基于Tent混沌映射和随机游走策略的改进平衡优化器算法

由于平衡优化器算法存在易陷入局部最优解,鲁棒性不足的问题,为此提出一个基于Tent混沌映射和随机游走策略改进的平衡优化器算法.在改进算法中,首先利用Tent混沌映射来初始化种群,增加初始种群的多样性.其次,引入随机游走策略提高算法的全局搜索能力,避免陷入局部最优解.通过对7个标准测试函数的仿真实验表明,改进的平衡优化器算法具有较高的寻优精度和更强的稳定性.

基于改进樽海鞘算法的含电动汽车微电网经济优化调度

电动汽车接入可再生能源微电网有利于减少环境污染,改善能源结构.但是电动汽车充电负荷的随机波动性为微电网运行优化调度带来很大的困难.为了实现微电网的高效稳定运行,本文提出一种基于改进樽海鞘算法(ISSA)的含电动汽车的可再生能源微电网优化调度方法.针对基本樽海鞘算法在进化后期由于种群多样性的缺失而易出现局部收敛或算法早熟的问题,改进算法首先利用Tent混沌序列产生初始种群,以增强种群的多样性;其次,通过设置动态控制参数来调节算法的全局探索与局部开发之间的平衡,提高算法的收敛性;同时,引入正交重心反向学习策略改进樽海鞘个体的位置信息更新,从而,强化算法的全局寻优能力以克服算法早熟收敛,以避免陷入局部极值,从而全面提高算法的优化性能;最后,将该算法用于求解含电动汽车微电网经济优化问题,在孤岛和并网两种模式下分别进行仿真实验,并与其他算法的优化结果进行比较.仿真结果表明,基于ISSA算法的优化结果均优于其他方法,两种模式下运行成本最大降幅分别为29.1%和20.0%,证明了所提算法的可行性和实用性.

融合Tent混沌和维度学习的阴阳对算法

针对阴阳对算法(YYPO)易早熟收敛,提出一种融合Tent混沌映射和维度学习策略的阴阳对优化算法(YYPO-TP)。使用Tent混沌序列初始化阴阳两点生成以增加初始位置分布的均匀性,使用维度学习策略和反向搜索策略设计一种正反向搜索的分割方式,避免算法的早熟,增强算法全局寻优能力。实验结果表明,YYPO-TP相比YYPO在统计学意义上有显著性能优势,在风力发电机参数优化问题YYPO-TP也取得了更优的结果。

基于Tent映射的改进型人工蜂群算法

人工蜂群(Artificial Bee Colony,ABC)算法是受蜜蜂的觅食行为启发而提出的群体智能算法,其利于解决高维连续函数的寻优问题。针对ABC算法的不足,分别对其种群个体初始化方式和更新机制进行改进。采用混沌映射和反向学习机制初始化种群个体位置,益于保持种群多样性;将新型惯性权值引入个体位置更新机制,以提高算法的收敛精度和平衡其探索能力与开发能力。通过13个基准测试函数验证,结果表明:相比于原始ABC算法,改进的ABC算法在9个函数上表现出良好的收敛精度和解的质量。

基于混沌求偶萤火虫算法的移动机器人路径规划

针对传统萤火虫算法应用于移动机器人路径规划中存在陷入局部最优和搜索精度低的问题,提出一种基于混沌求偶萤火虫算法的移动机器人路径规划方法。设计一种混沌求偶荧火虫算法,该算法采用混沌映射策略初始化种群,优化种群分布不均和搜索范围不足问题;利用求偶学习策略指导雄性萤火虫向雌性萤火虫学习,提高算法的收敛速度和求解精度。建立移动机器人路径规划的环境仿真模型,应用混沌求偶萤火虫算法进行移动机器人路径规划仿真。仿真结果表明:混沌求偶萤火虫算法比传统萤火虫算法和粒子群算法在路径长度上分别减少了3.075%和2.428%,拥有更高的搜索精度和跳出局部最优的能力。

