结合广度搜索的遗传算法在水库调度中的应用

为了改善遗传算法在水库优化调度中的应用效果,采用自适应遗传算法和广度搜索算子结合的算法,同时为保证水库优化调度搜索全局最优提供了一定保障。针对遗传算法容易陷入局部最优的缺点,引入正弦函数取随机数的广度搜索与遗传算法相结合的算法。通过分析比较单独使用自适应遗传算法或者广度搜索算法以及结合算法在实际水库优化调度中效果,结果显示,优化结果要比自适应遗传算法以及广度算法的结果更理想。充分证明了结合算法的高效全局搜索能力,避免了自适应遗传算法陷入局部最优,同时在一定程度上克服了广度搜索很难收敛的缺点,在一定收敛条件下得到了更接近全局最优的结果。     

基于初始种群变异遗传算法的水电站优化调度

为解决自适应遗传算法应用于水电站优化调度时易陷入局部最优解的问题,在自适应遗传算法中加入了初始群体变异策略,首先对初始种群进行深度变异并保存优秀个体,然后再对保存的优秀个体采用自适应遗传算法进行全局搜索。水电站优化调度实例表明:采用初始种群变异策略的遗传算法具有更高的全局搜索能力,得出的结果比自适应遗传算法更佳,克服了自适应遗传算法易过早陷入局部最优的缺陷。     

粒子群算法在梯级水库优化调度中的应用研究

针对PSO算法易陷入局部最优和后期收敛速度慢的缺陷,引入进化遗传算法中的"变异"算子并采用自适应的权重因子,以改进其全局优化能力和搜索效率。引入粒子矩阵,通过对粒子在多维空间中最优位置的搜索来实现逐时段的优化计算,并将该算法应用于金沙江复杂梯级水电能源系统中长期优化调度计算中。计算结果表明,智能优化方法在复杂系统全局优化问题上较常规数学优化算法有更优越的优化性能,从而为解决复杂水电能源非线性动力系统的全局优化计算问题提供了一种新的有效的方法。     

电力系统日发电计划的启发式遗传算法

机组组合是电力系统日发电计划中主要的优化任务，在满足各种约束条件下求得全局最优解是一个比较困难的事情。遗传算法没有充分利用个体基因的有效信息，所以局部搜索能力较弱，而且随机遗传操作产生的大量不可行解，使得遗传算法的收敛能力降低。为了提高算法的全局搜索能力和收敛性，设计了基于局部优化算法的智能变异算子和消除约束冲突的修复算子。结果表明，运用了新算子的启发式遗传算法收敛到最优解的速度有显著提高。     

一种加权变异的粒子群算法

针对粒子群算法易于陷入早熟、收敛速度慢及收敛精度低的问题,提出了加权变异的WVPSO(Weighted Variation Particle Swarm Optimization)粒子群算法。根据自适应惯性权重和自适应学习因子,平衡了全局搜索和局部搜索能力;基于算术交叉的变异和自然选择机制的替换策略,增加了粒子的多样性,提高了算法的收敛精度;最后加入高斯扰动,使粒子产生震荡,更容易跳出局部最优。仿真实验表明,相比多个具有代表性的群智能进化算法,WVPSO算法在求解精度和收敛速度上效果更佳,并且在高维函数优化问题上具有更好的精度和稳定性。     

水电站水库优化调度的改进混沌遗传算法

针对水电站水库优化调度问题,提出了将改进遗传算法和混沌优化相耦合的改进混沌遗传算法。该算法将混沌变量映射到优化变量的取值范围中,对混沌变量进行编码,表示成染色体,然后对其进行选择、交叉和变异,通过增加混沌扰动,不断进化收敛得到最优解。实例计算并与其他方法比较表明,该算法在求解水电站优化调度这样的复杂非线性优化问题时,搜索效率高,收敛性能好,能以较快的速度收敛于全局最优解,为水电站水库优化调度模型求解提供了一种新方法。     

水库群发电优化调度遗传算法整体改进策略研究

针对水库群发电优化调度的高维性和复杂非线性,提出了一种收敛性全面改善的改进自适应遗传算法。改进算法采用了整体改进策略:初始种群生成方面,运用加入混沌优化的初始种群解空间生成法,改善初始种群质量;选择运算方面,采用对适应度函数进行非线性转换的三角函数选择算子,保持种群多样性;交叉和变异运算方面,采用随个体优劣和种群分散程度自适应调整的交叉概率和变异概率,提高算法收敛性。以典型入库流量下三峡梯级水库发电优化调度为实例,对比了上述整体改进策略和传统改进策略,结果表明:整体改进策略和传统改进策略相比,在克服遗传算法早熟和提高算法收敛性能方面有一定的优势,改进自适应遗传算法适用于求解水库群发电优化调度问题。     

