蛾群算法与投影寻踪耦合模型在区域水资源脆弱性评价中的应用

提出一种新型群智能算法——蛾群算法(MSA)与投影寻踪(PP)技术耦合的水资源脆弱性评价模型,以云南省16个州市水资源脆弱性评价为例进行研究.从水量、水质、洪灾和旱灾4个方面遴选28个指标构建区域水资源脆弱性评价指标体系和分级标准;通过8个典型测试函数对MSA进行仿真验证,并与差分进化(DE)算法、文化算法(CA)、教学优化(TLBO)算法和粒子群优化(PSO)算法的仿真结果进行对比.利用MSA、DE、CA、TLBO和PSO算法优化PP最佳投影方向,构建MSA-PP、DE-PP、CA-PP、TLBO-PP和PSO-PP耦合模型对实例水资源脆弱性进行评价.结果表明:MSA寻优精度优于DE等4种算法,具有较好的全局极值寻优能力和收敛稳定性能,在求解高维、复杂优化问题时有着更高的求解精度;MSA-PP模型对昆明、玉溪、曲靖、楚雄4州市的水资源脆弱性评价为”轻度脆弱“,对怒江州、迪庆州评价为“重度脆弱”,其余州市评价为“中度脆弱”.MSA-PP模型对实例评价结果与TLBO-PP模型相同,但在排序上存在差异;与CA-PP、DEPP和PSO-PP模型的评价结果及排序上均存在差异,表明智能算法求解精度的高低决定了评价效果的优劣.本文提出的模型及验证方法具有通用性,可推广应用于其他领域.     

足球联赛竞争算法-投影寻踪模型在区域水资源承载力评价中的应用

从水资源系统、经济社会系统和生态环境系统遴选15个指标构建区域水资源承载力评价指标体系及分级标准,提出足球联赛竞争(SLC)算法-投影寻踪(PP)水资源承载力评价模型,构建粒子群优化(PSO)算法、差分进化(DE)算法、和声搜索(HS)算法优化的PP模型作对比分析模型,以云南省16个州市水资源承载力评价为例进行实例分析.结果表明,SLC算法优化PP模型获得的适应度值和最佳投影方向均优于PSO、DE和HS算法,具有较好的求解精度和全局极值寻优能力.SLC-PP模型对昆明市、玉溪市的评价结果为"绝对可承载";对曲靖、红河、大理、文山、德宏的评价结果为"可承载";对怒江、迪庆的评价结果为"不可承载";其余州市的评价结果为"基本可承载".SLC-PP模型对实例评价及排序结果与PSO-PP、DE-PP、HS-PP模型存在差异,验证了智能算法极值寻优能力的强弱决定了评价精度的高低.本文提出的模型及验证方法可为相关优化研究及高维、多指标类综合评价提供参考.     

改进蝴蝶优化算法-投影寻踪模型在区域河长制考核评价中的应用

为科学考核评价区域河长制工作,构建改进蝴蝶优化算法(IBOA)-投影寻踪(PP)评价模型,以文山州2017年、2018年和2020年河长制考核评价为例进行实例研究.选取4个典型测试函数对IBOA进行仿真验证,并与基本蝴蝶优化算法(BOA)、鲸鱼优化算法(WOA)、布谷鸟搜索(CS)算法等8种算法的仿真结果进行对比.从水资源保护、水域岸线管理、水污染防治、水环境治理与水生态修复、执法监管5个方面遴选23个指标构建区域河长制考核评价指标体系和分级标准,在各分级标准阈值间采用随机内插的方法生成样本构建考核评价投影目标函数,利用IBOA-PP模型对实例各年度河长制进行考核评价.结果表明,IBOA寻优精度优于BOA、WOA、CS等8种算法,具有较好的收敛速度、极值寻优能力和跳出局部极值能力.IBOA-PP模型对实例2017年河长制考核评价结果为"不及格"、2018年评价为"及格",规划年2020年评价为"优秀".     

SCA-SVM模型在年径流丰枯识别中的应用

通过4个典型测试函数对一种新型全局优化算法——正弦余弦算法(SCA)进行仿真验证,仿真结果与粒子群优化(PSO)算法、模拟退火算法(SA)、布谷鸟搜索(CS)算法和人工蜂群算法(ABC)进行对比.利用SCA搜寻SVM最佳学习参数,提出SCA-SVM年径流丰枯识别模型.以龙潭寨水文站为例进行实例研究,利用月径流序列均值及标准差构建月径流分类标准,并基于该分类标准构造样本对SCA-SVM模型进行训练及检验,利用训练好的SLC-SVM模型对实例年径流丰枯进行识别.结果表明:SCA算法寻优精度远优于SA、CS、PSO和ABC算法,具有调节参数少、收敛速度快、寻优精度高和全局寻优能力强等特点;SCA-SVM模型对训练及检验样本的识别率均为100%,具有较好的识别效果和精度.     

