基于快速自适应差分进化算法的电力系统经济负荷分配

提出一种求解复杂电力系统经济负荷分配问题的快速自适应差分进化算法(FSADE).从矢量运算角度对变异算子进行分析,提出了一种改进的变异算子,大大提高了算法的收敛速率.根据个体的进化过程,引入自学习机制,对个体的变异和交叉概率常数进行自适应地调整,提高了算法的鲁棒性.3个不同规模的算例仿真结果表明,与其他4种典型智能优化算法相比, FSADE具有更好的计算精度和计算速度,是一种求解电力系统经济负荷分配问题的有效方法.     

基于改进差分进化鲸鱼算法的经济负荷分配

针对电力系统经济负荷分配这一典型的非凸、非线性、组合优化问题,提出一种将改进差分进化算法和鲸鱼算法相结合的优化算法。该算法首先在鲸鱼优化算法中引入了非线性的收敛变化策略,加速寻优算法的迭代;再利用差分进化算法的交叉和选择,丰富算法种群个体信息,增强优化算法的全局收敛性;同时引入一种淘汰机制,将适应度较好的个体信息更快地保留用于下一次鲸鱼优化算法的迭代,提高了求最优解的速度和精度;最后,对多个经济负荷分配问题进行了测试,将该算法与标准鲸鱼算法、标准差分进化算法进行对比,验证了差分进化鲸鱼算法可以更合理地配置电力系统的经济负荷,能够有效找到可行解,避免陷入局部最优,能实现经济负荷的合理分配。     

基于混合双种群差分进化的电力系统经济负荷分配

针对电力系统经济负荷分配本质上的非线性约束优化问题,提出一种双种群混合差分进化算法.采用两个种群且以较小的计算量实现目标函数的寻优并保持解的可行性,同时引入单纯型法来提高算法的局部搜索能力.基于典型算例对该算法的进化行为进行测试,并通过仿真和比较验证了所提出算法的有效性.     

一种双种群差分蜂群算法

人工蜂群算法(ABC)是一种基于蜜蜂群智能搜索行为的随机优化算法.为了有效改善人工蜂群算法的性能,结合差分进化算法,提出一种新的双种群差分蜂群算法(BDABC).该算法首先通过基于反向学习的策略初始化种群,使得初始化的个体尽可能均匀分布在搜索空间,然后将种群中的个体随机分成两组,每组采用不同的优化策略同时进行寻优,并通过在两群体之间引入交互学习的思想,来提高算法的收敛速度.基于6个标准测试函数的仿真实验表明,BDABC算法能有效避免早熟收敛,全局优化能力和收敛速率都有显著提高.     

具有人工蜂群搜索策略的差分进化算法

针对差分进化算法易出现早熟现象和收敛速度慢等问题,提出一种具有人工蜂群搜索策略的差分进化算法.利用人工蜂群搜索策略很强的探索能力,对种群进行引导以帮助算法快速跳出局部最优点.此外,为了提高算法的全局收敛速度,采用一种基于反学习的初始化方法.通过对12个标准测试函数进行仿真实验并与其他算法相比较,表明了所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力.     

基于差分蜂群算法的无线传感器网络节点分布优化

针对无线传感器网络节点分布优化问题,在保证节点间相互连通的情况下建立节点分布优化模型,提出了一种有效的差分蜂群优化算法,从而实现了同构无线传感器网络节点对目标区域的高效覆盖。改进算法将差分进化操作引入蜂群算法中雇佣蜂的搜索方式,以提高雇佣蜂搜索的多样性和避免计算量的浪费。差分蜂群算法在无线传感器网络节点分布优化问题上进行了测试,并与差分进化、人工蜂群两种算法进行了仿真对比。从3种算法的网络覆盖率迭代曲线可以看出,差分蜂群算法整体的探索能力及收敛速度较之其他2种算法都有所提升。除此之外,3种算法对无线传感器网络覆盖优化问题进行了100次试验,覆盖率统计结果进一步验证了所提算法的有效性。     

