病毒进化理论人工蜂群算法研究

为了提高人工蜂群算法的搜索性能,引入了连续状态下的生物病毒机制和宿主与病毒基于感染操作等思想优化人工蜂群算法搜索机制。人工蜂群算法具有控制参数少、实现简单的优点,但是由于蜂群收敛采用局部搜索,使得算法易于早熟收敛或者陷入局部最优值。通过病毒进化对人工蜂群算法进化机制的分析,利用病毒的感染与进化,建立精英雇佣蜂对懒惰蜂引导,提高人工蜂群算法的搜索性能,加强群体的多样性,提高了局部搜索能力。仿真实验表明这种方法较常见的人工蜂群算法,有较明显收敛速度和搜索精度改进。     

具有混沌差分进化搜索的人工蜂群算法

针对人工蜂群算法的不足,结合差分进化算法中的变异思想,提出一种改进的人工蜂群算法。其基本思想是在标准人工蜂群算法中观察蜂更新蜜源的阶段,使用差分进化算子对蜜源进行更新,在差分变异算子中引入混沌序列,以提高观察蜂在此阶段的局部搜索能力,最终获得最优蜜源。仿真结果表明,引入混沌差分进化搜索的蜂群算法无论在解的求解精度上还是算法的收敛速度上均优于标准人工蜂群算法,适合于复杂函数的全局优化问题。     

基于分段搜索策略的自适应差分进化人工蜂群算法

针对人工蜂群算法在求解函数优化问题时存在的探索能力强,而开发能力不足和收敛性能差的问题,本文提出一种基于分段搜索策略的自适应差分进化人工蜂群算法。该算法将改进后的差分进化算法中的变异操作引入到观察蜂的局部搜索策略中,让观察蜂在雇佣蜂逐维变异后的当前最优解周围进行局部搜索,并采用分段搜索的方式更新蜜源,以提高其局部搜索能力。仿真实验结果表明,与基本人工蜂群算法相比,改进后的算法有效地平衡了算法的探索能力和开发能力,并提高了算法的寻优精度和收敛速度。     

混合模式搜索的分布式memetic差分进化算法

针对差分进化（DE）算法存在的早熟收敛与搜索停滞的问题,提出memetic分布式差分进化（DDE）算法。将memetic算法的思想融入到差分进化算法中,采用分布式的种群结构以及memetic算法中的混合策略,前者将初始种群分为多个子种群,子种群间根据冯·诺依曼拓扑结构周期性地实现信息交流,后者将差分进化算法作为进化的主要框架,模式搜索作为辅助手段,从而平衡算法的探索与开发能力。所提算法充分利用了模式搜索和差分进化算法的优势,建立了有效的搜索机制,增强了算法摆脱局部最优的能力,能够满足搜索过程对种群多样性及收敛速度的需求。将所提算法与几种先进的差分进化算法相比较,对标准测试函数进行优化的实验结果显示：所提算法在解的质量和收敛性能方面,均优于其他几种相比较的先进的差分进化算法。     

改进人工蜂群算法求解分布式柔性作业车间调度问题

针对分布式柔性作业车间调度问题的特点,提出一种改进人工蜂群算法.首先,建立以最小化最大完工时间为优化目标的分布式柔性作业车间调度优化模型;然后,改进基本人工蜂群算法以使其适用于求解分布式柔性作业车间调度问题,具体的改进包括设计一种包含三维向量的编码方案,结合问题特点针对性地设计多种策略用于种群初始化,在雇佣蜂改良搜索操作中设计多种有效的进化操作算子,并在跟随蜂搜索操作中引入基于关键路径的局部搜索算子以提升算法的局部搜索能力;最后,利用扩展柔性作业车间通用测试集得到的测试数据设计实验验证算法性能,使用正交试验法优化算法参数设置.仿真实验结果表明,改进后的人工蜂群算法能有效求解分布式柔性作业车间调度问题.     