基于混合变异策略差分进化算法的边坡滑裂面搜索研究

针对"基于反射变异策略的自适应差分进化算法"仍易陷入局部最优的问题,通过引入一个基本的变异策略提出一种基于混合变异策略(DE/current-to-rand/1)的差分进化算法。根据各变异策略生成成功子代的比率使用轮盘赌选择为各个个体选择合适的变异策略,以改善算法的全局收敛能力。将提出的算法结合有限元应力场应用于两个经典算例的边坡临界滑动面搜索及安全系数求解,与其他极限平衡法进行了对比,并使用其中一个算例作为计算模型与其他优化算法进行了收敛性能比较。统计结果验证了改进算法的性能更稳定且收敛速度较快,也验证了该算法结合有限元应力场求解边坡问题的有效性。     

神经网络式距离保护的混合训练算法

针对BP算法存在的缺陷，如训练速度慢，易收敛于局部极小点及全局搜索能力弱等，利用遗传算法能够进行全局最优化搜索这一特点，在改进的自适应遗传算法的基础上，提出了一种新的用于BP网络训练的混合算法，即改进的自适应遗传算法与BP算法相结合的混合训练方法。将所提出的混合训练方法应用于神经网络式距离保护中，利用ATP仿真计算的结果进行训练及检验,结果表明：所提出的算法与单一的BP算法相比，不仅可避免陷入局部极小点，而且提高了网络的训练速度，同时满足对距离保护的速度和精度的要求。     

一种改进的遗传算法在边坡工程中的应用

研究现状表明基本遗传算法应用于边坡稳定性分析时存在局部搜索能力差、容易陷入早熟的 缺陷。通过分析提出一个动态杂交率和动态变异率的计算公式对基本遗传算法进行改进,编制了基于 改进遗传算法的边坡稳定性分析程序。对一个边坡算例进行了稳定性分析验算,该算例表明改进遗传 算法具有更强的全局搜索能力和收敛能力,搜索效果更好。     

混合智能算法及其在供水水库群优化调度中的应用

将遗传算法中的进化思想和蚁群算法中的群体智能技术有效地耦合,提出了一种基于两者的混合智能算法,应用于供水水库群系统的优化调度研究中。算法利用蚁群算法的并行性、正反馈性以及良好的全局寻优能力,避免搜索陷入局部最优,同时借鉴遗传算法的进化思想,利用杂交、变异算子来进行局部寻优,使其能快速搜索到全局最优点。在种群随机搜索过程中嵌入确定性的模式搜索,使得算法同时具有随机性和确定性。结合模拟退火思想,构造了罚因子处理约束条件,使该算法对水库优化调度问题以及其他优化问题具有一定的通用性。通过实例验证,并与大系统聚合分解经典算法进行比较,结果表明该算法是可行的和有效的。     

Optimizing Hydropower Reservoir Operation Using Hybrid Genetic Algorithm and Chaos

Genetic algorithms (GA) have been widely applied to solve water resources system optimization. With the increase of the complexity and the larger problem scale of water resources system, GAs are most frequently faced with the problems of premature convergence, slow iterations to reach the global optimal solution and getting stuck at a local optimum. A novel chaos genetic algorithm (CGA) based on the chaos optimization algorithm (COA) and genetic algorithm (GA), which makes use of the ergodicity and internal randomness of chaos iterations, is presented to overcome premature local optimum and increase the convergence speed of genetic algorithm. CGA integrates powerful global searching capability of the GA with that of powerful local searching capability of the COA. Two measures are adopted in order to improve the performance of the GA. The first one is the adoption of chaos optimization of the initialization to improve species quality and to maintain the population diversity. The second is the utilization of annealing chaotic mutation operation to replace standard mutation operator in order to avoid the search being trapped in local optimum. The Rosenbrock function and Schaffer function, which are complex and global optimum functions and often used as benchmarks for contemporary optimization algorithms for GAs and Evolutionary computation, are first employed to examine the performance of the GA and CGA. The test results indicate that CGA can improve convergence speed and solution accuracy. Furthermore, the developed model is applied for the monthly operation of a hydropower reservoir with a series of monthly inflow of 38 years. The results show that the long term average annual energy based CGA is the best and its convergent speed not only is faster than dynamic programming largely, but also overpasses the standard GA. Thus, the proposed approach is feasible and effective in optimal operations of complex reservoir systems.     

