在两个种群中传递,以避免个体因错误的信息判断而陷入局部最优点。采用标准测试函数和具体算例进行检验,结果表明PSODE算法可以较好地解决RCPS问题。

基于差分粒子群算法的装配式住宅项目进度优化研究

为了有效的解决装配式住宅项目的进度优化问题,通过探讨装配式住宅项目调度问题的约束条件,提出了基于差分进化的改进粒子群算法(DEPSO),建立了以项目工期最优为目标的进度优化模型.通过在差分算法和粒子群算法之间建立信息互融机制,克服了差分算法和粒子群算法单独使用易产生局部最优和精度低的缺陷,以达到最优工期的预期目标.通过实例分析,进行了三种算法的比较,证明了DEPSO算法在求解装配式住宅项目进度优化中高效、合理、鲁棒性强,对装配式住宅的推广和发展起到一定的积极作用.

基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。

差分进化粒子群混合优化算法的研究与应用

对基本粒子群算法(PSO)和差分进化算法(DE)进行了分析,有机结合两种进化算法提出了一种新型差分进化粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和DE算法同时进行。迭代过程中引入进化速度因子并通过群体间的信息交流阻止算法陷入局部最优。对4个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO和DE。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能较好。

多策略差分进化的元胞多目标粒子群算法

为了增加Pareto解集的多样性,平衡多目标优化的全局搜索和局部寻优的能力,提出一种多策略差分进化的元胞多目标粒子群算法.该算法在分析粒子群优化原理基础上,将元胞自动机理论融入粒子群算法,研究粒子种群的交流结构和信息传递机制.为了避免粒子飞行速度过快陷入局部收敛,提出一种限制粒子飞行速度的策略,并引入一种多策略差分进化选择算子增加对粒子的扰动.实验证明,该算法相对于比较算法,有更好的收敛性和多样性.

一种新的差分与粒子群算法的混合算法

利用粒子群算法的快速收敛性和差分进化算法的搜索精度较高等特点,提出了一种新的混合优化算法。该算法在粒子群算法的中后期,在已经寻找到的最优位置周围,随机生成一定数量的粒子进行差分进化算法,可以减少一定的运算量和在较优的区域进行寻找最优解。通过几个Benchmark函数的测试证明,新的混合算法具有搜索精度更高和更快收敛的优点。