基于天牛须搜索粒子群优化的改进克里金模型

为提高克里金模型的建模精度,提出了一种基于天牛须(BAS)搜索粒子群(PSO)优化的改进克里金模型算法。在引入的天牛须搜索PSO优化算法中,每个粒子的更新规则不仅依赖于PSO最佳方案及个体的当前全局最优值,还综合了BAS的搜索规则,以提高全局搜索性能及搜索效率。由于相关参数的取值直接影响克里金模型的建模精度,应用天牛须搜索PSO算法对克里金模型的相关参数进行优化,并给出了具体的优化流程。测试算例表明,基于天牛须搜索PSO的改进克里金模型,具有得更高的模型精度和计算效率,优于常规的克里金算法及普通粒子群优化的克里金算法。     

基于捕食搜索策略的粒子群算法在输电网络扩展规划中的应用

针对标准粒子群算法粒子维数要求过高和收敛困难易陷入局部最优的缺点,提出一种基于捕食搜索策略的粒子群算法,并将其应用于输电网络扩展规划。捕食搜索在较差的区域进行全局搜索以找到较好的区域,然后在较好的区域进行集中地局域搜索以使解得到迅速改善。通过限制的调节,控制粒子群搜索空间的增大和减小,从而平衡探索能力和开发能力。局域搜索大大降低了粒子数的要求,全局搜索有效地避免陷入局部最优。算例分析证明了算法的有效性和正确性。     

基于粒子群算法搜索的非侵入式电力负荷分解方法

非侵入式电力负荷分解是根据入口处电流、电压信号进行用电负荷辨识的一种方法。然而,由于电流、电压波动等因素干扰,单一特征所得到的分解结果通常会与实际用电设备投切结果不一致。为了可靠地提升在线非侵入式电力负荷分解能力,构建了基于谐波的电流特征表达并结合功率两个特征作为设备投切状态辨识的目标函数。同时,引入了正态分布的度量函数,将其融合并作为粒子群(Particle Swarm Optimization, PSO)算法的适应度函数,以此寻找最佳的电力负荷分解结果。最终,通过实验室开发的非侵入式负荷分解装置进行实验。实验结果表明所述方法能获得更好的在线电力负荷分解能力。     

基于量子粒子群算法的工业机器人时间最优轨迹规划

轨迹规划作为机器人控制器的状态流输入,可以使机器人实现期望的作业任务。在轨迹规划中,运动执行受到各种物理约束条件的限制,并且有运动平滑性、效率等各方面要求。在进行机器人轨迹规划时,需要基于多项规划约束条件求出对应优化轨迹。针对这一问题,基于量子粒子群算法,对工业机器人进行时间最优轨迹规划。对运动学建模、轨迹规划原理及相关算法进行了介绍,并进行了仿真分析。仿真结果表明,基于量子粒子群算法进行工业机器人时间最优轨迹规划,可以保证机器人平稳高效地完成任务。     

基于区域搜索粒子群算法的机器人路径规划

针对粒子群算法应用于移动机器人路径规划时存在的易早熟、易陷入局部最优等问题,提出一种基于区域搜索的自适应粒子群(region search-adaptive particle swarm optimization algorithm, RS-APSO)路径规划方法。首先,通过区域搜索算法对原始地图进行预处理,减少地图中的无效信息。其次,提出两种可变算子对惯性权重因子进行调节,对加速因子进行自适应改进,增强算法不同时期的搜索能力,利用新的加速因子使粒子快速摆脱较差区域。最后通过动态避障策略,使机器人可以安全规避移动障碍物。仿真结果表明,RS-APSO算法相较于PSO算法,平均运行时间降低了30.3%,平均迭代次数降低了43.9%,在动态环境中也能生成安全路径。     

基于回溯迭代搜索-粒子群算法的配电网无功优化研究

在考虑配电网电压质量和无功补偿设备容量限制的条件下,以有功网损最小为优化目标、网络拓扑结构为约束条件建立了无功优化模型。针对粒子群算法存在着早熟现象、收敛速度慢和易陷入局部最优解的特点,提出了一种基于回溯迭代的粒子群算法(BPSO)。该算法采用回溯迭代的"0-1"特性,在寻优过程中通过剪枝函数避免无效搜索,改善了优化的路径,从而提高了PSO全局寻优性能。通过IEEE 30节点配电网算例的仿真,验证了BPSO算法的优解性,并与常规PSO算法对比证明所提算法的优越性。     

粒子群算法优化PID控制参数研究

采用常规的PID整定方式,往往费时而且难以满足控制要求．通过对粒子群算法的研究,在确定了适应度函数设计等控制参数后,采用粒子群算法对PID控制器参数进行优化,取得了很好的效果。     

基于禁忌搜索粒子群优化算法的无功优化

针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,提出将粒子群优化算法结合禁忌搜索的混合算法,并应用它来求解电力系统无功优化问题。该混合算法是以粒子群优化算法为主框架,以禁忌搜索算法作为个体群继续在邻域中寻优,寻优结果对粒子群算法的输出做了更新。混合算法保留了粒子群优化算法的并行处理性,同时利用了禁忌搜索算法的较强的"爬山"能力,加快了混合优化算法的收敛时间和提高了收敛解的有效性。     

基于改进粒子群算法的电压稳定约束无功优化

建立了考虑电压稳定性的电力系统无功优化模型,该模型以同时降低系统有功网损和提高静态电压稳定性为优化目标函数。针对标准粒子群算法(particle swarm optimization,PSO)容易陷入局部收敛和早熟的缺点,提出一种改进PSO算法对无功优化模型进行求解。利用适应度共享技术对粒子的适应度进行调整,以提高种群的全局寻优能力;引入学习因子动态调整策略,进一步平衡种群在解空间的全局探索能力和局部开发能力。IEEE 30节点系统的仿真结果验证了本文所提无功优化策略的合理性和有效性。     

