粒子群优化鱼群算法及其在光伏系统最大功率点跟踪中的应用

将标准粒子群优化算法中的速度惯性、粒子个体的记忆因素和粒子间学习交流因素等几个特征引入人工鱼群算法,提出了粒子群优化鱼群算法。在新算法中,鱼群的游动具有了速度惯性的特征,并且其行为模式被扩充为追尾、聚群、记忆、交流以及觅食。通过仿真分析,验证了粒子群优化鱼群算法比两种基本算法具有更快的收敛速度和更高的寻优精度,且性能稳定。最后将所提出的粒子群优化鱼群算法应用于局部遮阴情况下的光伏发电系统最大功率点跟踪,实验表明,该算法可以在很短时间内以很高精度寻得不均匀光照系统的最大功率点。     

基于高斯扰动的粒子群优化算法

针对标准粒子群优化(PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于高斯扰动的粒子群优化算法。该算法采用对粒子个体最优位置加入高斯扰动策略,有效地防止算法陷入局部最优,加快收敛并提高收敛精度。在固定评估次数的情况下,对8个常用的经典基准测试函数在30维上进行了仿真。实验结果表明,所提算法在收敛速度和寻优精度上优于一些知名的粒子群优化算法。     

基于高斯扰动的粒子群优化算法

针对标准粒子群优化(PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于高斯扰动的粒子群优化算法。该算法采用对粒子个体最优位置加入高斯扰动策略,有效地防止算法陷入局部最优,加快收敛并提高收敛精度。在固定评估次数的情况下,对8个常用的经典基准测试函数在30维上进行了仿真。实验结果表明,所提算法在收敛速度和寻优精度上优于一些知名的粒子群优化算法。     

融合单纯形法和个体记忆的鲸鱼算法及工程应用

针对传统鲸鱼优化算法寻优精度低、收敛速度慢、易获局部最优的不足,提出基于单纯形法和融入个体记忆的改进鲸鱼优化算法。引入非线性收敛因子调整机制,使收敛因子呈现不同递减速率,前期注重全局搜索,后期注重精细开发,协调搜索与开发的平滑转换;引入单纯形法增强种群局部搜索能力,提升寻优收敛速度;融合个体记忆和种群最优解改善位置更新,协调个体与种群的信息交流和个体记忆对算法的搜索和寻优能力。基准函数寻优测试结果表明,该算法可以有效提升收敛速度和寻优精度,避免局部最优解。将改进算法应用于拉伸弹簧设计这类典型工程设计问题,验证了算法的可行性。     

动态分组方案的自适应人工鱼群算法

为了克服基本人工鱼群算法收敛速度慢、求解精度不高和易陷入局部最优的不足,提出了自适应调整人工鱼群算法参数的方法,该方法采用个体鱼适应值与整个鱼群的平均适应值作比较,将整个鱼群分为三组,再采用自适应调整每组鱼群的视野范围和步长的方法,对基本鱼群算法进行了优化和改进。应用四个典型的测试函数进行仿真实验,分析算法的寻优精度、收敛速度及稳定性。实验结果表明改进后的算法能够较快地收敛至全局较优解,并具有较好的寻优性能。     

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法.通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态: 若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率.在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等.     

基于多尺度分数阶多重记忆与学习的粒子群算法

针对粒子群优化算法在搜索高维多峰问题时容易出现种群多样性减少,导致算法早熟收敛,陷入局部最优等缺点。本文提出了一种基于多尺度分数阶多重记忆与学习的粒子群算法,该算法将分数阶微积分引入标准粒子群速度、位置更新公式,通过记忆粒子的历史速度、位置轨迹、个体最优轨迹、种群最优轨迹,借助分数阶微积分具备的长期记忆特性来充分利用寻优过程中的历史信息,增强算法的收敛速度和收敛精度。同时针对种群进化过程中出现的一些特殊情况,采用多尺度分数阶和轨迹纠错学习策略来保护种群多样性,减少算法陷入局部最优的可能。通过基准测试函数的测试实验,结果表明,该算法与其它粒子群算法相比具有较强的竞争力。     

基于混沌搜索的粒子群优化算法

粒子群优化算法(PSO)是一种有效的随机全局优化技术。文章把混沌优化搜索技术引入到PSO算法中,提出了基于混沌搜索的粒子群优化算法。该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高的算法的收敛速度和计算精度。仿真计算表明,该算法的性能优于基本PSO算法。     

基于Log-Linear模型的Gauss-Cauchy自适应人工鱼群算法

针对基本人工鱼群算法在寻优过程中易在非全局极值点附近大量聚集,导致寻优精度降低、收敛速度过慢、人工鱼群多样性降低等问题,提出了一种基于Log-Linear模型的Gauss-Cauchy自适应人工鱼群算法。首先,在基本人工鱼群算法中引入Log-Linear模型来优化人工鱼的三个行为;其次,在算法中引入自适应调整人工鱼视野和步长的策略,随着算法的进行提高了人工鱼的搜索范围和寻优精度;再次,利用Gauss-Cauchy变异来提高人工鱼的多样性。仿真实验结果表明,该算法与其他改进算法相比,有效地提高了收敛速度和寻优精度,保持了人工鱼群的多样性。     

