基于人工鱼群算法的桁架结构的优化

针对基本人工鱼群算法在解决桁架结构优化问题时存在的后期收敛速度慢、寻优精度不高等缺陷,在算法初期采用Logistic方程初始化解群,提高求解效率和质量,在算法运行过程中利用粒子群优化算法惯性权重调整策略对人工鱼的步长进行改进,以提高寻优的速度和精度。将改进后的算法应用到桁架结构优化中,以桁架截面尺寸为设计变量,结构最小重量为目标函数建立优化设计模型,运用MATLAB进行模型优化分析,并与其它算法优化结果进行对比。结果表明,改进的算法在收敛速度与寻优精度方面均有所提高,尤其在迭代计算的初期,效果非常明显。     

欧拉型光线寻优算法

针对光线寻优算法的收敛性及其推广到高维收敛速度慢的问题,利用变分法和微分方程理论,对二维连续可导介质中的光线方程欧拉数值解法与光线寻优算法迭代公式的关系进行了研究.在光线寻优算法迭代公式中加入一项来改进算法,不仅使得精度提高一阶,而且加快了收敛速度,同时也为光线寻优算法的收敛性证明提供了新思路.6个标准测试函数的仿真结果表明:与光线寻优算法、保留精英遗传算法、标准粒子群算法相比,改进算法收敛速度较快,收敛成功率较高,其求解Rosenbrock的成功率高达98％,远高于保留精英遗传算法和标准粒子群算法.     

基于改进人工鱼群算法的传感器优化布置

针对结构健康监测中传感器位置优化的问题,提出了一种改进的人工鱼群算法。改进算法采用整数对人工鱼进行编码,改进人工鱼距离的衡量方式,并改进算法的追尾和觅食行为,实现结构传感器位置的最优选择。以一个平面桁架结构为例进行数值模拟分析,验证所改进算法的有效性。仿真结果表明:相比于传统的人工鱼群算法,改进的人工鱼群算法具有更强的寻优搜索性能,收敛速度更快,精度更高,适用于解决土木工程结构中传感器位置的优化问题。     

萤火虫算法优化SVR参数在短期电力负荷预测中的应用

由于萤火虫算法(FA)具有全局性能好、收敛精度高等优点,因此将萤火虫算法用于SVR的惩罚系数C和核参数σ的优化选取中。为提高迭代收敛速度和寻优精度,对萤火虫算法加以改进,在迭代过程中对亮度最亮的萤火虫位置施加随机扰动;将参数经过优化选取的SVR用于短期电力负荷预测,并将预测结果与采用网格搜索法、遗传算法、粒子群算法得到的结果做比较。其结果表明,采用改进萤火虫算法作参数寻优的SVR的负荷预测精度高,效果最好。     

新型混合粒子群算法在核动力设备优化设计中的应用

针对标准粒子群算法在处理非线性约束优化问题时存在收敛速度慢、精度低和易陷入局部最优的缺点,设计了一种新型混合粒子群算法,该算法采用可行性原则处理约束条件,避免惩罚函数法中惩罚因子选取的困难;引入基本复合形法产生初始可行群体,加快粒子群收敛速度;引入遗传算法的交叉和变异策略,避免粒子群陷入局部最优;在迭代末期的优解附近,进行改进复合形算法的寻优,提高最优解的精度.通过算法测试基准函数的优化计算,结果显示,新型混合粒子群算法有较好的优化性能,并在核动力设备优化设计中有很好的应用.     

改进步长和视野的人工鱼群算法

人工鱼群算法是一种群智能全局随机优化算法,算法在优化前期大约100多次迭代时有较快的收敛速度,但后期算法陷入局部最优,效率不佳.针对这一不足,在人工鱼群算法的基础上,每迭代100次就调节一次视野和步长,加强聚群算子和追尾算子,提高鱼群之间个体交互行为,使鱼群跳出局部最优,继续向更高精度收敛.数值试验结果表明,所得改进人工鱼群算法不仅运算量减少,而且收敛速度和收敛精度都有所提高.     

基于惯性权重和学习因子动态调整的粒子群算法

针对传统的粒子群算法易发生早熟收 敛、在寻优过程中易陷入局部最优等问题,提出了一种基于惯性权重和学习因子动态调整的粒子群算法,该算法通过改进惯性权重和学习因子参数以优化算法。随着算法的不断迭代,其惯性权重以及学习因子随着迭代次数的增加而动态优化,从而平衡其局部寻优能力与全局搜索能力。实验结果表明,改进后的算法在收敛速度以及收敛精度上比传统粒子群算法更优,能改善早熟收敛问题。     

改进粒子群优化算法及其在4G网络-基站选址中的应用

针对粒子群优化算法搜索精度不高、整体上容易陷入局部最小的不足,提出了一种改进的粒子群优化算法.该算法一方面在速度更新式中用粒子群中粒子个体极值的加权值替代粒子的个体极值,另外通过使用两种非线性递减函数对惯性权重进行调整,这种改进有效地提高了粒子群优化算法的收敛速度和全局寻优能力.然后,通过对4个基准函数的仿真,验证了本文改进算法的全局收敛寻优能力.最后,将本文改进算法应用于珠三角地区某市4G网络基站选址优化中.仿真和应用的结果表明,改进后的粒子群优化算法具有更高的收敛速度和全局寻优能力.     

