基于风险度评价和改进蚁群算法的配电网网架规划

提出一种基于风险度评价和改进蚁群算法的配电网灵活规划方法.将规划年的预测负荷、电价及导线价格等参数的变化由原来的离散状态转变为多场景区间,从而将电网规划中的单一不确定性问题转化为多个确定性问题.在求解不确定性问题时,提出一种基于云模型的改进蚁群算法,通过定性关联规则推理对蚁群算法中信息素参数ρ和信息素强度Q进行定性控制和动态选取,根据算法进化情况自适应更新支路信息素,有效克服了传统蚁群算法易陷入局部最优解及收敛速度慢的问题.应用改进蚁群算法,依次获得各个场景的规划方案,并以风险度最小为标准确定鲁棒性最优的规划方案,实现电网的灵活规划.算例分析验证了所提方法的有效性.     

基于蚁群算法的制冷机组调度与优化

本文详细分析了遗传算法和蚁群算法特点,提出了一种蚁群混合遗传算法求解制冷机组优化调度问题的新算法,算法思想是在制冷机组调度的前阶段利用遗传算法群体性全局搜索能力,快速形成初始解,在满足终止遗传算法的条件之后,将遗传算法调度的较优解转化为蚁群算法所需要的初期信息素,然后利用蚁群算法所具有的正反馈性、高效等特点迅速地形成制冷机组调度的最优解。这种新算法的优点在于很好的避免了遗传算法后期搜索速度变慢,容易过快收敛和蚁群算法前期生成初始最优解较慢的缺点,从而提高了算法的整体性能。     

遗传蚁群融合算法及在不确定性无功优化中的应用研究

在双层规划的理论基础上,针对电网无功优化中的负荷不确定性问题,建立了以网损最小为上层优化目标、以满足电压约束条件为下层优化目标的电力系统无功优化模型.并将遗传算法和蚁群算法结合起来用于求解,采用遗传算法生成信息素的初始分布,利用蚁群算法求精确解.以IEEE30节点系统作为试验系统,验证了无功优化模型及算法的正确性和有效性.     

遗传蚁群融合算法及在不确定性无功优化中的应用研究

在双层规划的理论基础上,针对电网无功优化中的负荷不确定性问题,建立了以网损最小为上层优化目标、以满足电压约束条件为下层优化目标的电力系统无功优化模型。并将遗传算法和蚁群算法结合起来用于求解,采用遗传算法生成信息素的初始分布,利用蚁群算法求精确解。以IEEE30节点系统作为试验系统,验证了无功优化模型及算法的正确性和有效性。     

改进蚁群算法在配电网规划中的应用

为了克服蚁群算法解决配电网规划问题时存在容易陷入局部最优解的缺点,在蚁群算法和云模型基础上,提出了一种改进蚁群算法.该算法利用云模型对蚁群算法的信息素强度参数和信息素挥发系数进行调整,提高配电网规划过程中的收敛速度和全局搜索能力,并利用分层前推回代算法进行潮流计算.通过算例分析,证明了该方法的可行性和有效性.     

改进蚁群算法在电厂入场煤选购中的应用研究

在求解电厂入场煤选购中的车辆路径最优解时,以基本的蚁群算法进行改进,以新的初始解算法快速求解初始解,加快搜索最优解的收敛速度,调整信息素更新规则防止陷入局部最优解,提高搜索速度,改善搜索结果。通过案例分析,且与Solomon100国际标准题库中问题的最优解进行比较,分析改进后蚁群算法的可行性。     

改进蚁群算法在配电网规划中的应用

为了克服蚁群算法解决配电网规划问题时存在容易陷入局部最优解的缺点,在蚁群算法和云模型基础上,提出了一种改进蚁群算法。该算法利用云模型对蚁群算法的信息素强度参数和信息素挥发系数进行调整,提高配电网规划过程中的收敛速度和全局搜索能力,并利用分层前推回代算法进行潮流计算。通过算例分析,证明了该方法的可行性和有效性。     

