细菌觅食差分粒子群算法的无功优化方法

电力系统无功优化是以网损最小化且保持良好电压水平为目的。提出了细菌觅食差分粒子群算法（DEBFO）,并首次应用于电力系统无功优化问题。趋化操作的交叉算子可提高局部搜索能力,变异算子可加强全局搜索能力,繁殖操作使细菌寻优速度加快,迁徙操作避免了细菌早熟。Matlab仿真结果表明DEBFO具有较强的全局寻优能力,收敛速度快,鲁棒性好,能够更有效地解决电力系统无功优化问题。     

采用改进细菌觅食优化算法的无人机航迹规划

针对现有的无人机航迹规划方法收敛速度较慢、效率不高、易陷入局部最优等问题,构建了基于改进细菌觅食优化算法的无人机航迹规划结构,从三个方面改进算法:一是将固定步长改为自适应步长;二是游动时嵌入粒子群算法学习因子思想;三是将固定迁徙概率改为自适应迁徙概率.同时,提出了飞行代价目标函数,通过函数寻优进行无人机航迹规划,并由数...     

细菌觅食算法研究综述

细菌觅食算法是近几年新兴的仿生智能算法,受到众多学者的关注研究,目前已经成功应用到各个领域中。介绍了细菌觅食算法的背景与基本原理,在分析模型的基础上总结了目前学者针对细菌觅食算法改进和应用的方面,包括各个因子的性能、混合算法、应用领域。针对现实环境对细菌觅食算法进行了全面的综述,最后根据算法的基本特性和文献进展情况,给出细菌觅食优化算法未来的研究方向。     

粒子群-细菌觅食在光伏系统MPPT控制中的应用

在光照不均匀情况下,光伏阵列P-V曲线上会出现多个极值点,传统算法容易陷入局部最优而失效。文中提出粒子群-细菌觅食算法,将粒子群算法和细菌觅食算法结合。用粒子群算法进行全局搜索,再将粒子看成细菌用细菌觅食算法进行局部搜索。仿真结果证明,该算法在多峰情况的快速准确性。     

基于混合粒子群算法求解TSP问题

遗传算法是研究TSP问题中最为广泛的一种算法,它具有全局搜索的能力。而粒子群算法收敛速度较快,但容易造成局部最优的情况。本文基于遗传算法的交叉变异设计了混合粒子群算法,通过对TSP问题求解分析,证实该方法提高了标准粒子群的搜索能力,获得了较高的收敛速度和近似最优解。     

基于群体适应方差的改进粒子群优化算法

针对传统粒子群优化算法在收敛过程中易陷入局部最优的缺点,提出了群体适应方差的概念来衡量粒子聚集程度以实现对最优粒子进行实时变异调整,从而避免出现局部收敛,即早熟的问题,通过仿真结果分析研究,所提出的改进型算法具有一定优越性,不仅减小了运算时间,还在一定程度上提高了精度和收敛速度,达到了较好的效果,为下一步在信号处理等领域的具体应用奠定了算法研究基础。     

采用改进的细菌觅食优化算法求解 RCPSP

针对细菌觅食优化算法全局搜索能力较弱和收敛速度慢的问题,对算法的更新方式进行改进,在算法的初期通过粒子群算法进行全局搜索,使细菌在更新时感知周围环境,再由细菌觅食算法的趋向操作进行局部搜索,提高算法的计算精度和搜索能力。最后运用实例对算法进行验证,实验结果验证了此算法在求解资源受限的项目调度问题时的可行性和优越性。     

基于细菌觅食的盲源分离算法研究

细菌觅食算法是一种基于细菌觅食行为的智能优化算法.盲源分离是盲信号处理的重要方面.为了提高盲源分离的有效性,根据盲源分离和细菌觅食算法的基本原理,提出了一种基于细菌觅食行为的盲源分离算法.用MATLAB对提出的这一算法进行仿真,并将其分离结果与传统独立分量分析算法的分离结果相比较.实验结果表明这是一种分离效果优于传统独立分量分析算法的有效分离算法.证明了基于细菌觅食盲源分离算法的可行性和有效性.     

基于改进粒子群优化算法nMOSFET寿命预测

对于电子器件寿命预测问题,文章提出了基于改进粒子群优化算法的BP神经网络电子器件寿命预测方法。首先对nMOSFET元件在不同应力条件下进行寿命试验,根据试验测试获得的寿命数据,得出对应的可靠性。文章通过结合改进粒子群优化算法和BP神经网络结合,建立电子器件寿命预测模型,应用该模型对相同应力条件的电子器件寿命进行预测,同时对应力加速条件下寿命的预测。通过试验证明,该算法具有更强的非线性拟合能力和更高的准确率。     

基于变异算子的细菌觅食优化算法研究

为了提高细菌觅食算法的优化性能,基于变异算子对细菌觅食优化算法进行了改进设计。在每次迭代时,以一定的概率选中细菌进行变异扰动,从而克服细菌觅食优化算法可能出现的早熟收敛及收敛速度慢的问题。数值仿真结果表明,这种基于变异算子的细菌觅食优化算法,在搜索精度、收敛速度及算法稳定性等方面均优于已有的细菌觅食优化算法。     

基于粒子群算法改进的电力系统

本文针对传统粒子群算法自实际应用中出现速度缓慢及局部最优解等等问题,提出了一种改进粒子群算法,并且将其应用在电力系统中,希望能够解决电力系统所存在的例如无功优化等问题中.改进后的粒子群算法在实际应用中收敛速度更加合理,能够有效保证种群的多元性,有效解决传统粒子群所存在的局部最佳解问题.     

