基于RHC的航班进港排序多局部搜索GA优化算法

为解决航班进港排序难以应对动态环境下航班信息变化的问题,首先建立了一种基于滚动时域控制的机场进港航班动态排序优化模型,并将存储时域上的航班进港优化序列作为后继时域航班排序的启发信息;然后提出了一种基于滚动时域控制的多局部搜索遗传算法对问题求解,给出了一种以存储的航班优化信息为基础的种群初始化策略;针对遗传算法易陷入局部最优的不足以及单一局部搜索难以取得很好收敛效果与满意解的现状,提出的多局部搜索遗传算法,在不同时期采用不同的局部搜索策略,其中定向局部搜索根据个体、基准个体的基因结构和适应性调整最大搜索速度;最后,大量仿真实验结果证明了所提模型与算法的有效性以及算法的稳定性,并由实验结果得出了航班排序问题的相关特性结论.     

基于改进灰狼优化算法的区域监测机器人路径规划

为了解决大任务量作业监测中机器人路径规划问题,提出了一种区域监测的机器人路径规划算法。模拟大任务量监测真实环境进行问题建模。针对传统灰狼优化算法求解模型时全局搜索能力差且易陷入局部最优解的问题,提出了一种改进的灰狼优化算法。引入Logistic混沌映射,以加强初始化种群的多样性;引入一种控制参数的自适应调整策略,以平衡灰狼优化算法的搜索能力和开发能力;引入静态加权平均权重策略,更新种群位置,加快收敛速度。将机器人载电量与路径长度短作为约束,引入K-means算法进行任务聚类,通过改进灰狼优化算法对模型进行离线求解以规划出路径,将大任务量监测作业自动转换成分时分步作业。实验结果表明:通过国际通用6个基准函数进行测试,改进的灰狼优化算法在收敛速度、搜索精度及稳定性上均有明显提高。通过50任务点与100任务点作业场景对机器人路径规划模型进行算法仿真,验证了算法的真实有效性,且任务量越大模型优越性越好,路径缩短比例越高。     

基于捕食搜索策略混合遗传算法的车辆路径问题研究

在分析研究车辆路径问题的基础上,将其转换为经典TSP优化问题进行求解并建立数学模型,针对遗传算法在求解车辆路径问题时搜索效率低,容易陷入局部最优的缺点,提出了一种改进的遗传算法.改进算法引用自适应邻域法进行种群初始化;基于捕食搜索策略动态自适应调整遗传参数,在加快寻优速度的同时防止陷入局部最优;交叉前后的种群分别实施精英个体保留策略,交叉变异之后引进进化逆转操作,继承父代较优和较多的信息.实验结果表明:改进遗传算法搜索效率高、计算结果较为稳定;求解车辆路径最优问题较其它算法具有较好的性能.     

一种增强型改进麻雀搜索算法的三维航迹规划

针对无人机在三维复杂环境中多约束的最优化问题,提出了一种增强型改进麻雀搜索(enhanced modified sparrow search algorithm, EMSSA)用于航迹规划问题的求解。首先,利用Logistic-tent混沌序列初始化麻雀搜索算法,增强种群初始位置的随机性,提高算法全局搜索能力。其次在发现者-警戒者位置更新中加入了动态自适应调整策略,扩大算法搜索范围,提高算法的收敛速度。然后通过高斯-柯西变异策略,对麻雀个体进行位置更新,增强算法前期的全局搜索能力和后期局部发掘能力。最后选取11种测试函数和Wilcoxon秩和检验验证改进算法的有效性。仿真结果表明,增强型改进麻雀搜索算法在寻优精度、算法稳定性和收敛速度方面要优于其他对比搜索算法,并且可以在复杂的多约束环境中找到一条无碰撞的全局最优路径。在三维航迹规划中EMSSA算法相较于ISSA寻优精度提升了4.11%,相较于SSA提升了9.51%。     

基于多种群合作协同算法的电力系统调度优化

为解决电力系统环境经济调度这一复杂多目标约束优化问题,提出一种有效多种群合作协同优化算法,采用多个种群对搜索空间进行搜索,运用新型的速度位移更新方式以及种群周期内拓扑结构重组策略.结果表明,该算法能对解空间进行更加全面、充分的探索,可快速找到一组分布具有尽可能好的逼近性、宽广性和均匀性的最优解集合.将该算法应用到某电力系统的环境经济调度中,其仿真计算结果与其他求解方法结果的对比分析表明,该算法可以有效兼顾全局收敛性和Pareto非劣调度方案的多样性,具有较高的效率以及鲁棒性.     