灰狼优化算法-投影寻踪模型在云南省水量分配中的应用

基于尊重现状和效率原则,选取水资源开发用率、总人口等11个指标构建云南省水量分配指标体系和水量分配投影寻踪(PP)模型.利用灰狼优化(GWO)算法搜寻PP模型最佳投影方向,构建GWO-PP水量分配模型对云南省16个州(市)水量进行分配.并通过4个典型测试函数对GWO算法进行仿真验证,仿真结果与文化算法(CA)、萤火虫算法(FA)和粒子群优化(PSO)算法进行对比.结果表明:GWO算法寻优效果优于CA、FA和PSO算法,具有收敛速度快、寻优精度高和全局寻优能力强等特点.GWO-PP模型水量分配结果较综合法水量分配结果更科学客观.模型及方法具有一定的可操作性和有效性,可为水量分配提供新的途径和方法.     

文山州近10年水资源利用效率评价SLC-PP模型及应用

为科学、客观地评价区域水资源利用效率,提出足球联赛竞争(SLC)-投影寻踪(PP)水资源利用效率评价模型,以文山州2006—2015年水资源利用效率评价为例进行实例分析。通过6个典型高维测试函数对SLC算法进行验证,并将仿真结果与教学优化(TLBO)算法、灰狼优化(GWO)算法、差分进化(DE)算法、混合蛙跳算法(SFLA)、粒子群优化(PSO)算法和帝国竞争算法(ICA)的寻优结果进行比较。从综合、工业、农业、生活和生态环境用水5个方面选取23个指标构建水资源利用效率评价指标体系,应用SLC-PP模型,并基于投影系列均值z及标准差σ构造低水平、较低水平、中等水平、较高水平和高水平5个等级的水资源利用效率评价标准对实例进行评价,并分析近10年的水资源利用效率变化趋势。结果表明:(a)无论是单峰还是多峰函数,SLC算法寻优精度优于TLBO和GWO算法,远优于DE、SFLA、PSO和ICA算法,具有寻优精度高、收敛速度快、极值寻优能力强以及收敛稳定性与可靠性好等特点。(b)SLC-PP模型对实例水资源利用效率评价结果均为:2006—2007年处于低水平,2008—2012年处于中等水平,2013—2015年处于较高水平,水资源利用效率随时间呈提升趋势,且提升趋势显著。     

一种基于增长因子的粒子群算法

为提高PSO算法解的精度和收敛速度,结合原始PSO算法,引入增长因子,提出一种基于增长因子的PSO算法.通过多个多峰函数的验证,新算法提高了收敛进度和寻优成功率,全局优化性能强.     

基于改进粒子群算法光伏最大功率跟踪

不断变化的外部环境对光伏列阵的输出有着特殊的影响,为减小能量损失,须对光伏阵列进行最大功率点跟踪（maximum power point tracking,MPPT）。粒子群优化算法（particle swarm optimization,PSO）在多峰值寻优中具有良好的性能,然而粒子在寻优的过程中经常出现过早收敛的现象,导致其寻优精度有所欠缺。为了解决以上的缺陷,本文提出一种改进的自适应粒子群(improved particle swarm optimization,IPSO)与布谷鸟搜索（cuckoo search,CS）混合算法应用于最大功率点跟踪。并在MATLAB/Simulink平台中搭建仿真模型对混合算法进行验证,并与其他方法进行比较,仿真结果证明,本算法有良好的响应速度和较高的优化精度。     

基于改进粒子群算法光伏的最大功率跟踪

不断变化的外部环境对光伏列阵的输出有着特殊的影响,为减小能量损失,须对光伏阵列进行最大功率点跟踪(maximum power point tracking,MPPT)。粒子群优化算法(particle swarm optimization,PSO)在多峰值寻优中具有良好的性能,然而粒子在寻优的过程中经常出现过早收敛的现象,导致其寻优精度有所欠缺。为解决以上的缺陷,提出一种改进的自适应粒子群(improved particle swarm optimization,IPSO)与布谷鸟搜索(cuckoo search,CS)混合算法应用于最大功率点跟踪。并在MATLAB/Simulink平台中搭建仿真模型对混合算法进行验证,并与其他方法进行比较,仿真结果证明,改进算法有良好的响应速度和较高的优化精度。     

