基于生物地理学优化算法的电力系统无功优化

将模拟物种迁移规律的生物地理学优化算法（BBO）应用于求解电力系统无功优化问题。区别于遗传算法中局限于染色体两两之间分享特征信息的模式,BBO独特的迁移模式使得好的栖息地特征信息得以在多个栖息地之间广泛传播,从而加快了优化进程。IEEE14节点和IEEE57节点的测试结果表明：BBO算法在与相关文献中的算法相当的迭代次数内能够得到更优的解,且算法对参数的依赖性不强,适用于求解电力系统无功优化这一类复杂的工程组合优化问题。     

EGO算法的翼型气动外形优化设计

针对随机优化算法计算量大和最优响应面法容易陷入局部最优的缺点,采用EI最优策略综合平衡响应预测值及预测精度,建立了高效的优化系统.使用该方法进行了翼型气动外形优化设计,结果表明该方法将翼型阻力系数降低22%,具有良好的优化精度,而总计算耗时与粒子群算法相比约降低68%,说明了该方法的可行性和有效性.     

基于Matlab优化工具箱的结构优化设计

介绍了结构优化设计的基本理论和MATLAB优化工具箱,分析了结构优化设计中的主要约束条件,提出结构优化设计的通用流程方法。首先,进行结构受力分析,合理设置优化目标函数和约束条件;然后,使用MATLAB优化工具箱进行编程计算。对一桁架进行优化设计分析,结果显示,与其他方法相比,使用MATLAB优化工具箱进行优化,不仅计算精度较高,而且可以减少计算时间。因此在结构工程设计领域有较大的实际应用价值。     

基于Plant Simulation的车间调度优化仿真

采用多品种小批量订单任务模式,以智能车间完成订单任务时间最短为目标,通过Plant Simulation仿真平台搭建模型,验证基于遗传算法的任务排序方法.首先,对车间整体布局进行分析,实现仿真平台映射;其次,应用遗传算法实现最优的排产方式;最后,通过对比Plant Simulation与MATLAB两个仿真平台优化结果得出结论.     

一种高维多模态优化的量子粒子群优化算法

为求解实际工程中的高维多模态优化问题,提出了基于动态邻域的多策略进化的量子粒子群优化算法(QPSO).针对QPSO算法存在的粒子"早熟"问题,首先定义了一种动态邻域选择机制以保持种群的"活跃性";然后结合动态邻域机制,定义了三个不同策略的局部吸引子更新方程以保持种群进化的"多样性".为了防止算法的进化方向不发散,对收敛到全局最优解的局部吸引子更新策略赋予了较大权重;最后为了拓展最优解空间引入了狼群优化算法中的综合评价方法.通过对不同类型的高维多模态基准测试函数的仿真实验结果表明:相比于其余四种优化算法,本文提出的优化算法在收敛精度和稳定性方面具有明显优势,并且随着测试维度的增加,这种优势更加凸显,展现出了较好的解决高维多模态优化问题的性能.文中引入的综合评价方法在所有的测试函数中均具有较高的生效次数,综合评价生效意味着为下一次的进化找到一个更加有利的进化方向,这样能够减少算法找到最优解的次数,也能进一步提升算法的收敛精度.     

渐进演化类拓扑优化算法的优化准则对比研究

渐进演化类拓扑优化算法的优化准则是影响结构优化结果的关键因素之一。以不同荷载和边界条件下的深梁模型为数值算例，比较了基于不同优化准则的3种算法在优化解和优化效率上的差别。结果表明：对于荷载和边界等条件较简单的构件，采用单向和确定性优化准则的渐进演化类拓扑优化算法能高效地得到最优拓扑，采用概率性优化准则和采用双向优化准则的渐进演化类拓扑优化算法有着更广的适用范围，在荷载和边界等条件较复杂的构件上，同样表现出较强的避免优化畸变的能力和全局寻优能力。对结合概率性优化准则和双向优化准则的遗传双向渐进演化结构优化算法建立了流程图，并进行初步讨论，以期进一步提高渐进演化类拓扑优化算法的实用性和寻优能力。     

基于粒子群算法的电路测试集优化

研究电路测试集的优化,提出基于粒子群算法的电路测试集的静态压缩方法.粒子群向最优解方向演绎,利用适应度函数来评价各粒子的优劣.实验电路的验证结果表明,同时适用于时序电路和组合电路,与基于遗传算法的电路测试集优化相比,该算法能够更大限度地优化测试集,需要更少的存储空间.     

