多策略混合搜索的变时段人工蜂群算法及应用

【目的】研究非汛期洪水、中小洪水调度和发电调度模拟中时段步长和约束条件在较长系列上的融合优化,提升水库调度综合效益。【方法】建立了多策略混合搜索的变时段的人工蜂群算法,构建了长系列可变时段的多约束下发电量最大的水库优化调度模型,对万安水库进行实例应用。【结果】非汛期水量利用率提高了3%,加强了对洪水资源的利用;多策略混合搜索的人工蜂群优化算法缓解了多约束条件优化模拟计算时,时段步长选取与运算精度和收敛速度之间的矛盾,有效提升了标准人工蜂群算法的寻优效率与开发能力。【结论】研究成果可为非汛期洪水、中小洪水调度和发电调度综合效益的提升提供依据。     

基于CAFSA的水库发电优化调度双层并行计算

应用于水库发电优化调度的人工鱼群算法(AFSA)后期搜索能力较弱,易陷入局部求解困境,并且运行时间相对较长;增加单体鱼的混沌优化搜索功能后,虽可提高最优求解精度,但计算耗时有所增加的问题也随之而出。依托互联多核计算机群,对水库发电优化调度中的混沌人工鱼群算法(CAFSA)展开双层并行计算架构设计,水库实例仿真的计算结果表明该并行策略能够有效保持CAFSA较高质量寻优的同时,可以大幅减少计算耗时,为提高调度模型求解效率提供了一定方向。     

基于PEM-ABC算法的小型无人直升机系统辨识

针对小型无人直升机在悬停状态下飞行动力学模型的系统辨识问题,提出了一种基于预测误差法与人工蜂群算法(PEM-ABC)结合的辨识算法。该算法将系统辨识问题转化为优化问题,用PEM算法确定搜索空间的范围;雇佣蜂搜索阶段采用改进的自适应搜索策略加快收敛速度;跟随蜂搜索阶段引入一种新的概率选择方式保证种群多样性;侦察蜂搜索阶段利用混沌算子来提高全局搜索能力。通过机载设备采集到的飞行实验数据,对辨识获得的模型进行了分析与验证。结果表明:采用该辨识方法,估计出了无人直升机动力学模型的未知参数,与PEM算法和传统人工蜂群算法相比,所提算法的辨识精度更高,具有重要的工程使用价值。     

大变异遗传退火法及其在水库优化调度中的应用

根据水电站优化调度特点,建立水库调度优化模型,并针对遗传算法易早熟收敛和进化后期搜索效率较低的问题,将遗传操作与模拟退火(SA)思想相结合,并加入大变异(LPM)思想,最后将大变异遗传退火算法(LPM GASA)用于隔河岩水库。通过LPM GASA在隔河岩水库优化调度中的模拟,表明改进策略在解决水库优化调度问题方面的有效性。最后与动态规划(DP)法以及几种策略下的浮点编码遗传算法(FGA)作比较,体现出改进GA的优点及优越性。     

基于混沌人工鱼群算法的水库发电优化调度研究

针对人工鱼群算法后期搜索盲目性较大，容易陷入局部最优值的缺点，结合混沌优化算法的遍历性优势，提出了适用于水库中长期发电优化调度的混沌人工鱼群算法。实例仿真结果表明该混合算法能有效应用于水库中长期发电优化调度中，具有收敛速度快和寻优质量高等特点，为该模型求解提供了一种新思路。     

动态蚁群算法在梯级水库优化调度中的应用

针对蚁群算法缺乏全局搜索与局部寻优之间的动态调整,蚁群难以保持较好的多样性,算法极易陷入局部最优的问题,以余弦递减的策略动态调整启发式因子的变化,从而平衡算法的全局搜索和局部寻优。同时,利用混沌搜索的随机性和遍历性,对蚁群每次迭代找到的路径进行混沌扰动,从而提高算法跳出局部最优的能力,避免算法早熟收敛。将改进的蚁群算法应用于梯级水库的联合优化调度,模拟计算结果表明了算法的有效性。将其结果与逐步优化法和标准蚁群算法的计算结果进行对比,体现了算法在求解速度和求解精度上的优势。     

