基于差分变异算子的改进人工蜂群算法

文章针对传统人工蜂群算法收敛速度慢、精度不高的问题,基于差分进化算法中的变异算子,对人工蜂群算法搜索方程进行改进,在种群更新过程中引入当前种群最优个体信息,以提升算法的收敛速度和局部优化能力。     

混沌策略和单纯形法改进的鲸鱼优化算法

为解决鲸鱼优化算法收敛速度慢和寻优精度低等问题,提出了一种基于混沌策略和单纯形法优化的鲸鱼优化算法(whale optimization algorithm based on chaos optimization and simplex optimization,CSWOA)。首先,采用混沌反向学习策略初始化鲸鱼种群个体,降低随机化的原始种群对算法收敛的影响;然后,引入一种自适应权重策略,平衡算法的全局寻优和局部探索能力;最后,再引入单纯形法对原算法进行改进,提高算法的局部搜索能力和寻优能力。对8个典型基准函数的仿真分析表明,CSWOA的收敛速度和寻优精度均有一定的提高。     

基于收敛因子非线性动态变化的灰狼优化算法

针对基本灰狼优化(grey wolf optimization,GWO)算法在解决高维数值优化问题时存在易陷入局部最优、收敛速度慢等缺点,提出一种基于收敛因子非线性动态变化的改进GWO(IGWO)算法。该算法首先利用混沌初始化生成初始种群,以提高初始灰狼个体的质量;然后,通过引入指数函数对GWO算法的收敛因子更新公式进行改进,在进化过程中,收敛因子的大小随迭代次数的增加非线性动态变化,以协调算法的探索能力和开发能力;最后,对当前最优灰狼个体执行混沌扰动,以避免算法出现早熟收敛。对9个典型的测试函数进行了测试,实验结果表明:与基本GWO算法相比,IGWO算法具有更好的寻优性能。     

遗传算法与自适应粒子群算法耦合的大坝安全预警评价模型

改变应用最小二乘法求解大坝统计预警模型的传统方式,利用粒子群算法随机搜索的优化能力确定统计模型的回归系数。针对粒子群算法收敛速度较慢等问题,提出一种新的自适应策略,能够依据粒子个体和种群的优化信息,调整学习因子,并将该策略与遗传算法的交叉、变异算子相结合。通过工程算例表明,该方法具备较好的搜索多样解能力,自适应地调整粒子飞行的步长,提高了粒子群算法的收敛速度;基于该方法的大坝预警评价模型与最小二乘法、基本粒子群算法相比,数据挖掘能力强,预警评价结果与大坝的实际运行状态更加吻合,有效地提高了统计模型的预测精度。     

基于混合算子蛙跳算法求解线性方程组

传统方法求线性方程组的解计算十分繁琐存在一定的局限性。例如牛顿迭代法,有对初值选取的要求较高等缺点。基于以上不足,本文运用混合算子蛙跳算法来求解线性方程组,把原线性方程组转换成求适应度函数最小值的优化问题,并充分利用混合算子蛙跳算法较强的寻优能力找到最优解。通过6个线性方程组仿真实验结果表明,混合算子蛙跳算法对求解线性方程组的解比传统方法便于实现,在求解精度跟收敛速度方面都比其它算法好。     

一种基于Pareto云隶属度的MOPSO算法

为定量解决非支配解排序问题,并兼顾多目标粒子群优化算法(multi-objective particle swarm optimization,MOPSO)的收敛性和多样性,提出了一种基于Pareto云隶属度的MOPSO算法。利用Logistic混沌映射优化种群的初始空间分布并融合布谷鸟搜索(cuckoo search,CS)指导粒子跳出局部陷阱,以增强算法的全局寻优能力。首次提出云向量评价Pareto最优解集方法,采用云隶属度评价准则对粒子适应度值进行量化评价。依据云隶属度选取个体最优和群体最优,平衡全局开发与开采,进而实现外部档案维护。测试函数集ZDT的实验结果表明,改进算法在收敛性和多样性方面较MOPSO和NSGA-Ⅱ有一定优势。     

全局最优位置变异粒子群优化算法

针对粒子群优化算法的早熟收敛,容易陷入局部最优且搜索精度不高等缺点,在现有的粒子群优化算法的基础上对其进行了若干改进,提出了避免微粒群陷入局部最优的全局最优位置变异的粒子群算法,并与其他算法做了比较,体现了其优越性.     

粒子群算法求解物流路径优化问题

为了高效解决物流配送车辆路径优化问题,提出一种粒子群优化算法,根据粒子群较强的寻优能力,扩大了种群多样性和提高算法精度。本文针对此算法进行仿真实验,结果证明该算法寻求的最优解、平均解、以及找到最优解次数和时间均有明显效果。     

基于遗传算法的沿海混凝土耐久性优化设计

传统遗传算法存在易早熟、随机性较大、收敛速度较慢等问题,本文通过设计新的交叉算子和变异算子,提出了新的自适应遗传算法,该算法可以有效提高收敛速度并防止算法陷入局部最优解。本文以造价最低为目标函数,以沿海混凝土的耐久性、强度和工作性能为约束条件,基于遗传算法建立了耐久性优化模型,得到了混凝土结构材料用量的最优配合比以及最优保护层厚度,为混凝土的耐久性研究提供了参考和借鉴。     

基于改进人工蜂群算法的配电网故障恢复

针对传统的配电网故障恢复算法收敛速度慢、易陷入局部最优的问题,提出了一种基于改进人工蜂群的配电网故障恢复方法。首先,跟随蜂按照适应度排序的选择策略(rank fitness selection)进行蜜源选择,此方法根据目标值将种群个体排序,按照个体的序位来选择蜂源个体,保持了种群的多样性,避免了"早熟"现象;进而,侦查蜂采用变邻域搜索算法,通过改变拓展结构集的搜索范围获取新蜜源,同时考虑到配电网故障恢复多目标函数搜索的难度,将目标函数归一化后采用层次分析法进行整合,变为单目标函数优化问题;最后,对整合后的目标函数在传统配电网与含分布式电源的系统中进行优化求解,得到供电恢复方案。算例分析表明:文中所提方法与传统人工群群算法相比,迭代次数均减少40%以上,综合目标函数最大可增大11.55%。