混合遗传算法的电力系统无功优化

针对遗传算法（GA）的局限性，提出了一种应用于电力系统无功优化问题的混合遗传算法（GASA）。实施了最优保留策略，改进交叉和变异操作，并结合模拟退火算法（SA）的Metropolis判别准则的复制策略，使寻优过程能够跳出局部最优解，从而形成了混合遗传算法。优化过程中考虑了电力系统无功优化自身特点，提高了计算效率。对IEEE30节点系统的仿真表明：该算法能够有效地提高收敛速度，避免早熟收敛。     

一类模拟退火算法与遗传算法混合优化策略

提出一类模拟退火算法（GA）和遗传算法（SA）的混合策略。算法结构上,提出模拟退火算法与遗传算法相结合,既发挥模拟退火算法搜索面广、遗传算法收敛快的优点,又克服前者收敛速度较慢而后者收敛容易早熟的问题。在算法操作细节上,加入杰出个体保护策略及自适应调整的遗传操作,以及增加记忆功能的模拟退火操作与收敛准则。从而既防止算法陷入局部最优,又提高收敛速度及搜索效率。     

基于模拟退火遗传算法的PID参数整定与优化

结合模拟退火算法和遗传算法的思想,提出模拟退火遗传算法,用此算法进行PID参数整定与优化．同时使用自适应交叉率、变异率以及适应度拉伸方法对传统遗传算法进行改进．模拟退火遗传算法有效抑制早熟,且具有收敛性快、全局寻优与局部寻优能力．仿真结果表明,基于此算法寻优设计的PID控制器动态品质和稳定性更好、鲁棒性更强．     

基于改进遗传算法的无功优化

遗传算法的基础上对其局限性进行改进,使该算法在电力系统无功优化的应用中具有一定优越性。通过改进编码和选择算子,自适应的交叉变异概率等策略,并引入基于模拟退火策略的适应度函数和混沌算法,使得改进遗传算法高速、准确的收敛于最优解,改善了传统遗传算法易陷入收敛性差、效率低的弊端。在此基础上建立无功优化数学模型,介绍了该算法具体实现步骤,并将其应用于IEEE30节点,证明所提算法是可行和有效的。     

遗传模拟退火算法在结构优化设计中的应用

遗传算法、模拟退火算法都是随机搜索方法,在处理全局优化、离散变量、多连通可行区等困难问题中,具有传统结构优化算法不可比拟的优势.笔者针对遗传算法和模拟退火算法的特点,取长补短,结合成一种混合遗传算法—遗传模拟退火混合算法.经改进后的混合算法既发挥了遗传算法全局搜索能力强的特点,又保留了模拟退火算法局部寻优效果好的优点.     

一种用于BN结构学习的自适应遗传退火算法

模拟退火算法（SAA）和遗传算法（GA）作为智能算法是结构学习的重要方法．针对两种典型算法存在收敛速度慢或过早陷入局部最优的问题,利用GA进行选择,通过SAA进行搜索并利用独立性测试信息自适应引导算法的进化,提出一种自适应遗传模拟退火算法（AGSAA）,应用于贝叶斯网络（BN）结构学习．仿真结果表明AGSAA在学习的准确性和运行效率上均要优于SAA．     

基于遗传模拟退火算法的钢桁架结构优化设计

将遗传算法(GA)的全局寻优性能好和模拟退火算法(SA)的局部搜索能力强的优点相结合,提出了用于钢桁架结构离散变量优化设计的遗传模拟退火算法(SAGA).以十杆桁架为例对此算法进行了数值实验,并将实验结果与其他优化方法相比较.算例结果表明,遗传模拟退火算法的寻优概率是100%,平均进化代数为35代,其稳定性和求解效率均高于改进的遗传算法.实验结果显示,遗传模拟退火算法在整体搜索同时,采用退火操作进行局部搜索,提高了算法的局部搜索能力,有效克服了遗传算法迭代缓慢的缺点,把遗传模拟退火算法用于钢桁架离散变量的优化设计中是行之有效的.     

基于改进免疫遗传算法的电力系统无功优化

电力系统无功优化是保证系统电压质量、降低网损的重要措施.基于遗传算法、免疫算法的优缺点,提出一种应用于电力系统无功优化的新算法-改进的免疫遗传算法.对IEEE-30节点系统的仿真表明:该算法能够有效地提高收敛速度,避免早熟收敛.     

基于粒子群与模拟退火相结合的无功优化算法

针对电力系统无功优化采用粒子群算法容易陷入局部最优、模拟退火算法约束条件多和收敛速度慢的问题,提出一种新的基于粒子群与模拟退火相结合的算法.该算法根据粒子群的易实现性、快速收敛性及模拟退火的全局收敛性,进行协同搜索,求取系统无功优化的解集.对IEEE14、57、118节点系统进行了无功优化仿真计算,结果表明该算法原理简单易实现,计算效率高且能获得质量更高的解.     