改进多目标蚁群算法在电网规划中的应用

针对电网规划需综合考虑经济性和可靠性的问题,提出一种改进的多目标蚁群算法。该算法采用改进的快速排序方法构造Pareto最优解集,缩短了慢速链,降低了算法的时间复杂度;采用聚类算法裁剪非支配解,使所得解在整个Pareto解空间具有良好的多样性和分布性;采用信息素更新变参数控制,加快算法的全局收敛速度;采用挥发系数动态自适应调节机制,提高算法全局搜索能力。通过18节点电网规划算例证明,提出的改进算法与基本多目标蚁群算法相比,所得的Pareto最优解数量更多,Pareto前沿分布更加均匀,同时收敛性和快速性也得到了提高。     

改进蚁群算法求解移动机器人路径规划

在全局静态环境下,提出一种改进蚁群算法,解决传统蚁群算法用于路径规划出现的收敛速性差、局部最优和求解质量差等不足。该算法引入障碍物排斥权重和新的启发因子到路径选择概率中,提高避障能力,增加路径选择的多样性;然后,设置局部信息素的阈值和限定范围更新局部信息素,采用交叉操作获取新路径,引入最优解和最差解,改变全局信息素的更新方式,提高全局搜索能力和解的质量,避免算法陷入局部最优。仿真结果表明,该算法能有效获得最优路径,在长度上比蚁群算法及其他算法分别减少了18%、5.7%和11%,算法迭代次数及运行时间都有所降低,提高了收敛速度和搜索能力。     

融合鱼群和微分进化的蚁群算法的无功优化

对于求解电力系统无功优化问题,提出了一种融合鱼群和微分进化的蚁群优化算法（FDEACO）。受人工鱼群觅食、聚群和追尾行为的启发,在基本蚁群算法的基础上,应用人工鱼群算法的追尾行为对蚁群在可行域上搜索到的解进行改进,加快了向最优解收敛的速度。在信息素更新机制里,通过引入微分进化算法的发散项,增加一个随机扰动,减小了算法陷入局部最优的可能性。在IEEE30测试系统上对新提出的算法进行校验,并与其它算法比较,证明FDEACO算法收敛速度快、全局寻优能力强。     

基于改进遗传蚁群算法的低压PLC网络路由方法

在低压电力线通信网络组网过程中,节点间距离较远或信道环境较为恶劣的条件下,节点上电会形成多个网络短时共存现象,严重影响网络通信的可靠性,因此探讨基于带有冲突避免的载波侦听多路访问+时分多址(CSMA/CA+TDMA)混合协议的多网络快速融合方法。该方法可智能识别区域内存在多个网络,自主选取介质访问控制(MAC)地址最小的网络为多网络融合方向,解散MAC地址较大的网络,解决多网络不确定性融合问题。在此基础上,针对遗传算法在服务质量(QoS)参数约束下局部搜索能力差、难以得到按需路由最优解的问题,在非对称信道环境下提出基于改进遗传蚁群算法的路由热备份方法,该方法中源节点和目的节点不参与交叉、变异操作,有效避免了无效染色体的生成。采用最佳保留机制找到较优解,将较优解转换为蚁群算法的初始信息素,从而得到全局的路由最优解。仿真结果表明,相较于传统算法,所提方法更为有效。     

水库群供水优化调度的免疫蚁群算法应用研究

针对水库群供水优化调度问题,本文介绍了一种基于免疫进化的蚁群算法。该算法充分利用了免疫进化算法的全局快速收敛性和蚁群算法的正反馈性,同时在蚁群算法中增加扰动策略,克服了蚁群算法在求解过程中出现初期信息素匮乏、易陷入局部最优解的问题,并将其应用在滦河下游六水库联合供水优化调度中。实例计算表明,该算法求解水库群供水优化调度问题时,结果可靠、合理,计算效率高,从而为求解高维,复杂的水库供水优化调度提供了新的思路。     

基于改进遗传算法的堆石体流变模型参数反馈分析

本文提出一种序列二次规划优化算法与标准遗传算法结合的流变模型参数反馈分析方法，这种算法既发挥了序列二次规划优化算法省时、高效、局部搜索能力强的特点，又发挥了遗传算法可以搜索到全局最优解而避免陷入局部极小值的优点，改善了常规遗传算法的收敛速度。将遗传算法搜索到的全局最优近似解作为初始值，代入收敛效率较高的序列二次规划程序进行最终局部优化。以某堆石坝为例，应用上述反演方法对高围压下的堆石体9参数流变模型参数进行了反演分析，验证了此方法的可行性与有效性。     

