一种新的粒子群算法与人工鱼群算法的混合算法

通过分析粒子群算法和人工鱼群算法的优缺点,利用粒子群算法收敛速度快及人工鱼群算法能较好地收敛到全局最优解的特点,提出了一种新的混合算法.算法以粒子群为基础进行设计,根据人工鱼群的公告板、群聚和随行策略的模式对粒子群进行速度与位置变更,使原有的粒子群变成具有一定智能的粒子,从而达到提高搜索精度及效率的目的.通过Generalize-Schwefel等3个经典函数进行优化仿真后发现,该混合算法具有搜索精度更高及收敛速度更快的特点,同时该算法在求解高维问题时具有明显优势.     

爬山法与模式蚁群法混合的贝叶斯优化算法

针对传统贝叶斯优化算法进化效率低及收敛速度慢的情况,提出一种新型混合贝叶斯优化算法.该算法利用适应度遗传及个体的局部搜索方法,使种群个体趋向于全局最优解,提高了进化效率.为提高贝叶斯优化算法中贝叶斯网络结构学习的效率,提出一种爬山法和模式蚁群算法相结合的网络结构学习方法,同时对新型贝叶斯优化算法的收敛性进行了分析.利用典型的函数对提出的新型混合贝叶斯优化算法进行了仿真分析,证明了所提出的方法可以有效地加快算法的收敛速度和收敛精度.将该算法应用于目标分配问题中,仿真证明了所提算法的有效性和优越性.     

基于自适应猫群算法的多目标波束赋形

针对大规模阵列天线波束赋形中智能优化算法精度不高、收敛速度不快等问题,提出一种自适应猫群算法.在猫群算法的基础上,使其基本参数根据迭代次数及适应度函数值自适应改变,并在搜寻模式中加入赌轮盘和精英选择相结合的策略,以增加种群多样性.多种智能优化算法的性能仿真对比分析表明,自适应猫群算法具有快速收敛、全局寻优的能力.将该算...     

改进蚱蜢算法在电动汽车充换电站调度中的应用

电动汽车充换电站调度优化问题一般采用群智能优化算法求解，但现有算法存在陷入局部最优、早熟收敛等缺陷，因此提出一种改进的蚱蜢算法:采用边界反弹机制，提高算法效率;引入正余弦搜索机制，加强算法的全局搜索能力;采用Lévy飞行对粒子进行随机扰动，防止种群陷入局部最优;采用非线性收敛策略加快算法后期的收敛速度.实验结果表明，该算法在电动汽车充换电站调度优化问题上，性能优于原始蚱蜢算法以及其他现有群智能算法.     

基于遗传扰动机制的改进蝙蝠优化算法

针对蝙蝠算法现存的缺点,如收敛速度慢、优化精确度低、早熟,提出一种基于遗传扰动机制的改进蝙蝠算法(GDBA).该优化算法引入了遗传竞争机制,通过比较与全局最优解的差异,随时调整遗传算法的交叉率和变异率,使得种群具有遗传性和多样性,解决了蝙蝠算法早熟的问题,同时加快了收敛速度,提高了优化精度.采用基准测试函数进行仿真验证,实验结果表明:与蝙蝠算法(BA)和基于速度权重扰动机制的改进蝙蝠算法(WDBA)相比,该算法(GDBA)具有更好的收敛速度和搜索精度,加强了寻找全局最优解的能力.     

基于混合求解算法的智能组卷研究

智能组卷是一个多约束目标的组合优化问题,针对传统算法在组卷方面存在的不足,将遗传算法和模拟退火算法相结合,提出了一种混合求解算法.新算法不仅克服了未成熟收敛,而且速度和性能都有显著提高.实验结果表明,新算法提高了组卷效率.     

