水电站经济运行云自适应量子群居蜘蛛优化

针对水电站经济运行的复杂性和高维性,将云自适应量子群居蜘蛛优化算法与离线稳定最优表负荷分配模型相结合,实现了同时优化水电站机组组合和开机机组间的负荷分配.采取多种有效措施提高模型算法的收敛性能及运行效率:结合量子理论中量子比特和量子旋转门,实现机组开停机状态及其状态空间的搜索;结合传统智能算法更新理论改进群居蜘蛛优化算法的更新过程,降低算法在产生新一代蜘蛛群体时的盲目性;利用云模型理论解决算法运行前期及运行后期关键参数选择的不合理性,针对每个蜘蛛个体的适应度值实现参数的自适应选择.分析了所提算法在三峡水电站三种水头下经济运行实例中的运行结果,验证了其在工程实际中的可行性,以及各项改进措施的有效性.     

具有差分进化算子的社会蜘蛛群优化算法

[目的]社会蜘蛛群优化算法 (SSO) 是一种新颖的元启发式优化算法,自从它被提出之后就受到该领域学者的广泛关注,并且也被成功应用到许多领域.但是由于社会蜘蛛群优化算法还处在算法的研究初期,该算法的收敛速度与收敛精度还需要进一步提高.[方法]将差分进化算子引入到社会蜘蛛群优化算法(SSO-DM)中,并将改进的算法应用于函数优化问题中,通过5个标准测试函数来验证基于差分进化算子的社会蜘蛛群优化算法(SSO-DM)的优化性能.[结果]差分进化算子增强了社会蜘蛛群优化算法的收敛速度与收敛精度.[结论]本研究中所提出的算法能够获得精确解,并且它也具有较快的收敛速度和较高的算法稳定性.     

面向可靠性冗余优化的自适应差分进化算法

针对可靠性冗余优化问题中解的精度低及算法早熟收敛的问题,提出一种自适应的差分进化算法.该算法在原始差分进化算法的基础上修改了变异算子和交叉算子;在进化过程中,缩放因子F和交叉概率CR分别由三角函数实现自适应调节,以提高可行解的多样性及算法的收敛速度.解决了可靠性冗余优化问题解的精度低及早熟收敛问题.实验结果表明,该算法在解决可靠性冗余优化问题上不仅提高了解的精度,且具有更好的稳定性及更快的收敛速度.     

融合简化粒子群的教与学优化算法

教与学优化算法(teaching-learning-based optimization algorithm,TLBO)是一种基于班级"教师阶段"和"学生阶段"的新型群智能优化算法.针对算法求解高维非线性复杂优化问题时精度较低的缺点,提出一种混合的教与学优化算法(HTLBO).首先,对"教师阶段"中的学生平均水平重新定义,并采用一种自适应策略根据粒子的适应度值对学习因子动态取值;然后,在迭代的过程中,根据适应度值将种群分成两个子种群,对于适应度值好的子种群采用改进的教与学优化算法(ATLBO)更新以增加种群的多样性,对于适应度值差的子种群采用简化粒子群算法(SPSO)以提升子种群的收敛性;最后,通过10个无约束优化问题进行对比测试实验,结果显示,HTLBO在探索性能和收敛速度方面优于TLBO等其他4种类型的算法.     

基于改进动态因子的鲸鱼优化算法

为了实现鲸鱼优化算法的种群多样性、减小计算复杂度,构造具有搜索上下界的初始种群。进一步,设计动态收敛因子和动态权重因子,以提高算法的收敛速度和计算精度,在此基础上,提出基于改进动态因子的鲸鱼优化算法并证明了其收敛性,分析了其复杂度。为了验证新算法优化性能和普适性,将改进的鲸鱼优化算法与其他优化算法进行比较,并将其应用到无人机路径规划中。结果表明：基于改进动态因子的鲸鱼优化算法相比于其他优化算法有更好的收敛精度和更快的收敛速度。可见,基于改进动态因子的鲸鱼优化算法性能更好,能更高效的完成任务。     