基于二阶振荡粒子群优化算法的最大功率跟踪

最大功率点跟踪(maximum power point tracking, MPPT)是光伏系统保持高效运行的有效方法。在光伏阵列发生局部遮挡时,其功率-电压曲线会出现多峰现象,传统粒子群算法(particle swarm optimization, PSO)在此情况下进行MPPT容易陷入局部最优问题,导致收敛精度降低。为解决以上问题,提出了一种二阶振荡粒子群算法应用于最大功率点跟踪,并针对多峰函数特点进行优化。在对粒子种群初始化时采用分散定位逼近极值的方式增加粒子群的全局搜索能力,提出有效的终止策略防止系统反复波动。在MATLAB/Simulink平台进行仿真对比分析的结果表明：改进算法可有效提升MPPT控制的效率和动态品质。     

采用改进灰狼算法的移动机器人路径规划

针对传统灰狼算法求解移动机器人路径规划问题收敛效率低且易陷入局部极值的缺陷,提出一种基于Tent混沌映射初始化种群的改进灰狼(TGWO)算法,并将其运用于解决移动机器人全局路径规划问题。基于Tent混沌映射初始化灰狼种群,以丰富种群多样性,提高收敛速度;提出指数型收敛因子改进策略,以更好地拟合灰狼实际搜索过程,并通过改进控制参数H以平衡算法的全局勘探与局部开发能力;融合动态权重因子和适应度比例系数,更新灰狼个体的位置信息,以提高灰狼个体自主搜索能力,避免算法陷入局部最优。为验证算法有效性,选用8个标准测试函数以及3组复杂度不同的栅格环境,先后开展了TGWO算法与传统GWO算法、3种典型改进灰狼算法的测试对比实验以及全局路径规划仿真对比实验。结果表明：TGWO算法在单峰、多峰函数上均有较好的收敛性、较高的寻优精度;仿真场景下,相较于传统GWO算法,TGWO算法所提的各个改进策略均能有效提升路径寻优性能;TGWO算法的平均路径长度、路径长度标准差、平均迭代次数、平均寻优耗时这4项指标均优于对比算法;TGWO算法路径寻优的优越性和鲁棒性得到了验证。     

基于动态多种群的自适应混合灰狼差分进化算法

目的 解决灰狼算法初始种群生成方式导致其存在多样性差的问题。方法 结合差分算法改进灰狼算法，生成基于动态多种群策略的混合灰狼差分算法，算法采用动态多种群策略，利用3种差分算法变异策略，增强初始种群解的多样性，并将其作为灰狼算法的初始种群，采用局部搜索策略增强算法的探索能力，最后采用改进的种群大小线性递减策略来降低算法的时间复杂度，提高算法的收敛速度。结果与结论对CEC2014测试集4类15个基准测试函数进行仿真实验，并与经典DE,GWO及其变体算法进行比较，验证了所提出算法的有效性，最后应用该算法求解经典工程领域焊接梁设计优化问题，证明了所提出算法的优越性。     

改进鲸鱼优化算法及其在混流U型装配线平衡问题的应用

为提高鲸鱼优化算法的寻优效果和求解稳定性,通过改进算法的种群初始化、局部搜索、越界处理方法和收敛因子,提出一种改进的鲸鱼优化算法 。 采用基于切割法的均匀设计种群初始化方法,改善算法初始种群的均匀性;通过引入基于NEWUOA算法的局部搜索算子,提高算法的局部搜索能力;在算法的越界处理方面,提出一种基于环形区间和随机波动的方式,降低算法陷入局部最优的可能;引入了非线性收敛因子和自适用权重,均衡算法的局部和全局搜索,并进一步增强搜索的精细度。通过7个单模态、多模态以及固定维度的基准测试函数进行了数值仿真实验,验证了改进的鲸鱼优化算法相较于遗传算法、鲸鱼优化算法以及其他改进的鲸鱼优化算法,在寻优效果和求解稳定性方面具有优越性。 针对混流U型装配线平衡问题,考虑最小化装配线的节拍时间,将改进的鲸鱼优化算法用于问题求解;在解码阶段,设计一种基于阈值的解码方法,优化工序的分配过程;最后计算了21个混流装配线算例,结果表明,改进的鲸鱼优化算法在20个算例中求得了更优解,相较于其它算法,节拍时间平均降低3.02%。     

