认知智能电网中基于能效优化的频谱分配策略

针对智能电网的无线通信环境存在频谱短缺、资源利用效率低等问题,将认知无线电技术应用于智能电网的邻域网络通信中.引入认知智能电网概念以保证业务传输的公平性和有效性,提出一种基于改进二进制蝴蝶优化算法(BOA)的频谱分配策略,此方案考虑了通信过程中的信噪比和路径损耗,选择系统能量效率作为信道效益,并且在拓扑结构固定的城市居民小区进行建模仿真.首先,使用基于改进时变转换函数和扰动策略的二进制蝴蝶优化算法(IBBOA)为认知智能电网用户进行频谱分配;然后,采用基于接收信噪比的闭环功率控制算法动态调整用户的传输功率,减少认知智能电网用户和主要用户之间存在的干扰;最后,以系统能量效率和两个用户公平性指数为优化目标,与遗传算法(GA)和二进制粒子群算法(BPSO)进行对比实验.仿真实验表明,联合闭环功率控制的IBBOA算法所获得的系统能量效率比未联合闭环功率控制的NBOA算法高33.2%,IBBOA算法最终的系统能量效率和用户公平性指数fair比GA算法分别高出47.8%和62.6%,比BBOA算法分别高出17.6%和26.7%.结果表明所提方案能够有效抑制认知智能电网中用户间的干扰,大大提高频谱利用率和系统能量效率.     

非均匀变异的互利自适应缎蓝园丁鸟优化算法

针对缎蓝园丁鸟优化（SBO）算法求解精度不高和收敛速度慢等问题,提出一种改进的缎蓝园丁鸟优化（ISBO）算法。首先,引入非均匀变异算子,动态地调整每次迭代园丁鸟个体的搜索步长,使算法能快速高效地寻求全局最优值;其次,采用互利因子对算法的社会部分引入更多组合模式,使其不再单一围绕前一个园丁鸟附近搜索,以获取更好的最优解;最后,为了更好地平衡算法的局部与全局搜索能力,引入余弦变化的惯性权重因子来更新园丁鸟的位置公式。使用收敛速度分析、Wilcoxon检验和8个基准函数对5种算法搜索性能进行对比分析,来评估改进缎蓝园丁鸟优化算法的效率。结果表明,改进算法具有更好的全局搜索能力和求解鲁棒性,同时寻优精度和收敛速度也比原来算法有所增强。     

认知智能电网邻域网络的频谱分配策略

可靠、高效的通信网络是充分发挥智能电网潜力的前提。针对智能电网的无线通信环境存在频谱短缺、资源利用效率低等问题,文中将认知无线电技术应用于智能电网的邻域网络通信中,引入认知智能电网概念以保证业务传输的公平性和有效性,考虑了通信过程中的信噪比和路径损耗后,选择网络吞吐量作为信道效益,并在拓扑结构固定的城市居民小区进行建模仿真。在此基础上,提出了一种改进二进制猫群(Weight Binary Cat Swarm Optimization,WBCSO)优化的频谱分配算法。首先,在二进制猫群算法(Binary Cat Swarm Optimization,BCSO)的速度更新公式中加入非线性动态的惯性权重,它随着迭代次数的增加而非线性地递减,以防止算法早熟;其次,引入繁殖算子,产生子代猫群以增加种群的多样性,以获取更好的全局最优解;然后,选用了4个常用的基准函数对改进后的算法进行性能测试,测试结果表明WBCSO算法的优化均值和标准差都优于BCSO算法;最后,以系统总效益和用户公平性为优化目标,将其与二进制遗传算法(Binary Genetic Algorithm,BGA)和二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)进行了对比实验,仿真实验表明,WBCSO算法最终的系统总效益和用户公平性指数比BCSO算法分别高出了13.7%和14.6%,且比二进制群算法和遗传算法的性能都要好,进而表明改进二进制猫群算法在认知智能电网邻域网的频谱分配中具有收敛速度快、搜索能力强的特点。     

