改进的粒子群优化算法

粒子群优化算法是一种基于群体的自适应搜索优化算法,存在后期收敛慢、搜索精度低、容易陷入局部极小等缺点,为此提出了一种改进的粒子群优化算法,从初始解和搜索精度两个方面进行了改进,提高了算法的计算精度,改善了算法收敛性,很大程度上避免了算法陷入局部极小.对经典函数测试计算,验证了算法的有效性.     

基于改进粒子群算法的电力系统无功优化

简单介绍了基本的粒子群算法,阐述了在电力系统无功优化中的数学模型和变量的约束条件。对于粒子群算法容易陷入局部最优解和后期收敛速度比较慢的问题提出了两个改进的方法,并且在IEEE-6节点系统上进行仿真实验,证明了本算法的可行性和优越性.     

基于改进粒子群算法的负荷优化调度

电厂机组间负荷的优化调度有利于电厂的经济运行和科学管理.基于改进的粒子群算法,将机组启停的信息附加到粒子群中,结合机组运行及停运的时间约束,以机组煤耗特性为基础建立全厂煤耗最小的目标函数,全面考虑机组运行的约束条件,完成机组启停及负荷分配的双重优化;与传统的等微增率准则相比较,调度结果更加经济.     

基于学习理论的改进粒子群优化算法

论文针对粒子群算法容易陷入局部最优的问题,提出基于学习理论的粒子群算法(L-PSO).该算法通过为粒子群全局最优粒子设定最大周期限制,使达到最大周期的全局最优粒子可以被取代,同时利用聚类的思想对粒子群进行分组,通过随机选择两个组中心,以一定概率进行交叉变异,生成竞争粒子并替换达到最大周期的全局最优粒子,能够较好地避免算法陷入局部最优,提高算法的收敛速度.在基准测试函数集上的测试结果表明该算法有效.     

一种基于粒子群优化的粒子滤波改进算法

粒子群优化粒子滤波算法能有效改善粒子退化问题,但其适应度函数受量测噪声方差影响较大,限制了滤波精度的提高.为此,提出了一种基于粒子群优化的粒子滤波改进算法.该算法给出一种新的适应度函数,用当前状态估计值与各粒子状态的差值大小作为评价标准,使得最终优化粒子受噪声方差影响减小,在量测模型精度高的场合中提高了滤波精度.理论分析及仿真结果表明,本文所提算法的滤波性能优于标准粒子滤波与粒子群优化粒子滤波算法.     

基于改进二阶粒子群算法的微电网群优化调度

分布式电源（distributed generators,DG）在电网中渗透率不断提高,微电网群（multi-microgrid,MMG）作为就地消纳DG的小型电力系统,能有效解决DG出力不确定性带来的问题。针对MMG优化调度问题,建立了基于运行经济性的协同优化调度模型。为提高模型求解的精度与速度,提出了一种改进的二阶振荡粒子群算法。该算法首先通过Logistic映射初始化种群,然后采用自适应动态方法改变惯性权重,并引入4个振荡变量增加粒子群的多样性,仿照微分方程根的特性确定振荡变量范围,使算法前期全局振荡收敛,后期局部渐近收敛。最后利用仿真案例验证了所提算法求解MMG协同优化调度模型的有效性。     

改进的协同粒子群优化算法

针对协同粒子群优化算法存在停滞,不能保证收敛到局部或全局最优值的问题,提出一种改进的协同粒子群优化算法(CCPSO-Hk),该算法将混沌理论引入协同粒子群算法(Chaos PSO)中,利用混沌运动的随机性、遍历性和规律性等改善了协同粒子群算法(Cooperate Particle Swarm Optimization)的性能.通过仿真验证算法的有效性.     

桁架优化的改进粒子群算法

为了解决带有应力约束和位移约束的桁架的尺寸优化问题,将一种新型智能优化算法--基于“综合学习策略”的粒子群算法（comprehensive learning parcle swarmoptimization,CLP-SO）应用于桁架结构的优化问题中．首先介绍了CLPSO算法的基本原理,给出了基于CLPSO算法的桁架结构优化设计的数学模型,并对经典桁架结构进行优化,将所得结果与其他优化算法结果进行了比较．分析结果表明了该方法进行结构优化设计的有效性．     

简化粒子群优化算法改进研究

简化粒子群优化算法（sPSO）去掉了PSO中的速度项,使算法性能有了显著提高。文章以该算法为基础,讨论了sPSO的改进方向,然后提出了惯性权值优化的简化粒子群优化算法（wsPSO）以及带极值扰动和惯性权值优化的简化粒子群优化算法（wtsPSO）,并通过实验验证了改进的有效性节。     

基于改进二进制粒子群算法的机组配对优化

以机组资源利用率最大作为优化目标进行机组配对研究,根据航班计划表构建航班连接网络图,基于深度优先搜索(DFS)算法产生初始配对结果,提出改进二进制粒子群优化算法(IBPSO)进行寻优.IBPSO引入指数型增长惩罚因子和基于余弦自适应惯性权重,种群进化前期采用无速度限制S形映射函数与强制性位置更新程序,后期采用正弦映射函数与非强制性位置更新程序.两组不同规模航班算例验证表明,IBPSO能克服原始算法收敛慢、迭代后期局部开发能力差的缺点,在维数增加时依然能有效提高算法寻优速度和解的质量.     