基于改进海鸥优化算法的BP神经网络及其应用

针对传统反向传播(BP)神经网络在预测时随机产生的初始权值、阈值影响准确性的问题,提出一种改进的海鸥优化算法(ISOA)对BP神经网络的初始阈值、权值进行寻优。首先,为提高海鸥优化算法(SOA)的收敛精度和跳出局部最优的能力,使用Sine混沌映射初始化种群,引入非线性参数A,在海鸥攻击时引入乘除策略进行扰动,同时在攻击阶段后引入反向学习策略。然后,使用ISOA优化BP神经网络初始权值、阈值,解决对初值敏感和易陷入局部最优的问题。最后,在冻结裂隙砂岩动态冲击试验中进行峰值应力预测,结果表明:对比原始BP、粒子群优化(PSO)-BP和SOA-BP,ISOA优化后的BP神经网络对峰值应力预测精度更高。

基于改进SCHO算法的局部遮荫光伏MPPT研究

针对局部遮荫工况下光伏阵列最大功率点跟踪(MPPT)存在的易陷入局部功率峰值点、跟踪时间长、跟踪精度低等问题,提出一种基于改进双曲正余弦优化(SCHO)的控制算法.其采用立方混沌映射初始化,提高初始候选解集的遍历性,并利用贝塔分布的概率特性修正SCHO算法的切换标准,提高算法与候选解集寻优进程的适配性.同时,对SCHO算法中的全局最优解、个体当前解引入平衡权重更新策略,且采用透镜成像反向学习策略对寻优后期的候选解进行扰动,采用比例收缩法对寻优空间进行动态钳位,提高算法的全局勘探及局部开发能力.Matlab仿真结果表明,相比其他控制算法,本文提出的改进SCHO算法能缩短MPPT时间、提高MPPT精度,故具有更优的MPPT性能,可为进一步提升光伏发电效率提供参考.

多项式变异和自适应权重优化的阿奎拉鹰算法

针对基本阿奎拉鹰算法存在收敛精度低、易陷入局部最优的问题,通过在全局搜索阶段引入多项式变异扰动策略,在局部开发阶段引入自适应权重优化策略,改进了阿奎拉鹰算法的局部探索能力,并且引入了Tent混沌映射初始化种群,增加种群多样性,引入动态转换概率策略来平衡全局探索和局部开发的比重,故提出多项式变异和自适应权重优化的阿奎拉鹰算法。采用基本阿奎拉鹰算法、哈里斯鹰算法、灰狼算法、鲸鱼算法、海鸥算法做对比,9个基准测试函数和2个工程优化问题对改进后的算法进行寻优性能验证,结果表明:改进后的算法在多数测试函数上取得较好的寻优效果,在工程优化问题中,效果优于多数对比算法。证明了改进后的算法具有更快的收敛速度和精度,并在工程应用中取得较好效果。

引入精英反向学习和柯西变异的混沌蜉蝣算法

为提高蜉蝣算法的收敛速度,提升算法寻优能力,提出一种引入精英反向学习和柯西变异的混沌蜉蝣算法。利用Circle混沌映射序列优化初始种群使种群分布更加均匀,提高种群多样性。在蜉蝣更新阶段,对蜉蝣中的精英个体进行反向学习策略,防止算法陷入局部最优,提高算法收敛速度。为保证种群进化方向和扩大寻优范围,将自适应概率阈值和柯西变异的扰动机制相结合,对劣势蜉蝣个体附近生成更大的扰动。通过8个基准测试函数实验对比和Wilcoxon秩和检验,实验结果表明,混沌蜉蝣算法在收敛速度、求解精度以及稳定性等方面有较大提高。

基于多策略融合灰狼算法的移动机器人路径规划

针对标准灰狼算法(GWO)在解决移动机器人路径规划问题时存在初始参数依赖性强、缺乏多样性及易陷入局部极值的缺陷,提出一种基于多策略融合灰狼算法(LTGWO)。首先运用精英化思想将Logistic-Tent复合混沌映射与反向学习结合,优化灰狼种群分布序列;然后引入sigmoid函数修改收敛因子a,平衡算法全局探索与局部开发能力,并改进控制参数C以更好地拟合灰狼实际捕猎过程;最后加入随适应度值变化的比例权重,提高灰狼个体搜索能力,同时采用种群淘汰策略,淘汰适应度值差的个体,促进种群进化。选用3组不同的栅格地图进行实验,实验结果表明:由LTGWO算法生成的平均路径长度、路径长度标准差都优于对比算法。

