改进的粒子群算法在轧制负荷分配中的优化

针对带钢热连轧精轧机组中负荷分配的优化问题,提出一种基于经验的自适应双层粒子群优化算法(ADLPSO-EM)。每次种群迭代后,对记忆群体通过改进的更新公式进行更新。利用改进的自适应调整惯性权重的策略充分增强种群的多样性,提高全局搜索能力。最后,在将其应用于热连轧负荷分配问题时,通过以经验法得到的值产生一个搜索邻域,并通过变邻域求出最后的负荷分配。仿真结果表明,改进的算法对负荷分配优化具有明显的效果。     

基于改进粒子群优化算法的火电厂机组负荷分配

以坑口电厂厂级监控信息系统的机组负荷在线优化分配功能模块为应用背景,针对模块所运用的基本粒子群优化算法在优化过程中容易陷入局部收敛、收敛速度慢的缺点,提出一种基于惯性权重非线性减小策略的改进粒子群优化算法,使惯性权重呈对数减小;测试函数仿真结果表明,改进粒子群优化算法在收敛速度和寻优精度方面,优化性能均优于基本粒子群优化算法;通过MATLAB与Visual C++混合编程,开发了机组负荷在线优化分配功能模块,提高了算法的计算效率和工程应用价值。     

一种基于混沌搜索和鲶鱼效应策略的粒子群算法

为了提高粒子群优化算法的寻优精度,分析了最新文献提出的三种粒子群算法改良策略的优点和不足之处,对混沌搜索策略和鲶鱼效应策略进行了改良,通过仿真证明了提出的改良方法的优越性。最后提出一种新型混合算法,并在仿真实验中进行了各种算法性能比较,验证了最终提出的新型混合算法有更好的优化性能。     

改进粒子群算法及其对热连轧机负荷分配优化的研究

提出一种基于适应度方差的权重梯度方向变异的改进粒子群优化算法（IPSO）,通过判断适应度方差,按照权重梯度方向进行变异操作,解决了PSO算法的早熟收敛和易于陷入局部极值的问题.应用IPSO算法对精轧机组负荷分配进行优化,根据负荷分配优化策略,给出综合板形板厚的最小方差目标函数,在实现各机架负荷分配优化的同时,提高板形质量.仿真结果表明,该算法计算精度高,收敛速度快,为精轧机组轧制规程的智能优化设计提供了一种新的有效方法.     

混合多目标粒子群优化算法在热精轧负荷分配优化中的应用

通过对热精轧负荷分配过程的分析,选取负荷均衡、板形良好和轧制功率最低为目标,建立了热精轧负荷分配多目标优化模型.为了提高多目标优化算法解集的分布性和收敛性,提出了一种混合多目标粒子群优化算法(HMOPSO),该算法根据Pareto支配关系得到Pareto前沿进而保证种群收敛;采用分解策略维护外部存档,该策略首先根据Pareto前沿求出上界点对目标空间进行归一化处理,然后对种群进行分区处理进而保证种群的分布性能.仿真结果表明,HMOPSO的收敛性和分布性都好于MOPSO和d MOPSO;采用模糊多属性决策的方法从Pareto最优解集中选择一个Pareto最优解,通过与经验负荷分配方法相比,表明该Pareto最优解可以使轧制方案更加合理.     

基于量子粒子群搜索策略的混合蛙跳算法

混合蛙跳算法（SFLA）是一种全新的群体智能优化算法。针对基本混合蛙跳算法局部搜索能力差,因而优化精度低、收敛速度慢的缺点,引入量子粒子群算法的搜索策略,提出了一种基于量子粒子群搜索策略的混合蛙跳算法（QPSO-SFLA）。通过对基准函数进行测试,实验结果表明改进的算法大大提高了算法的收敛速度,增强了算法的寻优能力。     

改进多目标进化算法求解柔性作业车间调度问题

针对加工时间为模糊数的柔性作业车间调度问题,考虑最小化模糊最大完工时间、模糊机器总负荷、模糊关键机器负荷为优化目标,提出一种有效求解该类优化问题的多目标进化算法。算法采用一种混合不同机器分配和工序排序策略的方法产生初始种群,并采用插入空隙法对染色体进行解码。定义一种新的基于可能度的个体支配关系和一种基于决策空间的拥挤算子,并将所提支配关系和拥挤算子运用于快速非支配排序。接着,提出一种基于移动模糊关键工序的局部搜索策略对种群中的优势个体进行局部搜索。通过试验研究关键参数对算法性能的影响并将所提算法与3种不同的优化算法作对比。结果表明,所提算法能够比其它算法更有效解决多目标模糊柔性作业车间调度优化问题。     