免疫算法及其在电力系统无功优化中的应用

提出应用一种新的智能优化算法——免疫算法(IA)来求解无功优化问题.该算法模拟了免疫系统的基本原理,具有抗原模式识别及记忆功能,抗体多样性,抗体自适应调节等优点.在分析无功优化的数学模型和免疫算法的特点的基础上,详细研究了用免疫算法求解无功优化问题的实现方法.对IEEE30节点系统进行了仿真计算,并将优化结果与遗传算法(GA)作了比较,结果表明免疫算法(IA)能有效的应用于电力系统无功优化,并有着更好的全局寻优能力及更快的收敛速度.     

基于改进差分进化的高精度粒子滤波算法

针对智能优化粒子滤波算法精度较低和收敛速度慢的问题,提出一种改进适应度函数和搜索策略的差分进化粒子滤波算法(IDE-PF).该算法通过自适应融合粒子权值和量测误差得到适应度函数,并利用该函数评价粒子的可信度,引导粒子向后验概率密度取值高的位置移动,同时引入新的搜索策略,不仅保持了粒子多样性,还加快了算法收敛的速度.仿真结果表明,该算法可有效提高智能优化粒子滤波对于非线性系统状态估计的精度和实时性.     

基于新型Memetic算法的多目标优化

为了更好地解决多目标优化问题,提出一种求解多目标优化问题的新型memetic算法。该算法利用微粒子群算法的全局搜索能力和同步启发式局部搜索相结合进行局部微
调;利用基于模糊全局极值的概念处理种群中过早出现收敛以及解多样性保持等问题。通过进一步检测得出新算法的特点并展示其在多目标优化问题上的独立性和综合效应。同时应用新型算法对IEEE14节点标准电网进行无功优化计算。结果证明,该新型memetic算法具有很好的寻优能力,验证了该算法的有效性及科学性。     

求解约束优化问题的自适应免疫混合蛙跳算法

针对基本混合蛙跳算法存在收敛速度幔和优化精度低等不足,提出了免疫混合蛙跳算法.将免疫算法的信息处理机制插入到基本混合蛙跳算法中,免疫接种算子可以改善算法的搜索能力,以此引导算法的进程.同时通过自适应机制来维持种群的多样性,使得算法在保持开发与探索平衡的同时提高了收敛精度.通过对13个经典约束优化问题测试函数的仿真实验,表明了自适应免疫混合蛙跳算法在约束优化问题上具有很好的性能.     

基于扩容和双距离决策的多目标粒子群优化算法

为了更好地改善多目标粒子群优化算法的收敛性和多样性,提出一种基于扩容和双距离决策的多目标粒子群优化算法。利用扩容的方法对目标空间中目标函数值的上下限进行扩大,得到新的上下限后再建立网格,这样可以计算出边界点的坐标。在小网格中选择引导粒子或者劣质粒子时,利用小网格中粒子到理想点和当前小网格最优点的距离进行决策筛选,这样充分利用目标空间中的信息来对粒子的优先级进行判断。对新的粒子进行差分变异,增加了整体的多样性,并通过阈值控制其变异的频率。将算法和当前具有代表性的多目标粒子群优化算法进行对比实验,提出的算法效果更佳。实验表明,提出算法的收敛性和多样性不仅得到较大提高,而且较为稳定。     

基于分布式神经动力学算法的微电网多目标优化

针对微电网多目标优化计算量较大的问题,提出了一种考虑需求响应的微电网分布式神经动力学优化算法.首先,考虑平均效率函数、微电网的排放、需求响应引起的不满意度以及总利润函数等因素建立多目标优化模型.其次,应用单目标积公式将多目标优化问题转换为单目标优化问题,并证明了最优解是原始多目标问题的帕累托最优点.再次,使用对数障碍物惩罚因子处理不等式约束,利用Lasalle的不变性原理和Lyapunov函数证明所提出的算法可以收敛到最优解.最后,通过仿真验证了本文算法可以在保证优化精度与收敛性条件下,大大降低计算成本.     

一维下料问题的自适应广义粒子群优化求解

针对现有粒子群优化算法在求解组合优化问题时粒子速度迭代难以定义的问题,首先将粒子群优化算法与遗传算法相结合,利用交叉算子、变异算子,提出一种广义粒子群优化算法来求解一维下料问题;然后引入模拟退火算法作为自适应策略,避免算法陷入局部最优.仿真实验结果表明,采用自适应广义粒子群优化算法求解一维下料问题具有高效性和鲁棒性.     