基于混沌反向学习和水波算法改进的白鲸优化算法

针对原始的白鲸算法(beluga whale optimization,BWO)在某些情况下,中后期的探索和开发能力不足、多样性和求解精度降低、容易陷入局部最优等问题,提出一种基于混沌反向学习和水波算法改进的白鲸优化算法(TWBWO),进一步提高白鲸算法的计算精度和收敛速度,增强全局搜索和跳出局部最优能力。结合混沌映射和反向学习策略提高种群的质量和多样性,加快收敛速度。引入水波算法(water wave optimization,WWO)的折射操作,避免寻优时轻易陷入局部最优,提高计算精度。实验结果表明,TWBWO算法较之原始算法和其他经典算法在收敛速度和求解精度以及稳定性方面更为优秀,性能和寻优能力更强。

混合多项自适应权重的混沌麻雀搜索算法

麻雀搜索算法具有原理简单、搜索能力强、快速寻优等优点,但是存在全局搜索不足、易陷入局部最优等缺点,针对其缺点提出了混合多项自适应权重的混沌麻雀搜索算法。增加改进Circle混沌映射提高种群多样性;在发现者引入自适应权重策略,提高发现者的全局搜索能力和搜索范围;在加入者引入改进鲸鱼优化算法的气泡网捕食策略,提高算法的局部搜索性能和跳出局部最优的能力;结合反向学习策略机制,对所有的个体进行最优选择,使每次迭代后的个体质量得到提升,以提高算法的寻优效率和寻优精度。将混合多项自适应权重的混沌麻雀搜索算法与4种经典基本算法和9种改进的麻雀搜索算法在12种测试函数和CEC2022测试函数上进行对比,改进算法有更好的寻优性能和收敛速度。

基于对称映射搜索策略的自适应金鹰算法及应用

金鹰优化算法(Golden Eagle Optimizer,GEO)是一种基于种群的元启发式算法,其模拟了金鹰的合作狩猎行为。针对GEO算法中存在的求解精度差和陷入局部最优等问题,文中提出了一种改进MERGEO(Mapped Elitist Reverse GEO)算法。在原算法基础上采用对称映射搜索策略、自适应精英策略和随机反向学习机制这3种方法平衡了算法的探索和开发阶段,获得了规避局部最优能力和较好的优化精度。在10个基准测试函数上对该算法进行独立策略有效性分析、可扩展性分析以及同其他算法的优化性能比较分析。实验结果表明,改进后的MERGEO算法具有较强的竞争力和良好的优化能力。将改进后的算法用于无线传感器网络的覆盖优化问题和压力容器设计问题研究,验证了其实际应用价值。

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。

混合多策略改进的蜣螂优化算法

针对原始蜣螂优化算法全局探索能力不足、易陷入局部最优以及收敛精度不理想等问题,提出了一种混合多策略改进的蜣螂优化算法。采用混沌映射结合随机反向学习策略初始化种群提高多样性,扩大解空间搜索范围,增强全局寻优能力;通过黄金正弦策略实现个体动态搜索,提高算法遍历性;引入竞争机制增强信息交互,平衡全局探索与局部开发,加快算法收敛速度;最后在迭代后期利用自适应t分布变异对个体进行扰动,避免算法陷入局部最优。在23个基准测试函数中,将该算法与其他优化算法进行对比测试,结果表明,改进后的算法具有更强的寻优性能、更高的收敛精度和更好的稳定性。在具体工程设计实例中的应用验证了该算法在处理实际优化问题上的有效性。

基于自适应鱼鹰优化算法的无人机路径规划

针对启发式算法在无人机路径规划中存在收敛精度低以及容易陷入局部最优的问题,提出了一种自适应鱼鹰优化算法。该算法首先利用Bernoulli混沌映射初始化种群,增加种群多样性;其次引入余弦自适应因子平衡全局搜索和局部开发能力,并结合莱维飞行策略自适应调整步长,帮助鱼鹰个体更好地跳出局部最优;接着通过折射反向学习策略改善全局最优解的质量,提高收敛精度和速度;然后将其与其他5种算法在15个CEC2005测试函数中进行性能对比实验,结果表明该算法在收敛精度和稳定性方面表现出色;最后将其移植应用于无人机路径规划问题,在6峰、9峰和12峰的地形障碍模型下进行测试。仿真结果显示,在不同地形场景下自适应鱼鹰优化算法较其他算法平均代价更低、标准差更小,且生成的路径更短、更平稳。

