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。     

改进PSO算法用于电力系统无功优化的研究

由于电力系统无功优化为一有多变量、多约束、非线性的组合优化问题,针对传统粒子群算法收敛精度不高、易陷入局部最优的缺点,提出了一种改进的算法:分别赋予传统算法中的粒子以不同的初始惯性权重,权重较大的粒子拓展搜索空间,惯性权重较小的粒子完成局部强化寻优的工作。用改进的PSO算法无功优化计算IEEE-14节点系统的结果表明:新算法不仅避免了惯性因子权重调整的困难,而且较好地协调了算法的局部与全局搜索能力,可较好地解决电力系统的无功优化问题。     

基于改进的LDW粒子群算法的风-火电力系统联合优化调度策略

风-火电力系统联合优化调度是一个极其复杂的NP问题,不易求解。改进粒子群算法,并将其应用于风-火电力系统联合优化调度,提出了一种改进的惯性权重线性递减的粒子群算法。针对粒子群算法容易局部收敛的缺陷。首先,本文在惯性权重线性递减(LDW)的基础上,加入常数扰动,使惯性权重大幅增大,以便于跳出局部搜索,进行全局搜索,从而防止局部收敛;其次,为尽可能的避免粒子群算法出现粒子高度聚集在最优粒子的周围的情况,使得粒子趋于相同以致于大大损失粒子群的多样性,一定概率的自适应的改变惯性权重并混入随机个体,以便于更好的保持种群多样性。最后,在Matlab2010a GUI平台下采用几种不同的粒子群算法进行仿真试验。仿真结果表明,在相同条件下改进的粒子群算法能够寻到更精确的解。     

改进惯性权重的粒子群目标跟踪算法

粒子群优化算法中惯性权重的设置极其重要,直接影响算法性能。提出了一种改进的粒子群优化算法,并应用到目标跟踪领域,提高算法运算效率。首先,设置粒子群优化算法中的参数;其次,结合粒子优化率的概念记录粒子的不同状态,进而调节惯性权重,更新粒子的速度和位置;最后,对目标相似性函数进行优化,实现目标的准确定位。实验结果表明,该方法可以有效应对目标出现部分遮挡的跟踪难题,同时提高目标跟踪效率,具有较好的实时性。     

改进粒子群算法在电力系统无功优化中的应用

针对传统粒子群算法易出现早熟收敛、易陷入局部最优、搜索精度低等问题,从惯性权重和加速常数两方面对其进行改进.将改进后的粒子群算法应用到电网无功优化中,加快了收敛速度和提高了搜索精度.仿真结果证明了改进的粒子群算法的正确性及有效性.     

基于改进惯性权重PSO算法的目标位置测量技术

针对现有目标位置求解算法推导复杂和标准粒子群算法易陷入局部最优点的问题,提出了一种基于改进惯性权重粒子群算法的目标位置测量方法。该方法通过引进指数因子改进标准粒子群算法的惯性权重,平衡了其全局和局部搜索能力．实现了目标位置的高精度测量。仿真结果表明利用该方法能有效地对目标进行位置测量,测量精度达到0．5％。该方法对无线传感器网络定位、移动通信定位等工程问题也具有一定的研究意义和应用价值。     

基于多阶段粒子群算法的电力系统无功优化

文章针对无功优化问题的特点,在传统粒子群算法(PSO)的基础之上,提出一系列的改进措施,形成了一种新型分阶段粒子群优化算法(MPSO)。该算法通过调整惯性权重和加速系数使粒子自组织地跟踪个体极值和全局极值来扩大粒子的搜索空间和提高粒子的收敛精度,同时根据粒子处于不同的阶段实施相应的变异策略来增加种群的多样性,有效地抑制了PSO算法的早熟现象,进一步加快了算法的收敛速度。以IEEE-30节点系统为例对该改进算法的性能进行了测试,结果表明了该算法的有效性和可行性。     

基于改进PSO算法的含风电场电力系统网架扩展规划研究

基于改进后的PSO算法,研究了如何利用网架扩展规划,来缓解风电并网发电后部分线路出现输电阻塞的现象.在PSO算法中,惯性权重和学习因子分别是控制PSO算法全局搜索和局部搜索的关键性可调整参数.为避免陷入局部解,同时加快收敛速度,提出了同时动态优化调整惯性权重和学习因子的改进PSO算法.基于IEEE39节点的仿真算例表明：在保证获得最优解的前提下,该算法的收敛速度显著加快.     

基于区间三相潮流的配电网故障恢复优化算法

本文采用区间值来描述负荷并计算三相潮流。由于粒子群算法存在早熟的问题,采取非线性递减惯性权重的策略,使惯性权重随着迭代次数的增加而减小,同时,采用种群适应度方差判断算法是否陷入早熟,以便对早熟的种群进行自适应变异,动态的变异数目先大后小地控制了变异过程,保证了前期粒子的多样性和后期粒子算法的收敛。改进的粒子群算法保证了粒子在迭代初期有较强的全局搜索能力和后期有较高的搜索精度,保证了算法能够得到全局最优解,并提高了搜索速度。算例表明,基于区间三相潮流的改进粒子群算法能够有效地解决配电网故障恢复的问题,具有一定的工程价值。     

基于改进粒子群算法的三维路径规划研究

针对基本粒子群算法(PSO)收敛速度快、易早熟，容易陷入局部误区的问题，提出了粒子群-人工蜂群混合算法(PSO-ABC)，并将提出的算法应用于无人机三维环境下的路径规划。该算法在改进粒子群算法的基础上，融合了人工蜂群算法来对无人机三维路径进行全局规划。首先引入非线型惯性权重和收缩因子，改进粒子的速度公式，然后利用人工蜂群算法的搜索算子对最优解再一次寻优，解决了粒子群算法因局部搜索能力较差陷入局部误区的问题。本文在三维环境下设置了两组实验，对比粒子群-人工蜂群混合算法与粒子群算法、人工蜂群算法的路径寻优性能。实验结果显示，本文提出的算法路径寻优能力有所提高，相比于粒子群算法，提高了6.1%，相比于人工蜂群算法提高了6.9%。     

