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.     

蚁群优化算法及其在电力系统中的应用

蚁群优化算法是意大利学者M Dorigo受蚂蚁觅食行为的启发 ,提出的一种新型组合优化算法 ,具有正反馈、分布式计算等特点 ,已在许多问题中得到成功的应用。本文对蚁群优化算法的研究现状作一综述 ,并指出在电力系统中可能的应用方向     

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。     

蚁群算法在电机故障诊断中的应用

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法,有正反馈、分布式计算、启发性收敛等特点.本文介绍了蚁群算法的基本原理和算法模型,建立了以电机为对象的神经网络故障诊断系统,应用蚁群算法训练了神经网络并进行了故障诊断,与BP算法的诊断结果进行了比较.网络训练的对比结果表明,基于蚁群算法的神经网络故障诊断系统,对多故障征兆有较好的故障识别率,且算法收敛快,诊断精度高,具有较高的搜索效率.     

改进蚁群优化算法在配电网网架规划中的应用

从转移概率和信息素的动态更新机制两方面对传统蚁群算法进行了改进。转移概率设计中采用2个参数的联动控制,实现了Dorigo和Maniezzo的设想。信息素动态更新机制使信息素权重随迭代次数增加而改变,实现了对整个可行域的搜索全面而迅速,弥补了传统蚁群算法训练效率低下和易陷入局部极小的不足。配电网优化的结果表明该算法的有效性。     

改进蚁群算法在西安电网优化规划中的应用

建立了目标函数包括初始投资等年值、网络损耗以及缺电成本的网架优化规划模型.采用云模型对传统蚁群算法进行改进,利用基于云模型的不确定性关联规则推理,实现了信息素挥发系数和信息素强度的定性控制与动态选取,自适应的更新支路信息素,以改善蚁群算法的收敛性能.最后利用所提出的优化规划模型和算法对西安110 kV网架进行了优化规划.     

改进的蚁群算法在低速永磁直线电机设计中的应用

本文结合电磁减速式永磁直线电机的特点,将横向励磁的永磁体等效后的磁势进行傅里叶变换,并分析其在气隙中形成的高次行波磁场,采用许可变换分析定子开槽对气隙磁密的影响,再根据构建的电机模型推导出目标函数。在应用蚁群算法对电机参数优化时,采用将信息素释放在城市中的方法,并且通过限制优化变量的范围来减少城市的数目,最后论证改进的蚁群算法优化电机的合理性和有效性。     

基于改进蚁群算法的无功优化研究

建立了网损最小的数学模型,对蚁群算法的缺陷进行改进,包括对蚁群搜索到的路径进行排序,自适应调节路径上释放的信息素.同时又在信息素更新机制里引入微分进化算法的发散项,提高算法的收敛速度和全局寻优能力.通过IEEE-30节点的仿真计算,验证了改进蚁群算法在电力系统无功优化领域的可行性和有效性.     

蚁群算法在组合优化中的应用

本文介绍了崭新的求解复杂优化问题的启发式算法-蚁群算法以及它的基本原理.该算法是通过模拟蚁群搜索食物的过程,达到求解此类问题的目的.它具有智能搜索、全局优化、稳健性强、分布式计算、易与其他方法结合等优点.文章还介绍了该算法在静态组合优化,如旅行商、二次分配、车间任务调度、车辆路线、图着色、有序排列,以及动态组合优化中的应用.文章最后展望了蚁群算法所具有的广阔应用前景.     

锦标赛蚁群算法在无功优化中的应用研究

无功优化是一个混合整数优化问题,为了提高算法性能,提出使用遗传算法中的锦标赛选择机制。在已有的蚁群算法基础上,通过引入基于编码的蚁群算法,对不同类型的控制量使用不同的编码长度,能同时处理连续和离散空间的变量,再引入遗传算法中的锦标赛选择机制,锦标赛选择对适应值的非线性变换具有不变性,能更稳定地控制选择压力,即使陷入局部最优也具有很高的逃离概率。通过限制信息素上限也能有效防止信息素累积过多。使用IEEE-14、IEEE-30和IEEE-57系统对算法进行测试,验证了以上改进的有效性。     

基于改进蚁群算法的电力通信网络路由优化算法研究

在电力通信网络中,负载均衡可以减少瓶颈节点的过载和充分利用资源。针对智能电网中电力通信网络负载均衡问题,文中提出了一种将蚁群算法与链路权值算法相结合的负载均衡算法。在发挥蚁群算法优势的基础上,通过链路权重判断功能直接选择最优传输链路方案。通过仿真将所提算法与常用负载均衡算法进行比较,验证了所提算法的优越性和可行性。结果表明,该方法更适合于复杂的应用场景,在电力通信网络中具有更好的负载均衡能力,具有一定的参考价值。     

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.     

