MOCLPSO算法在EED问题中的应用

针对粒子群优化PSO算法进行改进,对其容易陷入局部最优解的缺点提出了多目标综合学习粒子群算法(multi-objective comprehensive learning particle swarm optimization,MOCLPSO)算法.该算法采用了新颖的学习策略,即一个粒子可以学习其他所有粒子的pbest来更新自己的速度,以达到有效降低陷入局部最优解的可能性.将其应用于环境/排放规划EED问题,采用IEEE-30节点系统进行仿真,并将试验结果与经典的求解EED问题的算法相比较.验证了该算法具有较高的效率与全局搜索能力.     

含维变异的量子粒子群算法在无功优化中的应用

量子粒子群优化算法(QPSO)避免了粒子群算法(PSO)不能保证收敛到全局最优解这个缺点,认为粒子具有量子的行为,并且可以在整个可行解空间进行搜索。无功优化问题是带有离散变量的非线性、不连续、多约束、多变量的复杂优化问题。本文考虑到优化过程中避免陷入局部最优,应用含维变异QPSO算法并结合动态调整罚函数的方法来解决无功优化问题。并对标准IEEE-30节点系统进行仿真计算,并与QPSO、PSO、GA算法进行了比较,表明该算法能够获得更好的全局最优解。     

基于改进离散粒子群算法的多目标无功优化

针对离散粒子群算法直接应用于无功优化后存在优化迭代过程易陷入局部最优解且后期收敛速度慢等问题,结合混沌算法,提出更加有效的改进离散粒子群算法求解多目标无功优化问题。同时,对每次迭代后产生的控制变量进行混沌优化,从而避免无功优化控制变量陷入局部极值区域。通过算例分析表明,采用改进离散粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快。     

基于MFOA算法的无功优化和控制研究

为降低电力系统有功损耗,在果蝇优化算法的基础上,提出一种基于修正的果蝇优化算法的无功优化和控制算法研究。为了避免FOA算法陷入局部最优问题,将修正因子β引入基本的FOA算法,提出一种修正型的果蝇优化算法。以IEEE 30节点系统为研究对象,与FOA、PSO和内点法相比较可知,MFOA算法在潮流计算结果和收敛速度上均取得了较好的效果,优于FOA、PSO和内点法。     

基于改进粒子群算法的多目标最优潮流计算

针对电力系统多目标最优潮流计算问题,提出一种基于(非劣最优)Pareto解集的改进粒子群算法AL iPSO。用最优值评估选取法求取粒子和全局最优位置,解决目标函数间可能存在的冲突。并将关联度自适应学习应用于多目标优化,提出适合Pareto解特点的适应度设计和随机惯性权策略,克服PSO算法容易早熟而陷入局部最优解的缺点。通过对IEEE 6、IEEE 14节点系统多目标最优潮流计算,验证了该算法的有效性。     

混合粒子群算法优化支持向量机电路故障诊断

为寻求支持向量机(SVM)中的核函数与惩罚函数的组合最优来提高电路故障诊断的准确率,提出一种混合粒子群算法与支持向量机相结合的电路故障诊断的方法。鉴于传统的粒子群优化(PSO)算法在参数寻优中容易陷入局部最优中,因此将模拟退火机制与自适应粒子变异引入到基本粒子群算法中。混合粒子群算法选用带压缩因子的粒子群优化算法来保证算法的收敛性,采用轮盘赌输策略与粒子自适应变异来避免局部最优,最终寻求到全局最优解。实验结果显示,将chebyshe滤波电路的故障诊断的准确率提高到了96%,且具有普遍性与实用性。     

基于模拟退火优化粒子群算法的七电平逆变器特定消谐技术研究

针对粒子群算法(PSO)应用于多电平逆变器特定谐波消除脉冲宽度调制(SHEPWM)技术时容易陷入局部最优问题,引入模拟退火算法(SA)与PSO结合.利用SA的Metropolis准则对PSO解的迭代进行修正,在保证求解效率的基础上,有效提升了PSO的全局寻优能力.最后将模拟退火优化粒子群算法(SA-PSO)应用于级联H...     