基于自适应动态重组和极值扰动的人工蜂群算法

针对人工蜂群算法存在寻优能力弱和收敛速度慢的问题, 提出一种基于自适应动态重组和极值扰动的人工蜂群算法. 首先通过引入混沌优化算子产生初始解, 根据雇佣蜂的贡献度对其进行自适应动态重组, 然后引入极值扰动算子对雇佣蜂个体极值和全局最优值实施随机扰动. 实验结果表明, 该算法增加了种群的多样性, 加快了算法收敛速度, 提高了种群的可进化能力.      

具有差分进化算子的社会蜘蛛群优化算法（英文）

【目的】社会蜘蛛群优化算法(SSO)是一种新颖的元启发式优化算法,自从它被提出之后就受到该领域学者的广泛关注,并且也被成功应用到许多领域。但是由于社会蜘蛛群优化算法还处在算法的研究初期,该算法的收敛速度与收敛精度还需要进一步提高。【方法】将差分进化算子引入到社会蜘蛛群优化算法(SSO-DM)中,并将改进的算法应用于函数优化问题中,通过5个标准测试函数来验证基于差分进化算子的社会蜘蛛群优化算法(SSO-DM)的优化性能。【结果】差分进化算子增强了社会蜘蛛群优化算法的收敛速度与收敛精度。【结论】本研究中所提出的算法能够获得精确解,并且它也具有较快的收敛速度和较高的算法稳定性。     

基于改进蜘蛛群居算法的移动机器人路径规划方法研究

路径规划是移动机器人研究的重要领域之一,其优劣直接影响行径过程中机器人与周围环境的交互能力。常用的全局路径规划方法容易产生扩大空间时决策速度下降、死锁等问题,蜘蛛群居算法其收敛速度和搜索能力不佳,通过改进邻域搜索,改进全局搜索和婚配半径,来获得更优的收敛速度和搜索能力,迭代寻优时,通过模拟蜘蛛群体运动规律,即依据雌、雄蜘蛛的协作,相互吸引以及婚配过程进行信息交互,最终得到最优解。实验证明:改进蜘蛛群居算法,可以实现对移动机器人的路径规划,提高其搜索能力,避免在路径规划过程中陷入局部最优,相比于蜘蛛群居算法和粒子群算法,该算法优化后的最短路径和实际路径更优。     

一种融合多种策略的改进鲸鱼优化算法

针对标准鲸鱼优化算法容易陷入局部最优、收敛精度低的问题,提出一种融合动态划分等级策略和交叉存档策略的自适应鲸鱼优化算法,记为IWOA。首先引入自适应收敛因子,根据适应度值动态调整个体在迭代过程中的包围步长,平衡算法的探索和开发能力;然后对适应度不同的个体采用不同的自主学习策略,在增加种群多样性的同时加快算法的收敛速度;最后提出一种交叉存档策略,赋予陷入更新停滞的个体更好的位置,增强算法跳出局部最优的能力。在22个基准测试函数上的实验结果表明,IWOA在收敛速度和寻优精度等方面均有显著改善。在压力容器设计问题中的应用也表明IWOA可以有效解决复杂的非线性优化问题。     

基于自适应调整权重和搜索策略的鲸鱼优化算法

针对鲸鱼优化算法(WOA)收敛速度慢、收敛精度低、易陷入局部最优的问题,提出一种基于自适应调整权重和搜索策略的鲸鱼优化算法(AWOA).设计一种随着鲸鱼种群变化情况而自适应调整权重的方法,提高了算法的收敛速度; 设计一种自适应调整搜索策略,提高了算法跳出局部最优的能力.利用23个标准测试函数,分别针对高维和低维问题进行测试,仿真结果表明,AWOA在收敛精度和收敛速度方面总体上明显优于其他多种改进的鲸鱼优化算法.     