锦标赛蚁群算法在无功优化中的应用研究

无功优化是一个混合整数优化问题,为了提高算法性能,提出使用遗传算法中的锦标赛选择机制.在已有的蚁群算法基础上,通过引入基于编码的蚁群算法,对不同类型的控制量使用不同的编码长度,能同时处理连续和离散空间的变量,再引入遗传算法中的锦标赛选择机制,锦标赛选择对适应值的非线性变换具有不变性,能更稳定地控制选择压力,即使陷入局部最优也具有很高的逃离概率.通过限制信息素上限也能有效防止信息素累积过多.使用IEEE-14、IEEE-30和IEEE-57系统对算法进行测试,验证了以上改进的有效性.     

Optimal reactive power dispatch using ant colony optimization algorithm

This paper proposed a procedure to solve the optimal reactive power dispatch (ORPD) problem using ant colony optimization (ACO) algorithm. The objective of the ORPD problem is to minimize the transmission power losses under control and dependent variable constraints. Proposed sensitivity parameters of reactive power at generation and switchable sources are derived based on a modified model of fast decoupled power flow. The proposed ACO-based algorithm is applied to the IEEE standard 14-bus, 30-bus systems, and a real power system at West Delta Network as a part of the Unified Egyptian Network. The obtained simulation results are compared with those of conventional linear programming, genetic algorithm, and particle swarm optimization technique. Simulation results show the capability of the proposed ACO-based algorithm for solving the ORPD problem, especially with increasing the system size.     

基于自适应蚁群算法的AGV路径规划优化

针对传统蚁群算法在AGV路径规划中存在拐点数目较多,运行能耗较高等问题,提出一种改进的自适应蚁群算法。首先采用自适应参数调整方法,在迭代过程中不断调整信息素浓度和启发式信息的相对重要性,以增强蚂蚁搜索的目的性;其次引入多目标路径性能评价指标,在路径长度的单一指标基础上引入路径风险指标和拐点数目,以实现AGV路径规划的全局综合优化;然后提出一种奖惩机制更新信息素增量,针对不同程度评价指标的路径提供不同的信息素更新规则,避免算法陷入早熟;最后引入准均匀三次B样条平滑策略,进一步优化最优解。在20×20和30×30不同复杂程度的环境下进行仿真实验,本文改进算法相比传统蚁群算法在转弯次数上减少了113%～382%,在收敛速度上提升了798%～879%,验证了本文改进算法的有效性、可行性和优越性。     

The analysis of the convergence of ant colony optimization algorithm

The ant colony optimization algorithm has been widely studied and many important results have been obtained. Though this algorithm has been applied to many fields, the analysis about its convergence is much less, which will influence the improvement of this algorithm. Therefore, the convergence of this algorithm applied to the traveling salesman problem (TSP) was analyzed in detail. The conclusion that this algorithm will definitely converge to the optimal solution under the condition of 0<q ₀<1 was proved true. In addition, the influence on its convergence caused by the properties of the closed path, heuristic functions, the pheromone and q ₀ was analyzed. Based on the above-mentioned, some conclusions about how to improve the speed of its convergence are obtained. Translated from Control and Decision, 2006, 21(7): 763–766 [译自: 控制与决策]     

发电机组组合的混合蚁群优化算法

电力系统中的机组组合作为一个非确定型多项式困难问题,一直难以获得其理论最优解.针对算法的精度和速度这一矛盾,提出了一种结合启发式算法和蚁群算法的混合优化算法.用优先级排序法获得次优解,并在附近形成一个搜索邻域;采用蚁群算法在此邻域内寻优,减小了蚁群算法的空间复杂度.同时,在蚁群算法中引入了人工鱼群算法的拥挤度概念.拥挤度阈值在迭代过程中是自适应变化的,从而增强了算法的遍历寻优能力,也保持了较快的收敛速度.经济负荷分配采用简化梯度法.对一个10机系统算例仿真计算,验证了所提算法对解决机组组合问题具有很强的搜索能力和快速收剑性.