变量施肥是精准农业的重要组成部分,非线性、大惯性和参数时变性是影响水肥一体化控制系统精度和稳态性能的关键因素。PID控制算法因其简单方便而被人们广泛应用于工农业领域中,但往往很难达到理想的控制效果。灰狼优化算法(Gray Wolf O...变量施肥是精准农业的重要组成部分,非线性、大惯性和参数时变性是影响水肥一体化控制系统精度和稳态性能的关键因素。PID控制算法因其简单方便而被人们广泛应用于工农业领域中,但往往很难达到理想的控制效果。灰狼优化算法(Gray Wolf Optimization Algorithm, GWO)是一种参数设置少且收敛性能好的群体智能优化算法,但在迭代过程中容易陷入局部最优解。为此,通过在标准GWO算法中引入遗传交叉和变异算子,结合佳点集方法,提出一种改进的新型灰狼智能优化算法(Genetic–Grey Wolf Optimization algorithm, GGWO),并将改进的遗传-灰狼优化算法应用于水肥一体化控制系统的PID控制中。以液肥控制系统为研究对象,建立相应的负反馈控制系统数学模型,分别采用常规PID控制、基于GWO的PID控制以及基于GGWO的PID等3种不同控制方法并用MatLab对其进行仿真,并对比分析了各控制方法下的系统性能指标。仿真结果表明:基于GGWO的PID控制在系统的上升时间、调节时间和适应值等性能指标上都优于其它两种控制方法,在系统的精度、均匀性、鲁棒性和稳态性能上实现了更好的控制效果,不仅满足了精准农业的作业要求,而且为后续研究打下了基础。展开更多
为求解高维优化问题,提出基于反向学习和衰减因子的灰狼优化算法(grey wolf algorithm based on opposition learning and reduction factor,ORGWO).设计一种灰狼反向学习模型,模型考虑问题搜索边界信息和种群历史搜索信息,初始种群阶...为求解高维优化问题,提出基于反向学习和衰减因子的灰狼优化算法(grey wolf algorithm based on opposition learning and reduction factor,ORGWO).设计一种灰狼反向学习模型,模型考虑问题搜索边界信息和种群历史搜索信息,初始种群阶段增加反向学习,增强种群多样性.根据算法各个阶段不同特征引入衰减因子,平衡全局和局部勘探能力.选取8个高维函数和23个不同特征的优化函数对算法性能进行测试,进一步使用收敛性分析,寻优成功率,CPU时间,Wilcoxon秩和检验来评估改进算法,实验结果表明,ORGWO算法在求解高维问题上具有较好的精度,鲁棒性和更快的收敛速度.展开更多
文摘对计及经济、环境因素的电力系统发电调度问题(Economic Environmental Dispatching,EED)进行研究,提出一种采用改进多目标灰狼算法的发电调度规划方案。构建基于发电燃料成本、污染气体排放量和节点电压偏移量等指标的多目标EED模型,并采用改进的多目标灰狼算法进行求解,以得到更优的Pareto前沿和折中解。设计多度量自适应FCM算法对灰狼算法(Gray Wolf Algorithm,GWA)种群多样性进行分析,重新定义狼群层级结构和Pareto前沿规模控制策略,并在此基础上提出反向学习和变异进化策略,以提升GWA全局收敛性能。仿真结果表明,改进的GWA具有优秀全局寻优能力,而且基于改进多目标灰狼算法得到的Pareto前沿和折中解更具可行性和优越性。
文摘变量施肥是精准农业的重要组成部分,非线性、大惯性和参数时变性是影响水肥一体化控制系统精度和稳态性能的关键因素。PID控制算法因其简单方便而被人们广泛应用于工农业领域中,但往往很难达到理想的控制效果。灰狼优化算法(Gray Wolf Optimization Algorithm, GWO)是一种参数设置少且收敛性能好的群体智能优化算法,但在迭代过程中容易陷入局部最优解。为此,通过在标准GWO算法中引入遗传交叉和变异算子,结合佳点集方法,提出一种改进的新型灰狼智能优化算法(Genetic–Grey Wolf Optimization algorithm, GGWO),并将改进的遗传-灰狼优化算法应用于水肥一体化控制系统的PID控制中。以液肥控制系统为研究对象,建立相应的负反馈控制系统数学模型,分别采用常规PID控制、基于GWO的PID控制以及基于GGWO的PID等3种不同控制方法并用MatLab对其进行仿真,并对比分析了各控制方法下的系统性能指标。仿真结果表明:基于GGWO的PID控制在系统的上升时间、调节时间和适应值等性能指标上都优于其它两种控制方法,在系统的精度、均匀性、鲁棒性和稳态性能上实现了更好的控制效果,不仅满足了精准农业的作业要求,而且为后续研究打下了基础。
文摘为求解高维优化问题,提出基于反向学习和衰减因子的灰狼优化算法(grey wolf algorithm based on opposition learning and reduction factor,ORGWO).设计一种灰狼反向学习模型,模型考虑问题搜索边界信息和种群历史搜索信息,初始种群阶段增加反向学习,增强种群多样性.根据算法各个阶段不同特征引入衰减因子,平衡全局和局部勘探能力.选取8个高维函数和23个不同特征的优化函数对算法性能进行测试,进一步使用收敛性分析,寻优成功率,CPU时间,Wilcoxon秩和检验来评估改进算法,实验结果表明,ORGWO算法在求解高维问题上具有较好的精度,鲁棒性和更快的收敛速度.