基于差分蜂群算法的无线传感器网络节点分布优化

针对无线传感器网络节点分布优化问题,在保证节点间相互连通的情况下建立节点分布优化模型,提出了一种有效的差分蜂群优化算法,从而实现了同构无线传感器网络节点对目标区域的高效覆盖。改进算法将差分进化操作引入蜂群算法中雇佣蜂的搜索方式,以提高雇佣蜂搜索的多样性和避免计算量的浪费。差分蜂群算法在无线传感器网络节点分布优化问题上进行了测试,并与差分进化、人工蜂群两种算法进行了仿真对比。从3种算法的网络覆盖率迭代曲线可以看出,差分蜂群算法整体的探索能力及收敛速度较之其他2种算法都有所提升。除此之外,3种算法对无线传感器网络覆盖优化问题进行了100次试验,覆盖率统计结果进一步验证了所提算法的有效性。     

基于改进邻域搜索策略的人工蜂群算法

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.     

量子粒子群优化的人工蜂群算法

针对传统的人工蜂群算法在求解函数优化问题中具有收敛速度慢、局部搜索能力低的缺点,将量子粒子群优化算法中粒子位移的更新方法引入到跟随蜂的局部搜索策略中,使人工蜂群具有更高的局部搜索能力.6个标准测试函数的仿真实验结果表明:与传统的人工蜂群算法相比,改进后的人工蜂群算法在收敛速度和寻优精度上大幅提高.     

一种双种群差分蜂群算法

人工蜂群算法(ABC)是一种基于蜜蜂群智能搜索行为的随机优化算法.为了有效改善人工蜂群算法的性能,结合差分进化算法,提出一种新的双种群差分蜂群算法(BDABC).该算法首先通过基于反向学习的策略初始化种群,使得初始化的个体尽可能均匀分布在搜索空间,然后将种群中的个体随机分成两组,每组采用不同的优化策略同时进行寻优,并通过在两群体之间引入交互学习的思想,来提高算法的收敛速度.基于6个标准测试函数的仿真实验表明,BDABC算法能有效避免早熟收敛,全局优化能力和收敛速率都有显著提高.     

基于双层进化的多种群并行人工蜂群算法

针对人工蜂群算法(ABC)容易陷入早熟收敛等不足,引入文化算法双层进化结构和多种群并行进化思想,提出基于双层进化的多种群并行人工蜂群算法(PMABC)。将采蜜蜂群划分为具有不同搜索策略的子种群并行进化,平衡全局开发能力与局部搜索能力,避免算法过早陷入局部最优。采用双层进化结构,采蜜蜂群作为种群空间寻找可行解,追随蜂群作为信仰空间,记忆采蜜蜂群搜索的优质蜜源并继续搜索。将其搜索结果用于指导蜂群寻优,可加速算法收敛,提高收敛精度。通过6个经典的适应度测试函数仿真验证了该算法能够有效避免陷入局部最优,具有较快收敛速度和较高收敛精度。     

Artificial bee colony algorithm solution for optimal reactive power flow

Artificial bee colony (ABC) algorithm is an optimization algorithm based on the intelligent foraging behavior of honeybee swarm. Optimal reactive power flow (ORPF) based on ABC algorithm to minimize active power loss in power systems is studied in this paper. The advantage of ABC algorithm is that it does not require these parameters, because it is very difficult to determine external parameters such as cross over rate and mutation rate as in case of genetic algorithm and differential evolution. The other advantage is that global search ability of the algorithm is implemented by introducing a neighborhood source production mechanism which is similar to mutation process. Because of these features, ABC algorithm attracts much attention in recent years and has been used successfully in many areas. ORPF problem is one of these areas. In this paper, proposed algorithm is tested on both standard IEEE 30-bus test system and IEEE 118-bus test system. To show the effectiveness of proposed algorithms, the obtained results are compared with different approaches as available in the literature.     

一种采用克隆选择的免疫差分进化算法

为了解决基本差分进化算法易出现早熟收敛的问题, 提出了一种融合人工免疫系统和差分进化的混合算法。该算法在差分进化过程中引入了克隆选择操作和受体编辑机制, 以增强算法的局部搜索能力和种群多样性。通过对五个标准函数的仿真实验表明, 该算法不仅可有效避免早熟收敛, 而且全局优化能力和收敛速度有显著提高。     

Evolving ant direction differential evolution for OPF with non-smooth cost functions

In this paper, an effective and reliable algorithm, termed as evolving ant direction differential evolution (EADDE) algorithm, for solving the optimal power flow problem with non-smooth and non-convex generator fuel cost characteristics is presented. In this method, suitable mutation operator for differential evolution (DE) is found by ant colony search. The genetic algorithm evolves the ant colony parameters and the Newton-Raphson method solves the power flow problem. The proposed algorithm has been examined on the standard IEEE 30-bus and IEEE 57-bus systems with three different objective functions. Different cases were considered to investigate the robustness of the proposed method in finding the global solution. The EADDE provides better results compared to classical DE and other methods recently reported in the literature as demonstrated by simulation results.     

