改进蚁群算法求解移动机器人路径规划

在全局静态环境下,提出一种改进蚁群算法,解决传统蚁群算法用于路径规划出现的收敛速性差、局部最优和求解质量差等不足。该算法引入障碍物排斥权重和新的启发因子到路径选择概率中,提高避障能力,增加路径选择的多样性;然后,设置局部信息素的阈值和限定范围更新局部信息素,采用交叉操作获取新路径,引入最优解和最差解,改变全局信息素的更新方式,提高全局搜索能力和解的质量,避免算法陷入局部最优。仿真结果表明,该算法能有效获得最优路径,在长度上比蚁群算法及其他算法分别减少了18%、5.7%和11%,算法迭代次数及运行时间都有所降低,提高了收敛速度和搜索能力。     

求解全局优化问题的多策略改进灰狼算法

针对原始灰狼算法在求解全局优化问题时,存在后期收敛速度慢、易陷入局部最优、优化效率低等缺点,提出一种多策略改进的灰狼优化算法(multi-strategy improved grey wolf optimization, MSI＿GWO)。从参数、搜索机制以及最优解扰动3个方面引入3种改进策略。对控制参数a,采用非线性调整策略,改进算法的勘探和开发能力;采用动态权重策略进行位置更新,提高算法的收敛性;设计小波最优解扰动策略,提高种群多样性,同时避免算法陷入局部最优。对MSI＿GWO算法的寻优性能进行验证,选取单峰多峰共9个测试函数完成仿真实验,并与其他改进灰狼优化算法以及粒子群、天鹰优化算法、蜜獾算法进行比较,结果表明,MSI＿GWO算法在收敛速度和寻优效率方面均为最优的。     

引入改进迭代局部搜索的灰狼算法及应用

针对标准灰狼算法(GWO)收敛速度慢,易陷入局部最优等缺点,提出一种引入改进迭代局部搜索的灰狼算法(IGWO)。首先,通过佳点集策略增强初始种群的均匀性与多样性;其次,采用双收敛因子,收敛因子基于种群位置非线性自适应更新,在种群寻优全期平衡全局勘探与局部开发能力;再次,在种群位置更新公式引入欧氏动态权重与莱维飞行策略,提升寻优精度,并帮助种群跳出局部最优值;最后,引入改进迭代局部搜索,使算法的搜索能力更加灵活,帮助算法加速收敛。通过10个基准测试函数的仿真分析及种群寻优平衡性对比,证明了IGWO具有更优的寻优精度、稳定性及收敛速度,随后将IGWO应用于工程优化问题中,相比GWO、GJO、WOA、HSSAHHO、SCHOA、NCPGWO、DSFGWO 7种算法,适应度分别优化了3.25%、27.2%、28.9%、3.15%、3.04%、0.23%、0.07%,证实了在工程应用中的可行性和有效性。     

基于改进人口迁移算法的输电网扩展规划

输电网扩展规划是一个非常复杂的大规模组合优化问题,对比提出了一种改进人口迁移算法的求解方法.标准人口迁移算法在求解过程中搜索容易陷入局部最优解和后期收敛时间较长等问题,针对以上缺点,对算法的迭代初始化、种群生成策略以及参数设置进行了改进,将遗传算法的最优保留思想引入到算法中,提高了算法搜索全局最优解的能力与收敛到最优解...     

云计算多目标任务调度的优化粒子群算法研究

针对传统粒子群算法求解云计算多目标任务调度的收敛速度慢、精度低的缺陷,提出一种优化多目标任务调度粒子群 算法(MOTS-PSO)。 首先,引入非线性自适应惯性权重,改变粒子的寻优能力,避免算法陷入局部最优;其次引入花朵授粉算法 概率更新机制,平衡粒子的全局搜索和局部寻优,并对粒子的全局搜索位置更新公式进行改进;最后引入萤火虫算法,产生“精 英解”对局部搜索位置更新公式进行改进;同时利用“精英解”对粒子的位置进行扰动,跳出局部最优状态。 实验表明,MOTS-PSO 算法在收敛速度和收敛精度上,比 PSO 算法提高了 27. 1%、19. 9%,比 FA 算法提高了 22. 09%、5. 2%。 进一步实验表明, MOTS-PSO 算法在解决不同规模数量的任务调度时,比 PSO、FA 算法效果更优。     

基于改进蚁群算法的输电网络扩展规划

针对基本蚁群算法在求解过程中经常出现搜索陷入局部最优解和收敛到全局最优解的时间较长这2个问题,对蚁群算法的转移概率和信息量全局更新进行了改进,提高了蚁群算法搜索全局最优解的能力与收敛到最优解的速度.将改进后的算法应用于单阶段输电网络扩展规划问题,建立了单阶段输电网络扩展规划的数学模型,设计了相应的算法.实例计算结果表明该方法的可行性和有效性.     

基于改进灰狼优化算法的光伏MPPT方法

在局部阴影情况下,光伏阵列输出的功率-电压曲线会出现多个峰值,需要具有全局寻优能力的群体智能优化算法来进行最大功率追踪(Maximum Power Point Tracking, MPPT)。针对传统群体智能优化算法普遍存在的收敛速度慢、振荡幅度大和易陷入局部最优等问题,提出了一种基于改进灰狼优化算法的控制方法。该算法采用区间收缩策略,通过不断减小搜索区间范围,提高算法的收敛速度和求解精度;同时,采用反向优化策略,增加对当前最优位置反向解的搜索,提高了搜索过程的多样性,帮助算法跳出局部最优。仿真统计结果表明,相较于传统算法,改进算法具有更高的追踪成功率、追踪准确性和更短的追踪时间。     

基于混沌优化的双种群人工蜂群算法

为提高人工蜂群算法(ABC)的全局搜索能力,加快收敛速度,提出了一种基于混沌优化的双种群人工蜂群算法(BCABC)。算法将种群随机分为2个种群,在子种群中分别采用不同的选择策略,并通过种群间的信息交互,提高算法的收敛速度。在算法陷入局部最优时,利用混沌思想的遍历性产生新解,跳出局部最优,获得最优解。仿真实验结果表明,改进算法在收敛速度和算法精度上都有明显提高。     

改进EM算法在限流措施优化配置中的应用

仿电磁学算法(Electromagnetism-like mechanism,EM)是一种随机全局优化算法,它通过模拟电磁场的吸引和排斥机制,将每个解比作一个带电粒子,然后按一定准则使得搜索粒子朝最优解移动。本文对该算法进行改进,用均匀设计方法使初始种群更均匀,用混沌法优化局部搜索使其收敛加速,改进了力的计算和粒子的更新,最后将改进的EM算法用于限流措施优化配置中。此算法在求解含有离散变量和非线性约束条件的优化问题时具有实现方便、效率高的优点,使得限流措施优化有很好的收敛性和全局寻优能力。通过对新英格兰39节点系统进行计算及结果分析,说明所提出算法的全局搜索能力强、效率高,能得到较好的结果。     

TS-PSO算法在电力系统无功优化中的应用

为了解决粒子群算法(PSO)局部搜索能力较弱和存在早熟收敛的问题,提出了将禁忌搜索(TS)思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。改进后的算法综合了粒子群算法快速性、随机性和全局收敛的优点,还具有禁忌搜索局部寻优的能力。通过对IEEE-30节点测试系统、铜陵电网实际进行仿真计算,并与其它算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。