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.     

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.     

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.     

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.     

基于GWO算法光伏阵列多峰值的MPPT

针对因遮挡处于部分阴影条件下的光伏阵列, 其功率特性曲线由单峰曲线变为叠峰曲线, 使最大功率点跟踪(MPPT)算法失效, 而其他智能算法(如粒子群优化(PSO)算法)存在参数较多、 收敛速度慢、 振荡幅度大等问题, 将收敛速度快、 求解精度高的灰狼优化(GWO)算法应用于光伏阵列多峰值MPPT算法中. 先建立处于局部遮挡情形下光伏阵列的数学模型, 再解析基于GWO算法的MPPT算法原理. 仿真实验结果表明: GWO算法可快速跟踪到最大功率点; GWO算法比PSO算法的跟踪速度提高1倍, 跟踪效率提高0.1%.     

水循环算法-投影寻踪模型在水环境承载力评价中的应用——以文山州为例

利用4个典型测试函数对水循环算法(WCA)进行仿真验证,仿真结果与文化算法(CA)、布谷鸟搜索(CS)算法和粒子群优化(PSO)算法的仿真结果进行比较.从水资源、水污染、社会经济3个系统遴选12个指标构建区域水环境承载力评价指标体系,利用WCA优化PP模型最佳投影方向,提出WCA-PP水环境承载力动态评价模型,并构建CA-PP、CS-PP和PSO-PP模型作对比,以文山州2006~2015年水环境承载力动态评价为例进行实例验证.结果表明:无论是单峰还是多峰函数,WCA寻优精度与收敛稳定性均优于CA、CS和PSO算法,具有较好的收敛速度、求解精度和极值寻优能力;WCA优化PP模型获得的适应度值为1 248.202 6,均优于CA、CS和PSO算法.WCA-PP模型对实例2006~2011年水环境承载力评价为"基本可承载",2012~2015年评价为"可承载";水环境承载力随时间呈提升趋势,且提升趋势显著.WCA-PP模型对实例的评价及排序结果与CS-PP模型相同,与CA-PP模型在各年度排序上存在差异,与PSO-PP模型在评价及排序上均存在差异.实例验证了智能算法的优化性能决定了评价精度的高低.模型及验证方法具有实际应用价值,可为区域水环境承载力计算分析提供新的思路和方法.     

一种基于差分进化和灰狼算法的混合优化算法

针对差分进化易陷入局部最优和灰狼算法易早熟停滞的缺点,提出了一种基于差分进化(DE)算法和灰狼(GWO)算法的混合优化算法(DEGWO)。该算法利用差分进化的变异、选择算子维持种群的多样性,然后引入灰狼算法与差分进化的交叉、选择算子进行全局搜索。在整个寻优过程中,反复迭代渐进收敛。选取此3个测试函数进行仿真验证,结果表明,混合优化算法相比于DE算法和GWO算法,其求解精度、收敛速度、搜索能力都有了显著提高。     

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".     

融合模拟退火的改进教与学优化算法

针对教与学优化算法(TLBO)在解决复杂优化问题时易陷入局部最优的缺点,提出了一种融合模拟退火的改进教与学优化算法(SAMTLBO).该算法首先对学员阶段做了改进,在保持TLBO算法简单易实现的基础上,利用模拟退火方法增强了TLBO算法摆脱局部最优的能力,最后用4种算法对8个无约束优化函数仿真.数值实验表明,该算法无论是在收敛速度还是在寻优精度上均优于基本TLBO算法、ETLBO算法和DMTLBO算法.     

融合多策略的黄金正弦灰狼优化算法

【目的】为解决灰狼优化算法(grey wolf optimization, GWO)收敛精度不高,收敛速度较慢和易陷入局部最优等不足,提出一种融合多策略的黄金正弦灰狼优化算法(golden sine grey wolf optimization, G-GWO)。【方法】首先,利用非线性调整收敛因子、动态调整比例权重和引入黄金正弦策略对GWO算法进行改进;然后,选取三类基准测试函数进行寻优实验,并与GWO算法、其他智能优化算法和其他改进GWO算法进行对比,从寻优的收敛精度、鲁棒性和收敛速度方面验证G-GWO算法的优越性;最后,建立板料冲压成形工艺参数与质量参数的BP神经网络(BP neural network, BPNN)代理模型,选用8种算法分别优化BP神经网络的权值和阈值,对比优化后的代理模型精度,验证G-GWO算法在实际工程应用中的有效性。【结果】G-GWO算法在三类基准测试函数的收敛精度、鲁棒性和收敛速度较其他算法均有较大优势,优化后的代理模型最大减薄率相对误差为3.47%,最大增厚率相对误差为4.99%。【结论】改进策略能提高GWO算法的性能,这可作为建立高精度代理模型和后续的...     