基于并行遗传蚁群算法的组播路由调度算法

组播是将信息从源节点同时发送到网络中多个目的节点的通信方式,这是网络规模日益增大,信息流量增大的必然结果.组播路由是用一点到多点的方式传送信息,组播路由问题已被证明是NP-Complete问题.文中结合遗传算法GA和蚁群算法ACA的优点,提出了一种并行的遗传蚁群算法GACA,并把该算法应用到求解组播路由问题中.GACA算法利用遗传算法的快速性、随机性、全局收敛性产生求解问题的初始信息素分布,通过选择,交叉,变异等遗传操作产生一组新的个体,然后再利用蚂蚁算法群体并行性、正反馈性、求解效率高的特点,实现组播路由优化选择.仿真实验结果表明,该算法不但实现了组播路由的全局优化,而且在时间效率上优于现有的组播路由算法.     

Hybrid genetic algorithm for economic dispatch with valve-point effect

This paper presents an efficient method for solving the economic dispatch problem (EDP) through combination of genetic algorithm (GA), the sequential quadratic programming (SQP) technique, uniform design technique, the maximum entropy principle, simplex crossover and non-uniform mutation. The proposed hybrid technique uses GA as the main optimizer, the SQP to fine tune in the solution of the GA run. Based on the maximum entropy principle, the cost function of EDP is approximated by using a smooth and differentiable function to improve the performance of the SQP. An initial population obtained by using uniform design exerts optimal performance of the proposed hybrid algorithm. The effectiveness of the proposed method is validated by carrying out extensive tests on two different EDP with incremental fuel-cost function taking into account the valve-point loadings effects. The result shows that the proposed hybrid genetic algorithm improves the solution accuracy and reliability compared to other techniques for EDP considering valve-point effects.     

自适应遗传-禁忌搜索混合算法在PMU最优配置中的应用

针对PMU最优配置问题,提出一种结合自适应遗传算法与禁忌搜索算法的混合算法。通过初始配置原则,缩小了算法的寻优范围。充分利用两种算法各自的特点,结合自适应遗传算法并行计算特性与禁忌搜索算法跳出局部最优解的能力,使得该混合算法寻得全局最优解的同时,提高了算法的优化效率,增强了算法的鲁棒性。最后利用IEEE14、IEEE39、IEEE57节点系统对该混合算法与其他两种遗传算法进行了对比验证。     

配电网络重构的改进混合遗传算法

提出了一种基于改进的混合遗传算法的配电网重构算法,在算法中使用可操作开关支路的整数编号的排列顺序来表示染色体,并通过译码器的设计来映射染色体所对应的辐射状网络结构,避免了产生不可行解的情况,大大提高了算法的运算效率。同时在算法中引入了局部寻优算子,改善了算法的局部寻优性能。算例结果表明本算法是高效可行的。     

基于优化k均值建模的运动目标检测算法

在对运动目标检测构建出精准的背景模型的方法中,k均值聚类算法是一种快速且简单有效的划分法,对于大型数据集,可伸缩且高效k均值聚类算法被广泛应用。但是,该算法会对初始聚类中心的变化表现得敏感,聚类中心的变化常会使得算法误差较大。本文将介绍一种对初始聚类中心选择改进法：利用遗传算法能高效地全局搜索出最优解这一特点,克服了k均值聚类算法易陷入局部最优解的缺点。改进后的遗传算法MAGA能快速地提取出最优初始聚类中心,通过实验仿真总结出基于MAGA的k均值聚类建模精确度比较高,对检测小而多的运动目标存在很大优势。     

求解车间作业问题的混合遗传算法

针对遗传算法(GA)求解车间作业问题JSP(job shop problems)的早熟和收敛速度慢等问题,基于算法混合的思想,将改进的瓶颈移动算法MSB(modify shifting bottleneck)所求得的调度方案加入遗传算法解空间,参与遗传算法迭代运算,形成高性能的混合遗传算法HGA(hybrid gennetic algorithm).由于MSB所获得解的质量较高,依据遗传算法的精英保留策略,可以加快算法的收敛速度.标准实例上进行的仿真实验表明,调度结果的平均质量、最好调度的获取能力和算法稳定性方面,HGA的性能明显优于GA.