基于MSTSO算法的冷水机组负荷分配模型研究

为降低空调系统的运行能耗,优化冷水机组的负荷分配,首先提出了一种多策略改进的金枪鱼优化算法(MSTSO),引入黄金正弦觅食机制和非线性惯性权重来加强算法对最优解的全局定位能力;通过蜜獾随机搜索策略赋予算法更强的性能以跳出局部最优。接着利用双向长短期记忆网络(BiLSTM)搭建能效预测模型并用MSTSO算法对其初始参数进行寻优从而获得最佳训练效果。最后进一步提出BiLSTM-MSTSO负荷分配模型,对多台冷水机组的负荷进行合理分配与优化。实验结果表明,优化后的BiLSTM预测模型拥有更高的预测精度,MSTSO算法相较其他智能优化算法可以减少更多的能耗并最大化提升冷水机组的运行效率。因此BiLSTM-MSTSO智能模型适用于多冷水机组的能耗预测与优化。     

采用改进被囊群算法的多冷水机组负荷分配优化

为了降低中央空调系统的运行能耗,针对多冷水机组负荷分配优化问题,提出一种随机森林特征优选结合核函数极限学习机的冷水机组能效预测模型,通过剔除冗余特征提高预测精度;然后提出一种混合策略改进的被囊群算法,融合鲸鱼螺旋搜索策略改进个体更新方式,引入非线性动态权重平衡全局探索和局部开发,使用空翻扰动策略避免陷入局部最优;最后在能效模型的基础上,采用改进被囊群算法对多冷水机组负荷分配进行优化。实验结果表明,随机森林特征优选的方法可以有效的提高能效预测模型的准确度;改进被囊群算法通过优化机组的启停状态和负荷率可以有效发挥系统的节能潜力,与原有方法相比能耗降低约6%。说明该方法适用于多冷水机组的负荷分配优化问题。     

基于模拟退火和文化粒子群的优化算法

提出一种基于模拟退火和文化粒子群的新型混合优化算法,该算法针对基本文化粒子群优化算法易陷入局部最优的缺点,将模拟退火引入文化算法框架中,作为知识空间的一个演化过程,通过模拟退火的概率突跳特性促使寻优过程跳出局部极值,保证了群体的多样性。最后通过8个标准测试函数的测试,仿真结果表明,该文算法是一种计算精度高、收敛速度快的混合优化算法。     

基于复杂网络的城市公交网络抗毁性分析*

以国内四个城市公共交通系统为研究对象,对由停靠站点构建的公交网络拓扑结构进行了计算和分析。在此基础上提出了公交网络的抗毁性测度——最大连通子图的相对大小和网络效率,并考察了公交网络在不同攻击模式下的抗毁性。结果表明,公交网络具有对随机攻击的鲁棒性,同时又具有对选择攻击的脆弱性。网络的可靠性是由一些关键节点（公交枢纽站点）的稳定性决定的,应当切实保障这类站点的正常、高效运行。     

基于改进的鲸鱼优化算法在ELD上的应用

针对电力系统经济负荷分配这一典型的非凸、非线性、组合优化问题,提出一种将基于自适应权重更新策略和差分进化的随机变异策略的鲸鱼优化优化算法(ADWOA)相结合。该算法首先在鲸鱼优化算法中引入了自适应权重来提高WOA的搜索能力,使算法能够在早期执行精细的全局搜索,在后期执行精确的局部搜索,加速寻优算法的迭代,同时由于随机变异策略,会再次更新位置。然后从更新的结果中选择最优位置,以加速种群的收敛,并有效防止种群陷入局部最优将适应度较好的个体信息更快地保留用于下一次鲸鱼优化算法的迭代,提高了求最优解的速度和精度。最后,对多个算法在电力系统经济负荷分配问题进行了测试,验证了基于自适应权重的的鲸鱼优化算法可以更合理地配置电力系统的经济负荷,能够有效找到可行解,避免陷入局部最优,能实现经济负荷的合理分配。     

求解复杂约束优化问题的多策略混合麻雀搜索算法

针对麻雀搜索算法面对具有强约束、非凸性和不可微特征的复杂问题所存在的开发与探索能力不平衡、易陷入局部最优、过早收敛和种群多样性较低等不足,提出一种求解复杂约束优化问题的多策略混合麻雀搜索算法.首先,利用反向学习策略构建双向初始化机制,以达到获得分布更优的初始种群的目的;其次,设计一种基于交叉与变异算子的位置更新公式,扩大搜索范围,丰富搜索机制,以平衡算法探索和开发能力,同时提高算法的收敛精度和速度;最后,使用社区学习策略对种群进行精炼,强化开发能力与跳出局部极值的能力,并保持种群的多样性.分别在CEC2017的28个实数约束优化问题和1个工程优化问题上进行了性能评估,实验结果表明,所提出的算法对比其他优化算法具有寻优能力强、收敛精度高、收敛速度快等优势,可有效解决复杂约束优化问题.     