基于改进灰狼算法的自动导航小车控制策略

针对灰狼算法(grey wolf optimizer, GWO)易陷入局部最优、后期收敛速度慢等问题,通过引入改进Tent混沌映射反向学习策略和非线性收敛因子,并加入差分进化的变异、交叉、选择操作,提出一种改进的差分灰狼优化算法(improved differential evolution grey wolf optimizer, IDE-GWO)。将改进算法应用于优化自动导航小车(automated guided vehicle, AGV)的比例积分微分(proportion integration differentiation, PID)控制参数,并与其他几种算法进行对比。Simulink仿真实验结果表明：该改进算法优化PID参数的控制效果明显优于其他智能优化算法,能够有效地提升AGV轨迹跟踪性能,使得AGV实际轨迹能较好拟合目标轨迹。     

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。     

基于随机收敛因子和差分变异的改进灰狼优化算法

针对基本灰狼优化算法在求解高维复杂优化问题时存在解精度低和易陷入局部最优的缺点,提出一种改进的灰狼优化算法。受粒子群优化算法的启发,设计一种收敛因子a随机动态调整策略以协调算法的全局勘探和局部开采能力;为了增强种群多样性和降低算法陷入局部最优的概率,受差分进化算法的启发,构建一种随机差分变异策略产生新个体。选取6个标准测试函数进行仿真实验。结果表明:在相同的适应度函数评价次数条件下,此算法在求解精度和收敛速度上均优于其他算法。     

新型教与学优化算法及其在需水预测中的应用

针对教与学优化(teaching learning based optimization, TLBO)算法解决复杂优化问题易陷入局部最优且解的精度低的不足,提出一种高效的教与学优化算法(efficient TLBO, ETLBO)以提升标准TLBO的全局优化性能。在ETLBO中,通过双种群混洗策略将种群分成两组,通过老师单独对最差学生进行教学过程,加快算法快速收敛到全局最优。通过求解4个典型的数值函数,仿真结果验证了ETLBO算法的有效性。通过ETLBO算法优化选择极限学习机(extreme learning machine, ELM)模型参数,并构建ETLBO-ELM模型,将其应用于城市需水量预测中。仿真结果表明,ETLBO优化的ELM模型具有良好的预测精度和泛化能力。     

基于混合蛙跳算法的机床主轴优化设计

对机床主轴的多参数优化设计的群智能算法进行研究.通过分析主轴的受力情况以及边界条件,建立了机床主轴的非线性约束优化的数学模型;同时介绍了混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)的基本原理,并将SFLA应用到实例计算中,得到了机床主轴结构参数的优化组合.试验结果表明,SFLA比其他常规优化算法的求解结果更可靠,充分显示了SFLA在机床主轴部件优化设计中的效益和应用价值.     

基于改进灰狼优化算法的WSN覆盖优化

针对无线传感器网络（WSN）节点在随机部署时,存在分布不均匀的情况,从而导致覆盖率较低的问题,提出了一种改进的灰狼优化（GWO）算法.首先利用Tent混沌映射初始化种群,增加种群的多样性;其次利用改进的非线性收敛因子,平衡算法的全局搜索能力与局部搜索精度;最后将差分进化（DE）算法的变异、交叉的理念融入GWO算法,避免算法陷入局部最优,并提高算法的收敛速度.基本测试函数仿真结果验证了改进算法的有效性,随后将其应用于WSN覆盖优化问题,可以使节点的分布更加均匀,显著提高覆盖率,进而改善网络性能.     

Sequencing of Mixed Model Assembly Lines Based on Improved Shuffled Frog Leaping Algorithm

Shuffled frog leaping algorithm( SFLA) was used to solve multi-objective sequencing problem of mixed model assembly line( MMAL). Local convergence can be avoided and optimal solution can be obtained to a certain extent. However,the multi-objective sequencing problem of MMAL is an non-deterministic polynomial hard( NP-hard) problem and the shortcomings are slow convergence rate and low precision. To solve the shortcomings for optimization objectives of minimizing total utility time and keeping average consumption rate of parts, a chaos differential evolution SFLA( CDESFLA) is proposed in this study. Because SFLA is easy to fall into local optimum,the evolution operator of differential evolution algorithms is introduced in SFLA as a local search strategy,and differential mutation operator is introduced in chaotic sequence to prevent premature convergence. The examples show that the proposed CDESFLA is better for convergence accuracy than SFLA,genetic algorithm( GA) and particle swarm optimization( PSO)     

量子混合蛙跳算法求解连续空间优化问题

基于量子理论提出一种量子混合蛙跳算法, 该算法采用量子位的Bloch球面坐标编码个体, 利用量子位在Bloch球面上绕轴旋转的方法更新个体, 通过自适应混沌旋转角度算子提高子群内部局部搜索能力, 采用Hadamard门实现个体变异避免早熟, 有效扩展了解空间的搜索范围. 实验结果表明, 该方法优于普通的混合蛙跳算法、 粒子群算法和遗传算法, 具有较高的优化能力和效率, 更适合高维复杂函数的优化.