群体智能优化算法

正0引言群体智能(swarm intelligence)的核心思想就是若干个简单个体构成一个群体,通过合作、竞争、交互与学习等机制表现出高级和复杂的功能,在缺少局部信息和模型的情况下,仍能够完成复杂问题的求解[1].其求解过程为对求解变量进行随机初始化,经过迭代求解,计算目标函数的输出值.群体智能优化算法不依赖于梯度信息,对待求解问题无连续、可导等要求,使得该类算法既适应连续型数值优化,也适应离散型组合优化.同时,     

数据驱动的发展式头脑风暴优化算法综述

头脑风暴优化(brain storm optimization,BSO)算法是一种新兴的群体智能优化方法,以众人集思广益解决问题为原型,抽取其中解决问题的模式,将其抽象为智能优化算法.介绍了头脑风暴优化算法的优化算子和基本原理,在对基本头脑风暴优化算法和目标空间中的头脑风暴优化算法比较的基础上,对头脑风暴优化算法的研究现状,包括群体多样性、求解不同类型问题和实际应用的研究现状进行了全面的综述.最后对头脑风暴优化算法有待进一步研究的问题进行了展望.     

基于多目标蜂群进化优化的微电网能量调度方法

针对微电网能源调度优化问题,提出了使微电网系统运行的经济和环保的双重优化模型,根据调度系统的评估结果对调度方案进行优化.为求解该模型,提出了基于指标化拥堵距离的多目标蜂群算法(ICABC),通过建立外部档案(EA)来保存搜索过程中的非支配解;同时,为了保持解集的多样性,改进了NSGA-Ⅱ的拥堵距离策略,基于指标计算拥堵距离能够避免删除密集区域的精英个体,有效地改善了Pareto前沿的分布特性.为验证所提算法的性能,将ICABC与经典的NSGA-Ⅱ、MOCLPSO算法在ZDT测试集上进行了性能比较与分析.在验证实验中,将所提的模型和ICABC算法应用于解决含有多种分布式电源的微电网能量动态调度中.仿真结果表明,通过合理安排微电源的出力,所提的方法能够有效降低系统总成本.     

基于L1范式的粒子群算法群体多样性研究

提出了一种新的基于L:范式的粒子群算法群体多样性定义,这种观测方式可以准确地描述算法运行过程中的信息。首先,通过对比新的观测方式和已有方式,解释了新的观测方式的特点;然后通过实验观测了位置、速度和认知三种群体多样性在算法执行过程中的变化,给出了群体多样性的变化特征。最后讨论了粒子群算法在不同解空间维数、不同粒子群拓扑结构和不同粒子数目时的群体多样性的变化情况。     

交互学习的粒子群优化算法

分析基本的粒子群优化学习机制的缺陷,启发于人类社会不同群体之间可以交互学习的特点,提出了一种改进粒子群优化算法——ILPSO.在ILPSO算法中,粒子由2个种群构成.当2个种群中最佳的全局最优位置在连续一定的迭代次数内没有改善时,执行交互学习策略.依据每个种群的全局最优位置的适应值,运用模拟退火的机制和轮盘赌的方法确定学习种群和被学习种群.提出了一个基于适应度排序的经验公式,计算学习种群中的每个粒子向被学习种群学习的概率.为了摆脱选择压力,采用了一种速度变异的方法.多个测试函数的数值实验结果表明,IL-PSO具有较好的全局搜索能力,是一种求解复杂问题的有效方法.