国际群体智能与进化计算杂志

抽象的

通过改进萤火虫群、认知发展、黑洞和增强蝙蝠算法来减少实际功率损耗

卡纳加萨拜·列宁

本文提出了一种改进的萤火虫群​​优化 (IGSO) 算法、认知发展优化 (CDO) 算法、黑洞算法 (BHA) 和结合多种方案的蝙蝠算法 (BACS) 来解决最优无功功率问题。萤火虫群优化 (GSO) 算法是一种新算法，它模拟了萤火虫的发光行为来吸引猎物。GSO 算法在全局搜索方面存在局限性，计算精度低，并且经常陷入局部最优。为了克服 GSO 的上述缺点，本文提出了改进的 GSO 算法来解决这个问题。萤火虫群优化算法结合了并行混合突变，将均匀分布突变与高斯分布突变结合在一起。在提出的 (IGSO) 算法中，对每个个体实施动态移动步长。当任何一代中的位置不变时，对萤火虫应用正态分布变化。然后在本文中利用认知发展优化 (CDO) 算法来解决无功功率问题。皮亚杰的认知发展理论包括：成熟、社交互动、平衡；这三个过程贯穿于整个新学习阶段，并不断改进认知基础设施。然后，本文提出了黑洞算法 (BHA) 来解决最佳无功功率问题。种群的进化是通过在迭代中推动最杰出的候选者路线和黑洞与探索空间中的候选者进行交换来实现的。在迭代中的所有候选者中，最优秀的候选者被选为黑洞，剩下的候选者被构造为标准恒星。黑洞的形成不是反复无常的，而是作为创造的种群的真正候选者形成的。为了改进探索和开发，已经利用了恒星重力信息。恒星之间的引力是确定的，并且在进入解空间的过程中，恒星向黑洞的进展是习惯性的。然后，本文提出了结合多种方案的蝙蝠算法 (BACS) 来解决最佳无功功率问题。蝙蝠算法模仿了蝙蝠的动作；主要利用发射到反射的时间延迟来导航。当算子的进度增加时，算法的全局收敛能力会变弱，当探索算子增加时，收敛精度会不够。因此，本文选择了多种方案来解决这个问题，并以自主选择策略的方式进行。在所提出的算法中，不同的个体根据适应度的质量选择不同的策略来现代化位置。提出了改进的萤火虫群​​优化 (IGSO) 算法，认知发展优化（CDO）算法、黑洞算法（BHA）和多种方案相结合的蝙蝠算法（BACS）已经在标准IEEE 14,30,300总线测试系统中进行了测试，仿真结果表明，预计算法大大降低了实际功率损耗。