面向离散优化问题的改进二元粒子群算法

二元粒子群算法被广泛用于求解离散组合优化问题。在求解离散优化问题时,二元粒子群算法会出现解空间利用率低,速度和状态趋同以及退化和波动等演化问题。针对这些问题,提出一种改进的二元粒子群算法。算法使用Gray码演化基编码,混沌初始化过程,改进速度和状态调整方法以及子代处理方法用于提高种群利用率和种群多样性。在不同类型的检验函数以及多选择背包问题上,和现有优化算法及其他二元粒子群算法相比,改进算法能够获得较高的收敛精度以及较快的收敛速度,体现出多离散优化问题的实际效用。     

基于改进果蝇优化算法的无功优化

将改进果蝇优化算法运用于无功优化领域,为电力系统的无功优化计算提供了一种新的算法.通过对迭代步长进行自适应调整可以有效避免果蝇算法可能陷入局部最优的问题,同时还能提高收敛精度.在无功优化模型中,对控制变量进行归一化处理,使得量纲一致;将约束条件以罚函数的形式并入目标函数中,实现对状态变量的限制.以IEEE30节点系统和IEEE57节点系统为例,分别基于果蝇优化算法(FOA)、改进果蝇优化算法(IFOA)和遗传算法(GA)进行了无功优化计算,结果表明改进果蝇优化算法(IFOA)具有更好的优化效果和计算速度,更加接近全局最优值,采用该算法解决无功优化问题效果很好.     

Multi-objective optimization of feature selection using hybrid cat swarm optimization

With the pervasive generation of information from a wide range of sensors and devices, there always exist a large number of input features in databases, thus complicating machine learning problem formulation. However, certain features are relatively impertinent to specific problems, which may degrade the performances of classifiers in terms of prediction accuracy, sensitivity,specificity, and recall rate. The main goal of a multi-objective optimization problem is to identify the subsets of the given features. To this end, a hybrid cat swarm optimization(HCSO) algorithm is proposed in our paper for performance improvement of the basic cat swarm optimization(CSO) that incorporates guided and competitive inherent characteristics into the original CSO. The performance of HCSO has been tested by finding the optimal feature subset for 15 benchmark datasets. The number of class labels for these datasets varies between 2 and 40. The time complexity analysis of both CSO and HCSO has also been evaluated. Moreover, the performance of the proposed algorithm has been compared with that of simple CSO and other state-ofthe-art techniques. The performances obtained by HCSO have an average 2.68% improvement with a standard deviation of 2.91.The maximum performance improvement is up to 10.09% in prediction accuracy. Tested on the same datasets, CSO has yielded improvements within the range of-7.27% to 8.51% with an average improvement 0.9% and standard deviation 3.96. The statistical tests carried out in the experiments prove that HCSO manifests a moderately better feature selection capacity than that of its counterparts.     

Intuitionistic fuzzy optimization

0　ＩＮＴＲＯＤＵＣＴＩＯＮＡｔｐｒｅｓｅｎｔ,ｔｈｅｄｅｔｅｒｍｉｎｉｓｔｉｃｏｐｔｉｍｉｚａｔｉｏｎｔｈｅｏｒｙｈａｓａｄｖａｎｃｅｄｃｏｎｓｉｄｅｒａｂｌｙｄｕｒｉｎｇｔｈｅｌａｓｔｔｈｒｅｅｄｅｃａｄｅｓ,ｂｕｔｉｔｓｐｏｔｅｎｔｉａｌｈａｓｎｏｔｂｅｅｎｔｈｏｒｏｕｇｈｌｙｂｒｏｕｇｈｔｉｎｔｏｐｌａｙｉｎｅｎｇｉｎｅｅｒｉｎｇｐｒａｃｔｉｃｅ.Ｔｈｅｍｏｓｔｉｍｐｏｒｔａｎｔｒｅａｓｏｎｉｓｔｈａｔｉｔｉｓｄｉｆｆｉｃｕｌｔｔｏｐｒｅｃｉｓｅｌｙｄｅｆｉｎｅａｎｏｐｔｉｍｉｚａｔｉｏｎｐ…     

一种求解连续优化的蚁群混合算法

针对蚁群优化算法和Alopex算法的特性，将Alopex算法嵌入到改进的蚁群优化算法中．提出一种求解连续空间优化问题的混合算法（ACOAL），ACOAL算法定义了新的蚁群信息素更新规则、蚁群在解空间的寻优方式和蚁群行进策略；同时，结合Alopex算法以加强搜索能力，该算法充分发挥了Alopex算法的快速搜索能力和蚁群算法寻优性质优良的特性，提高了算法的收敛速度，避免了优化算法陷入局部最优。     

蚁群算法解决连续优化问题的新途径

为了克服蚁群算法难以直接处理连续优化问题的缺陷,在保持蚁群算法基本框架的基础上,将传统蚁群算法中蚂蚁由解分量的信息素和启发式的乘积值按比例来决定取值概率的方式,改为根据连续的概率分布函数来取值.并将函数在各个维上的极值点方向作为蚂蚁搜索的启发式信息.在标准测试函数上的试验结果显示,该算法不但具有较快的收敛速度,而且能够有效地提高解的精确性,增强了算法的稳定性.     