基于自适应种群小生境算法的非线性系统辨识

针对传统神经网络非线性系统辨识算法存在收敛速度慢、易早熟、需人工设置网络结构及初始参数等问题,提出自适应小生境PSO非线性系统辨识方法。改进算法融合分层递阶算法和小生境PSO算法思想,联合优化网络结构及初始化参数,引入自适应灾变因子提高寻优精度。仿真实验表明,改进算法可提高辨识精度和收敛速度,能有效避免早熟现象,并可显著提高大空间、多峰值函数寻优效率。     

具有记忆的果蝇优化算法

针对基本的果蝇优化算法(FOA)在寻优进化过程中,极易陷入局部极值区域致使算法的收敛精度和收敛速度下降的缺点,提出了一种改进的果蝇优化算法PFOA.从微粒群算法(PSO)更新粒子的方法中得到启发,在果蝇优化算法中加入了个体经验信息和群体经验信息。PFOA使果蝇个体在寻优进化过程中充分地利用了种群历史信息来增加种群的多样性,从而使果蝇个体能够跳出局部最优解区域,提高算法收敛精度和速度。经过对标准测试函数的仿真实验,表明PFOA在收敛精度、收敛速度上比其他FOA具有明显的提高。     

一个与信籁域搜索技术相结合的微粒群算法

微粒群优化算法(PSO)是一种有效的随机全局优化技术.文章针对利用微粒群优化算法进行多极值点的函数优化时,存在陷入局部极小点和搜索效率低的问题,把信籁域搜索技术引入到PSO算法中,提出了基于信籁域搜索的微粒群优化算法(TRPSO).该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度.仿真计算结果表明,该算法的性能优于混沌微粒群优化算法(CPSO)和基本微粒群优化算法(PSO).     

基于Powell搜索法的混合微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部搜索能力强等优点,本文提出了一种与Powell搜索法相结合的改进微粒群算法实践.改进算法将微粒的搜索过程分为两阶段,第一阶段,将PSO算法的速度公式改进后进行搜索;第二阶段,将第一阶段的最后一代微粒作为Powell搜索法的初始点,让Powell搜索法与PSO算法交替进行.这样既克服了PSO算法易陷入局部最优的缺点,也大大提高了算法的求解精度和收敛速度,同时保持了微粒的多样性.仿真结果表明:同PSO算法相比,Powell-PSO算法具有较高的求解精度和较强的寻优能力,并且不论是对单峰函数还是多峰函数都能取得很好的优化效果.     

PSO优化算法的微粒寻优过程移动规律研究

为了更好地扩展和应用粒子群优化(PSO)算法,明确其寻优过程中微粒的移动规律十分必要.基于PSO算法简化模型,建立了围绕平衡点振动的微粒寻优过程的运动学方程,然后给出参数选择与微粒运动的振动角频率和振幅之间的关系,进而给出了基本粒子群优化算法的微粒寻优运动规律.仿真实验表明,(1)简化PSO模型中粒子的寻优运动规律为:粒子以当前最佳适应值为平衡点进行围绕振动;(2)基本PSO模型中粒子的寻优运动规律为:粒子以随机的角频率和振幅围绕平衡点进行振动.这两条规律填补对微粒寻优过程移动规律认识的空白,有利于推广和改进PSO算法,以便使得其适合解决实际优化问题.     

PSO优化算法的微粒寻优过程移动规律研究简

为了更好地扩展和应用粒子群优化(PSO)算法,明确其寻优过程中微粒的移动规律十分必要.基于PSO算法简化模型,建立了围绕平衡点振动的微粒寻优过程的运动学方程,然后给出参数选择与微粒运动的振动角频率和振幅之间的关系,进而给出了基本粒子群优化算法的微粒寻优运动规律.仿真实验表明,(1)简化PSO模型中粒子的寻优运动规律为:粒子以当前最佳适应值为平衡点进行围绕振动;(2)基本PSO模型中粒子的寻优运动规律为:粒子以随机的角频率和振幅围绕平衡点进行振动.这两条规律填补对微粒寻优过程移动规律认识的空白,有利于推广和改进PSO算法,以便使得其适合解决实际优化问题.     