分布式优化在智能电网经济调度问题中的应用

为了减少智能电网中节点之间信息交换的需求,降低智能电网的发电成本和用户的用电消费,提出了一种时变拓扑下的分布式优化算法,用以寻找经济调度问题的最优解;结合图论的相关理论,将节点之间的信息交换用时变无向图表示,并根据光滑精确罚函数的思想,简化经济调度问题,将优化问题中的不等式约束整理到目标函数中,从而得到一个只含有等式约束的新的优化问题,随后通过调整参数值求得最优值,因为算法考虑了每个节点的容量约束,所以在实际应用中具有更好的普适性;证明了当全局目标函数取得最小值时,各个节点共同达到最优解,最后通过实例验证了算法的有效性和可行性。     

基于免疫遗传算法的网格任务调度

研究了网格环境下任务调度问题,提出了一个任务调度机制:基于任务图将每一个可能的任务调度方案表示成一个任务-资源分配图,将网格任务调度问题转化为任务-资源分配图优化选取问题.提出了一种基于免疫遗传算法的、实现任务-资源分配图优化选取的任务调度算法.该算法将任务-资源分配图的最长路径作为抗原,每一个任务-资源分配图对应一个抗体.实验结果表明这个算法在全局优化能力及收敛速度上均有显著提高.     

一种求解分类问题的优化算法

给出了一类线性分类算法的数学描述,在求解分类问题的平分最近点法与最大间隔法的基础上,将线性分类问题转化为一类无约束不可微优化问题。设计了一种求解该问题的不可微优化算法,并证明了算法的收敛性。初步的数值例子表明该算法是有效的,且具有简单实用的特点。     

线性约束优化问题的共轭梯度型算法及其收敛性

将共轭梯度法与广义投影技术相结合，给出了一个求解带线性等式、不等式约束优化问题的共轭梯度型算法，证明了算法的性质及全局敛性，首次将共轭梯度法推广应用于求解带约束条件的优化问题。     

基于IRSO算法的含分布式电源配电网重构

在智能电网的背景下,为了减少含分布式电源(distributed generation, DG)配电网的网络损耗,同时提高电网安全性,提出“单条支路安全系数”“最小安全系数”“平均安全系数”三个安全性评价指标,并建立以网损、“平均安全系数”“最小安全系数”为目标的配电网重构数学模型,采用改进鼠群优化算法进行求解。针对传统鼠群算法随机初始种群的迭代次数较多问题,采用有序环网配合启发式规则在初始化阶段生成一个初始解;针对传统算法在运行过程中产生众多无效变异的问题,提出“映射规则”,最大化调用鼠群变异规则;为了避免最后结果未优化到最优,提出“最优个体微调策略”。采用IEEE33节点电力系统和Taipower84节点电力系统进行对比验证分析,证明了该文方法的通用性和有效性。     

半定规划问题的筛选算法及其收敛性

给出了解决半定规划问题的一种新的算法.首先采用低秩分解技术将一般的半定规划问题转化为与其等价的非线性规划问题;然后利用多目标优化中的占优概念,来建立一个有效的筛子,使目标函数和不可行性达到最优,建立了半定规划的筛选法;最后给出了算法的收敛性分析.     

基于蚁群算法的电梯群控系统节能策略的优化研究

电梯群控系统的目标是分配电梯服务以满足各层客户的呼叫需求,属典型的组合优化问题,而蚁群算法常用于解决离散组合优化问题.其良好的全局优化能力与快速收敛特性适合于电梯群控.然而当前的调度算法主要集中在减少乘客的等待和乘坐时间上,却忽略了电梯群的耗能问题.为实现节能的目标,建立了能量目标函数和电梯群控系统的蚁群模型,并给出了优化方案和收敛的算法.模拟结果证明了算法的有效性.