基于细菌觅食算法的含风电场电网无功优化

针对风电场并网运行后网络损耗大和收敛性差的问题,提出一种细菌觅食优化算法。在建立含风力发电机组的无功优化数学模型基础上,将细菌觅食优化算法应用到含风电场的无功优化问题中。以IEEE-30节点进行测试算例,分别采用传统算法、粒子群算法和细菌觅食算法优化,得到网损下降率为30.29%、28.70%和36.98%。实验及分析表明,该算法效率高、全局搜索能力强、易跳出局部极值,为含风电场的无功优化提供了一种新方法。     

求解独立任务调度问题的改进粒子群算法

独立任务调度问题是分布式系统中的一个NP难题.提出了基于实数编码和基于机器编码的两种改进粒子群算法.前者利用协同子群进化的方式进行问题寻优,后者通过重新定义粒子的位置更新方法,使粒子群算法更好地应用于组合优化问题.仿真结果表明,与遗传算法和基本粒子群算法相比,改进算法具有更快的收敛特性和更好的求解质量.     

改进粒子群算法研究

粒子群算法存在早熟收敛的问题,为解决此问题,本文提出一种改进的粒子群算法,并采用3个典型的函数进行测试。结果表明：与粒子群算法相比,该算法有效地提高了其全局收敛能力。     

基于粒子群与梯度下降的混合RBF训练算法

基于梯度下降法的RBF网络训练算法收敛速度较慢、易陷入局部最优,并且算法性能受初始值的影响较大.基于粒子群的RBF网络训练算法能够克服梯度下降法易陷入局部最优的缺点,但局部寻优能力不如梯度下降法.分析两种算法的优缺点,提出一种粒子群算法与梯度下降法结合的组合训练方法并用于RBF神经网络的训练.通过实验证明所提出的组合算...     

基于改进混合粒子群算法的无人机充电路径规划方法

无线可充电传感器网络(Wireless Rechargeable Sensor Networks, WRSNs)是由若干个可无线充电的传感器节点自组织形成的网络。利用无人机(Unmanned Aerial Vehicle, UAV)作为移动电源,对WRSNs网络中传感器节点进行充电,将无人机飞行能耗联合传感器节点充电量作为优化目标,提出一种惯性权重线性递减混合粒子群算法,对无人机的充电路径进行规划。仿真验证表明,相比传统的粒子群(Particle Swarm Optimization, PSO)算法,该算法在收敛速度、无人机飞行能耗以及传感器节点充电量等指标上都有明显的优势。     

改进粒子群算法的巡航导弹路径规划

针对巡航导弹的战术特点,在设定威胁源为分布位置己知的敌方探测雷达、巡航导弹在某一高度上对探测雷达做等速水平规避运动的基础上,提出了一种新的路径规划区域粒度控制图——对称标距图;对近年来出现的粒子群算法进行了改进以使其更具智能化,将它应用于巡航导弹路径规划问题,并进行了仿真计算。仿真结果表明,对称标距图和改进后的粒子群算法能够比较好地解决巡航导弹的路径规划问题。     

基于小波粒子群混合算法的图像压缩技术

在小波包变换的图像压缩技术中,小波包基以及阈值的选择对图像的压缩效果有很大的影响,且软硬阈值各有其缺陷。文中提出了一种基于PSO(Particle Swarm Optimization)和小波包变换的图像压缩算法,算法中的适应度函数根据原图像和重建图像间的均方根误差与小波包分解的节点熵值之和设计,该函数被用来选择最佳小波包基并为小波包分解中的细节分量选择单独的阈值,解决了小波包变换设计的结构优化以及自适应阈值问题。实验结果表明,该算法加快了压缩速度,提高了自适应阈值图像压缩算法的适应能力,有较好的压缩性能。     

混合均值中心反向学习粒子群优化算法

为平衡粒子群算法勘探与开发能力,本文提出混合均值中心反向学习粒子群优化算法.算法将所有粒子和部分优质粒子分别构造的均值中心进行贪心选择,得出的混合均值中心将对粒子所在区域进行精细搜索.同时对混合均值中心进行反向学习,使粒子能探索更多新区域.将本文算法与最新改进的粒子群算法、人工蜂群算法和差分算法在多种测试函数集上进行比较,实验结果验证了混合均值中心反向学习策略的有效性,算法的综合优化性能更强.     

自适应权重混合粒子群算法在PID整定中的应用

传统工业控制中的PID参数整定需要良好的先验知识才能达到较好的整定效果,这种人工经验整定PID参数的方法耗时耗力、精度低且鲁棒性差.针对PID参数整定难的问题,标准粒子群优化算法可以实现对PID参数的快速整定,但其易陷入局部极值.因此,本文对标准PSO算法进行改进,将自适应权重混合粒子群优化算法应用于PID参数整定中....