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。     

基于正交试验的细菌觅食算法的全局最优化

细菌觅食算法在求解全局最优化问题时的性能大部分依赖于参数的设置,各参数的值不同,则细菌觅食算法的收敛速度和得到的最优解也不同。本文主要介绍了用正交试验的方法设置细菌觅食算法的参数来求解全局最优化的问题,通过正交试验方法来检测多组参数对细菌觅食算法效率的影响,用经典的测试函数数对这种组合方案进行检测对比,通过对实验结果数据分析可得出参数的最佳组合方案。最终实验结果表明用正交试验法设置的细菌觅食算法的参数组合方案可以提高算法的效率和收敛速度,使算法能够更快更好的得到测试函数的近似最优解。     

混合并行遗传算法求解TSP问题

该文应用多种群遗传并行进化的思想,对不同种群基于不同的遗传策略,如变异概率,不同的变异算子等来搜索变量空间,并利用种群间迁移算子来进行遗传信息交流,以解决经典遗传算法的收敛到局部最优值问题,对于TSP(Traveling Salesman Problem)进行了求解,仿真结果表明,该文算法的收敛性能优于经典遗传算法。     

一种高效自学习性回溯搜索优化算法

针对回溯搜索优化算法收敛速度慢的问题,文中在理论分析的基础上,分别对变异算子和交叉算子进行了改进。设计了双种群引导形式的变异算子,并引入一种基于麦克斯韦-玻尔兹曼分布变异尺度系数,有效地增加了变异方程的搜索效率,并设计了一种带有自学习性的交叉策略,使得回溯搜索优化算法的收敛速度和全局搜索性能均得到了一定的提高,通过数值实验,说明了改进的有效性。     

基于自识别交叉算子和自适应变异算子的遗传算法研究

为有效地解决遗传算法收敛速度和局部最优解的矛盾,本文提出了一种具有自识别交叉算子和基于海明距离的动态变异算子的遗传算法.自识别交叉算子保证父代的优良模式遗传到下一代,加快了算法的收敛速度;而动态变异算子扩大了搜索范围,增强了算法跳离局部最优解的能力.实验证明,两种改进算子的有效结合保证算法能以较快速度收敛于全局最优解.     

基于细菌觅食与粒子群的改进混合算法

针对粒子群优化算法（PSO）在优化过程中易陷入局部极值而产生“早熟”现象,文中提出一种基于细菌觅食与粒子群的改进混合算法。粒子群优化算法与细菌觅食优化算法的结合,增强了算法的全局搜索能力,使算法具有全局搜索能力强的优点。选用Matlab进行仿真实验,实验结果进一步显示了改进混合算法的优化能力优于基本PSO算法和基本BFO算法,收敛速度快,且具有较好的鲁棒性。     

基于改进混合遗传的正交小波盲均衡算法

为克服传统盲均衡算法收敛速度慢、均方误差大、易陷入局部极小值等缺点,在正交小波变换盲均衡算法(WT-CMA)的基础上,提出一种基于改进混合遗传的正交小波盲均衡算法(MHGA-WT-CMA)。该算法采用基于改进的编码方式、种群初始化、选择算子及交叉算子的遗传算法,以均衡器权系数为初始种群,将正交小波盲均衡算法嵌入遗传算法的父代与子代之间,对父代种群进行局部搜索,将得到的精英个体直接复制到子代中。再将其余个体进行二进制编码、轮盘赌选择、POX交叉以及非均匀变异等遗传算法操作,经过解码成实数进入子代中,进行下一次混合遗传优化,满足停止准则后输出最优权向量。这样可以结合二者的长处,使得算法既能较快收敛,又能在全局范围内得到最优权向量。计算机仿真实验表明,该算法具有收敛速度快、均方误差小、能搜索到全局最优解等特点。     

基于位变异防止遗传算法过早收敛的算法

针对简单遗传算法具有过早收敛的缺点，本文提出了一种基于位变异的防止遗传算法过早收敛的算法。该算法通过种群熵来判断过早收敛的发生。当发生过早收敛时，在单调系数的指导下进行有针对性的位变异．从局部最优解的范围内摆脱出来，算法重新具有进化能力。用数值优化中的三个典型的测试函数对该算法进行测试．仿真实验结果显示该算法可有效地提高算法的全局搜索能力。     

一种求解约束优化问题的自适应差分进化算法

自适应算子选择方式已被用于差分进化算法求解全局优化问题及多目标优化问题,然而在求解约束优化时难于为自适应算子选择方式找到一种方式来恰当分配信用。为此,本文提出了一种基于混合种群的自适应适应值方式来对约束优化问题中变异策略进行信用分配并采用概率匹配方法自适应选择差分变异策略,同时对算法变异缩放因子与交叉率进行自适应设置提高算法的成功率。实验结果表明算法在求解约束优化问题相比于CODEA／OED, ATMES,εBBO-dm,COMDE 以及εDE算法有较高的收敛精度及收敛速度,同时验证了自适应方式的有效性。该算法可用于预报、质量控制、会计过程等科学和工程应用领域。     

基于细菌觅食行为的分布估计算法在预测控制中的应用

为增强分布估计算法(EDA)的局部优化能力,将细菌的觅食(BF)行为,即细菌的趋化性运动引入到分布估计算法中,提出一种基于细菌觅食行为的分布估计算法BF-EDA。通过8个Benchmark函数来测试算法性能,并与常规EDA、粒子群优化(PSO)和HPSO-TVAC算法进行实验比较,结果表明BF-EDA算法在优化解的质量和收敛速度方面具有较好的性能。进一步,为克服传统的基于梯度信息优化方法的缺点,将BF-EDA应用于预测控制的非线性滚动优化阶段,以优化求解被控系统的最优控制序列。曲线跟踪实验结果表明,基于BF-EDA的预测控制算法具有良好的控制品质。