Improvement of particle swarm optimization based on the repetitive search guideline

Particle Swarm Optimization (PSO), which has attracted a great deal of attention as a global optimization method in recent years, has the drawback that continuous search based on its excellent dynamic characteristics cannot be performed stably until the end of computation due to its very strong tendency to convergence. In this paper, we propose a ARepetitive Search Guidelinewhich differs from the common guidelines in the improved methods which have since been proposed and by which the continuous search in PSO is achieved without losing PSO's excellent dynamic characteristics due to repetitive search in a promising area where the objective function values are expected to be small. We consider four improved methods based on the proposed guidelines, then confirm their effectiveness by application to 100‐variable multipeaked benchmark problems. 2010 Wiley Periodicals, Inc. Electr Eng Jpn, 173(2): 42–54, 2010; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/ eej.20964     

VMD 及 PSO 优化 SVM 的行星齿轮箱故障诊断

以故障高发的行星齿轮传动系统为对象,提出基于变分模态分解(variational mode decomposition, VMD)及粒子群算法(particle swarm optimization, PSO)优化支持向量机(support vector machine, SVM)的故障诊断方法。首先,对信号进行VMD分解,采用改进小波降噪的方法处理分解后的本征模态分量(IMF),并对处理后的分量进行重构,凸显信号蕴含的信息;然后,对处理后的振动信号进行特征提取,分别提取信号的样本熵和均方根误差,并组成输入矩阵;最后,引入PSO优化SVM的关键参数,将提取的特征向量输入PSO-SVM进行训练和识别。将该方法应用于行星传动试验平台获取的行星轮裂纹故障、太阳轮轮齿故障及行星轮轴承故障信号,通过多维比较,验证了该方法的有效性。     

基于改进粒子群动态搜索算法的配电网络重构研究

提出一种基于改进粒子群动态搜索算法的网络重构方法,算法把初始粒子群按照适应度的大小分为两个互不交叉,且具有不同分工的子群,并进行动态搜索.通过引入了交叉和禁忌思想,减少了解陷入局部最优的可能性.与遗传、禁忌搜索算法重构的结果进行比较,表明本文算法具有更高的搜索效率,更容易找到全局最优解.     

基于改进粒子群动态搜索算法的配电网络重构研究

提出一种基于改进粒子群动态搜索算法的网络重构方法,算法把初始粒子群按照适应度的大小分为两个互不交叉,且具有不同分工的子群,并进行动态搜索。通过引入了交叉和禁忌思想,减少了解陷入局部最优的可能性。与遗传、禁忌搜索算法重构的结果进行比较,表明本文算法具有更高的搜索效率,更容易找到全局最优解。     

基于强引导粒子群与混沌优化的电力系统无功优化

为解决粒子群优化后期搜索速度较缓慢,易陷入局部最优的问题,提出一种基于强引导粒子群与混沌寻优相结合的电力系统无功优化算法,该算法在采用强引导型粒子群的基础上引入混沌优化以进一步提高全局寻优能力,即在粒子群算法的基础上引入强引导思想,在搜索初期,对粒子位置的更新加以引导,减少算法随机性以提高搜索效率。为进一步解决寻优后期粒子可能陷入早熟收敛的问题,利用混沌优化具有奇异吸引子的特性,在解空间进一步搜索,两者的结合可以更有效地搜索到全局最优解。通过对某高压配电网的具体计算,最优降损率可以达到14.04%,节点最低电压从0.895 0 p.u.提高到0.995 6 p.u.,结果表明该算法应用在电力系统无功优化领域的可行性和有效性。     

基于全局粒子群算法的无功优化

针对粒子群(PSO)算法的局限性,提出了全局粒子群(GPSO)算法,并将其应用于电力系统无功优化.建立基于全局粒子群算法的无功优化数学模型,给出全局粒子群算法的具体步骤.通过对IEEE30节点算例的测试,得到全局粒子群算法在无功优化问题上的收敛速度和优化效果.     

基于改进粒子群算法的土石方调配优化研究

粒子群优化算法是一类随机全局优化技术,具有收敛速度快、规则简单、易于实现的优点.针对标准粒子群算法搜索精度不高,易陷入局部最优的缺点,本文对标准粒子群算法进行了改进,改进的算法在粒子飞行中动态地调整粒子飞行的惯性权重,提高了标准粒子群算法收敛速度与收敛精度,降低了早熟收敛的比率.本文分析了用线性规划方法进行土石方调配的优缺点,并把本文提出的改进粒子群算法用于面板堆石坝的土石方调配优化中.与线性规划方法相比,该方法对土石方调配问题的约束和目标函数没有线性要求,具有可以考虑实际工程中非线性约束的优点,因此比常用的线性规划方法更接近工程实际.通过对某大型面板堆石坝的土石方调运分析以及与线性规划调运结果比较,表明本文提出的算法是正确可行的.     

随机差分变异粒子群混合优化算法

针对传统粒子群优化算法与差分进化算法都易出现早熟等问题,提出了一种随机差分变异粒子群混合优化算法。算法结合粒子群与差分算法的各自特点,首先采用差分变异方法产生试探性候选个体,再将其代入到粒子群速度更新公式,引导粒子飞行方向,从而扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解,采用随机差分变异方式对当前最优粒子进行扰动,使算法在有效提高局部开采能力的同时,有效避免停滞现象的发生。算法分别在单峰及多峰等8个测试函数上与3个相关算法进行对比实验,实验结果表明,新的混合算法优于其他对比算法,有效提高了算法的性能。