融合指标分组的高维混合多目标进化优化

高维混合多目标优化问题因包含多个不同类型指标,目前尚缺乏有效求解该问题的进化优化方法。提出一种基于目标分组的高维混合多目标并行进化优化方法。采用深度学习神经网络预测种群隐式性能指标;基于指标相关性,将高维混合多目标优化问题分解为若干子优化问题;采用多种群并行进化算法,求解分解后的每一子优化问题,并基于各子种群的非被占优解构建外部保存集;采用聚合函数对外部保存集个体进一步优化,得到Pareto最优解集。在室内布局优化问题中验证所提方法,实验结果表明,所提方法的Pareto最优解在收敛性、分布性以及延展性等方面均优于对比方法。     

基于近邻关系求解TSP的离散PSO算法*

针对NP-hard组合优化问题,提出一种基于启发因子的自适应混合离散粒子群算法对其进行求解。通过改进离散粒子群运动方程,并加入启发因子,从而提高算法的收敛性和稳定性;依据粒子多样性的动态变化,引入自适应扰动算子,以保持种群进化能力。该算法对低、中、高维的TSP数据仿真结果表明,与其他混合离散粒子群算法相比,具有更好的全局收敛性和稳定性。     

区间混合性能指标优化问题的自适应遗传算法

为了解决区间混合性能指标优化问题,在此提出了一种自适应进化优化方法。首先,基于前后代最优个体的距离,计算种群的收敛进度;然后,基于种群的多样性、收敛进度,以及进化代数,计算进化种群的交叉和变异概率;最后,将所提算法应用于室内布局这一典型的区间混合性能指标优化问题,并与其他算法比较,实验结果表明,所提算法在最优解数目、性能,以及分布性等方面均具有优越性。     

A hybrid discrete particle swarm optimization for dual-resource constrained job shop scheduling with resource flexibility

In this paper, a novel hybrid discrete particle swarm optimization algorithm is proposed to solve the dual-resource constrained job shop scheduling problem with resource flexibility. Particles are represented based on a three-dimension chromosome coding scheme of operation sequence and resources allocation. Firstly, a mixed population initialization method is used for the particles. Then a discrete particle swarm optimization is designed as the global search process by taking the dual-resources feature into account. Moreover, an improved simulated annealing with variable neighborhoods structure is introduced to improve the local searching ability for the proposed algorithm. Finally, experimental results are given to show the effectiveness of the proposed algorithm.     

A novel hybrid gravitational search and pattern search algorithm for load frequency control of nonlinear power system

In this paper, a hybrid gravitational search algorithm (GSA) and pattern search (PS) technique is proposed for load frequency control (LFC) of multi-area power system. Initially, various conventional error criterions are considered, the PI controller parameters for a two-area power system are optimized employing GSA and the effect of objective function on system performance is analyzed. Then GSA control parameters are tuned by carrying out multiple runs of algorithm for each control parameter variation. After that PS is employed to fine tune the best solution provided by GSA. Further, modifications in the objective function and controller structure are introduced and the controller parameters are optimized employing the proposed hybrid GSA and PS (hGSA-PS) approach. The superiority of the proposed approach is demonstrated by comparing the results with some recently published modern heuristic optimization techniques such as firefly algorithm (FA), differential evolution (DE), bacteria foraging optimization algorithm (BFOA), particle swarm optimization (PSO), hybrid BFOA-PSO, NSGA-II and genetic algorithm (GA) for the same interconnected power system. Additionally, sensitivity analysis is performed by varying the system parameters and operating load conditions from their nominal values. Also, the proposed approach is extended to two-area reheat thermal power system by considering the physical constraints such as reheat turbine, generation rate constraint (GRC) and governor dead band (GDB) nonlinearity. Finally, to demonstrate the ability of the proposed algorithm to cope with nonlinear and unequal interconnected areas with different controller coefficients, the study is extended to a nonlinear three unequal area power system and the controller parameters of each area are optimized using proposed hGSA-PS technique.