基于改进粒子群算法的配电网无功优化研究

采用改进粒子群算法对配电网进行无功优化,以IEEE14节点电力系统为例,建立粒子群算法的数学模型,引入线性递减惯性权重对粒子群算法进行改进,使用MATLAB软件进行仿真运算。比较两种算法对节点系统无功优化后的网损大小和收敛速度,验证采用研究方法的有效性和可行性。     

基于改进粒子群算法的配电网网架优化研究

配电网网架优化是一个多目标综合优化问题,粒子群算法因其易实现、收敛速度快等特点逐渐成为电力系统优化领域研究热点之一. 针对粒子群算法易陷于局部最优问题,提出一种基于聚类策略的改进粒子群算法,动态地将粒子聚类为三种级别的粒子并对应采用不同的学习模型更新速度,增强了粒子群体多样性和全局搜索能力. 通过算例仿真验证了算法在配电网网架优化问题上的可行性.     

基于改进粒子群优化算法的Web服务组合

针对现有的基于PSO的服务组合方法存在只能支持具体的工作流或仅包含顺序结构的工作流、仅使用迭代次数作为终止条件、未处理种群早熟或处理效果不是很理想等问题,提出了一种基于改进的粒子群优化算法的Web服务组合方法。它可支持包含顺序、并发与选择模式的工作流;向初始粒子中添加了少量通过局部优选策略生成的粒子;调整了认知系数和社会系数的设置方案;引入种群的多样性概念,提出了一种早期多样性修补机制以避免早熟;设定了一种提前终止迭代操作的条件。实验结果表明,该算法在寻优效果与时间开销上具有一定优势。     

基于改进粒子群算法的储能系统优化运行

针对储能系统运行经济性及储能电池运行损耗评估问题,建立计及电池损耗成本的储能系统运行收益优化模型;同时,针对标准粒子群算法全局寻优能力不足,罚函数难以选取等问题,提出一种双适应度混沌粒子群算法,采用该算法对电池损耗及储能系统收益情况进行优化计算,并与采用标准粒子群算法优化和未经运行优化所得结果进行对比分析。结果表明:储能电池损耗成本对系统收益影响明显,应建立合适的电池损耗模型进行评估计算;对储能系统进行运行优化后,合成负荷曲线方差减小,负荷峰、谷值削减,系统收益提高,损耗成本占比减小;通过与其他两种运行情况对比发现,双适应度混沌粒子群算法寻优所得储能系统运行收益值更高,储能系统经济性更佳。     

基于混合粒子群优化算法的改进Kriging插值法

在简单克里格插值的基础上,利用混合粒子群优化算法对变异函数的球型模型进行加权最小二乘拟合,提出了一种基于混合粒子群优化算法的改进Kriging插值法,实现了高精度的拟合,参数的全局寻优。基于黄土沟壑点云数据的实验结果表明,相较于普通克里格和遗传克里格插值法,改进算法插值精度有效提高了克里格插值精度。     

基于改进模拟退火粒子群算法的立体车库结构优化

立体车库可有效利用城市停车资源而得到快速发展,但结构重量较大,目前有关立体车库的优化方法多数采用简单的材料替换或常规优化算法,优化效果不明显且运算效率低。为此,在结合模拟退火算法和粒子群算法的基础上,加入动态惯性权重和变异算子,提出了一种改进的模拟退火粒子群算法。基于静力、风载、地震载荷工况,以立体车库轻量化为目标,采用改进的模拟退火粒子群算法对立体车库结构优化模型进行优化,结果显示,在保证刚度、强度性能的前提下,实现减重4.26%。与非改进算法相比,所提出的改进模拟退火粒子群算法得到了更佳的最优解,寻优能力加强。     

基于改进粒子群优化算法的贝叶斯网络结构学习

贝叶斯网络结构学习是数据挖掘和知识发现领域的重要研究技术之一,在网络结构的搜索空间较大的情况下,传统的二值粒子群优化算法往往存在收敛速度慢,容易陷入局部最优,学习精度较差的缺陷。在传统二值粒子群优化算法基础上,利用互信息限制粒子群算法的初始化,缩小算法的搜索空间,同时构建新的进化模型代替原有的进化公式,使得改进后的算法具有更强的寻优能力。采用ASIA网络作为仿真模型,并与原有算法比较,结果表明,改进算法能够在较少的迭代次数下找到较优的解,并且基本没有增加算法的复杂度。     

基于改进粒子群算法的动态无功优化研究

根据电力系统中负荷不断变化的情况,提出了动态无功优化的数学模型,并依据负荷曲线的变化特点进行智能分段。对粒子群算法进行改进,使其具有更好的收敛性和精确度,有效的避免了陷入局部最优解的情况。IEEE6节点系统算例分析表明,改进后的粒子群算法相比改进前的粒子群算法有明显的改善,能够减小系统网损。     

基于改进粒子群算法优化SVM的变压器故障诊断

为提高变压器的运行可靠性,提出一种基于核主成分分析（kernel principal component analysis,KPCA）和改进粒子群优化（improved particle swarm optimization,IPSO）算法优化支持向量机（support vector machines, SVM）参数的变压器故障诊断方法。首先建立变压器状态评估的基础指标体系,并采用KPCA对基础指标进行关键参量的提取,得到降维后的评价指标,然后将其输入SVM训练诊断模型,最后采用IPSO对SVM进行参数优化。仿真结果表明,该方法对变压器故障诊断的准确率达到95.42%,相比KPCA-PSO-SVM以及KPCA-SVM诊断模型,准确率有显著提升。