求解交货期可变动态调度问题的差分进化算法

针对差分进化算法求解动态优化问题时存在多样性缺失、寻优效率低的问题,提出一种多种群差分进化算法,将这种用于求解连续解空间优化问题的进化算法应用于顺序编码的动态调度问题求解中.该算法利用随机键编码表示法将连续位置向量转化为顺序编码,提出自组织多种群策略,将种群按动态空间特征自动分成主种群与子种群;由主种群不断探索峰值所在...     

动态调整进化方向与策略的果蝇优化算法

针对标准果蝇优化算法(FOA)收敛速度慢、容易陷入局部最优和寻优精度低等缺陷,提出了动态调整进化方向与策略的果蝇优化算法(FOADAEDS)。首先,种群初始位置由佳点集理论选取;其次,根据种群进化信息动态调整进化指导方向和搜索步长;最后,当算法陷入早熟时,改变搜索策略以跳出局部最优。对6个经典测试函数进行仿真运算,结果表明,本文提出的改进算法相比标准果蝇优化算法和其他几种改进算法,有较好的寻优精度和收敛速度。     

基于改进哈里斯鹰算法的分布式电源优化配置

为解决分布式电源接入配电网进行合理规划配置的问题,在建立以网络损耗、节点电压偏差、投资综合费用为多目标函数的基础上,采用层次分析法将考虑经济性与稳定性的多目标函数转换成单目标函数,并用改进哈里斯鹰算法寻找最优的配置方案。为进一步改善哈里斯鹰算法的寻优精度与收敛速度,引入Tent混沌提高初始化种群的均匀性;将鲸鱼算法的搜索围捕方式与哈里斯鹰算法结合,增加了算法的多样性并提高了寻优精度;引入t分布策略增强全局寻优能力和求解速度。通过算例验证了采用改进哈里斯鹰算法在求解分布式电源优化配置问题中的高效性和稳定性。     

改进的灰狼算法在电动汽车充电调度中的应用

针对灰狼优化算法(grey wolf opotimizer, GWO)易早熟收敛和陷入局部最优的缺点,提出一种基于精英反向学习的改进灰狼算法(grey wolf optimizer based on particle swarm optimizer, PSO-GWO)。首先,利用精英反向学习机制初始化种群,使种群保持多样性;然后提出一种非线性控制因子策略,增加算法的搜索能力,提高算法的收敛速度;最后基于差分进化和粒子群思想更新了位置方程,从而提升算法的收敛性能。采取10个基准测试函数将本文提出的改进算法与差分进化算法、粒子群算法、传统灰狼算法、其他学者提出的改进灰狼优化算法进行对比。实验结果表明,本文提出的算法与其他算法相比,在求解多峰函数问题上效果显著,可以搜索到最优解0,同时求解最优非0解函数的效果也体现地较优越;同时运用改进的算法在实际电动汽车充电调度上进行了对比分析,发现也取得了不错的效果。     

室内障碍环境下空气质量监测异构WSN部署

针对室内空气质量中污染性气体众多、浓度分布不均，单一传感器无法有效监测，而且室内障碍物会对传感器部署位置造成影响的问题，通过改进北方苍鹰优化算法（improved northern goshawk optimization, INGO）对障碍下异构传感器进行部署研究。首先，采用SPM混沌映射对种群进行初始化，以解决原始北方苍鹰算法初始化种群多样性不高、覆盖率低、冗余度高的问题；其次，使用非线性步长权重改进Lévy飞行策略，对种群位置进行更新；最后，融合柯西变异和反向学习，解决算法后期种群易陷入局部最优的问题。结果表明，改进的优化算法在无障碍和障碍环境下覆盖率分别达到了94.2%和93.0%，与其他学者在无障碍环境下提出的算法进行对比，覆盖率分别提高了0.8%，1.2%，2.8%，7.1%。INGO算法能够对室内障碍环境下的空气质量监测传感器进行最优部署，为室内空气质量监测等复杂环境异构传感器的部署问题提供科学依据。     

