基于改进哈里斯鹰算法的梯级泵站优化调度

为了提高梯级泵站系统运行效率,节约工程运行成本,以梯级泵站运行效率最大化为目标,建立梯级泵站优化调度模型,提出基于改进哈里斯鹰算法（HUHHO）的梯级泵站优化调度方法.将饥饿率引入哈里斯鹰算法（HHO）以更好地实现探索与开发之间的平衡;在探索阶段添加1个偏移项以考虑哈里斯鹰饥饿感强弱对搜寻猎物能力的影响,提高算法的寻优能力、避免陷入局部最优.通过基准测试函数验证HUHHO寻优性能的优越性.将HUHHO应用于北京市某三级泵站优化调度中,对HUHHO求解梯级泵站优化调度问题的可行性与有效性进行验证.结果表明：相较于现状方案,基于HUHHO的优化方案可使梯级泵站运行效率提高0.11个百分点,年运行成本节约42 187元,优于利用粒子群优化算法（PSO）、遗传算法（GA）、HHO得到的运行效率及节约成本.     

新型群体智能优化算法综述

智能优化算法主要分为4类:仿自然优化算法、进化算法、仿植物生长算法和群体智能优化算法,其中群体智能优化算法是最为重要的一类算法.智能优化算法与图像处理、故障检测、路径规划、粒子滤波、特征选择、生产调度、入侵检测、支持向量机、无线传感器、神经网络等技术领域交叉融合,应用更加广泛.以蝙蝠算法、果蝇优化算法、鲸鱼优化算法、樽...     

改进哈里斯鹰优化算法与BP神经网络组合的滑坡位移高精度预测模型

开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明:引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题; IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。     

基于混合决策的改进鸟群算法

针对鸟群算法(bird swarm algorithms, BSA)在求解复杂函数问题时存在的精度低、易陷入局部最优等问题,在保留BSA简单性的同时,提出一种基于混合决策的改进鸟群算法(improved bird swarm algorithms based on mixed decision making, IBSA)。应用重心反向学习机制初始化鸟群,维持鸟群较好的空间解分布。为了有效平衡算法在寻优过程中全局探索能力和局部发觉能力,动态调整鸟群飞往另外区域的周期。引入自适应余弦函数权重策略和加权平均思想对生产者觅食公式进行改进,增加算法在陷入局部最优后的脱困能力。在9个测试函数的基础上通过仿真试验对比基于IBSA、BSA、粒子群算法(particle swarm optimization, PSO)性能。结果表明,改进算法在单峰函数和多峰函数的测试中,寻优精度和寻优速度得到了较大程度上的提升。     

混合引力搜索的自适应反向学习蜉蝣优化算法

针对蜉蝣优化算法全局探索能力较弱,易陷入局部最优的不足,提出了两种改进策略：利用引力搜索算法更新蜉蝣的速度公式,以增强算法的全局探索能力和局部开发能力;对蜉蝣种群执行自适应反向学习策略,以提高算法的收敛速度及求解精度。将两种策略分别引入雌雄种群中得到六种算法变体。仿真结果表明,雄性种群混合引力搜索算法且雌性种群引入自适应反向学习策略的变体性能最好,命名为GSA-OMA算法。与8个元启发式优化算法相比,GSA-OMA算法具有更好的寻优精度和收敛速度。     

