多策略分层学习萤火虫算法研究及应用

• 作 者: 陈文平
• 出 处: 南昌工程学院
• 发表日期: 2020年01期
• 关键词: 萤火虫算法 分层学习 多策略集成 水库调度 径流预报

萤火虫算法是一种仿生优化技术,具有参数少、易实现等优点,被广泛应用于科学和工程领域。然而,该算法在进化过程中忽略了种群中粒子之间的适应度差异,导致算法出现易陷入局部最优、优化精度低等问题。分层思想源于动物种群中存在的阶级现象,自然界中,生物系统表现出明显的社会阶级特征和动态特性,对于一个真实的生物群落来说,种群可以分为多个层次,处于不同层次的个体通常扮演着不同的角色,每个个体可以根据其所在层次的不同而发挥最适宜的作用。针对萤火虫算法存在的问题,本文引入分层思想,将种群划分为多个层次。水资源是一种安全、高效及可再生的自然资源,合理利用水资源,能有效缓解能源短缺问题。径流预报和水库调度是合理利用水资源的两种重要技术,如何提高这两种技术的性能是目前相关学科的研究重点和难点。径流预报和水库调度问题都是典型的最优化问题,群智能算法在优化领域表现出高效的优化性能,将群智能算法应用于径流预报和水库调度问题是相关领域的研究热点。本文以分层思想为基础,通过多策略集成来提高萤火虫算法的优化性能,并将改进后的算法分别应用于径流预报和水库调度。本文主要工作如下:(1)提出基于分层学习和可变步长的萤火虫算法。使用分层学习模型取代全吸引模型,将萤火虫粒子按亮度排序,分成若干层,每只萤火虫粒子从更好的层中随机选取两只萤火虫粒子学习;使用可变步长策略让步长随算法的迭代而衰减。分层学习策略让处于不同层次的萤火虫粒子具有不同的开发和探索能力,有效平衡算法的开发和探索能力;可变步长策略能够满足算法在进化的不同时期对步长的需求。(2)提出单维自主学习萤火虫算法。将萤火虫粒子分为两部分,适应值较好的萤火虫粒子从种群中随机选择一个除自身之外的萤火虫粒子,并随机选择一个维度产生三个候选解,然后贪婪地在三个候选解和自身中选择最好的解;适应值较差的粒子同时选择两个优于自身的萤火虫粒子进行学习。两种学习方式的使用极大的避免了使用单一方式的缺陷。最后,构建基于萤火虫算法的径流预报模型,将改进算法应用于径流预报,提高了径流预报的准确性。(3)提出多策略分工萤火虫算法。将萤火虫粒子按其性能分为领导者、开发者和跟随者,根据分工的不同为萤火虫粒子分配不同的策略。领导者进行贪婪柯西突变;开发者随机选择两个领导者使用精英邻域搜索策略进行局部开发;跟随者随机选择两个优秀萤火虫粒子进行全局探索。多策略分工使得领导者具备跳出局部最优的能力,同时能够保存种群的优秀信息,开发者和跟随者分别负责算法的开发和探索工作。最后,构建基于萤火虫算法的水库调度模型,提高了水库的发电量。