粒子群及人工鱼群算法优化研究

本文分析了粒子群算法和人工鱼群算法的基本原理,提出粒子群及人工鱼群算法优化策略,该算法综合利用了人工鱼群算法良好的全局收敛性及粒子群算法快速的局部收敛性,算法易实现,同时,克服人工鱼群算法收敛速度慢及粒子群算法后期全局收敛差的缺点,发挥了两者的优越性,粒子群及人工鱼群优化算法不仅具有较好的全局收敛性能,而且具有较快的收敛速度。     

人工鱼群与微粒群混合优化算法*

针对人工鱼群算法局部搜索不精确、微粒群优化算法易发生过早收敛等问题,提出一种新的人工鱼群与微粒群混合优化算法。算法的主要思想是先利用人工鱼群的全局收敛性快速寻找到满意的解域,再利用粒子群算法进行快速的局部搜索,所得混合算法具有局部搜索速度快,而且具有全局收敛性能。最后,以五个标准函数和一个应用实例进行测试,测试结果表明,提出的算法在一定程度上避免了陷入局部极小,加快了收敛速度且提高了搜索精度。     

配送中心选址分配问题的DNA-鱼群算法研究

人工鱼群算法在算法后期容易陷入局部最优,从而降低了寻优的精度及收敛的速度。提出一种新的改进算法——DNA-鱼群算法,将DNA算法中的交叉变异操作应用到基本人工鱼群算法中,丰富了鱼群的多样性,促进人工鱼跳出局部最优,并将改进的人工鱼群算法用于解决配送中心选址分配问题。实验仿真表明,DNA-鱼群算法具有更好的寻优能力。     

一种基于混沌遗传与粒子群混合优化的过程神经网络训练算法

针对时变输入/输出过程神经网络的训练问题,提出一种基于混沌遗传与带有动态惯性因子的粒子群优化相结合的学习方法。综合利用粒子群算法的经验记忆、信息共享和混沌遗传算法的混沌轨道遍历搜索性质,基于PNN训练目标函数,构建两种算法相混合的进化寻优机制,通过适应度评估和优化效率分析自适应调节混沌遗传与粒子群算法的切换,实现网络参数在可行解空间的全局优化求解。实验结果表明,该算法较大提高了PNN的训练效率。     

基于改进随机移动算子的人工鱼群算法

人工鱼群基本算法在求解多峰函数最优值时,存在计算精度有限,易陷入局部最优,鲁棒性较差以及收敛速率较慢和搜索效率较低的缺点,而随机移动算子的随机性是造成这些缺点的重要因素。通过引入粒子群算法思想和自适应扰动的思想对随机移动算子进行改进,进而提出了基于粒子群算法的人工鱼群算法（PSO-AFSA）和包含自适应扰动项的改进人工鱼群算法（ADI-AFSA）,并证明了两种改进算法的收敛性。利用公认测试函数集进行仿真实验,结果表明两种改进算法与人工鱼群基本算法及其传统改进算法相比,提高了计算精度、收敛速率、搜索效率并且具有更好的鲁棒性。     

基于控制理论的微粒群算法分析与改进

利用控制理论对基本微粒群算法、标准微粒群算法及带有收缩因子的微粒群算法进行了详细的分析，结果表明它们或为一个积分环节与两个惯性环节组成的系统；或为三个惯性环节组成的系统．为了提高算法效率，建立了由积分环节与震荡环节组成的系统所对应的改进微粒群算法，并讨论了参数的选择方法．仿真实例证明了该算法的正确性与有效性．     

群体区域搜索算法

借鉴自然界群居生物的搜索行为模式,提出一种群体区域搜索算法。该算法在优化过程中逐步收缩个体搜索半径并进行适度随机调整,引入巡游追随机制,以一种简单而自然的方式有效地实现了算法广域探索能力与局部开发能力之间的平衡。算法结构简单、易实现,易与其他算法相结合。通过6个典型测试函数的实验结果表明,该算法全局优化能力强、收敛精度高、稳定性好、总体性能优,适用于复杂函数优化问题的处理。     

一种改进的鲁棒多目标优化方法

针对在解决某些复杂多目标优化问题过程中,所得到的Pareto最优解易受设计参数或环境参数扰动的影响,引入了鲁棒的概念并提出一种改进的鲁棒多目标优化方法,它利用了经典的基于适应度函数期望和方差方法各自的优势,有效地将两种方法结合在一起。为了实现该方法,给出一种基于粒子群优化算法的多目标优化算法。仿真实例结果表明,所给出的方法能够得到更为鲁棒的Pareto最优解。     

带两类正态变异的PSO 算法

针对基本粒子群优化算法(PSO)容易陷入局部最优点和收敛速度较慢的缺点,提出在PSO更新过程中加入两类基于正态分布投点的变异操作。一类变异用来增强局部搜索能力,另一类变异用来提高发现全局最优点的能力,避免所有粒子陷入到一个局部最优点的邻域内。数值结果表明,所提出算法的全局搜索能力有显著提高,并且收敛速度更快。     

基于精英学习的量子行为粒子群算法

在分析量子行为粒子群算法中吸引子指导作用的基础上,引入两种精英学习策略,提出了基于精英学习的量子粒子群算法(QPSO-EL)。采用动态逼近学习策略对精英个体进行局部更新,协助其跳出自身局部极值点,引导种群进行有效搜索;借鉴群体早熟判断机制对停滞状态下的精英个体空间进行变尺度混沌扰动,增大种群全局搜索空间,有效平衡了算法的局部和全局搜索能力。典型函数的仿真结果表明,该算法具有收敛速度快、求解精度高的特点。