基于改进粒子群优化算法和CRNN的多类SVM分类

为了提高支持向量机(SVM)在多类分类中的分类效果,提出了一种基于改进粒子群优化(IMPSO)算法和协作式递归神经网络(CRNN)的多类SVM分类方法(IMPSO_CRNN_SVM算法).首先引入自适应惯性权重及自适应粒子变异,以此改进粒子群优化算法(PSO)在优化SVM参数过程中存在的容易陷入局部最优和早熟等问题; 然后基于多类SVM设计一个CRNN,并利用随机分配的训练集对该网络进行训练并构建最终决策函数,从而实现多类数据的“一次性”分类.最后利用3种数据集和实际应用对IMPSO_CRNN_SVM算法进行验证,结果表明IMPSO_CRNN_SVM算法的分类精度优于未进行参数优化的传统SVM算法、基本PSO 进行SVM参数优化的算法和未进行PSO参数优化的基于CRNN的多类支持向量机算法,因此IMPSO_CRNN_SVM算法具有一定的实用性.     

混沌粒子群优化算法在水库防洪优化调度中的应用

为改善粒子群优化算法的寻优性能,提出了一种新的算法——混沌粒子群算法。该算法将混沌搜索机制引入到粒子群算法中来增加粒子的多样性,采用自适应惯性权重因子模型来设置惯性权重因子,改善了算法的全局寻优能力,并将其用于水库防洪优化调度中。实例计算表明该算法能较好地克服了粒子群算法易早熟和陷入局部最优的缺点,为解决水库防洪优化调度问题提供一种新的有效途径。     

海量网络数据传输能耗优化方法

针对传统方法对海量网络数据传输能耗进行优化时存在传输能耗估计不准确、不适合大范围使用的缺陷,提出一种新的海量网络数据传输能耗控制优化方法.通过建立网络数据传输模型,对网络数据节点能耗进行计算.选取合适节点对网络数据进行参数设计,利用分段曲线压缩算法对采集的数据进行压缩传输,结合剩余能量实现海量网络数据传输能耗的优化.结果表明,在不同数据传输距离和数据量条件下,与传统方法相比采用改进算法可以很大程度降低海量数据的传输能耗,改进算法具有的能耗优化效果具有一定的实用性.     

基于自适应的配电网分布式电源优化配置研究

针对分布式电源接入配电网引起的电压越限和电能质量下降等问题,提出了一种具备自适应特性的分布式电源优化配置方法. 建立了光伏、风电两种典型分布式电源的数学模型,分析其功率输出特性. 构建了同时考虑发电成本、环境成本、有功网损折算成本三项指标的分布式电源优化配置模型. 针对多目标函数和多约束条件的优化配置模型,应用自适应粒子群算法求解,实现学习因子和惯性权重自适应调整以提高算法的寻优性能,由此得到分布式电源的最佳接入位置和容量. 最后,以IEEE33节点配电系统为例进行仿真验证. 结果表明,自适应粒子群算法与传统粒子群算法和混沌粒子群算法相比,求解得到的优化配置方案可达到更好的供电可靠性和经济性要求.     

粒子群优化算法的改进与分析

介绍了基本粒子群优化算法及其原理,针对其易陷入局部极值和后期收敛速度慢的缺点,研究了基于惯性权重因子的改进粒子群优化算法。通过测试函数对固定惯性权重和时变惯性权重参数的选择进行了系统的实验,并且分析了种群规模与学习因子参数对粒子群算法优化性能的影响。     

基于改进粒子群算法作业车间调度问题的优化

针对作业车间调度问题,提出一种基于自适应权重和混沌的改进粒子群优化算法。构建以机器加工时间最短为优化目标的多约束作业车间调度模型,采用基于工序排列的编码方式得到粒子参数与工序序列的映射关系;基于自适应权重改进粒子群算法中的惯性系数和加速因子,使得算法可以根据适应度值动态调整参数因子;采用反向学习策略改善种群初始解的质量;引入莱维飞行、变邻域搜索、混沌,增强了算法的搜索能力,避免陷入局部最优解。试验结果表明:改进粒子群算法可以有效地提高粒子利用率,平衡全局搜索与局部搜索能力,改善传统粒子群算法易早熟的缺点,得到更优的解。     

一种粒子滤波自适应优化算法

通过对粒子滤波算法中建议分布与重采样2种改进技术分析,提出了一种粒子滤波自适应优化算法．首先,基于退火参数自适应优化混合建议分布,以改进建议分布的采样范围．然后,在基于有效样本大小的自适应重采样技术之上,借助另一多样性测度即种群多样性因子来自适应调整重采样阈值,而且,样本变异操作在重采样之后被引入确保样本的多样性．同时,结合部分分层重采样算法研究并进行改进,改进的部分分层重采样算法具有原算法执行快时间短的优点,同时结合权重优化的思想改进重采样的样本权重计算．通过仿真实验,粒子滤波自适应优化算法的性能和有效性均得以验证．     

一种改进的粒子群优化算法

针对基本粒子群算法在处理复杂问题时有可能陷入局部极小的现象,引入群体适应度方差及群体位置方差,协调算法的种群多样性,使之能有效地克服基本粒子群算法容易陷入局部收敛的问题。在算法的中后期,根据粒子的表现不同,自适应调整惯性权重,保持群体惯性权重的多样性。通过选取4个基准函数进行测试,验证了改进算法可提高粒子群算法的优化性能。     

基于惯性权重和学习因子动态调整的粒子群算法

针对传统的粒子群算法易发生早熟收 敛、在寻优过程中易陷入局部最优等问题,提出了一种基于惯性权重和学习因子动态调整的粒子群算法,该算法通过改进惯性权重和学习因子参数以优化算法。随着算法的不断迭代,其惯性权重以及学习因子随着迭代次数的增加而动态优化,从而平衡其局部寻优能力与全局搜索能力。实验结果表明,改进后的算法在收敛速度以及收敛精度上比传统粒子群算法更优,能改善早熟收敛问题。     

基于改进差分演化算法的无功优化

针对电力网络无功优化问题,增加考虑了电压稳定指标,采用改进的差分演化算法同时对网损和电压稳定指数进行优化.该算法基于一般差分演化算法,在进化的不同阶段对算法参数缩放因子F和杂交概率CR进行自适应调整与控制,增加种群多样性的同时,能够调整搜索方向快速找到最优化方案.应用IEEE 30节点和IEEE 57节点系统进行了测试,结果表明所用算法相比遗传算法和一般差分演化算法,不仅能够有效减少有功网损,还能让PQ负荷节点远离电压崩溃点,并具有计算速度快、鲁棒性好等优点.