基于免疫和进化扩散算法的全局优化问题求解算法

在求解全局优化问题时,通常免疫算法、进化扩散算法分别在局部搜索和全局搜索方面表现较弱。针对这一情况,基于免疫和进化扩散算法,提出了一个免疫-进化扩散算法。该算法结合了免疫和进化扩散两种算法的优点,一方面通过引入基于共享机制的小生境算法,保持了群体的多样性,另一方面通过提出一种步长参数动态调整策略,提高了算法效率。实验结果表明,在给定精度下,该算法的效率和稳定性都明显优于Tsui的进化扩散算法和Ingber的自适应模拟退火算法。最后对步长参数动态调整策略进行了分析。     

水文模型参数优选的改进粒子群优化算法

针对标准粒子群算法的早熟收敛问题,提出了一个提高算法性能的改进途径,即引入动态改变惯性权重策略和混沌思想,在两个方面同时改进以提高粒子群算法的收敛速度和克服局部极值的能力.对两个函数进行寻优测试表明,改进后的粒子群算法收敛速度、精度以及全局搜索能力均优于标准粒子群算法.最后将提出的改进粒子群算法应用于新安江模型进行参数优选,应用结果表明,该算法具有较强的可行性与实用性.     

应用混合粒子群优化的检查点全局优化算法

针对容错实时系统存在的局部最优检查点间隔为单次故障情况下的最优检查点间隔及局部最优检查点间隔并不是任务集全局最优检查点间隔的缺陷,首先给出检查点间隔全局优化问题的多目标优化模型,然后基于混合粒子群优化算法,提出检查点间隔全局优化算法.该算法通过混合粒子群优化算法的交叉和变异操作,避免算法陷入局部极值的困境,且增强了算法搜索全局近优检查点间隔的能力.实验表明,与其他检查点间隔优化算法相比,本算法可进一步提升系统容错能力.检查点间隔全局优化能在故障多次发生情况下,对任务集的检查点间隔进行全局搜索,以减小检查点设置次数和故障检测次数、高优先级任务抢占时间及故障恢复时间,提高系统可调度性.     

基于粒子群算法的物流配送车辆优化调度研究

应用粒子群算法求解物流配送系统的车辆优化调度问题,针对车辆调度问题中需要考虑车辆容量和车辆行驶路径的限制等要求,提出一种基于收货点、粒子位置次序和粒子位置取整操作的三维粒子编码方法,采用惯性权重线性递减粒子群算法对两个算例进行计算,并与遗传算法的计算结果进行了比较。结果表明,粒子群算法能够有效地对物流配送车辆调度问题进行优化。     

Chaos quantum particle swarm optimization for reactive power optimization considering voltage stability

The reactive power optimization considering voltage stability is an effective method to improve voltage stablity margin and decrease network losses,but it is a complex combinatorial optimization problem involving nonlinear functions having multiple local minima and nonlinear and discontinuous constraints. To deal with the problem,quantum particle swarm optimization (QPSO) is firstly introduced in this paper,and according to QPSO,chaotic quantum particle swarm optimization (CQPSO) is presented,which makes use of the randomness,regularity and ergodicity of chaotic variables to improve the quantum particle swarm optimization algorithm. When the swarm is trapped in local minima,a smaller searching space chaos optimization is used to guide the swarm jumping out the local minima. So it can avoid the premature phenomenon and to trap in a local minima of QPSO. The feasibility and efficiency of the proposed algorithm are verified by the results of calculation and simulation for IEEE 14-buses and IEEE 30-buses systems.     

采用粒子群算法的水平轴潮流能水轮机翼型多目标优化

为了提高水平轴潮流能水轮机叶片翼型空化性能,提出一种基于粒子群算法（PSO）的翼型性能多目标优化方法,主要针对较大攻角下翼型表面压力系数最小值;同时为保证翼型水动力性能,以翼型压力系数最小值及升力系数等建立多目标优化函数.通过程序调用XFoil对优化翼型水动力性能进行过程分析,替代计算流体动力学（CFD）分析,节省优化时间.采用此方法对NACA63-815翼型进行优化并采用CFD方法重点研究2个攻角工况下优化翼型与原翼型在3个空化数（1.0、1.5和2.0）下的空泡分布对比.结果表明,优化翼型在6.8°和10.8°攻角下压力系数最小值分别提升了17.0%和45.8%,最大升阻比提高了6.0%和61.1%.翼型的空化初生及全空化性能均得到明显提升,水动力性能也得到了提升,验证了此优化方法的可行性.