基于MSI-APSO算法的多目标无功优化

采用多策略融合自适应粒子群优化(MSI-APSO)算法求解电力系统多目标无功优化。该算法采用分阶段调整加速因子,根据适应值自适应调整惯性权重,以平衡算法局部搜索和全局搜索的能力;同时,基于群体信息改善部分性能差的粒子,迭代性能改善后的粒子,并采取速度保持策略,以提高算法的搜索准确度与收敛速度。建立了以有功网损最小、电压偏差最小及电压稳定裕度最大为目标的无功优化数学模型,并采用MSI-APSO算法求解该模型。最后对IEEE 14和IEEE 30节点系统进行算例仿真,仿真结果证明了该算法在收敛速度和优化效果上具有比其他几种改进PSO算法更佳的性能,能有效求解电力系统多目标无功优化问题。     

用CFPSO算法求解车间作业调度问题

利用收缩因子粒子群算法对车间作业调度问题(JSP)进行求解,通过在粒子群算法中引入收缩因子,使得所有粒子在搜索空间中的全局探索和局部精调能力得以动态调节和平衡,从而有效求得调度的全局最优值.仿真实验结果表明,该算法对经典JSP问题求解的可行性和有效性.     

基于改进PSO算法的微能源网优化配置研究

微能源网优化配置的求解算法存在易陷入局部搜索和收敛速度低两大缺陷,如何同时解决这两个缺陷是一直以来的研究难点。针对这一问题,提出了基于时变压缩因子和自适应变异的改进粒子群算法。针对经济优化配置,建立了包括多种分布式设备的微能源网架构模型和以年经济成本最低为目标,计及可靠性并含多种约束的优化配置模型。最后,结合具体算例,将改进粒子群算法运用于模型中,得到各分布式设备的配置方案和最优年经济成本,对比验证改进粒子群算法性能。实验结果表明：改进粒子群算法较好地提高了算法的收敛速度和全局收敛能力;微能源网优化配置模型实现了低经济性和高可靠性的有效结合。     

基于差分进化生物地理学算法的经济负荷分配

针对智能算法在解决经济负荷分配问题时全局搜索能力和局部寻优能力不平衡的缺陷,提出了差分进化生物地理学算法。通过融合生物地理学算法和差分进化算法,并改进了算法中变异操作和替换重复个体策略,实现了的局部利用能力和全局搜索能力的平衡。通过建立求解经济负荷分配模型,兼顾考虑了燃料成本、阀点效应、环境成本以及各种约束条件,对具体案例仿真计算,将优化结果与生物地理学算法、差分进化算法和粒子群算法比较分析。结果表明差分进化生物地理学算法在收敛速度和优化质量方面较优,进而体现了该算法在解决经济负荷分配问题时的有效性和优越性。     

基于动态调整学习因子的免疫粒子群算法及其应用

为了使风光水联合发电系统达到经济效益最大化优化调度的目的,针对粒子群算法在进化过程中易早熟、后期收敛速度慢并且精度较低的特点,提出一种动态调整学习因子的免疫粒子群算法。该算法对学习因子进行非对称线性动态调整,增强前期的全局搜索能力,以及后期的局部搜索能力,快速得到全局最优解。该算法在文中联合系统的求解中得到很好的应用,显著提高了搜索精度,表明了模型和算法的有效性。     

改进的狼群优化二维Otsu阈值分割算法

二维Otsu阈值分割是以每个灰度像素点的灰度值和周围灰度的均值作为分割标准,其通过概率统计的方法构建二维直方图,以离散度作为分割好坏的评判标准。针对二维Otsu阈值分割算法实时性差的缺点,将改进的狼群优化算法运用在分割过程中,加快了分割阈值的收敛速度,也提高了分割精度。通过对狼群优化算法游走行为中增加扰动算子可扩大全局搜索的范围,提升寻优的速度和精度。考虑到狼群围攻容易陷入局部最优的情况,研究引入了模拟退火算子,使该算法在寻优搜索过程中能够跳出局部最优。     

改进ACO算法优化的PI控制器在直流输电控制中的应用

为了实现对高压直流输电系统PI控制器参数的优化,本文提出了一种针对信息素挥发因子的改进策略以克服蚁群算法易陷于局部最优解的缺陷。改进后的蚁群算法能够根据优化进程自适应地调整信息素挥发因子,在保持较高的收敛速度的情况下提高算法的全局搜索能力。文中基于改进的蚁群算法给出了一种系统化的直流输电PI控制器参数优化方法。根据实际工程参数搭建仿真模型,进行仿真计算,证明了方法的有效性和可行性。     