收敛因子非线性变化的鲸鱼优化算法

针对基本鲸鱼优化算法在处理复杂全局优化问题时存在解精度低和收敛速度慢等缺点,提出一种收敛因子随进化迭代次数非线性变化的改进鲸鱼优化算法.该算法利用混沌方法替代随机方法初始化种群,使群体具有较好的多样性.受粒子群算法惯性权重启发,设计出一种随进化迭代次数增加而非线性变化的收敛因子更新公式,以平衡算法的全局搜索和局部搜索能力.对当前最优鲸鱼个体执行混沌扰动策略以扩大其搜索范围.选取6个高维标准测试函数进行数值实验,结果表明该算法具有较高的收敛精度和较快的收敛速度.     

一种改进的量子遗传算法

针对量子遗传算法存在储存量大和易陷入局部最优解等问题,提出一种新的量子遗传算法。该算法采用角度编码方式表示染色体从而减少编码的存储空间;引入小区间方法初始化量子种群, 使量子染色体均匀分布于初值空间;利用改进的旋转门对种群进行更新操作;采用动态的量子步长调整策略实现自适应搜索;引入量子交叉和量子变异操作防止早熟问题。通过典型的多峰值函数优化实验表明该算法具有收敛速度快、全局寻优能力强和计算时间短的特点,可以用于多峰值函数优化问题。     

多策略集成的改进技能优化算法及应用

针对技能优化算法(Skill Optimization Algorithm,SOA)寻优精度不高、收敛速度慢等缺点,本研究提出一种多策略集成的改进技能优化算法(Multi Strategy integrated Skill Optimization Algorithm,MSSOA)。MSSOA采用佳点集策略初始化种群,提高初始种群在解空间内的分布质量;根据算法特点在全局搜索阶段采用自适应权重,改进个体行进的步长;根据不同个体采用不同的t-分布扰动方式,平衡全局搜索和局部搜寻的关系,增强算法后期局部搜寻能力。通过12个测试函数、2个工程应用问题对其性能进行测试,测试结果表明MSSOA有着理想的寻优精度和收敛速度,能够解决复杂的工程问题。     

混合蛙跳算法在云计算资源调度的策略改进

混合蛙跳算法已在云计算资源调度有所运用。针对青蛙种群初始化随机性大、局部搜索盲目、容易陷入局部最优的问题,提出了一种混合蛙跳算法在云计算资源调度的改进策略。该改进策略首先运用SY-MM算法和随机生成方式结合的方法对种群进行初始化,生成适应度较好且保持多样性的青蛙种群;然后对传统蛙跳算法局部搜索中步长公式进行改进,使得能够自适应的去更新步长,进而提升局部搜索能力。通过实验证明改进算法对于云计算中资源调度的时间和负载平衡方面有良好的优化性能。     

QBSO算法在PID参数优化的应用

为解决PID控制参数求解过程中所存在的求解精度不高的问题,提出一种量子天牛群算法.通过结合PSO算法的全局搜索能力、BAS算法的局部搜索能力以及量子策略的随机能力,使得算法的全局搜索能力以及搜索精度得到有效提高,并通过两类经典函数对其寻优能力进行验证.进一步,将QBSO算法应用于PID参数优化中,并对一阶与二阶延时和非延时系统进行PID控制参数求解.通过仿真实验以及计算结果表明,基于QBSO的PID控制的控制系统具有更加优良的动态性能与抗扰动能力.     

基于精英高斯学习的改进鱼群粒子群混合算法

为提高算法在高维函数上的寻优性能,提出改进鱼群粒子群混合算法。该算法将鱼群算法全局搜索性能好与粒子群算法局部搜索性能强的优点相结合,在寻优初始阶段采用鱼群算法获得最优群体,在后期用粒子群算法实现精搜索。针对初始种群随意性大、分布不均的问题,通过均匀初始化,优化初始种群的分布; 并对算法全局搜索方向性差、效率低的问题,采用仿照蛙跳算法的分组方式对种群进行分组,同时对组内优秀个体和一般个体使用不同搜索策略,提高搜索的目的性和效率。引入改进的精英高斯学习,从而提升最终结果的精度。利用该算法对6 个标准函数寻优并与其他算法比较,结果表明,该算法的改进有效且性能优于其他算法。