改进蚁群算法及其在水利工程项目管理中的应用

为了更加有效解决水利工程项目管理中的多目标决策问题,提出了一种改进蚁群算法。该算法首先利用遗传算法的全局搜索能力将信息素初始化,然后在算法进行遍历过程中引入变异操作和交叉操作,提高算法的鲁棒性和有效性。水利工程项目多目标优化案例分析表明,较传统遗传算法和蚁群算法,本文提出的方法对于解的寻找速度更快,解的质量更高,该算法具有较高的全局寻优能力。该研究为水利工程项目管理多目标决策问题的解决提供了一种新的思路和方法。     

Genetic Algorithms for Optimal Reservoir Dispatching

The fundamental guidelines for genetic algorithm to optimal reservoir dispatching have been introduced. It is concluded that with three basic generators selection, crossover and mutation genetic algorithm could search the optimum solution or near-optimal solution to a complex water resources problem. Alternative formulation schemes of a GA are considered. The real-value coding is proved significantly faster than binary coding, and can produce better results. Sensitivity of crossover probability and mutation probability are also analyzed in this paper. Results from genetic algorithm with real-value coding are compared with those from other optimal methods. The results demonstrate that a genetic algorithm can be satisfactorily used in optimal reservoir problems, and it has potential in application to complex river systems.     

改进粒子群优化算法在水电站群优化调度中的应用研究

为克服常规粒子群优化算法易早熟、后期收敛慢且易陷入局部最优解的缺点,本文提出一种新的惯性权重系数更新策略——自适应指数惯性权重系数(SEIWC)代替线性递减惯性权重系数(LDIWC),同时,将遗传算法中的染色体交叉、变异思想引入粒子的更新策略,提高粒子的多样性,增强算法的全局搜索能力。使用Rosenbrock函数和Schaffer函数验证了改进粒子群优化算法的有效性。以福建电网闽江流域水电站群优化调度为例,建立基于改进粒子群优化算法的库群长期优化调度模型。计算结果表明,该模型的调度结果显著优于常规粒子群优化算法,与逐步优化算法结果水平相当。     

改进风驱动优化算法在水库调度中的应用

风驱动算法是一种新兴的基于群体迭代启发式的全局优化算法,与遗传算法、布谷鸟算法等相比,具有明确的物理背景,但该算法避免不了易陷入早熟和收敛效率慢的问题。针对早熟,本文提出了扰动策略,对当前最优适应度值对应的任一元素进行扰动,且随着迭代次数的增加,扰动量逐渐减少。针对收敛效率不高,提出了空间压缩策略,采用奇偶相间的方式,通过计算约束更新解的上下限以保证该解是可行解。将改进的风驱动优化算法运用到某水库的优化调度中,并与粒子群算法和标准风驱动算法进行比较。结果表明改进的风驱动优化算法更为可靠、高效,能以较快速度收敛于最优解,且最优解值更大,为水库优化调度模型求解提出新的解决方案。     

多策略人工蜂群算法在梯级水电站优化调度中的应用

梯级水电站优化调度问题的准确、快速求解,是水利学科领域需解决的基本问题。针对该问题,提出了一种新的多策略人工蜂群算法。为更好地平衡算法的全局搜索与局部搜索能力,新算法在两个具有代表性的解搜索策略基础上,对其融合构成新的搜索策略,同时保留了原有的两个解搜索策略。新算法的三个候选解搜索策略,增强了对各类优化问题求解的适应性。为验证新算法的适应性及可行性,不仅在经典的基准测试函数中对其进行测试,并且将其应用于梯级水电站优化调度问题。实验结果表明,新算法具有适应性强、收敛速度快等优点。     

基于改进粒子群算法的水库优化调度研究

对粒子群优化算法易陷入局部最优的缺点作了改进,提出了一种带有扰动项的改进的粒子群优化算法,并将其应用于水电站水库优化调度中。实例计算证明,改进后的粒子群优化算法具有较好的全局搜索能力,能够有效克服陷入局部最优的缺点,是水库优化调度比较有效的方法。     

Optimal and Adaptive Operation of a Hydropower System with Unit Commitment and Water Quality Constraints

Management of water resources has become more complex in recent years as a result of changing attitudes towards sustainability and the attribution of greater attention to environmental issues, especially under a scenario of water scarcity risk introduced by climate changes and anthropogenic pressures. This study addresses the optimal short-term operation of a multi-purpose hydropower system under an environment where objectives are conflicting. New optimization models using mixed integer nonlinear programming (MINLP) with binary variables adopted for incorporating unit commitment constraints and adaptive real-time operations are developed and applied to a real life hydropower reservoir in Brazil, utilizing evolutionary algorithms. These formulations address water quality concerns downstream of the reservoir and optimal operations for power generation in an integrated manner and deal with uncertain future flows due to climate change. Results obtained using genetic algorithm (GA) solvers were superior to gradient based methods, converging to superior optimal solutions especially due to computational intractability problems associated with combinatorial domain of integer variables in the unit commitment formulation. The adaptive operation formulation in conjunction with the solution of turbine unit commitment problem yielded more reliable solutions, reducing forecasting uncertainty and providing more flexible operational rules.