基于变异策略的改进型花朵授粉算法*

介绍了一种新的元启发式群智能算法——花朵授粉算法(flower pollinate algorithm ,FPA)和一种新型的差分进化变异策略——定向变异(targeted mutation,TM)策略。针对FPA存在的收敛速度慢、寻优精度低、易陷入局部最优等问题,提出了一种基于变异策略的改进型花朵授粉算法——MFPA算法,该算法通过改进TM策略,并应用到FPA的局部搜索过程中,以增强算法的局部开发能力;同时在FPA的全局搜索过程中引入均匀变异算子,以增强算法的全局寻优能力。最后通过4个标准的测试函数进行测试,测试结果表明,MFPA算法的寻优能力明显优于原始的花朵授粉算法、粒子群算法以及蝙蝠算法。     

基于天牛须搜索的花朵授粉算法

针对花朵授粉算法后期收敛速度慢,寻优精度低的缺点,提出了一种基于天牛须搜索的花朵授粉算法（BASFPA）。算法首先在全局寻优阶段采用天牛须搜索加快收敛,其次在局部寻优阶段加入变异策略帮助算法跳出局部最优。实验使用6个常用优化函数进行测试,结果表明BASFPA在低维和高维下收敛速度和精度均高于其他算法,达到相同精度所需的迭代次数均小于其他算法,证明天牛须搜索对FPA算法的改进是合理的。     

t-分布扰动策略和变异策略的花授粉算法

为了解决传统花授粉算法(FPA)收敛速度慢、易陷入局部最优、寻优精度低等缺陷,提出了一种t-分布扰动策略和变异策略的花授粉算法(t MFPA).首先利用混沌映射初始化花朵个体的位置,然后在全局授粉过程中,利用t-分布扰动的随机个体和莱维飞行共同实现个体位置更新,加快收敛速度的同时提高搜索空间的多样性;在局部授粉过程中,加入具有两个差分向量的变异策略和小概率策略,结合两种策略使算法能够跳出局部最优.实验结果表明,t MFPA相比于FPA和其他启发式智能算法具有更好的寻优精度和收敛速度,相对于其他改进算法具有更好的收敛性能.     

基于混合策略改进的花朵授粉算法

针对传统花朵授粉算法(FPA)在解决复杂问题时搜索精度低和收敛速度慢等问题,提出了一种基于混合策略改进的花朵授粉算法(HSFPA)。采用自适应转换概率策略改进转换概率,动态平衡全局授粉和局部授粉之间的关系;在全局授粉阶段,提出一种动态全局搜索策略,既可以加快算法收敛速度,又能增加花粉种群的多样性,防止花粉陷入局部最优;局部搜索增强策略使得花粉能够充分开发当前优质花粉周围的搜索空间,提高收敛精度;花粉越界修正策略进一步加强了算法的探索能力。通过对10个基准函数进行仿真测试,实验结果表明,HSFPA算法在搜索速度和寻优精度方面具有更好的效果。     

自适应多策略花朵授粉算法

针对花朵授粉算法极易陷入局部最优解且寻优精度不高的问题,提出自适应多策略花朵授粉算法(self-adaptive flower pollination algorithm with multiple strategies,SMFPA)。利用锚点策略提高种群的多样性,采用摄动策略改善全局勘探能力,采用局部搜索增强策略提升其开采最优解的能力。为验证SMFPA的性能,比较5种算法在解决12个测试问题上的寻优结果,实验结果表明,在寻优速度以及寻优精度方面,SMFPA算法表现更优。通过比较算法在管柱设计问题上的寻优结果,进一步评估SMFPA的寻优性能。     

混合改进的花朵授粉算法

针对花朵授粉算法(FPA)收敛速度慢、精度低的问题,提出了一种混合改进的花朵授粉算法(HFPA)。该算法采用均匀初始化和边界变异提高种群多样性,利用正态分布缩放因子进行全局寻优,加快收敛速度。局部寻优引入变异策略帮助算法跳出局部最优。实验使用7个测试函数,对比原FPA算法其他群智能算法,结果表明:HFPA算法在收敛速度和寻优精度方面均有显著的提高。     