电力系统经济负荷分配的族群优化方法

经济负荷分配（Economic Load Dispatch,ELD）是电力系统中一种重要的优化问题,它可归为一类高维、离散、非线性的多约束函数优化问题。针对这类问题,提出了一种基于线性截取策略的改进族群进化算法——EGEA/LT,并使用EGEA/LT对IEEE的3机、6机和15机3个仿真系统进行了优化实验,将实验结果与其他典型算法优化结果进行比较,说明了EGEA/LT是一种求解ELD问题的有效方法。     

基于分段搜索策略的自适应差分进化人工蜂群算法

针对人工蜂群算法在求解函数优化问题时存在的探索能力强,而开发能力不足和收敛性能差的问题,本文提出一种基于分段搜索策略的自适应差分进化人工蜂群算法。该算法将改进后的差分进化算法中的变异操作引入到观察蜂的局部搜索策略中,让观察蜂在雇佣蜂逐维变异后的当前最优解周围进行局部搜索,并采用分段搜索的方式更新蜜源,以提高其局部搜索能力。仿真实验结果表明,与基本人工蜂群算法相比,改进后的算法有效地平衡了算法的探索能力和开发能力,并提高了算法的寻优精度和收敛速度。     

基于混合差分蜂群算法的贝叶斯网络结构学习

贝叶斯网络的结构学习是贝叶斯网络理论模型的核心,而现有的贝叶斯网络结构学习算法一般存在效率偏低的问题.针对此问题,文中提出基于混合差分蜂群算法的贝叶斯网络结构学习算法.该算法首先利用最大生成树准则得到初始种群,然后利用差分进化算法中的交叉、变异规则优化初始种群.在使用差分进化算法的过程中,分别将蜂群算法应用于变异阶段和优化改进交叉阶段,并且将云自适应理论应用于选择阶段选择生成个体.在经典贝叶斯网络上的仿真实验证明,文中算法在贝叶斯网络结构学习中具有较强的寻优能力.     

基于混合蛙跳算法的电力系统经济负荷分配

针对带阀点效应的经济负荷分配(ELD)问题高维、非凸、非线性的特点,应用混合蛙跳算法(SF-LA)解决电力系统ELD问题。该算法结合了模因演算算法(MA)和粒子群优化(PSO)算法二者的优点,在确保全局收敛和满足约束条件下,能够快速有效地搜索到最优解。通过对多个ELD问题实例进行仿真计算,并与参考文献做比较,结果表明:SFLA对于解决电力系统ELD问题是有效、可行的。     

基于蜂群算法的多目标加权优化负荷频率控制研究

为进一步提高两区域互联再热火力发电系统中工作频率和联络线功率的稳定性,提出了一种加权和多目标对负荷频率控制的优化方法;采用人工蜂群算法(ABC)和加权和方法实现LFC的多目标优化,而后将其转化为复合目标函数;根据负荷需求变化和系统参数变化情况,利用加权和方法对复合目标函数做归一化处理,使得两区域PID控制器增益达到同步调谐,获得了频率响应的调节时间和超调量达到最佳折中条件;仿真结果表明,该方法简单有效,在不同的运行条件和系统参数变化情况下具有良好的鲁棒性.     

求解函数优化问题的改进人工蜂群算法

标准人工蜂群算法由于局部搜索能力差,收敛精度低,容易陷入早熟收敛等缺陷,从而求解最小值函数优化问题的能力受到限制。为了解决标准人工蜂群算法的以上问题,提出了一种改进的人工蜂群算法。该算法将混沌算子引入雇佣蜂和跟随蜂基于当前最优解的局部搜索策略中,并赋予跟随蜂细菌的趋药性,从而
　　提高了人工蜂群算法的局部搜索能力。在6个测试函数上的仿真结果表明,该算法能有效地避免陷入局部最优,并使收敛精度得到显著提高。     

一种改进搜索策略的人工蜂群算法

为克服人工蜂群算法原有搜索策略存在探索能力强而开采能力弱的缺点,受差分进化算法的启发,提出了一种新的搜索策略,在种群最优解的附近产生新的候选位置,有助于提高人工蜂群算法的开采能力.同时,为了平衡算法的探索和开采能力,将种群中的个体随机分成两组,每组采用不同的搜索策略同时寻优.对6个基准测试函数进行仿真的结果表明,改进的搜索算法相比基本人工蜂群算法能有效地改善寻优性能,增强算法摆脱局部最优的能力.     