基于改进型柯西变异灰狼优化算法训练的多层感知器

多层感知器MLP是处理分类问题的一种方法,可实现非线性高维度分类,并有很好的扩展能力.但是,在传统MLP的训练过程中,MLP分类结果的好坏与参数选择关系密切,而且传统算法的参数选择有很多缺陷.使用群智能算法替代传统多层感知器训练器是一种解决方案.灰狼优化算法GWO是其中一种兼顾高水平的探索和开发能力的算法.但是,GWO算法训练MLP时,依然存在开发和探索不平衡的问题,导致M LP分类准确率不理想.为了提升算法探索能力,将柯西变异算子引入灰狼优化算法,同时平衡开发能力,加入余弦收敛因子,提出一种改进的柯西变异灰狼优化算法IGWO.最后,将改进后的算法作为MLP的训练器,用于对3个不同复杂度分类问题进行分类实验,检验训练器在不同结构MLP下的性能表现.结果表明:相较于其他对比算法,IGWO训练MLP在分类准确率、陷入局部最优抗性、全局收敛速度和稳定性方面均具有较好的性能.     

融合正弦余弦和无限折叠迭代混沌映射的蝴蝶优化算法

针对蝴蝶优化算法求解精度不高、收敛速度较慢等问题,提出融合正弦余弦和无限折叠迭代混沌映射(ICMIC)的蝴蝶优化算法.首先,采用ICMIC映射对蝴蝶个体状态进行初始化,避免算法陷入局部最优.然后,在自身认知飞行部分引入正弦余弦算子,平衡算法的局部搜索能力与全局搜索能力.最后,通过改进依赖香味大小的幂指数调整吸收程度,获取更好的最优解.在8个基准函数上的实验表明,文中算法具有较优的全局搜索能力和求解鲁棒性,寻优精度较高,收敛速度较快.     

基于改进二进制灰狼算法的频谱分配

为解决当前频谱资源紧缺和利用率低的问题,提出一种基于改进二进制灰狼算法(IBGWO)的频谱分配方案.在算法中加入一个非线性收敛因子、柯西扰动策略和自适应权重,提高算法的寻优性能;在连续空间到离散空间的转换中,引入一个新的转换函数实现离散化操作;将改进后的二进制灰狼算法和频谱分配模型结合,以最大化系统效益和认知用户接入公平性为优化目标进行仿真实验.实验结果表明,提出算法在频谱分配时能取得较高的系统效益和认知用户接入公平性.     

嵌入Circle映射和逐维小孔成像反向学习的鲸鱼优化算法

针对鲸鱼优化算法(WOA)容易陷入局部最优解、收敛速度慢等缺陷,提出一种改进鲸鱼优化算法.首先,利用Circle混沌序列取代原始算法中随机产生的初始种群,提高初始个体的多样性;其次,提出一种逐维小孔成像反向学习策略,增加寻优位置的多样性,提高算法摆脱局部最优的能力;最后,提出融合贝塔分布和逆不完全$\varGamma$函数的自适应权重,在保留鲸鱼优化算法优点的前提下,协调算法的搜索能力.通过对10个基准函数进行仿真实验,同时使用Wilcoxon检验、MAE等方法来评价改进后鲸鱼优化算法的性能,实验结果表明,改进算法在求解效率和稳定性等方面都有较大提升,同时,算法的寻优精度和收敛速度也比原始算法更优秀.     

基于自适应扰动的疯狂蝴蝶算法

蝴蝶优化算法作为新提出的自然启发算法,其寻优方式模拟了蝴蝶利用嗅觉来确定花蜜或交配对象位置的行为。针对蝴蝶优化算法求解精度不高和收敛速度慢等问题,提出一种基于自适应扰动的疯狂蝴蝶算法（CIBOA）。首先,在自身认知飞行部分引入自适应惯性权重,平衡算法的局部与全局搜索能力;其次,在全局最优位置引入扰动策略,避免算法陷入局部最优;最后,在花蜜位置引入疯狂因子以增加种群多样性,获取更好的最优解。通过8个基准函数对5种算法搜索性能在10、30和50维的情况下进行对比分析,仿真实验结果表明改进算法的综合表现要优于其他算法。