基于Iterative映射和非线性拟合的鲸鱼优化算法

为解决鲸鱼优化算法中收敛速度慢和寻优精度低等问题,提出一种基于Iterative映射和非线性拟合的鲸鱼优化算法（NWOA）。首先,该算法利用了Iterative映射对鲸鱼种群初始化,保证初始种群的多样性;其次,采用非线性拟合的策略对收敛因子和惯性权重进行改进,以平衡算法的全局勘测能力和局部开发能力。通过对13种函数进行仿真实验,从均方差和平均值的角度分析,改进后算法寻优精度显著提高,且稳定性较强。实验结果表明NWOA与传统的鲸鱼优化算法相比,收敛速度明显加快。     

精英竞争和综合控制的多目标粒子群算法

目的 多目标粒子群算法虽然极易实现且收敛速度快,但在平衡其收敛性和多样性方面仍需进一步改善。方法 针对上述问题,提出一种精英竞争和综合控制的多目标粒子群算法(ECMOPSO)。一方面,算法采用全局损害选择精英粒子集,然后将两两竞争引入多目标粒子群算法中,通过精英竞争选取优胜者粒子,将其与全局领导者融合形成更全面的社会综合信息,以增强种群中粒子之间信息的交互性,更好引导种群中的粒子飞行,提升算法全局探索能力;另一方面,结合全局损害和基于位移密度估计对外部存档进行维护,从而提高外部存档中非劣解的质量,平衡算法的收敛性和多样性。结果 将ECMOPSO算法与4个多目标粒子群算法和4个多目标进化算法在ZDT和UF系列基准测试问题上进行仿真实验,并采用Wilcoxon秩和检验和Friedman秩检验比较ECMOPSO算法与所选对比算法的整体性能。实验结果表明：相比其他几个对比算法,ECMOPSO算法的收敛能力、解的分布性以及稳定性都得到了一定的提升。结论 ECMOPSO算法可以很好地平衡收敛性和多样性,提升其整体性能,能有效求解大多数多目标优化问题。     

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.     

融合三维螺旋运动和混合反向学习策略的改进鹈鹕优化算法

针对鹈鹕优化算法收敛速度较慢、初始化过程随机产生初始种群导致种群多样性差,在后期易陷入局部最优等问题,提出了一种融合三维螺旋飞行和混合反向学习策略的鹈鹕优化算法。首先使用Gauss映射初始化种群,提高种群多样性;其次利用三维螺旋飞行和混合最优最差反向学习策略,加强算法跳出局部最优的能力;最后,引入自适应平衡因子与自适应步长,提出鹈鹕坠落策略,以模拟捕食过程中群体的微小变化。最后,通过12个基准函数和实际案例对IPOA进行测试,并与8个仿生算法进行对比,测试结果与Wilcoxon 符号秩和检验结果均表明IPOA收敛精度与稳定性等各项性能都有所提升,具有明显优势。     

面向多模态函数的自适应混沌爬山微粒群算法

针对微粒群算法在多模态函数优化中难以找到全部极值点以及陷入局部最优和后期收敛速度慢等缺陷,提出了一种基于熵的自适应混沌爬山微粒群算法.算法根据熵的值来衡量种群多样性,当发现种群多样性匮乏时,采用动态混沌机制增强多样性;后期融入了局部收敛速度较快的爬山算法提高微粒群算法的后期收敛速度.4种典型多模态函数测试结果表明该算法在求解复杂多模态函数优化问题方面的可行性.     

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。     

基于双决策和快速分层的多目标粒子群算法

针对粒子群算法在求解多目标优化问题时存在的收敛性不足和多样性缺失等问题,提出一种基于双决策和快速分层的新型多目标粒子群算法(DDFSMOPSO);在该算法中,采用外部存档对迭代产生的非劣解进行存储,并利用拥挤距离和绝对距离相结合的双决策策略对外部存档规模进行维护,使得优秀粒子在随后的进化过程中易于保留和发展;同时,采用...