Group search optimizer based optimal location and capacity of distributed generations

This paper presents a novel efficient population-based heuristic approach for optimal location and capacity of distributed generations (DGs) in distribution networks, with the objectives of minimization of fuel cost, power loss reduction, and voltage profile improvement. The approach employs an improved group search optimizer (iGSO) proposed in this paper by incorporating particle swarm optimization (PSO) into group search optimizer (GSO) for optimal setting of DGs. The proposed approach is executed on a networked distribution system—the IEEE 14-bus test system for different objectives. The results are also compared to those that executed by basic GSO algorithm and PSO algorithm on the same test system. The results show the effectiveness and promising applications of the proposed approach in optimal location and capacity of DGs.     

多策略自适应变异的差分进化算法及其应用

针对传统DE算法在求解复杂函数时会出现早熟收敛、收敛精度低、收敛速度慢等缺陷，提出了一种多策略自适应变异的差分进化算法MsA-DE。将3种变异策略两两结合，随机分配所占比重，以增加种群的多样性；通过引入进化程度阈值，自适应地选择最合适的变异策略，平衡算法的全局搜索和局部搜索能力；对越界的变异个体进行处理，保证种群的多样性和有效性。加入扰动机制提高算法跳出局部最优的能力，同时提高最优解的精度。将该算法用于14个测试函数的优化中，结果表明，MsA-DE算法与其它4种算法相比具有更高的收敛精度和跳出局部最优的能力。将该算法应用于铁路功率调节器RPC的容量优化问题中，结果表明，该算法能够减小RPC补偿装置的容量，提高装置的经济性。     

双群体伪并行差分进化算法研究及应用

为了提高差分进化算法的全局搜索能力和收敛速率,本文提出了一种双群体伪并行差分进化算法.该算法结合差分进化算法DE/best/2/bin变异方式局部搜索能力强、收敛速度快,和DE/rand/1/bin变异方式全局搜索能力强、鲁棒性好的特点,采用串行算法结构实现并行差分进化算法独立进化、信息交换的思想.为使初始化个体均匀分布在搜索空间,提高算法收敛到全局最优解的鲁棒性,提出了一种基于平均熵的初始化策略.典型Benchmarks函数测试和非线性系统模型参数估计结果表明,该方法能显著提高算法的收敛速率和全局搜索能力.     

一种具有混合编码的二进制差分演化算法

差分演化(DE)是Storn和Price于1997年提出的一种基于个体差异重组思想的演化算法,非常适用于求解连续域上的最优化问题.首先引入"差异算子"等概念,给出DE的一种简洁算法描述,并分析了它所具有的特性.然后,为了使DE能够求解离散域上的最优化问题,基于数学变换思想引入"辅助搜索空间"和"个体混合编码"等概念,通过定义一个特殊的满射变换,在辅助搜索空间的作用下将连续域上的高效差分演化搜索变换为离散域上的同步演化搜索,由此提出了第1个二进制差分演化算法:具有混合编码的二进制差分演化算法(HBDE).接着,给出了HBDE的依概率收敛和完全收敛的定义,并利用离散Markov随机理论证明了HBDE是完全收敛的. HBDE不仅完全具有DE的各种特性和所有优点,而且非常适用于求解离散域上的最优化问题,对随机生成的大规模3-SAT问题实例和典型0/1背包问题实例的数值计算表明:该算法具有很好的全局收敛性和稳定性,其性能远远超过二进制粒子群优化算法和遗传算法.     

基于改进粒子群算法的多目标分布式电源选址定容规划

通过分析分布式电源对配电网的影响,以有功功率损耗、电压质量及分布式电源总容量为优化目标,基于模糊理论建立了分布式电源在配电网中选址定容的多目标优化模型,并提出了一种改进粒子群算法进行求解。在算例仿真中,基于IEEE 14标准节点系统,采用MATLAB仿真工具对所提算法进行了测试,证实了所提算法全局搜索能力较强、收敛速度较快,并通过比较分析验证了该模型和算法的可行性及有效性。