基于动态改变惯性权值的粒子群算法

粒子群算法的速度更新公式是通过惯性权值来调节前代速度对当代速度的影响。标准粒子群算法的惯性权值是采用线性递减策略,这使得算法极易收敛到局部最优;而且这种方法依赖于最大迭代次数的设定,使得惯性权值的选取具有盲目性。本文提出一种动态改变惯性权值的方法,充分利用目标函数所提供的信息,构造按指数衰减的惯性权值并进行了分析,最后对一标准测试函数进行了仿真。结果表明,所提算法能够得到更好的优化效果,验证了方法的有效性。     

基于SA-PSO的电力系统无功优化

粒子群优化算法是一种简便易行,收敛快速的演化计算方法。但该算法也存在收敛精度不高,易陷入局部极值的缺点。针对这些缺点,对原算法加以改进,引入了自适应的惯性系数和模拟退火算法的思想,提出了一种新的模拟退火粒子群优化(simulated annealing particle swarm optimization,SA-PSO)算法,并将其应用于电力系统无功优化。对IEEE14节点系统进行了仿真计算,并与PSO算法作了比较,结果表明SA-PSO算法全局收敛性能及收敛精度均较PSO算法有了较大提高。     

电力系统环保经济负荷分配的模糊自修正粒子群算法

针对标准粒子群算法易陷入局部最优、收敛过早的缺陷,提出了一种模糊自修正粒子群算法。通过利用模糊推理机制建立了粒子适应度值隶属度函数,在每次寻优过程中,使得各粒子根据自身当前适应度隶属度函数值来修正惯性权重的取值,而不是把惯性权重作为全局变量,对同一代粒子使用相同的惯性权重;这充分考虑了各粒子自身的性能,可以进一步改善早熟的缺陷,增强全局搜索能力,从而可以获取更好的目标值。将该算法用于求解电力系统经济负荷分配问题,兼顾考虑了燃料成本和环境成本;在求解此问题时,为了更精确地处理功率平衡约束,根据寻优过程中等式约束偏差量的大小不断调整罚系数取值,并以此建立相应的罚函数。算例结果表明,模糊自修正粒子群算法对比标准粒子群算法有较强的全局搜索能力,有更可靠的优化计算结果,进而体现了该方法的有效性和优越性。     

电力系统机组组合问题的闭环粒子群算法

针对标准粒子群优化（PSO）算法易陷入局部最优解的缺点,提出了闭环PSO（CLPSO）算法。算法引入经典控制理论中的反馈机制和闭环控制概念,将每个粒子视为被控对象,根据每一步得到的适应值通过PID控制器动态调整惯性权重,以满足搜索过程中粒子时时变化的需求。该策略极大地保证了粒子多样性,提高了算法的全局搜索能力。将CLPSO算法应用到机组组合问题中,同时结合新的策略以降低问题维数和保证寻优过程中粒子的可行性。仿真结果验证了所提出的算法在解决机组组合问题上的有效性。     

基于权重指数递减粒子群算法在光伏MPPT中的应用

针对光伏阵列局部遮阴情况下输出电压-功率曲线呈现多峰特性,传统粒子群算法进行最大功率跟踪时会陷入局部最优的问题,提出了权重指数递减粒子群算法。该算法通过改变粒子搜索方式,在每次迭代结束前对搜寻到的最优粒子执行精英突变,对反方向空间进行搜索;并添加惯性权重调节参数,其惯性权重随迭代次数的增加以指数形式递减,使算法前期跳出局部最优点的能力提高以及后期搜索更加准确。仿真结果表明,该算法在遮阴或者光照突变情况下,均能准确的追踪到最大功率点,能有效避免陷入局部最优点,收敛速度较快,能够在复杂情况下实现最大功率追踪。     

基于变异机制的混合粒子群算法在永磁同步电机多参数辨识中的研究

针对永磁同步电机多参数辨识方法问题,在基于电机电压方程建立的非线性数学模型的基础上,给出了一种带有差分变异策略的粒子群优化算法实现对永磁同步电机定子电阻、dq轴电感和永磁体磁链的辨识。该算法为解决学习因子和惯性权重独立调整削弱了算法的智能性问题,提出状态因子来使惯性权重非线性调整,通过分析将学习因子表示为权重的logistic回归分析型函数,使其随权重动态调整;为解决电机的非线性模型带来种群多样性的丧失,引入差分进化算法中的交叉变异策略产生候选解,并融合交叉算子为提高算法的全局搜索能力创造了可能性。通过实验仿真,与两种改进的粒子群算法在不同工况下进行对比,验证该改进的算法对提高辨识精度和速度有一定效果,算法具有可靠的收敛性和鲁棒性。     

电力系统无功优化自适应粒子群算法

针对粒子群(PSO)算法存在易陷入局部最优的缺点,提出了一种新的基于种群多样性指数的自适应粒子群优化算法(ASPO)。该算法利用种群多样性信息对惯性权重进行非线性调整,并在算法后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优的束缚,同时又保持前期搜索速度快特性。将其应用于电力系统无功优化,对IEEE-30节点系统进行仿真计算,并与GA、PSO等算法比较,结果表明APSO算法能有效应用于电力系统无功优化,其全局收敛性能、收敛精度和收敛稳定性均较GA、PSO算法有了明显提高。     

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。