基于引导人工蜂群算法的3—RPS并联机构正解优化

提出了一种求解3—RPS并联机构正解优化的快速数值解算法,采用数值优化方式将正解转换为最小化问题。针对3—RPS并联机构位姿正解优化,采用数值法建立该并联运动平台正解方程,其实质为带约束的多目标非线性方程组。建立判定方程实现方程组单目标优化,采用引导人工蜂群算法进行最小值优化求解。该算法既利用了基本人工蜂群算法中邻近蜜蜂交换蜜源信息的方式,又采用全局最优蜜蜂引导所有蜜蜂往更优蜜源处移动,更快速地搜索到最优蜜源位置。通过求解3—RPS正解数值解优化仿真算例分析,对比改进蚁群算法和基本人工蜂群算法,结果表明引导人工蜂群算法是高精度高速求解并联运动平台正解优化的一种有效方法。     

变尺度混沌优化算法在水库优化调

利用变尺度混沌优化算法（Mutative Scale Chaos Optimization Algorithm,MSCOA）对水电站中长期水库调度问题进行优化计算。变尺度混沌优化算法解决水电站中长期水库优化调度问题的主要思想是利用混沌运动的特点,由Logistic 方程随机生成混沌序列;将其载波到包含水电站目标函数可行域S的一个区域;利用随机性、遍历性和规律性,不断缩小优化变量的搜索空间和提高搜索精度进行全局寻优,从中搜索属于可行域S的解;同时在搜索中引入解向量优选,将解向量中那些接近全局最优解的分量找出,构成一个新的向量,代入目标函数中进行计算,从而找出全局最优解,最终求出水电站水库调度的最优调度线。水库优化调度问题是一个具有复杂约束条件的大型、多目标、动态非线性优化问题,将变尺度混沌优化方法应用到水库优化调度问题中,优化计算结果表明变尺度混沌优化方法为求解水库优化调度问题提供了一种有效方法,具有较大的实用价值。     

混沌优化算法在水库优化调度中的应用

基于水库优化调度常用优化方法存在的不足，根据水库优化调度的数学模型，将混沌优化算法运用到水库优化调度中。根据混沌的迭代不重复性和遍历性，按照其“自身规律”不重复地遍历所有状态，利用混沌变量进行优化搜索，可以避免陷入局部最优点，取得全局最优，得到满意结果。将混沌优化算法运用到水库调度中，并与其他优化方法比较，结果表明混沌优化算法原理简单，计算方便，结果精度高。     

面向服务的网络化协同制造资源多目标重组优化调度

针对网络化协同制造资源重组优化调度所存在的问题,综合考虑影响网络化协同制造资源重组优化调度的4个主要因素:最小化生产作业时间、最小化生产作业成本、最优化生产加工质量、最优化资源服务质量,建立了网络化协同制造资源多目标优化调度的数学模型。提出了一种基于Pareto多目标免疫遗传算法的网络化协同制造资源重组优化调度方法,该算法综合运用了小生境技术、群体排序技术和精英保留策略,并对遗传算子进行改进,自适应地调整交叉和变异算子,结合免疫算法的免疫选择淘汰了相似个体,保证了种群多样性,避免了早熟现象的发生。免疫记忆对近似最优解进行动态邻域搜索,提高了算法的局部搜索能力。实例仿真表明了该算法的有效性。     

基于势场蚁群算法的移动机器人全局路径规划方法

针对移动机器人路径规划蚁群算法收敛速度慢和人工势场法易陷入局部最优的问题,提出一种以栅格地图为环境模型,在蚁群算法搜索过程中加入针对具体问题的人工势场局部搜索寻优算法,将人工势场法中力因素转换为局部扩散信息素,使蚁群倾向于具有高适应值的子空间搜索,减少了蚁群算法在盲目搜索路径过程中产生的局部交叉路径及蚂蚁"迷失"数量,提高了蚁群对障碍物的预避障能力。对不同参数组合下2种算法及其它改进算法仿真结果做了比较,验证了基于势场蚁群算法的全局路径规划能够加快寻优过程且具有较强的搜索能力,收敛速度提高近1倍。     