基于GA-PSO-BP 的大坝变形监测模型

提出了一种基于GA-PSO 混合优化BP 神经网络的大坝变形监测模型, 将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合, 利用GA 算法的全局性和PSO 算法收敛速度快的特点,通过迭代选取最优的粒子作为BP神经网络的连接权值和阈值,以减小网络输出误差, 提高其收敛速度和加强网络泛化能力。运用GA-PSO-BP 模型对大坝自动监测数据进行预测分析, 实验结果表明GA-PSO-BP 模型优化了BP 神经网络的连接权值和阈值, 能有效提高网络训练精度与收敛速度, 有效避免早熟收敛, 使模型的整体预测效果得到提高。     

改进的群搜索优化算法在桁架结构形状优化设计中的应用

介绍了两种改进的群搜索优化算法IGSO（Improved Group Search Optimizer）——快速群搜索优化算法QGSO（Quick Group Search Optimizer）与快速被动群搜索优化算法QGSOPC（Quick Group Search Optimizer with Passive Congregation）,并应用于离散变量桁架结构形状优化设计,包括平面和空间桁架结构.几个实例计算结果表明两种改进的群搜索优化算法（QGSO与QGSOPC）与GSO算法及已有文献方法相比具有较好的收敛精度和较快的收敛速度,只需较少的迭代次数就能寻找到最优解,并且QGSO与QGSOPC算法程序语句比GSO算法程序语句简略得多,易于编程实现,可应用于工程结构的优化设计.     

变步长和拥挤度因子的自适应人工鱼群算法

为了改进传统的人工鱼群算法会随着迭代的深入而导致算法易陷入局部最优的问题,以及固定的参数导致算法收敛慢和求解精度不高的问题,提出了一种改进的人工鱼群算法.首先结合迭代次数,为移动步长引入一个权值; 然后以每条人工鱼的视野范围所构成的子群为小生境,结合子群最优解与当前人工鱼状态,为拥挤度因子引入一个变异策略.数值实验结果表明,本文提出的算法收敛速度快、精度高、鲁棒性强,优于传统的人工鱼群算法和文献[4]提出的算法.     

基于约束优化问题的人工鱼群算法及其改进

在人工鱼群算法基础上,对人工鱼群算法进行改进,结合遗传算法提出的适应度函数来解决约束优化问题.具体表现在改进了人工鱼的觅食行为,另外引入了吞噬行为以便加快收敛速度,得到更优的适应度值.仿真结果表明改进的人工鱼群算法在解决约束优化问题时,具有收敛速度快、适应度值优、全局寻优性能强等优点.改进的人工鱼群算法较之基本人工鱼群算法具有更好的性能.     

基于改进PSO-BP神经网络的变压器故障诊断

引入动态变异操作来优化粒子群算法,同时将改进的粒子群优化算法和误差反向传播的算法相结合,构成混合算法,用于训练人工神经网络,并将该混合算法应用于变压器的故障诊断.仿真结果表明,该算法具有较快的收敛速度和较高的计算精度;诊断结果表明,该算法有利于提高变压器故障诊断的正确率.     

一种新颖的人工鱼群算法

为了克服基本人工鱼群算法(AFSA)收敛速度慢、求解精度不高和易陷入局部最优的不足,提出了一种新颖的人工鱼群算法(AO-AFSA).该算法结合人工鱼与粒子群(PSO)中的粒子都具有个体学习能力和社会学习能力,模拟粒子群中粒子的速度位置更新公式去分别修改人工鱼群算法中人工鱼的觅食行为、聚群行为、追尾行为的更新公式.并采用5个典型的测试函数进行仿真实验,分析算法的寻优精度、收敛速度以及稳定性.测试结果表明改进后的算法能够较快地收敛至全局较优解,有更强的稳定性,并具有较好的寻优性能.     

改进遗传算法在桁架拓扑优化中的应用

基于桁架拓扑优化,对遗传算法提出了一些改进措施,形成了一种高效综合的遗传算法。在桁架的截面尺寸和拓扑结构混合设计中,对尺寸变量和拓扑变量分别进行二进制编码、交叉和变异,得到桁架拓扑结构和杆件截面尺寸的初解,适当降低尺寸变量编码精度,以加快算法的收敛速度。然后对截面尺寸重新编码,以较高的尺寸精度进行搜索,为了防止陷入局部最优解,取部分初解加入新的父代。算例表明,该算法对离散变量的桁架拓扑优化是快速有效的。     

基于改进人工鱼群算法的含风电场电力系统最优潮流计算

将风电场看作PQ节点并考虑风电场输出功率随机性和负荷随机性,提出含风电场的电力系统最优潮流计算方法。分析基本人工鱼群算法原理及其缺陷,提出改进人工鱼群算法(IAFSA);提出人工鱼群的视野和步长的取值方法,对初始种群的生成、行动方式和终止判据进行改进;并基于动态调整罚函数将带约束的有功最优潮流问题转化为无约束优化问题,实现含风电场的电力系统最优潮流计算.实例分析结果表明:基于改进人工鱼群算法比基于基本人工鱼群算法和遗传算法进行含风电场电力系统最优潮流计算具有更优全局收敛性和更快计算速度.     

基于改进狮群算法和BP神经网络模型的房价预测

将狮群算法(lion swarm optimization, LSO)与海鸥算法的迁徙机制和螺旋搜索机制结合,增强算法的局部搜索能力;同时增加监督机制,提高算法的全局搜索能力。与粒子群算法和狮群算法对比,在常用的测试函数上验证改进狮群算法的优越性。采用改进后的狮群算法优化BP神经网络模型,对房屋价格预测问题进行研究,通过房屋的户型、面积等相关指标有效地对青岛市的二手房价格进行预测。改进后的狮群算法对BP神经网络的权值和偏置进行优化,提高BP神经网络的收敛速度和训练精度。试验结果表明,提出的螺旋搜索狮群和BP结合算法(spiral search lion swarm optimization-BP, SLSO-BP)模型在房价预测问题上预测效果更好。     

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。