摘要：为了解决麻雀搜索算法(SSA)存在的跳出局部最优值能力弱、寻优精度不理想等缺陷,提出了一种基于自适应权重因子与透镜成像反向学习的麻雀搜索算法(LIW-SSA)。利用Circle映射和一般反向学习策略生成麻雀种群,提升了初始种群的质量以及丰富性。将自适应权重因子引入到麻雀种群警戒者更新公式中,能有效平衡算法前后期搜索能力。采用透镜成像学习机制对当前麻雀最优个体实施干扰,提高了算法的跳出局部最优以及寻优性能。通过对基准测试函数的寻优对比,验证了提出的LIW-SSA算法相较于基本麻雀搜索算法以及其他优化算法,在算法稳定性以及寻优精度上得到了很大的提高。

摘要：三矢量模型预测控制不仅可实现交直轴电流的无差拍控制,还具有良好的稳态性能。但应用于高基频低载波比的超高速电机控制系统时,仍存在电流跟踪静差、计算量大等缺陷。文中首先对传统三矢量模型预测控制进行等效控制集优化,在不影响控制性能的情况下,能够大大降低算法复杂度。同时,为提高预测电流误差消除的快速性,提出一种电流预测静差消除双闭环控制策略。设计自适应加权数据选择器,交直轴电流预测误差经自适应加权数据选择器后,通过调节器对逆变器模型角度进行补偿,从而形成内环;外环则由交直流预测电流跟踪误差反馈至电流给定值构成。在该双闭环控制系统中,内环实现了纯延时误差的全补偿,并优化非纯延时误差在交直轴上的分布;外环则能完全消除分布优化后的内环预测误差。仿真分析和实验结果证明了所提控制策略的可行性和有效性。

摘要：蜜獾算法(HBA)是一种新型智能优化算法,通过模拟蜜獾觅食行为进行寻优,具有结构简单且收敛速度快等特点。针对HBA在解决高维复杂问题时收敛精度低、收敛速度慢以及全局寻优能力不足等问题,提出一种多策略改进的蜜獾算法(MSHBA)。设计一种限制反向学习机制,随着算法迭代生成限制反向解更新种群,提高种群质量,加快算法收敛速度,引入自适应权重因子,随着迭代次数的变化调节不同寻优路径上的寻优步长,协调算法不同探索阶段,提升算法稳定性,加快收敛速度,构建一种新的饥饿搜索策略,根据种群能量以及全局最差位置改变寻优路径上的寻优步长,避免算法陷入早熟。基于9个标准测试函数对MSHBA、HBA、鲸鱼优化、哈里斯鹰、单一策略等算法在不同维度上进行仿真实验,结果表明,MSHBA具有更优的稳定性和收敛精度,将算法应用于机械设计优化问题并进行结果比较,MSHBA对比原HBA性能优化了88%,适用于求解高维复杂问题。

摘要：乌燕鸥算法(STOA)存在收敛缓慢、稳定性差、收敛精度低等问题,鉴于此,提出一种多策略改进的乌燕鸥算法(MISTOA)。首先,为增强初始种群的多样性,采用Cat混沌映射对STOA算法种群进行初始化。其次,将自适应权重因子和高斯函数改进了算法的迁徙位置更新方式,增强了算法的全局搜索能力。同时,结合自适应权重因子和邻代交叉学习策略改进了算法的攻击位置的更新方式,增强了算法跳出局部最优的能力。最后,采用高斯变异策略对乌燕鸥最优个体进行扰动,提高算法的全局搜索与局部搜索之间的平衡能力。利用7个测试函数和主梁轻量化设计对MISTOA算法收敛性能和工程实际应用能力进行了验证。结果表明:与其他5种先进的算法,MISTOA算法收敛性能更优,稳定性较好和鲁棒性较强。MISTOA算法可实现桥式起重机主梁质量减重率约为20.76%,优化结果优于已有的方法,因此,MISTOA算法可以高效地处理复杂的非线性约束的现实问题。

摘要：针对标准灰狼优化算法(GWO)的收敛速度慢、易陷入局部最优等缺点,提出一种在非线性双收敛因子策略下基于双头狼引领的改进灰狼优化(GWO-THW)算法。首先,利用混沌Cubic映射初始化种群,提升种群分布的均匀性和多样性,并通过平均适应度值将狼群分为捕猎狼和侦察狼,两类狼群采用不同的收敛因子,在各自的头狼带领下寻找和围捕猎物;其次,为提升搜索速度和精度,设计了一种位置更新的自适应权重因子;同时,为跳出局部最优,当一定时间内未发现猎物时,狼群采用莱维(Levy)飞行策略随机更新位置。在10个常用的基准测试函数上验证GWO-THW的有效性。实验结果表明,与标准GWO及相关变体相比,GWO-THW在8个基准测试函数上都取得了较高的寻优精度和收敛速度,尤其在多峰函数上,200次迭代内就能收敛到理想最优值,从而验证了GWO-THW具有更好的寻优性能。