基于人工蜂群优化算法的SOFC耦合生物质综合能源系统 日前经济调度

综合能源系统在运行过程中会遇到多种类能源复杂转换，多类型设备互相耦合，多需求分配不均等一系列复杂的优化问题。在近些年以及未来我国实现“双碳”目标的过程中，生物质综合能源系统的优化调度是当前研究的热点问题。本文以最小化综合能源系统经济运行成本（包含了燃料、运行以及维护成本）为目标函数，以系统安全为约束，提出了基于人工蜂群算法的燃料电池（SOFC）耦合生物质冷热电三联供综合能源系统的运行调度方法，其中包含的设备有生物质锅炉以及对应的蒸汽轮机、沼气池、SOFC、储气罐等。运行调度结果表明，相较于传统的随机规划与动态规划算法的运行调度方法，本文所提出的改进型人工蜂群算法能够节省4.2%与3.1%的运行成本。     

时变多车型下的生鲜农产品配送路径优化模型

针对农业供应链的运输环节中生鲜农产品配送模型存在的速度恒定、碳排放计算方法单一的问题，本研究结合路网时变特征和新的多车型碳排放计算方法，提出了考虑配送距离、多车型碳排放量、货物损耗和车辆固定成本等4个优化目标的生鲜农产品配送路径优化模型；并根据模型特点提出了一种改进的双策略种群协同蚁群算法（Double-Strategies Co-Evolutionary Ant Colony System，DC-ACS ）。利用改进蚁群算法对Solomon数据集的C105算例进行了求解，在4个优化目标上分别取得最优解为937.94 km、4961.48元、4081.78元和7500.87元，证明了本研究提出的模型的有效性。在模型有效的基础上，通过试验结果证明，改进蚁群算法比基本蚁群算法在4个优化目标上的配送总成本平均降低幅度超过14%，证明改进蚁群算法更具有优越性。使用改进蚁群算法对集中、随机和混合3种不同分布的大规模算例进行求解，3种分布上分别求得最优总成本为19,939.53、24,095.00和24,397.58元。综上所述，所提模型和算法可以为冷链物流企业的城市配送路径决策提供良好的参考依据，对完善智慧农业供应链的配送路径优化模型和优化方法提供了新的思路，为企业进一步扩大规模提供了参考。     

基于改进避障策略和双优化蚁群算法的机器人路径规划

针对传统蚁群算法在移动机器人路径规划中存在的收敛速度慢、收敛路径质量低、死锁以及动态避障能力差的问题,本文提出基于改进避障策略和双优化蚁群算法（Double optimization ant colony algorithm,DOACO）的路径规划方法。首先,设计新的概率转移函数并对函数中的各分量权重进行自适应调整,以优化算法的收敛速度;然后,利用碰撞检测策略对路径进行再优化,进一步提高算法的性能;最后,针对常规避障策略避障能力差、实时性不足等问题,提出避障行为与局部路径重规划相结合的避障策略。实验结果表明,DOACO算法相对于传统的蚁群算法,不仅能规划出更优的路径,收敛速度也更快,而且新的避障策略也可以有效地应对多种碰撞情况。     

基于动态反馈A*蚁群算法的平滑路径规划方法

针对移动机器人提出了一种基于动态反馈A~*蚁群算法的平滑路径规划方法。首先,为了克服蚁群算法收敛速度慢的缺点,提出了简化A~*算法来优化初始信息素设置以解决初次搜索的盲目性,并借鉴多策略进化机制加强算法的全局搜索能力。其次,为了进一步提高算法在路径规划中的适应能力,解决陷入局部极小和停滞问题,引入闭环反馈思想来实现参数的动态自适应调节。最后,结合三次B样条曲线对所规划的路径进行平滑处理,以满足移动机器人实际运动路径的要求。通过仿真表明:与原蚁群算法相比,动态反馈A~*蚁群算法平均可减少10.4%的路径成本和65.8%的计算时长。同时,该算法在动态和静态环境中,均能快速规划出一条光滑优质路径。     

