论文部分内容阅读
现今社会中,大多数问题具有复杂性。现实中的优化问题更是如此。优化问题常伴随着全局最优或局部最优,利用元启发式算法进行优化已经成为近几年非常流行的研究课题。群体智能（Swarm Intelligence,SI）是一类具有自组织行为智能群体的总称,既基于群体成员的聚集,也表现出独立的智能。本文群智能算法主要以人工蜂群算法和鲸鱼群体算法为例,对这两种算法进行优化,提出:蜂种衍变全域优化算法（Bee Spices Transition with Rapid Global Optimization Algorithm,BSTRGOA）,一种非确定性优化的鲸群算法（A Non-deterministic Modified Whale Optimization Algorithm,NMWOA）,并将其应用于电力调度应用中,研究算法性能。（1）对于BSTRGOA算法,提出蜂种衍变策略和全域优化快速搜索机制。为了提高ABC算法全局搜索能力,引入蜂种衍变策略函数p（t）,动态改变引领蜂与跟随蜂数量,以此平衡全局勘探能力与局部搜索能力;与此同时,引入全域优化快速搜索机制,以此增强侦查蜂勘探能力,有效跳出局部最优,搜索到更优质的食物源。BSTRGOA算法选用CEC2017基准测试函数进行实验,在单峰函数和复杂多峰函数下进行比较。结果表明,BSTRGOA算法能有效提高ABC算法的收敛速度,在复杂多峰函数上也表现出较好寻优性能,提升了搜索精度。与其他演化算法的比较,也说明了BSTRGOA算法在解决函数寻优问题上具有较出色表现。此外,BSTRGOA算法也适用于电力调度分析,实验结果进一步证明了BSTRGOA的优越性。（2）在鲸群元启发算法基础上,针对收敛速度慢以及易陷入局部极值问题,提出一种非确定性优化的鲸群算法（NMWOA）。首先,NMWOA算法为实现提高算法初始个体搜索效率,对控制系数???进行优化,提出趋势优化函数f（t）。而后,提出并构建权重系数?（t）,动态改变当前最优解所占比重,从而加强种群局部搜索。算法验证选用CEC 2017基准测试函数,实验结果表明,NMWOA算法在解决多维函数优化问题方面具有良好的性能,可以有效提升算法收敛速度,提高优化精度。（3）最后,将BSTRGOA,NMWOA算法分别应用于5个发电机组的电力系统经济调度问题,结果证明了BSTGOA和NMWOA算法可以有效提高效率,降低成本。