基于模拟退火算法改进粒子群算法优化数学函数

传统的粒子群算法具有比较好的寻找最优解的能力,但是当问题解的维度比较多,问题比较复杂,局部较优解比较多的时候,就会容易陷入局部较优解。为防止传统的PSO算法陷入局部最优,本文提出使用模拟退火算法对原始的粒子群算法进行改进。使得改进后的粒子群算法能够寻找出较优的解,同时粒子群算法又能保持比较好的寻优特性和鲁棒性。     

基于FOA-Elman神经网络的光伏电站短期出力预测模型

提出了基于果蝇优化算法(FOA)-Elman神经网络的光伏电站出力短期预测模型,采用具有动态递归性能的Elman神经网络,可增强光伏电站出力预测模型的联想和泛化推理能力,保证出力预测的精度。引入人体舒适度,减少输入向量个数;通过FOA对Elman神经网络进行学习训练,可充分利用FOA的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。最后,与常规Elman模型进行对比仿真实验,结果表明所提出预测模型的正确性和有效性。     

基于改进粒子群算法的含DG配电网无功优化

含分布式电源(DG)配电网的无功优化是一个复杂的非线性优化问题,文中采用改进的粒子群算法(PSO)对配电网进行无功优化计算,建立以系统网损和电压平均偏离最小为目标函数,节点电压和电容器投切容量为约束条件的优化模型。在PSO中引入位置方差防止PSO陷入局部最优解,根据种群中粒子的适应度值对粒子进行变异处理,在保证算法收敛速度的基础上,改善算法性能。以含分布式电源的IEEE14节点配电系统为例进行无功优化分析,结果表明DG能增强电网运行的稳定性,所提算法具有较好的优化性能。     

基于改进果蝇算法优化BP神经网络的接地网腐蚀速率预测模型

为进一步提高接地网腐蚀速率的预测精度,解决传统模型易陷入局部最优且随机初始化模型参数影响预测准确性和稳定性的问题。文中首先将混沌映射、动态搜索半径策略和优化气味浓度判定公式引入果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)得到改进后的果蝇优化算法(Update Fruit Fly Optimization Algorithm,UFOA);然后利用UFOA优化BP神经网络的初始权值和阈值,建立基于UFOA优化的BP神经网络接地网腐蚀速率预测模型(UFOA-BP);最后以重庆24座变电站的接地网数据进行实验验证。结果表明相对FOA优化的BP神经网络模型、BP神经网络模型、人工蜂群算法优化的支持向量机模型和广义回归神经网络模型,文中提出的UFOA-BP模型在预测精度和模型稳定性方面均优于其他四种模型,验证了该模型的有效性和可行性,为运维人员提前发现接地网安全隐患,并安排检修,进而保障电网安全稳定运行提供帮助。     

基于改进果蝇优化算法的分布式电源优化配置

研究分布式电源（distributed generation,DG）接入配电网的优化配置问题,基于模糊隶属度技术建立综合考虑投资效益、电压指标和网损的多目标优化配置模型,有效解决了因各子目标数量级不同而导致的过度优化问题。对一种新颖的仿生智能算法--果蝇优化算法（fruit fly optimization algorithm,FOA）进行改进,效仿细菌在觅食过程中的趋化思想,在算法寻优过程中引入吸引和排斥操作,有效提高了种群多样性,降低了算法陷入局部最优的可能。IEEE 33节点系统的仿真结果表明,与传统果蝇优化算法和粒子群优化算法（particle swarm optimization,PSO）相比,改进果蝇优化算法（improved fruit fly optimization algorithm,IFOA）在寻优速度和求解精度上都具有较大优势,能快速、有效地搜索到最优配置方案,从而验证了改进算法的有效性与合理性。     

基于改进粒子群算法的移动机器人路径规划

由于惯性权重取值不合适和迭代后期粒子群体多样性下降,导致传统粒子算法在移动机器人路径规划研究过程中存在局部最优解问题。针对此问题提出了一种改进粒子群算法的移动机器人路径规划方法。首先建立机器人路径规划的栅格地图模型,在此基础上对传统的粒子群算法进行了改进。随后,引入了基于相似度概念的非线性动态惯性权值调整方法,从而使得粒子的更新速率能够适配寻优过程的各个阶段,并且通过引入免疫算法中的免疫信息调节机制,增加了粒子的多样性,增强了其摆脱局部最优值的能力。仿真结果表明,所提出的改进粒子群算法具有更高的最佳路径搜索能力,其综合性能显著优于传统的粒子群算法。     