一种具有学习机制的海鸥优化算法

为了克服海鸥优化算法在求解高维问题时存在的收敛速度慢、容易早熟和解精度低等问题,提出一种具有学习机制的海鸥优化算法(ISOAL)。首先,设计了一种基于当前粒子X_i与种群均值状态X_m差异的迁移算子,提升早期个体对解空间的搜索范围。其次,引入非线性自适应参数A保证算法适合于复杂问题解空间的搜索,避免算法过早地陷入局部最优。最后,通过引入部分精英粒子执行反向学习,加强对种群内的最优粒子所在空间的勘探,提高算法的解精度。实验选择了CEC2017中的10个无约束测试函数检测算法的性能,并与HPSO-TS、V-DVGA、DADE、CMA-ES等算法进行对比,该组实验结果显示,ISOAL比其他算法具有更高的解精度和稳定性。针对张力弹簧问题进行实验,结果表明：ISOAL所获得的弹簧总代价比SOA降低了3.5%,弹簧的线圈直径和平均直径分别下降了5.7%和3.5%。ISOAL算法具有收敛速度快、精度高和鲁棒性的特点,适合求解较高维度的连续函数优化问题和带有约束的工程优化问题。     

一种改进的粒子群与人工蜂群融合算法

针对标准的粒子群算法和人工蜂群算法收敛性能差、在复杂优化问题易陷入局部最优的缺点,提出了一种改进的融合算法.改进融合算法拥有双种群并行进化,其中粒子群采用改进的反向学习策略,以增加群体的多样性;蜂群中跟随蜂根据个体停滞次数,自适应地改变进化策略,以平衡全局探索与局部开发能力.同时算法将交替共享两个种群的全局最优位置,通过相互引导使融合算法具有更好的寻优能力.8个经典函数和CEC2013的8个复合函数的实验结果表明,与最新的一些改进粒子群和人工蜂群算法相比,该算法的收敛速度和收敛精度均有较显著的优势.     

一种多策略搜索寻优的改进鸽群优化算法

针对鸽群优化算法易于早熟收敛、陷入局部最优解的不足,提出了一种改进的鸽群优化算法(MSIPIO)．首先,在地图和指南针算子中引入免疫算法,并提出变异因子,通过交叉变异,同时提升了算法前期找到最佳寻优方向的概率;其次,在地标算子中提出种群衰减因子和全局影响因子,克服标准鸽群优化算法后期数目衰减过快的不足,增强算法寻优能力;最后,利用模拟退火机制对次优解进行保留,有效减缓标准鸽群优化算法陷入局部最优解的问题,提高了算法获得全局最优概率．仿真结果表明,与其他5种算法相比,MSIPIO算法在收敛精度上有明显提升,并且能够有效避免陷入局部最优解．     

一种使用反向学习策略的改进花粉授粉算法

为了进一步提高基本花粉授粉算法的性能,提出了一种改进的花粉授粉算法(EFPA).该算法在演化过程中以一定的概率利用一般反向学习策略对当前种群作一般反向变换,从而生成一般反向变换种群,然后将一般反向变换种群与当前种群同时进行竞争,选择出优秀的个体进入下一代种群.在演化计算领域中广泛使用的基准测试函数上,将提出算法与基本花粉授粉算法进行了比较实验,实验结果表明提出算法能够有效地提高基本花粉授粉算法的性能.     

一种改进的混合粒子群优化算法

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,把Hooke-Jeeves模式搜索方法作为粒子群优化算法的一个局部搜索算子,嵌入到粒子群算法中,Hooke-Jeeves的强局部搜索能力提高了粒子群优化算法的局部收敛速度和精度,从而提出了一种混合粒子群优化算法。通过基准函数和实例测试进行了验证,结果表明,提出的混合算法的收敛速度和精度均优于粒子群优化算法。     

一类模拟退火算法与遗传算法混合优化策略

提出一类模拟退火算法（GA）和遗传算法（SA）的混合策略。算法结构上,提出模拟退火算法与遗传算法相结合,既发挥模拟退火算法搜索面广、遗传算法收敛快的优点,又克服前者收敛速度较慢而后者收敛容易早熟的问题。在算法操作细节上,加入杰出个体保护策略及自适应调整的遗传操作,以及增加记忆功能的模拟退火操作与收敛准则。从而既防止算法陷入局部最优,又提高收敛速度及搜索效率。     