基于正交实验设计的人工蜂群算法

人工蜂群算法是近年来提出的较为新颖的全局优化算法,已成功地应用于解决不同类型的实际优化问题.然而在该算法及相关的改进算法中,侦察蜂通常采用随机初始化的方法来生成新食物源.虽然这种方法较为简单,但易造成侦察蜂搜索经验的丢失.从算法搜索过程的内在机制出发,提出采用正交实验设计的方式来生成新的食物源,使得侦察蜂能够同时保存被放弃的食物源和全局最优解在不同维度上的有益信息,提高算法的搜索效率.在16个典型的测试函数上进行了一系列实验验证,实验结果表明:1) 该方法能够在基本不增加算法运行时间的情况下,显著地提高人工蜂群算法的求解精度和收敛速度;2) 与3种典型的变异方法相比,有更好的整体性能;3) 可作为提高其他改进人工蜂群算法性能的通用框架,具备有良好的普适性.     

一种多目标人工蜂群算法

为将标准人工蜂群算法有效应用到多目标优化问题中,设计了一种多目标人工蜂群算法。其进化策略在利用精英解引导搜索的同时结合正弦函数搜索操作来平衡算法对解空间的开发与开采行为。另外,算法借助了外部集合来记录与维护种群进化过程中产生的Pareto最优解。理论分析表明:针对多目标优化问题,本算法能收敛到理论最优解集合。对典型多目标测试问题的仿真实验结果表明:本算法能有效逼近理论最优,具有较好的收敛性和均匀性,并且与同类型算法相比,本算法具有良好的求解性能。     

求解高维函数优化问题的混合蜂群算法

为了提高人工蜂群算法求解复杂优化函数的全局搜索能力,提出了多父体杂交算法、差分进化算法和蜂群算法的混合蜂群算法(Hybrid artificial bcc colony algorithm, HABC) 。 HABC的核心在于,采用多父体杂交算子提高人工蜂群算法的全局搜索能力,通过淘汰相同个体保证群体的多样性,利用差分进化算子加快人工蜂群算法的收敛速度。高维函数优化问题的仿真结果表明,该算法全局搜索能力好,收敛速度快。     

求解约束优化问题的自适应人工蜂群算法

针对约束优化问题，提出一种自适应人工蜂群算法。算法采用反学习初始化方法使初始种群均匀分布于搜索空间。为了平衡搜索过程中可行个体和不可行个体的数量，算法使用自适应选择策略。在跟随蜂阶段，采用最优引导搜索方程来增强算法的开采能力。通过对13个标准测试问题进行实验并与其他算法比较，发现自适应人工蜂群算法具有较强的寻优能力和较好的稳定性。     

异维学习人工蜂群算法*

针对人工蜂群算法局部搜索能力弱及易陷入局部最优的缺点,提出了一种改进的人工蜂群算法。首先,雇佣蜂使用全局最优引导的搜索策略,且引导程度随个体试验次数()自适应减小,以此平衡算法的全局和局部搜索能力。其次,观察蜂采用变异的异维学习策略,使算法的搜索具有跳跃性,以提高跳出局部最优的概率。对8个经典基准测试函数和CEC2013中8个复合基准函数的测试结果表明,与多种最近提出的类似算法相比,新算法在收敛速度和解的精度均具有显著优势。     

结合ABC算法动态分级的双蚁态蚁群算法

针对蚁群算法收敛速度慢、易陷入局部最优等问题，结合人工蜂群算法的分级思想，提出动态分级的双蚁态蚁群算法。根据适应度不同，将蚁群划分为寻优蚁和侦查蚁，并执行不同加权系数的动态信息素更新策略：寻优蚁负责较优路径的搜索，执行较大权重的信息素更新策略，以增强其导向性，提高算法收敛速度。侦查蚁则负责探索非较优路径，发现其他更优解，以保证算法多样性。然后，每次迭代结束则两类蚂蚁进行优良解交换，以提高解的质量。以旅行商问题为例，将其与经典蚁群算法、最新蚁群改进算法以及其他最新优化算法进行对比，其表现皆更优。