为了提高果蝇优化算法的效率和准确性，针对标准果蝇算法搜索能力不均的问题提出了一种渐进的改进策略。球的果蝇。操作过程中，该策略根据当前果蝇种群中的最佳个体位置动态调整果蝇进程，从而使果蝇算法可以平衡果蝇的能力在全球范围内搜索并提高初始收敛速度和收敛精度。过常规测试函数对改进算法的仿真结果进行仿真，结果表明，在保证优化成功率的同时，大大提高了算法的收敛速度和收敛速度。
能冷库机组滑模控制器参数优化的应用实例也说明了该算法的有效性。果蝇研究行为的启发，台湾中国科学家潘文超于2011年提出了一种基于群体智能的果蝇优化算法（FOA）。方法易于实现。有较强的整体优化能力，优化精度高，可应用于科学计算和工程领域。是，FOA算法与传统的优化算法相似：其初始搜索速度慢，容易陷入局部最优，这导致收敛的精度越来越高。别是对于复杂的多局部和大规模优化问题。
内外研究人员对FOA算法进行了广泛的研究，提出了一种基于认知社会因素和变异算子的果蝇多策略优化算法（SFOA），以加快收敛速度。[3]中，在果蝇算法中引入了Levy的飞行策略，并提出了双果蝇（LFOA）优化算法，该算法达到了很好的收敛精度。献[4]结合了多组协作研究策略和标准的果蝇算法，以平衡全局搜索功能与本地开发功能。文献[5]中，将混沌算法与果蝇优化算法集成在一起，形成了一种自适应混沌优化算法（ACFOA），该算法提供了比标准FOA更好的整体搜索能力。述增强策略在一定程度上提高了果蝇算法的能力，但并未认为果蝇算法与其他智能算法（例如算法优化算法）有所不同。局搜索能力方面的“粒子群算法”。不是均匀分布的[6]，当优化效率低下时，会导致非零点的整体优化。虑到这一差距，本文提出了一种等效的步长增强策略，该策略可以在果蝇当前位置之前纠正果蝇的进展，在全球范围内平衡研究能力。提高研究效率。数的初始化。蝇种群的位置被初始化为X1，Y1是随机数，果蝇种群的大小Sizepop和最大迭代次数maxgen。每个果蝇都能利用自己的嗅觉（Xi，Yi）的飞行位置来搜索物体。复步骤2）到5），直到达到最终条件。果确定当前浓度的步骤更大，则执行步骤6）。据式（1）〜（2），味密度的决定值是果蝇与原点之间的距离的倒数，通过该计算方法，能够将该值的搜索范围建立关联。
定果蝇在K进行时的味觉密度Si，并与果蝇的当前位置有关。相同的果蝇中进行的情况下，当果蝇的位置不同时，确定味觉浓度的值的搜索范围也不同。陷1）：当果蝇前进且K固定时，标准果蝇算法显示，当味觉密度确定值较大时，搜索范围较宽，而当口味密度的测定值小，搜索范围小。障2）：考虑到实际问题，优化功能的最大优势通常不是其起源。这种情况下，果蝇算法将促进最佳总体的交叉，并难以找到最佳。观地，直接搜索味觉浓度值的半径在整个范围内平衡了搜索能力。定等效搜索步骤Keq，根据公式（4），可以计算果蝇个体当前位置所需的搜索半径，从而避免果蝇位置的影响。究能力上有硕果。别选择不是发起者的Michalewicz和Shubert的测试函数，以及起源时全局最佳的Spher和Griewank的测试函数。体表达式如表1所示。试功能由本文提出的PSO，基本FOA和增强型FOA（由MFOA表示）解决，每个测试功能独立执行20次，并且获得20个优化结果的平均和最佳结果。最差值，标准偏差和成功率显示在表2中。1显示了四个测试函数的收敛曲线（出于观察目的，函数f3和f4的目标函数是以10为底的对数。们看到，标准的FOA算法很难收敛于总功能不是源于测试的测试函数，本文提出的FOA收敛效果显然要好于标准算法。FOA和PSO。于最初具有最佳优势的整体测试功能，标准FOA更好。PSO算法中，但是改进的FOA效果（等效步长）比前两者更好，收敛精度更高。模控制目前在控制风能存储单元的速度方面很流行[8-10]。而，由于控制器参数的数量众多，难以设置参数的问题，这限制了其发展。文应用改进的FOA算法对其进行优化。动速度控制器由方程式（5）至（7）组成，其输出为方程式（6）和（7）的和，我们可以看到α，β，k，p，q， g必须定义诸如h和h之类的参数，因为p，q，g和h是正奇数[11]，因此它们直接接收以下值：p / q = 15/13; g / h = 9/7。时，必须定义参数α，β和k3。统的试错法用于时序，实际效果不理想，因此本文提出的改进果蝇算法被用于获得最优的解法。模控制器设置。2.4兆瓦风能存储单元的仿真模型基于Matlab / Simulink平台。度控制策略如图2所示。库单元的参数如下：叶片长度R = 42 m，最大风能利用系数Cpmax = 0 ，48，最高速度的最佳比率λopt= 8.1，减速轴的惯性矩J = 6.516 e5 kg·m2，最佳风速Kopt = 0.193。算法迭代100次，冷凝器价格Keq效应步长为2，模拟时间为20 s，风速在5 s时为10 m / s，风速为5 m / s。应度曲线如图3所示。以看出，改进的FOA在优化参数方面更快，更准确。图2中示出了对通过两种算法获得的参数的阶跃的响应的比较。4.图4和表3表明，两种算法的优化结果不允许出现任何过冲，但是优化等效步长FOA的结果具有较短的上升时间，并且没有响应错误。衡状态，并且其动态性能优于标准FOA。究结果。了反映优化后的参数在速度跟踪过程中的效果，将通过FOA优化获得的等效步长参数集成到模型中进行仿真。果如图5所示。
以看出，在优化参数之后使用了巡航控制。踪效果正确，跟踪误差约为设定值的1％。外，如表4所示，车轮在此期间捕获的总风能是通过对功率进行积分获得的，捕获效率是车轮中捕获的风能与能量之比。风力涡轮机。以看出，在300秒的仿真过程中，与经验参数相比，优化参数捕获的风能增加了约120 kJ，捕获效率增加了约0.19 ％。加并不明显。者通过几次模拟总结了经验参数，这些参数接近于通过优化获得的参数，但是该方法需要大量时间，冷凝器价格并且当冷藏单元的参数发生变化时必须重新调整。文提出的算法在搜索优化时仅花费很短的时间，并且仅当冷藏单元的参数发生变化时才需要重新优化。对果蝇算法在优化无源最佳全局问题方面的弱点，提出了一种等效的策略，以提高步长。策略根据果蝇的当前位置动态调整果蝇的生长，从而平衡了果蝇在不同位置进行搜索的能力。过仿真这四个标准测试功能，可以证明改进的等效螺距的FOA比标准FOA具有更快的优化速度和更高的精度。时，将改进的FOA算法应用于风能存储单元的滑模控制器，进一步证明了该策略的有效性。
本文转载自
冷凝器价格 http://www.china-iceage.com