开关磁阻电机转速调节器参数模糊自整定的研究

开关磁阻电机(SRM)具有较强的非线性,很难建立其准确的数学模型,在传统PID调速控制中难以获得整个调速范围内Kp、KI、KD 3个参数的最优组合。而固定参数的传统PID调节器,不利于系统调速的精准性与抗干扰性。通过分析传统PID调节器3个参数的控制特点,主要针对起动、调速、负载扰动等若干状态下,建立适当的、通用的模糊控制规则,将模糊控制和PID控制相结合,构成SRM的模糊PID转速调节器,实现Kp、KI、KD 3个控制参数的自适应调节,从而获得在整个调速范围内不同负载下较好的调速特性。仿真试验表明,所提出方法避免了固定参数转速调节器的比例积分环节导致的低速、轻载工况下的转速超调与振荡,克服了单纯模糊控制所导致的调速误差。     

基于蚁群算法的电力网络节点编号多方案优化

为了寻求新增非零注入元素数目最少的节点编号方案以提高电网模型中节点导纳矩阵的求解速度,基于蚁群优化算法的思想提出了一种新的电力网络节点编号优化算法,并根据节点编号优化问题的特点,通过引入影响度参数和动态调节因子,对普通蚁群算法的选择概率算式进行了设计改进。和目前通常采取节点编号优化方法相比,所提出的方法可以有效地跳出局部最优,能很快找到最优解,并可一次性得到多种全局最优的节点编号方案。通过对IEEE 14和IEEE 30系统进行节点编号优化测试,证明了该算法的有效性和灵活性。     

自适应粒子群优化算法及其在无功优化中的应用

针对传统的粒子群优化(PSO)算法中的某些参数需通过试验确定因而影响了其实用性的问题,提出了一种自适应粒子群优化(APSO)算法,并将其应用于电力系统无功优化问题的求解。该算法能在优化过程中自动调整各参数,从而取得问题的全局优化解。某具有151个节点、71个控制变量的实际电网无功优化结果表明,该算法较传统的PSO算法具有更强的全局寻优能力。     

自适应子空间图的局部比值和判别分析

随着科技快速发展，数据维度急剧增加，传统降维算法难以寻找数据最优子空间，严重影响分类器性能，提出了基于自适应子空间图的局部比值和判别分析算法。提出了考虑局部结构的比值和判别分析算法；通过交替迭代的优化方法，避免了现有比值和优化方法寻找到的次优解；在最优子空间学习近邻相似图而不是原始空间，避免其受到原始空间噪声点的影响；引入了香农熵约束，避免出现平凡解；最后将样本投影到最优的子空间。在合成数据集和人脸数据集上，被提出的算法与大量主流的判别分析算法进行分类任务实验。大量实验结果表明，被提出的算法能够学习到更好判别性能的投影子空间，具有更优的分类效果。     

基于改进果蝇优化算法的雷电定位研究

定位精度是评价雷电定位系统的重要指标之一,而定位算法直接关系到探测结果的精度。针对椭球面定位传统迭代算法易于发散等缺点,引入改进果蝇优化算法(MFOA)到雷电定位计算。文中给出了果蝇优化算法(FOA)的改进方法并利用MFOA进行雷电定位——通过不断缩小雷击点与探测点之间的距离误差,最终获得雷击点坐标。文章对MFOA进行仿真验证,并利用其进行雷击定位计算。结果表明:MFOA克服了传统定位算法易于发散及FOA易陷入局部极值等问题,收敛速度更快;通过MFOA求出的雷击点与实际雷击点相距362.4 m,满足雷电定位误差,验证了该方法的有效性,为雷电定位计算提供了一种新算法。     

基于动态多种群粒子群算法的无功优化

提出了一种基于动态多种群策略的改进粒子群算法。该算法将传统粒子群优化算法(particle swarm optimization，PSO)中的种群划分成多个子群，每个子群相对独立地朝同一目标进化，仅通过一种轮形结构的弱联系进行交流。在进化过程中各种群不断分裂和聚类重组，动态调整种群规模以更好地适应进化。该算法可以较好地避免PSO算法过快收敛于局部最优解，并且有较快的收敛速度。文中将该算法应用于求解电力系统无功优化问题，并与标准PSO算法的性能进行了对比，仿真计算证明该算法是有效、可行的。