元启发式算法适用于求解复杂的优化问题,并且已经成为优化领域不可或缺的一部分。而蝙蝠算法作为Xin-She Yang教授最新提出的一种元启发式优化算法,因其鲁棒性强、参数简单、潜在分布性以及易于实现和控制等优点,已被国内外学者广泛应用。但是,同很多元启发式算法一样,蝙蝠算法本身也存在着容易陷入局部极值、算法执行后期寻优精度不足、收敛速度不够等问题。在算法迭代前期,由于前一代蝙蝠个体移动速度以1倍的速率更新,导致蝙蝠早期搜索速度慢,无法快速遍历整个搜索空间。而在算法后期,蝙蝠朝着一个位置移动,出现种群聚集现象,导致算法后期收敛速度慢,容易陷入局部陷阱。因此,为了显著改善上述问题,本论文针对基本蝙蝠算法提出了一种动态调整权重和频率空间的蝙蝠算法(DAWFBA),并讨论了改进的蝙蝠算法在超级电容器模型参数求解领域的有效性。(1)动态调整权重和频率空间的蝙蝠算法从两个方面对基本蝙蝠算法进行改进。首先,在蝙蝠算法中引入惯性权重的概念,非线性地调整蝙蝠个体的搜寻速度。在迭代初期,使惯性权重取较大值,及时跳出局部最优,进行全局寻优;在迭代后期取较小值,提高局部寻优精度。同时添加随机均匀分布因子,增强算法寻优的多样性,使算法具有一定的灵活性和自适应性。其次,引入Beta分布的脉冲频率更新策略。通过比较Beta概率密度曲线,选择合适的α、β参数,使得算法在蝙蝠迭代过程中可以获得更详细的信息,有效提高搜索精度。通过上述两种改进策略,不仅扩大了蝙蝠种群的搜索空间,兼顾了全局搜索与局部搜索,而且使算法在迭代过程中既保持了稳定性又具有了一定的自适应性。仿真结果表明,改进的蝙蝠算法在求解精度和收敛速度方面均表现出优异的性能。(2)超级电容器作为一种高功率型储能设备,一定程度上解决了电力系统供不应求、环境污染严重等问题。但是,超级电容器也体现出能量密度低,单体电压低,端电压波动范围大,以及其内部构造易受外部环境影响等问题。因此,为了支持无线传感器网络中的电源管理系统,需要在线更新超级电容器的模型参数值,以准确捕获其终端行为并提高系统可靠性。然而,大多数参数求解方法需要大量的实验,这些方法的准确性不是很高。因此,为了准确预测超级电容器模型的终端行为,实现实时性地电源管理,在本论文中提出了一种基于DAWFBA算法的超级电容器模型参数求解方法,仿真结果表明,改进后的模型参数求解方法具有较高的可行性和稳定性。论文结合蝙蝠算法存在的优缺点,提出了一种动态调整权重和频率空间的蝙蝠算法,并将其应用在超级电容器模型参数求解中,仿真效果显著,可以准确预测超级电容器终端行为并提高系统可靠性,可以适用于无线传感器网络的电源管理领域。