基于模拟退火的花朵授粉优化算法

针对花朵授粉算法寻优精度低、收敛速度慢、易陷入局部极小的不足,提出一种把模拟退火(SA)融入到花朵授粉算法中的混合算法。该算法通过SA的概率突跳策略使其避免陷入局部最优,并利用SA的全域搜索的性能增强算法的全局寻优能力。通过6个标准测试函数进行测试,仿真结果表明,改进算法在4个测试函数中能够找到理论最优值,其收敛精度、收敛速度、鲁棒性均比基本的花朵授粉算法(FPA)、蝙蝠算法(BA)、粒子群优化(PSO)算法及改进的粒子群算法有较大的提高;同时,对非线性方程组问题进行求解的算例应用也验证了改进算法的有效性。     

融合高斯变异和Powell法的花朵授粉优化算法

花朵授粉算法(flower pollination algorithm,FPA)是最近提出的一种新型群智能优化算法,由于其较好地解决了全局搜索和局部搜索的平衡性问题,且具有参数少,易实现等特点,已得到广泛应用和研究,但现有研究对其参数的研究较少,同时该算法也存在演化后期收敛速度慢且易陷入局部极小等缺陷,使其应用范围受到制约。为了提升FPA算法的整体性能,对其控制步长的缩放因子的取值进行了修正;提出了把高斯变异和Powell法融入到花朵授粉算法中的混合算法GMPFPA(flower pollination algorithm combination with Gauss mutation and Powell search method)。改进算法首先利用高斯变异对全局搜索进行扰动,增强种群的多样性,提高全局探测能力,然后引入局部寻优能力强大的Powell法提升其局部开发能力。通过12个高维经典测试函数对比实验,验证了改进算法的有效性和优越性。     

基于随机替换和多样性控制的花朵授粉算法

针对花朵授粉算法收敛速度慢、不易跳出局部最优、搜索精度低的问题,根据花朵授粉算法的运动特点,提出了中心随机替换策略,加快算法的搜索速度。同时为了提高算法的全局搜索能力,加入多样性控制策略,动态改变转换概率[p],增加全局搜索的概率。经六种测试函数仿真实验,该算法在加快收敛速度的同时,合理地保持算法的多样性,相比于其他启发式智能算法拥有更快的寻优速度和更好的寻优精度。     

整数规划的花授粉算法

整数规划是NP困难(Non-deterministic Polynomial-time hard,NP-hard)的经典问题之一。整数规划的花授粉算法(Integer Flower Pollination Algorithm,IFPA)是采用截断取整的方法,将最近开发的花授粉算法(Flower Pollination Algorithm,FPA)扩展到求解整数规划问题。通过对测试函数集进行仿真实验,结果表明IFPA拥有很好的性能和很强的全局寻优能力,可以作为一种实用方法用于求解无约束整数规划和有约束整数规划问题。     

基于单纯形法和自适应步长的花朵授粉算法

针对花朵授粉算法易陷入局部极值、后期收敛速度慢的不足,提出一种基于单纯形法和自适应步长的花朵授粉算法。该算法在基本花朵授粉算法的全局寻优部分采用自适应步长策略来更新个体位置,步长随迭代次数的增加而自适应地调整,避免局部极值;在局部寻优部分对进入下一次迭代的部分较差个体采用单纯形法的扩张、收缩/压缩操作,提高局部搜索能力,进而提高算法的寻优能力。通过八个CEC2005benchmark测试函数进行测试比较,结果表明,改进算法的寻优性能明显优于基本的花朵授粉算法,且其收敛速度、收敛精度、鲁棒性均较对比算法有较大提高。     