基于改进的单纯形和微分进化的混合优化算法

在对微分进化算法DE进行分析的基础上,结合单纯形算法(NM),提出了一种基于DE和NM的混合算法DE-NM,该算法充分利用DE算法的全局搜索能力和NM算法的局部搜索能力,使得种群既保持了个体的多样性,同时也加快了收敛速度。通过与其他一些优化算法对比表明,DE-NM混合算法是求解优化问题的一种有效算法。     

基于IHHO算法的室内可见光灯源布局优化

针对室内可见光通信存在接收功率不平坦、光照度不均匀等问题,提出了一种改进哈里斯鹰优化算法(IHHO)对室内传统四灯源布局的灯源位置信息进行优化。经Matlab R2018b仿真表明,IHHO算法优化的灯源布局功率分布上更均匀,功率方差为0.359 dBm,照度范围为368.32～665.18 lx,照度均匀度为72.25%,均优于原始灯源布局、PSO算法以及HHO算法优化的灯源布局,所以IHHO算法的灯源布局优化方法对室内可见光通信有明显的改善效果。     

基于仿生优化算法的聚类改进算法

为提升聚类算法的聚类效果,采用仿生优化算法与k均值聚类算法相结合(BFOA-K)实现数据聚类。在聚类过程中,为解决k均值对于初始质心敏感以及容易陷入局部最优的问题,使用果蝇优化算法确定k均值聚类算法的质心,再使用k均值聚类算法进行数据聚类。针对果蝇优化算法对于飞行步长的影响,采用F分布动态改变步长,提升算法全局搜索能力。同时采用精英保留策略,提升果蝇种群的多样性,扩大了搜索范围和提升了搜索效率。利用4个UCI标准数据集对算法进行仿真实验,结果表明,本文提出的BFOA-K算法在各项聚类评估指标中都优于其余对比算法,提升了算法的收敛性,证明了算法的有效性和可行性。     

基于改进蝙蝠算法的混合储能系统容量优化配置

针对光伏发电在微网中不稳定、功率波动较大的问题,利用超级电容和蓄电池的混合储能系统对微电网中功率波动部分进行平抑。根据光伏功率波动率和储能响应特性,提出基于低通滤波器分解的功率分配方法,采用改进的蝙蝠算法对混合储能进行容量优化配置,以混合储能装置全生命周期费用最小为目标,以系统的功率平衡、储能的荷电状态以及负荷缺电率等指标为约束条件,建立一种混合储能系统容量优化配置模型,实现混合储能系统经济最优。算例仿真结果表明,改进的蝙蝠算法不仅优化了蓄电池的工作状态,降低了储能系统的全生命周期费用,而且加快了收敛速度。     

基于改进樽海鞘算法的微电网优化调度运行

微电网系统中包括多种微电源,需要满足大量的约束条件,传统的优化算法求解易陷入局部最优,难以得到最优解。针对此类问题,提出一种多策略协同优化樽海鞘算法（MSSSA）,在同时考虑运行与环境污染的情况下,以综合成本为目标函数,设定功率平衡、爬坡率、联络线交互功率极值等约束条件,然后利用MSSSA对微电网调度模型进行求解。通过对比仿真结果,验证了MSSSA较其他算法的优越性和对微电网系统优化的合理性。     

混沌优化算法的参数分析

通过一些典型的复杂测试函数，对［１］中提出的混沌算法的效率及其参数，用统计的方法进行了详细的分析。     

一种改进的灰狼优化算法

为了克服标准灰狼优化(GWO)算法寻优精度不高,难以在收敛速度和避免陷入局部最优之间取得平衡等问题,提出了一种改进的灰狼优化(IGWO)算法.该算法采用非线性收敛因子策略和自适应调整策略来提高寻优精度和加快收敛速度.选取10个基准函数对IGWO算法进行验证表明,IGWO算法的优化精度和收敛速度显著优于标准GWO算法和其他元启发式算法,因此本文提出的IGWO算法在求解最优参数方面具有良好的应用价值.