基于粒子群与模拟退火相结合的无功优化算法

针对电力系统无功优化采用粒子群算法容易陷入局部最优、模拟退火算法约束条件多和收敛速度慢的问题,提出一种新的基于粒子群与模拟退火相结合的算法.该算法根据粒子群的易实现性、快速收敛性及模拟退火的全局收敛性,进行协同搜索,求取系统无功优化的解集.对IEEE14、57、118节点系统进行了无功优化仿真计算,结果表明该算法原理简单易实现,计算效率高且能获得质量更高的解.     

基于模拟退火PSO的电力系统无功优化

对粒子群优化算法方法进行改进,把模拟退火机制引入到粒子群优化算法方法中,提出了基于模拟退火粒子群优化PSOSA(PSO with Simulated Annealing)算法,通过适当选择种群大小、调整惯性权重系数ω和退火系数C,以温度的缓慢下降来控制粒子的寻优过程,提高了粒子群优化算法的全局收敛性,改善了粒子的局部搜索能力.建立了以网损最小为目标的电力系统无功优化模型.通过对IEEE-30系统的无功优化计算,结果表明,PSOSA算法具有更好的全局收敛性和良好的搜索能力.     

基于遗传模拟退火算法的最大功率点跟踪研究

通过分析太阳能光伏发电系统的工作特征和现有的最大功率点跟踪(MPPT)方法,提出了一种基于遗传模拟退火算法的光伏发电系统MPPT方法.该算法将遗传算法和模拟退火算法相结合,通过将局部搜索过程引入遗传算法,从而使两种算法的搜索能力得到互相补充.针对某光伏发电系统的MPPT问题,通过仿真,将遗传模拟退火算法和遗传算法进行比较.仿真结果显示,遗传模拟退火算法和传统的遗传算法相比,能更快速、精确地跟踪到光伏系统的最大功率点.     

电网故障诊断的遗传模拟退火算法研究

针对电网出现的复杂故障,如断路器和保护不正常动作或多重故障等情况,结合新的故障诊断优化模型,应用遗传模拟退火优化算法进行故障诊断,寻找使构造的目标函数最小的最优解.将遗传算法和模拟退火算法结合,有效避免了遗传算法过早收敛和模拟退火算法全局搜索较差的缺点,解决了电网故障诊断结果多解和漏解的情况,实现了电网断路器和保护不正常动作的故障诊断.     

基于模拟退火的Gauss-Newton算法神经网络在短期负荷预测中的应用

针对一般BP网络存在的一些缺陷,首次提出了利用基于模拟退火的Gauss-Newton算法的神经网络预测电力系统短期负荷,并编制了通用程序.在相同的初始条件下,用基于模拟退火的Gauss-Newton算法的神经网络和自适应学习率附加动量法神经网络进行了比较,得出前者的特点和优点:一次性求解权值和偏差,收敛快,精度高,收敛于全局最优解.在算例中,基于人工神经网络的非线性特点进行了负荷预测,通过和真实值的比较说明本方法预测结果精度很高,从而更进一步验证了该方法应用于短期负荷预测的可靠性和优势.     

基于模拟退火遗传算法的功率域DOA估计

针对非均匀高斯白噪声背景,提出一种基于模拟退火遗传算法的功率域最小二乘波达方向（DOA）估计器。首先,介绍了阵列单通道下的信号模型。其次,给出了最小二乘意义下的功率域DOA估计优化目标函数,继而以此为适应度函数,将模拟退火算法引入基本遗传算法得到一种改进的遗传算法,对其进行全局优化,其估计精度优于基本遗传算法。最后,通过仿真结果验证了本文算法的有效性。     

基于模拟退火算法的电源规划

针对电源规划最优方案设计问题,利用模拟退火算法和等微增率模型对优化目标进行了合理探讨。为了取得经济上的正确评价,将不同时刻的资金折算为同一时刻的资金进行了比较。在系统峰值负荷增长30%等条件下规划增装机组的类型和数量,使用模拟退火算法经过多次计算得出一组较优解。为了得到典型日第12 h和第24 h现有系统各机组的最优负荷分配方案,利用等微增率模型进行求解,并采用模拟退火算法提高数据的精度,最终实现了电源规划方案的优化。     

基于混合遗传算法的神经网络在智能故障诊断中的应用

设计了用模拟退火的混合遗传算法代替BP网络的反向传播过程的改进算法，解决了在故障诊断系统中BP算法容易陷入局部极小值的问题．该算法是在遗传算法中引入模拟退火机制，将其同BP算法结合，形成一个混合的优化算法．新算法既有神经网络的学习能力和鲁棒性，又有遗传算法的强的全局随机搜索能力．仿真结果表明，这种改进算法极大提高了内燃机故障诊断系统的效率和准确性．     

并行模拟退火算法在拱坝体形优化中的应用

介绍了近年发展起来的模拟退火算法,探讨了模拟退火算法的并行化。在4台PC机搭建的并行环境下,用一个简单的数值计算例子对并行模拟退火算法进行TN试,测试结果表明并行计算明显提高了模拟退火算法的运算速度。最后,把并行模拟退火算法应用于拱坝的体形优化。