一种改进的新型元启发式花朵授粉算法

最近,受自然界花朵授粉过程的启发,Yang提出了一种新的元启发式群智能算法——花朵授粉算法,该算法融合了现有其他智能算法的优点。首先阐述了花朵授粉的特征,从机理上描述了该算法的实现步骤,同时对该算法的寻优性能进行了剖析。其次,针对花朵授粉算法寻优精度低、收敛速度慢、易陷入局部极小的不足,提出一种基于差分进化策略的花朵授粉算法。该算法引入差分进化中的变异、交叉及选择操作,使缺乏变异机制的花朵授粉算法具有变异能力,增加种群的多样性,提高算法的全局寻优能力和避免种群个体陷入局部最优。通过十个标准测试函数进行测试,仿真结果表明,改进算法的寻优能力明显优于基本的花朵授粉算法、蝙蝠算法、粒子群算法及改进的粒子群算法     

基于改进北极熊算法的多租户数据中心电力成本优化方法研究

为了满足电力需求响应,通过改进北极熊算法提出了一种面向多租户数据中心的成本优化算法。首先采用一对多的逆向拍卖模型建立租户及运营商的关系,激励租户主动参与拍卖并提交相应的节能方案和期望奖励;接着通过改进现有的北极熊算法,来求解最优租户组合和最小成本,其中采用了sigmoid函数对坐标进行离散化处理;同时为了增强算法跳出局部最优的能力在算法中融入了变异策略,并且为提高算法的寻优能力,采用自适应视野代替固定视野来动态调整局部搜索的范围,进一步降低算法陷入局部最优解的概率。最后将提出的方法分别与经典的算法进行比较,实验结果表明在满足需求响应的情况下,提出的方法不仅花费成本最低,而且具有更高的效率。     

Security constrained optimal power flow solution using new adaptive partitioning flower pollination algorithm

In this paper, a flexible power system planning strategy using a novel population-based metaheuristic algorithm inspired by the pollination process of flowers named adaptive flower pollination algorithm (APFPA) has been proposed. The proposed power system planning strategy implemented and successfully applied for solving the security optimal power flow (OPF) considering faults at critical generating unit. The main particularity of the proposed variant is that the control variables are optimized based on an adaptive and flexible structure. Also the performances of the standard FPA is improved by dynamically adjusting their control parameters, this allows creating diversity and balance between exploration and exploitation during search process. The robustness of the proposed planning strategy, is demonstrated on the IEEE 30-Bus, and IEEE 57-Bus tests power system for different objectives such as fuel cost, power losses, and voltage deviation. Considering the quality of the obtained results compared with various recent methods reported in the literature, the proposed strategy seems to be a competitive tool for solving with accuracy the security OPF considering critical situations.     

基于混合粒子群算法的锌电解过程能耗优化

针对锌电解过程能耗过高的情况,研究其能耗优化问题.根据电力部门实行的分时计价政策,建立以全天锌电解过程电能消耗和总用电费用为目标的锌电解过程多目标优化模型.提出一种带加速度调整的粒子群优化算法,当粒子陷入局部最优时,通过加速度策略增强种群速度,使算法获得持续搜索的能力,有效克服早熟收敛;并和Powell算法相结合构成新的混合粒子群算法,将粒子群算法的全局搜索能力与Powell算法的局部寻优能力有机结合起来.最后将该混合粒子群算法应用于所建优化模型的求解,获得优化生产方案.仿真结果证明了该算法的有效性.工业应用效果表明,按所得优化方案组织生产降低了电能消耗,减少了用电费用.     

基于云量子花朵授粉的极限学习机算法

为了避免花朵授粉算法在极限学习机识别过程中易陷入局部最优，提出了一种基于云量子花朵授粉的极限学习机算法。首先,将云模型和量子系统引入到花朵授粉算法中，增强花朵授粉算法的全局搜索能力，使粒子能在不同状态下进行寻优。然后,采用云量子花朵授粉算法优化极限学习机的参数，提高极限学习机的识别精度和效率。实验中采用6个标准测试函数对多个算法进行仿真对比，对比结果验证了所提云量子花朵授粉算法的性能优于另外3种群智能优化算法。最后，将改进的极限学习机算法应用到油气层识别中，结果表明其识别精度达到98.62%，相较于经典极限学习机，其训练时间缩短了1.680 2 s，该算法具有较高的识别精度和效率，可以广泛应用到实际分类领域中。