多调整因子模糊控制器的进化优化

针对一类具有多调整因子的自调整模糊逻辑控制器，提出了基于进化计算的两种优化策略：传统的带线性量子的优化方法和具有评价机制的非线性量化因子优化法。其中，进化算法采用的是兼顾全局搜索和局部搜索的双种群自适应遗传算法，目标函数为反映全局控制性能的ITAE函数。跟踪实验有鲁棒性实验表明，该方法整体效果好，好稳态性能优，鲁棒性强。     

电力系统NP难问题全局优化算法的研究

通过对现有的NP难问题求解方法的分析,结合非确定性图灵机理论,提出基于随机化技术的方法是求解NP难及NP完全问题惟一有效途径的猜想。在现有的随机化方法中具有多点搜索特性的遗传算法具有最强的全局搜索能力,其局部精细寻优能力差的缺陷应通过专门的局部优化算法来补偿,即利用具体问题的特点开发面向问题的遗传算法。提出了开发新的高效全局优化算法的指导思想：多点随机化全局搜索策略 面向问题的局部寻优算法=最有效的全局优化算法。     

计算电缆优化分割问题的全局启发-两层求解算法

针对电力电缆优化分割下料问题,提出了全局启发?两层求解算法.算法定义了电缆的全局启发价值并先进行计算,然后基于剪枝回溯算法递归求解0-N 背包问题,从而获得既有较高局部价值又有较高全局价值的分割方式,最后通过多级贪心策略逐步启发得到问题的全局优化分割方案.基于该算法研制的电缆优化分割计算平台,求解结果既可精确满足电缆需求,又达到余料高度集中的效果,不需调整就可直接应用.实践应用和算例比较表明,该算法计算速度快,求解质量高,通常情况下能够获得理想最优解     

基于时段耦合特性的动态环境经济调度求解方法

基于电力系统动态环境经济调度(dynamic economic emission dispatch,DEED)在时段间的耦合特性,提出了一种改进的教与学优化算法,用于求解DEED问题,对燃料费用和污染气体排放量同时进行优化。采用反向学习策略改善种群的多样性,单时段教与学过程来提高算法的局部寻优能力,单时段贪婪选择机制在全局范围内找到新的搜索空间,平衡局部寻优与全局寻优能力。对10机39节点系统进行仿真分析,结果表明所提策略可以显著提高算法的收敛速度和收敛效果,得到高质量的解。     

考虑备用约束和阀点效应的电力系统环境经济优化调度

综合考虑环境经济优化调度(CEED)是一个多目标优化问题,提出改进的平均价格罚因子将环境经济双目标优化调度问题转化为单目标优化问题.考虑发电机的出力限制区、爬坡约束及备用约束.提出局部搜索扰动的混合进化规划(HEP)法求解CEED问题.在保留进化规划(EP)全局寻优能力的同时.引入局部搜索扰动提高计算精度.加快后期收敛速度.在调用局部搜索算子的策略上.采用优胜调用策略调用局部搜索算子,并动态自适应改变扰动次数进行局部寻优.在15机系统中分别采用平均价格罚因子EP、平均价格罚因子HEP和改进的平均价格罚因子HEP算法求解CEED问题.结果验证了所提方法的有效性.     

云计算多目标任务调度的优化粒子群算法研究

针对传统粒子群算法求解云计算多目标任务调度的收敛速度慢、精度低的缺陷,提出一种优化多目标任务调度粒子群 算法(MOTS-PSO)。 首先,引入非线性自适应惯性权重,改变粒子的寻优能力,避免算法陷入局部最优;其次引入花朵授粉算法 概率更新机制,平衡粒子的全局搜索和局部寻优,并对粒子的全局搜索位置更新公式进行改进;最后引入萤火虫算法,产生“精 英解”对局部搜索位置更新公式进行改进;同时利用“精英解”对粒子的位置进行扰动,跳出局部最优状态。 实验表明,MOTS-PSO 算法在收敛速度和收敛精度上,比 PSO 算法提高了 27. 1%、19. 9%,比 FA 算法提高了 22. 09%、5. 2%。 进一步实验表明, MOTS-PSO 算法在解决不同规模数量的任务调度时,比 PSO、FA 算法效果更优。     

基于遗传算法的改进谐波平衡算法

针对标准谐波平衡算法存在迭代收敛慢,计算量大的问题,采用遗传算法所具有的隐含并行性、全局解空间搜索特性,以及其优化过程不受限制性条件约束的优点,提出了引入遗传算法加速其收敛过程的改进谐波平衡算法。通过将遗传算法的随机自适应优化过程与标准谐波平衡算法的迭代运算过程相结合,简化了标准谐波平衡算法迭代计算的过程,提高标准谐波平衡算法的收敛速度和计算精度。并采用该算法对Duffing-VanDerPol方程的进行了求解,得到了该方程的近似解析解,通过与Runge-Kutta法所得数值解相比较,两者的一致性较好,表明了该算法的有效性。     

