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。     

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。     

基于多策略融合灰狼算法的移动机器人路径规划

针对标准灰狼算法(GWO)在解决移动机器人路径规划问题时存在初始参数依赖性强、缺乏多样性及易陷入局部极值的缺陷,提出一种基于多策略融合灰狼算法(LTGWO)。首先运用精英化思想将Logistic-Tent复合混沌映射与反向学习结合,优化灰狼种群分布序列;然后引入sigmoid函数修改收敛因子a,平衡算法全局探索与局部开发能力,并改进控制参数C 以更好地拟合灰狼实际捕猎过程;最后加入随适应度值变化的比例权重,提高灰狼个体搜索能力,同时采用种群淘汰策略,淘汰适应度值差的个体,促进种群进化。选用3组不同的栅格地图进行实验,实验结果表明:由LTGWO 算法生成的平均路径长度、路径长度标准差都优于对比算法。     

混沌差分进化算法在复杂优化问题中的应用研究

差分进化算法求解复杂优化问题时,由于进化后期种群多样性降低,算法极易陷入局部最优值无法跳出.论文针对该问题,将差分进化算法和混沌优化方法耦合,构建了混沌差分进化算法.算法利用混沌序列的遍历性和内部迭代的随机性,弥补差分进化算法容易陷入局部最优的缺陷,从而提高算法的搜索性能.对几种典型函数的测试结果表明:混沌差分进化算法的全局搜索性能有了显著提高,能有效避免算法陷入局部最优.因此,与标准差分进化算法和混沌优化算法相比,该算法在求解复杂优化问题时更加可行、有效.     

一种求解约束优化问题的改进差分进化算法

针对原始差分进化算法在求解约束全局优化问题时存在陷入局部最优的缺陷,提出一种改进的差分进化算法.该算法在保留原始差分进化算法全局搜索能力的基础上,采用基于规则的方法进行约束处理和种群个体的比较及选择,并利用种群相似度和最优变异操作改善种群进行全局范围搜索的多样性,提高算法跳出局部最优的能力.数值实验表明,该算法稳定性较好,目标函数评价次数较少,收敛速度较快,全局寻优能力较强,不仅能有效求解连续变量约束优化问题,也适用于离散变量或混合变量优化问题.     

基于差分进化与优胜劣汰策略的灰狼优化算法

为了改善灰狼优化算法收敛速度慢、寻优精度低、易早熟等缺陷,提出1种改进的灰狼优化算法。在基本灰狼优化算法的基础上,引入差分进化机制生成1个变异种群,通过其动态缩放因子和交叉概率因子避免算法陷入局部最优。引入优胜劣汰的生物竞争淘汰策略,根据比较进化变异后狼群个体适应度值淘汰m只狼,同时随机生成与被淘汰狼数量相同的狼。采用典型的单峰与多峰函数对该文算法进行测试。仿真结果表明,该文算法的综合性能优于粒子群优化(PSO)和人工蜂群(ABC)等其他对比算法,提高了局部搜索的效率和精度。将该文算法应用于冷凝器实际控制参数整定优化问题中,并与遗传算法(GA)、PSO和工程整定(ZN)法进行比较。仿真结果表明,该文算法整定的参数输出响应的调整时间和上升时间减小,最大超调量降低且稳定性好。     

基于多准则寻优策略的差分进化算法

在差分进化算法的基础上,提出一种基于多准则寻优策略的改进差分进化算法。该算法可以动态调整变异因子和交叉概率,基于文中提出的多准则寻优策略,通过个体适应度、个体间距离等评价指标判断个体的优劣程度,并且可以降低种群的高密度程度,增强种群多样性。这种判断机制可以有效避免种群过早收敛,易陷入局部最优的风险。通过具体的测试函数对算法进行测试,并与标准差分进化算法进行比较,结果显示算法寻优效果较好,可以较快地得到全局最优解。     

基于改进灰狼优化与支持向量回归的锂电池健康状态预测

为了提高锂电池健康状态(SOH)的预测精度,将改进的灰狼优化(IGWO)算法与支持向量回归(SVR)相结合,提出了一种基于改进灰狼优化和支持向量回归(IGWO-SVR)的联合算法。该算法的核心思想是运用改进的GWO算法解决SVR模型中的参数联合寻优问题。IGWO-SVR随机产生1个灰狼种群,灰狼个体的位置向量由SVR模型的3个参数C,σ,ε组成。根据每只灰狼的位置信息进行学习,并计算适应度。按照适应度值对狼群进行分级,对灰狼个体位置进行更新,然后进行差分进化操作,选择优秀个体进入下一代种群,重新计算灰狼个体在新位置的适应度。迭代过程结束后,提取狼群中适应度最优的灰狼位置信息作为最终的SVR模型参数进行训练。在美国国家航空航天局(NASA)锂电池数据集上的实验表明了所提SOH预测方法的有效性。     

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。