蜣螂优化器(dung beetle optimizer,DBO)是一种有效的元启发式算法。蜣螂优化算法虽然具有寻优能力强,收敛速度快的特点,但同时也存在全局探索和局部开发能力不平衡,容易陷入局部最优,且全局探索能力较弱的缺点。提出了一种改进的DBO算法来解决全局优化问题,命名为MSADBO。受改进正弦算法(improved sine algorithm,MSA)的启发,赋予蜣螂MSA的全局探索和局部开发能力,扩大其搜索范围,提高全局探索能力,减少陷入局部最优的可能性。同时加入了混沌映射初始化和变异算子进行扰动。为了验证MSADBO的有效性,对该算法采用23个基准测试函数进行了测试,并与其他知名的元启发式算法进行了比较。结果表明,该算法具有良好的性能。为了进一步阐述MSADBO算法的实际应用潜力,将该算法成功地应用于3个工程设计问题。实验结果表明,所提出的MSADBO算法可以有效地处理实际应用问题。
梯度优化器(Gradient-based optimizer,GBO)是一种模拟牛顿法求解方程过程的元启发式优化算法,该算法全局搜索能力强且收敛速度快,能够高效地解决复杂的实际问题,在结构设计、能源利用和化学生产等领域得到了广泛地应用。随着研究的深入,GBO的应用领域正在不断扩大,研究者发现在一些带有约束的实际问题上,该算法的局部搜索能力弱,收敛精度低,易陷入局部最优。本论文为提升GBO的优化能力,对算法的特点进行分析,提出改进算法以拓宽其应用范围。本文的主要工作如下:(1)为了提高梯度优化器的局部搜索能力,平衡全局搜索和局部搜索,将精英反向学习策略、交叉算子和非线性参数嵌入梯度优化器,提出一种改进型梯度优化器(Improved gradient-based optimizer,IGBO)。为验证改进算法的性能,将IGBO用于优化极限学习机模型参数,提出一种IGBO-ELM框架,并在UCI数据集上进行了测试,同时将该框架用于预测大坝渗流量,与其他五种元启发式算法对比,实验结果表明IGBO-ELM预测模型具有较强的稳定性和预测精度。(2)引入单纯形法,对最差向量进行改善,调整梯度方向加快算法收敛速度,同时引入自适应因子,使得算法在迭代过程中能自适应地调整搜索策略和搜索范围,提出一种基于单纯形法的自适应梯度优化器(Adaptive Gradient-based Optimizer based on Simplex Method,SMAGBO)。为评估SMAGBO算法的性能,选取14个基准函数和CEC-2020基准测试函数,以及五个工程设计优化问题进行测试实验,与八种元启发式优化算法和已有研究成果对比分析,实验结果表明SMAGBO算法在函数优化问题和工程优化问题中上具有较强的寻优性能。(3)为拓宽梯度优化器算法的应用领域,将提出的基于单纯形法的自适应梯度优化器(SMAGBO)用于电力系统经济调度问题。在考虑四种问题约束下,通过两个应用实例的仿真实验,对SMAGBO与其他四个算法在经济调度问题上的优化性能进行分析比较,结果表明SMAGBO所表现出的搜索性能优于其它算法。
暂无评论