改进自适应蜂群优化算法在变压器故障诊断中的应用

为增强神经网络对变压器故障诊断的能力,同时避免蜂群算法出现局部最优和易早熟,提出一种改进自适应搜索策略蜂群优化算法。该方法通过自适应调整种群更新步长来协调蜂群算法的全局和局部搜索能力,避免出现局部最优状况,同时引入Levy变异因子提高局部搜索的性能。利用改进的蜂群算法优化BP神经网络权值和阈值,通过反复迭代算法,直到达到目标精度要求。该方法以变压器数据为依据进行测试。仿真结果表明,改进后的方法收敛速度更快、判别故障准确率更高。     

基于双因子改进型粒子群算法的混合滤波系统的多目标优化设计

大容量混合滤波系统的应用前景十分广阔,其滤波器组的参数优化,尤其是无源滤波器的参数设计对综合性能的影响很大。本文提出基于双因子改进型粒子群优化算法的混合滤波系统中无源滤波器组的多目标优化设计方法。通过将加速因子和交叉因子引入优化算法,针对无源滤波器的多目标优化,高效搜索参数空间以获得最优解。与以往的优化设计相比,带双因子的改进型粒子群算法采用自适应的惯性权重,交叉因子增加了粒子的多样性,克服了算法寻优过程中易局部收敛等问题,提高其全局搜索能力。而收缩因子可以加快PSO的运算速度,明显提高了算法的寻优速度。测试结果表明利用该算法设计的混合型滤波系统具有较强的鲁棒性。     

基于自适应聚焦粒子群算法的电力系统无功优化

自适应聚焦粒子群算法（AFPSO）是根据PSO算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法。通过采用AFPSO算法,对电力系统进行无功优化。该方法是以最优控制原理为基础,以网损最小为目标函数,在IEEE 30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于AFPSO算法在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中,证明了AFPSO算法的有效性和优越性。     

引入改进迭代局部搜索的灰狼算法及应用

针对标准灰狼算法(GWO)收敛速度慢,易陷入局部最优等缺点,提出一种引入改进迭代局部搜索的灰狼算法(IGWO)。首先,通过佳点集策略增强初始种群的均匀性与多样性;其次,采用双收敛因子,收敛因子基于种群位置非线性自适应更新,在种群寻优全期平衡全局勘探与局部开发能力;再次,在种群位置更新公式引入欧氏动态权重与莱维飞行策略,提升寻优精度,并帮助种群跳出局部最优值;最后,引入改进迭代局部搜索,使算法的搜索能力更加灵活,帮助算法加速收敛。通过10个基准测试函数的仿真分析及种群寻优平衡性对比,证明了IGWO具有更优的寻优精度、稳定性及收敛速度,随后将IGWO应用于工程优化问题中,相比GWO、GJO、WOA、HSSAHHO、SCHOA、NCPGWO、DSFGWO 7种算法,适应度分别优化了3.25%、27.2%、28.9%、3.15%、3.04%、0.23%、0.07%,证实了在工程应用中的可行性和有效性。     

电力系统无功优化多目标处理与算法改进

电力系统无功优化属于典型的多目标非线性复杂优化问题,求解非常困难。近年来,众多智能优化算法应用于该问题,其中粒子群优化(Particle Swarm Optimization,PSO)算法最具代表性;但PSO算法性能仍有待提高,如可能陷入局部极值。提出一种多策略融合粒子群优化(Particle Swarm Optimization with Multi-Strategy Integration,MSI-PSO)算法,对速度更新公式引入选择操作,分阶段加速因子调整和惯性权重动态调整,以平衡粒子局部搜索与全局探索能力;同时,随机选取部分性能差的粒子,将其速度更新公式中的个体认知部分修改为社会认知部分,以提高算法搜索精度和收敛速度。建立以系统网络损耗最小和系统电压稳定裕度最大为目标的无功优化仿真模型,分别考虑加权法、隶属度函数法和Pareto法实施多目标处理。针对IEEE30节点测试系统进行仿真实验,结果表明,和其他几种改进PSO算法以及基于pareto最优解集PSO算法进行对比,所提MSI-PSO算法具有更好的性能,能够有效求解电力系统多目标无功优化问题。     

改进拟态物理学算法在交直流系统无功优化中的应用

拟态物理学算法(APO)具有较好的全局搜索能力,且能避免粒子群等算法常出现的易早熟收敛现象,具有较好的稳定性、快速收敛和鲁棒性。针对交直流混联系统无功优化问题,在矢量模型的拟态物理学算法的基础上,提出了一种基于改进拟态物理学算法的无功优化算法。为便于处理约束问题,算法中通过定义不可行度函数判断不可行解,并采用收缩因子将不可行解拉回可行域内,再通过多维搜索方法寻求最优解。通过IEEE30节点系统仿真测试,并与其他优化算法进行比较,结果表明该算法具有较好的求解效率和准确性。