基于改进蚁群算法的蔬菜大田无人农机路径优化

推进蔬菜机械化与无人化种植能够保障优良的蔬菜规模化种植技术效益,有力保证蔬菜质量与品质,有利于蔬菜规模化生产种植技术产业体系的发展。利用无人拖拉机作业GPS定位点集将实际农业作业区域转化为规则矩形,在此基础上建立以无人拖拉机总转弯距离最短为优化模型,采用蚁群算法对无人拖拉机耕地作业路径序列进行搜索。同时考虑到传统蚁群算法易陷入局部最优、全局搜索能力不足等问题,提出一种基于和声搜索策略的改进蚁群算法,通过引入sigmoid函数与和声搜索机制改善路径搜索能力,得到高质量耕地作业路径序列。将传统蚁群算法(AC)、精英蚁群算法(ELAC)作为对比算法,将传统梭形、回形作业方法作为路径对比作业方法,针对不同耕地作业规模进行无人拖拉机作业路径搜索试验。结果表明,本文算法得到的总转弯距离较梭形耕法降低35.53%～43.08%、较回形耕法降低24.98%～86.88%。精英蚁群算法在小规模作业区域中性能较优,但随着蔬菜大田规模扩大,改进和声蚁群算法优化效果更明显。     

农机BDS/INS组合导航算法研究

针对农机在环境干扰情况下BDS失调、INS单独导航误差大的不足,以BDS/INS两者间位置、速度差值为模型,提出蜂群算法优化BP神经网络辅助卡尔曼滤波的算法组合导航,精准定位农机位置速度信息.BDS有效时,BDS/INS组合导航结合卡尔曼滤波,校正INS的位置、速度偏差,BP神经网络进行训练模式;BDS失调时,BP神经...     

基于蚁群算法的泵站运行优化及投影寻踪选优策略

针对泵站优化运行计算时最优解评价指标单一的问题,建立了包含机组开停机约束的泵站优化运行数学模型和运行方案选优的投影寻踪决策模型.提出了求解泵站多机组优化运行模型的蚁群算法,并通过分析模型的特性改进了算法中启发式信息和信息素更新方式.对江都四站多机组日优化运行计算的结果显示,变量同等离散的情况下,利用蚁群算法优化的结果比用动态规划逐次逼近法优化的结果节省了2.8％的电费,前者相比设计工况运行时节省了29.2％的电费,且蚁群算法优化结果对应的运行方案中叶片调节次数少,机组运行时间短;方案选优时投影寻踪决策模型能够兼顾多个评价指标的优选,得到的运行方案不仅运行成本低,且更合理,更贴切于日常运行,可见改进后的蚁群算法结合投影寻踪决策模型在泵站优化运行及相近的领域有较大的实用价值.     

基于动态扩展邻域蚁群算法的移动机器人路径规划

针对蚁群算法易陷入局部最优、路径转折点多、收敛速度慢的问题,提出一种基于动态扩展邻域蚁群算法（Dynamic extended neighbourhoods ant colony optimization,DENACO）。在蚂蚁搜索方式上采用动态扩展邻域方法,并定义新的信息素计算方式和增量规则,在取得更优收敛路径长度的同时,减少路径转折点数量及路径节点数量;引入自适应调整因子改进启发函数,提高算法的全局搜索能力,并设定迭代阈值,提升算法的收敛速度;提出一种路径节点双优化策略,对规划好的路径进一步优化,提高路径综合质量。不同复杂度及不同规模栅格地图中的仿真实验表明,DENACO算法所规划的路径更优,路径转折点数量减少,收敛速度加快,路径节点数量明显减少,表明算法具有更高的可行性和适用性。