基于改进秃鹰算法优化极限学习机的谐波发射水平估计

针对目前电力系统谐波发射水平难以直接测量的问题,提出了一种基于改进秃鹰算法(improved bald eagle search,IBES)优化极限学习机(extreme learning machine,ELM)的谐波发射水平估计方法。首先,在传统秃鹰搜索算法中引入Tent混沌映射和柯西变异算子,利用IBES算法对ELM模型的输入权重和阈值进行寻优。其次,输入公共连接点(point of common coupling,PCC)处谐波电压和谐波电流,代入IBES-ELM模型,估计用户侧和系统侧谐波发射水平。最后进行仿真和工程实例分析,并与其他算法的估计结果进行对比。结果表明,所提IBES-ELM方法估计精度优于长短期记忆网络(long short-term memory,LSTM)、卷积神经网络(convolution neural network,CNN)、反向传播神经网络(back propagation neural network,BP)和CNN-LSTM算法模型,验证了该方法的有效性和稳定性。

基于改进TSO优化Xception的PEMFC故障诊断

针对质子交换膜燃料电池(PEMFC)的故障诊断问题,提出了一种利用改进的瞬态搜索优化(TSO)算法优化Xception网络的故障通用诊断方法。首先,对故障数据进行线性判别分析降维和归一化处理,在保留主要特征的前提下降低计算复杂度;其次,引入Tent混沌映射和反向学习策略增强TSO算法的全局搜索能力,在训练阶段对Xception神经网络的超参数进行优化;最后,使用充分训练的Xception网络对PEMFC故障进行分类识别,并与经典的分类模型进行对比。在基于实验测量的水管理故障数据和仿真产生的多类故障数据上,Xception均取得了最高的分类准确率,分别为100%和98.08%,这表明Xception对数据特征的提取能力较强,且所提方法能作为一种PEMFC故障的通用诊断方法。

基于模拟退火和樽海鞘群优化的DV-Hop定位算法

针对无线传感器网络(WSNs)中传统DV-Hop算法定位误差较大等问题,提出基于模拟退火和樽海鞘群优化的DV-Hop定位算法。该算法分别引入RSSI和修正因子来量化最小跳数以及校正平均跳距,在未知节点估计过程中,采用改进的樽海鞘群优化算法代替最小二乘法,并且与模拟退火算法相结合,缓解了樽海鞘群优化算法在寻优过程中容易陷入局部最优的缺点。仿真结果表明:改进后的DV-Hop算法相比于传统DV-Hop定位算法以及其他智能优化算法,定位精度得到明显改善。

基于多项优化哈里斯鹰算法的同步电机参数辨识

针对永磁同步电机(PMSM)参数辨识领域的传统方法存在难以同时辨识多参数、辨识精度不够高等问题,提出一种参数辨识算法。该算法中采用了哈里斯鹰优化算法。为了提高参数辨识的准确度和稳定性,从3个方面对哈里斯鹰算法进行改进:首先,从种群的初始化方向引入Logistic混沌映射来初始化鹰群的位置,增加种群的多样性,加快辨识算法的收敛速度;其次,从鹰群位置更新的角度考虑,通过随机反向学习策略优化鹰群中位置最差个体,使算法的模糊性和随机性提高,增强全局搜索性能,使辨识结果更精确;最后,为了防止过早收敛,将目前的最佳个体位置保留进入下一次迭代,改善传统哈里斯鹰算法易陷入局部最优和精度下降的问题。在基于PMSM电压方程建立的数学模型基础上,将多项优化的哈里斯鹰算法(MIHHO)和标准哈里斯鹰算法(HHO)、粒子群算法(PSO)以及麻雀搜索算法(SSA)进行测试。经过仿真和实验证明,MIHHO对于PMSM参数辨识具有更加优秀的稳定性、收敛速度以及更高的辨识精度。