Parameters identification of photovoltaic (PV) models based on measured current-voltage characteristic curves is significant for the simulation, evaluation, and control of PV systems. To accurately and reliably identify the parameters of different PV models, an improved JAYA (IJAYA) optimization algorithm is proposed in the paper. In IJAYA, a self-adaptive weight is introduced to adjust the tendency of approaching the best solution and avoiding the worst solution at different search stages, which enables the algorithm to approach the promising area at the early stage and implement the local search at the later stage. Furthermore, an experience-based learning strategy is developed and employed randomly to maintain the population diversity and enhance the exploration ability. A chaotic elite learning method is proposed to refine the quality of the best solution in each generation. The proposed IJAYA is used to solve the parameters identification problems of different PV models, i.e., single diode, double diode, and PV module. Comprehensive experiment results and analyses indicate that IJAYA can obtain a highly competitive performance compared with other state-of-the-state algorithms, especially in terms of accuracy and reliability.

Obtaining appropriate parameters of photovoltaic models based on measured current-voltage data is crucial for the evaluation, control, and optimization of photovoltaic systems. Although many techniques have been developed to solve this problem, it is still challenging to identify the model parameters accurately and reliably. To improve parameters identification of different photovoltaic models, a multiple learning backtracking search algorithm (MLBSA) is proposed in this paper. In MLBSA, some individuals learn from the current population information and historical population information simultaneously, which aims to maintain population diversity and enhance the exploration ability. While other individuals learn from the best individual of current population to improve the convergence speed and thus enhance the exploitation ability. In addition, an elite strategy based on chaotic local search is developed to further refine the quality of current population. The proposed MLBSA is employed to solve the parameters identification problems of different photovoltaic models, i.e., single diode, double diode, and photovoltaic module. Comprehensive experimental results and analyses demonstrate that MLBSA outperforms other state-of-the-art algorithms in terms of accuracy, reliability, and computational efficiency.

Dynamic multimodal optimization problems (DMMOPs) represent the multimodal optimization problems that the optimal solution changes over time. Due to the wide application of DMMOPs in reality, some related algorithms have been proposed in recent years. Most existing algorithms employ a single dynamic response mechanism and embed it in existing multi-modal evolutionary algorithms. However, these algorithms often perform limited when environmental change involves multiple types, and they fail to consider utilizing historical information to assist static multimodal optimizers. To solve these issues, this paper proposes historical information-assisted dynamic response integration and adaptive niche methods (HIA-DRI-AN) for dynamic multi-modal optimization. In HIA-DRI-AN, an dynamic response integration method with adaptive adjustment mechanism is proposed for generating the initial population when the change happens. This method considers the change types of DMMOPs, and integrates targeted dynamic response mechanisms to respond to the different change types. Also, this method can adaptively self-adjust to balance the convergence and diversity of the initial population depending on the integrated response mechanism's performance in historical environments. Furthermore, a niching adaptive division strategy is proposed to enhance the performance of the static optimizer. The strategy dynamically divides niches based on the integrated response mechanism's performance and the current evolutionary stage, which can adjust the preference for diversity and convergence during evolution. The comprehensive experimental results on 24 test functions show that HIADRI-AN is superior compared to some state-of-the-art dynamic multimodal algorithms.