基于Boltzmann学习策略的粒子群算法

针对粒子群算法过早收敛导致容易陷入局部极值的问题,提出了一种基于Boltzmann学习策略的粒子群算法(BLSPSO).借鉴模拟退火算法的思想,在标准粒子群算法中引入Boltzmann学习策略.在BLSPSO前期粒子能够学习不同的极值点,适当保持粒子个体多样性,提高算法全局寻优能力.在BLSPSO后期粒子更倾向于学习全局最优粒子,提高收敛速度,保证算法的稳定性.仿真结果表明,所提出的算法具有寻优能力强、搜索精度高等优点,可有效避免标准PSO算法的早熟收敛.该算法在求解多极值问题上与其他PSO算法相比有较好表现.     

并联式混合动力逻辑门限控制参数智能优化

为提高并联式混合动力汽车的燃油经济性和降低其废气排放量,采用基于自适应混沌粒子群优化算法建立并联式混合动力汽车控制优化模型,对其逻辑门限控制参数进行优化,并与PSO算法和GA算法的优化结果进行比较;利用ADVISOR仿真软件对其优化参数进行仿真验证,并对其逻辑门限控制参数优化前的仿真结果与自适应混沌粒子群优化后的仿真结果进行对比.研究结果表明:自适应混沌粒子群优化算法具有较快的收敛速度和较高的收敛精度,能有效避免早熟收敛问题;100km油耗至少可降低12％,HC排放量可降低6％,CO排放量可降低5％,NOx排放量可降低8％.     

基于改进混合粒子群优化的特定谐波消除脉宽调制策略

针对传统迭代法求解特定谐波消除脉宽调制策略(SHEPWM)开关角方程组需要合适的初值和难收敛的问题,提出一种改进的混合粒子群优化(HPSO)算法对其进行求解.该算法对粒子群(PSO)算法的权重系数和学习因子进行了改进,并且提出了一种温度系数线性递减的模拟退火(SA)算法与粒子群算法结合,有效弥补了传统粒子群(CPSO)算法求解开关角收敛速度慢和精度低的缺点.仿真分析表明,该算法消除了对初值的依赖,提升了算法寻优的能力,从而提高了求解速度与精度,并且通过实验验证了该算法的可行性.     

一种基于非线性系统的动态感知系数的自适应粒子群优化算法

在优化非线性复杂系统问题中,智能算法已成为一种重要手段.提出了一种基于动态感知系数的自适应粒子群优化(particle swarm optimization,PSO)算法(self-tuning PSO,SPSO),将PSO算法的感知系数与神经网络算法结合,并于在线学习训练过程中动态调整感知系数,改善了PSO算法的计算效率以及全局收敛效率.进一步将2个相互关联的神经网络——比例积分微分(proportion integration differentiation,PID)神经网络及SPSO神经网络结合起来,使其能有效解决非线性控制模型的问题.为了验证该算法,引入了4个仿真例及2种PSO优化算法——传统PSO(conventional PSO,CPSO)和修正PSO(modified PSO,MPSO),来比较SPSO算法在解决控制问题中的非线性复杂系统的高效性,结果显示SPSO算法有较好的全局收敛性能、收敛速度以及较强的鲁棒性.     

改进鸟群算法及其在梯级水库优化调度中的应用

介绍一种新型群智能仿生算法—鸟群算法(BSA),针对BSA算法进化初期种群多样性的不足,提出基于Lévy飞行策略改进的LBSA算法,并通过2个实例对该算法进行验证:1)利用6个不同维度的典型测试函数对LBSA算法进行仿真测试,仿真结果与基本BSA算法、教学优化算法(TLBO)、差分进化算法(DE)、改进粒子群优化算法(IPSO)、粒子群优化算法(PSO)和混合蛙跳算法(SFLA)的仿真结果进行对比分析.2)为进一步验证LBSA算法的有效性,将其与BSA、TLBO等6种算法用于求解某梯级水库中长期优化调度问题.结果表明:LBSA算法寻优精度优于其他6种算法,具有全局探索及空间勘探能力强、求解精度受维度影响较小、运行速度快、求解精度高等优点,适合求解高维多极值复杂优化问题.LBSA算法优化调度发电量为38.357 3亿kW·h,分别比TLBO、IPSO、DE、PSO和SFLA算法的优化调度结果增加发电量0.005 5、0.008 4、0.010 5、1.467 3和2.678 4亿kW·h,具有较好的优化调度效果.本文通过典型测试函数及实际工程验证了LBSA算法的可行性和高效性,为求解复杂高维的梯级水库群优化调度模型提供了一种全新的途径和方法.