基于改进鲸鱼算法考虑尾流效应的风电场优化控制

对于考虑尾流效应的风电场控制模型往往存在高维数、非线性、多参数耦合,传统寻优算法难以满足控制需求问题,因此引入一种适用于解决大规模复杂问题的鲸鱼优化算法(WOA)。针对算法迭代后期收敛速度慢,最优个体易局部聚集问题,通过立体混沌映射提高种群多样性,并提出一种新的收敛因子更新公式来协调算法全局探索与局部开发能力,最后引入改进混合蛙跳算法中最差蛙位置改变策略增强算法跳出局部最优能力。仿真对比5种算法求解风电场最优输出功率,结果证明所提算法具有更好的收敛速度与精度,可为考虑尾流效应的风电场功率输出优化控制研究提供借鉴。     

改进微粒群优化算法在水库防洪调度中的应用

微粒群算法(PSO)是一种新颖的智能计算优化方法,具有全局寻优、收敛速度快等优点。针对标准PSO搜索精度不高和易陷入局部最优的缺点,提出了一种在速度进化方程中引进收敛因子的方法,改进了标准微粒群算法的收敛性。将改进的微粒群优化算法用于水库优化调度计算,结果表明,改进的PSO计算结果合理、有效,可作为水库防洪优化调度的一种新方法。     

改进粒子群优化算法在水库优化调度中的应用

为解决粒子群优化算法寻优过程中易出现种群趋同化而导致早熟收敛的问题,引入粒子群的进化速度和种群多样性适应度方差两个因素,构建了自适应的动态的惯性因子取值机制,并讨论了惯性因子的收敛性及参数的独立性,从而改进了传统粒子群优化算法的惯性因子线性取值机制。将改进的粒子群优化算法应用于某水库的优化调度中,验证了该算法能以较快的速度收敛得到全局极值,克服了易陷入局部最优的缺点,为水库优化调度问题提供了一条新途径。     

混合粒子群算法在水库中长期发电优化调度中的应用

针对传统粒子群算法(PSO)早熟收敛、局部搜索能力不足等问题,提出一种混合粒子群算法(HPSO)求解水库优化调度问题。该算法引入混沌思想的遍历性特点生成初始解,提高初始种群质量;采用自适应惯性权重法平衡个体搜索行为,避免陷入局部最优。百色水库中长期发电优化调度实例研究表明,HPSO比PSO有更好的收敛性和优化结果,同时计算时间较传统动态规划方法大幅缩减,且优化结果相近,是一种水库优化调度可供选择的计算方法。     

基于改进蝙蝠算法的梯级水库发电优化调度

针对梯级水库优化调度高维度、多约束以及非线性优化的特点,将自适应权重以及连续禁忌搜索算法引入标准蝙蝠算法,改善标准蝙蝠算法在水库优化调度应用中出现的早熟收敛且陷入局部最优的问题:一方面利用自适应权重避免因更新步长机制导致寻优能力不足的问题;另一方面利用连续禁忌搜索算法避免因种群多样性差导致陷入局部最优的问题。案例分析结果表明,改进蝙蝠算法能有效运用于水库发电优化调度中,并且与标准蝙蝠算法相比,具有更强全局寻优能力、更高的运行效率,得到的运行调度结果更优。     

鲸鱼优化算法在水库优化调度中的应用

为验证鲸鱼优化算法在水库优化调度求解中的可行性和有效性,采用4个典型测试函数对鲸鱼优化算法进行仿真验证,并与布谷鸟搜索算法、差分进化算法、混合蛙跳算法、粒子群优化算法、萤火虫算法和SCE-UA算法共6种算法的仿真结果进行对比分析;将鲸鱼优化算法与6种对比算法应用于某单一水库和某梯级水库中长期优化调度求解。结果表明:鲸鱼优化算法寻优精度高于其他6种算法8个数量级以上,具有收敛速度快、收敛精度高和极值寻优能力强等特点;鲸鱼优化算法单一水库和梯级水库优化调度结果均优于其他6种算法;鲸鱼优化算法应用于水库优化调度求解是可行和有效的。     

改进RBF神经网络法在大坝位移分析中的应用

针对RBF神经网络容易出现局部最优解和收敛速度慢的问题,提出引入惯性权重来改进混合蛙跳算法,继而用改进方法优化RBF神经网络。改进的混合蛙跳算法通过设定一个合理的初始权重,从而达到修正青蛙群体的更新策略、跳出局部最优解、避免早熟的目的,同时具有平衡全局搜索和局部搜索的能力,很好地解决了传统RBF神经网络局部最优和收敛速度慢的问题。以某大坝位移分析为例,采用基于改进蛙跳算法的RBF神经网络后,模型预测精度有了较大的提高,与工程实际更为接近,具有一定的工程实用价值。     

基于自适应混合蛙跳算法的水库调度研究

针对传统混合蛙跳算法存在的问题,对SFLA的局部搜索策略进行改进,提出一种结合自适应局部搜索机制的改进混合蛙跳算法(MSFLA),并应用于水库优化调度研究中。通过将MSFLA与SFLA、DP对比,优化结果证明MSFLA在求解非线性、高维的水库优化调度问题中具有较好的有效性与优越性。     

改进风驱动优化算法在水库调度中的应用

风驱动算法是一种新兴的基于群体迭代启发式的全局优化算法,与遗传算法、布谷鸟算法等相比,具有明确的物理背景,但该算法避免不了易陷入早熟和收敛效率慢的问题。针对早熟,本文提出了扰动策略,对当前最优适应度值对应的任一元素进行扰动,且随着迭代次数的增加,扰动量逐渐减少。针对收敛效率不高,提出了空间压缩策略,采用奇偶相间的方式,通过计算约束更新解的上下限以保证该解是可行解。将改进的风驱动优化算法运用到某水库的优化调度中,并与粒子群算法和标准风驱动算法进行比较。结果表明改进的风驱动优化算法更为可靠、高效,能以较快速度收敛于最优解,且最优解值更大,为水库优化调度模型求解提出新的解决方案。     

混沌差分进化算法在水库优化调度中的应用研究

针对差分进化算法在求解水库调度等复杂优化问题时,算法初始种群的随机性导致其在解空间中的代表性不足,算法的贪婪选择策略又极易导致种群迅速趋同而"早熟"收敛。提出初始种群的混沌生成策略,利用混沌因子的遍历性提高算法初始种群的代表性。同时,以动态概率接受适应值较差的个体作为子代个体参与进化,从而提高算法跳出局部最优解的能力。将改进的差分进化算法模拟乌江梯级电站优化调度问题,模拟计算结果表明,改进的差分进化算法具有较高全局搜索能力,大幅提高了求解的精度,适合求解水库优化调度等问题。     

Research and Application of Parallel Normal Cloud Mutation Shuffled Frog Leaping Algorithm in Cascade Reservoirs Optimal Operation

In order to improve the premature convergence problem of traditional shuffled frog leaping algorithm (SFLA), this paper proposed a normal cloud mutation shuffled frog leaping algorithm (NCM-SFLA) by mixing the cloud model algorithm (NCM) with SFLA algorithm, NCM is used to overcome the shortage of SFLA which is easy to fall into local optimal solution. The proposed NCM-SFLA has a good parallel characteristic, and the parallel computing can be implemented easily in multi core environment. In case study, this paper takes the Li Xianjiang cascade reservoirs in China as an instance to solve the cascade reservoirs operation optimization problem by the proposed NCM-SFLA. The results show that, compared with the Multi- dimensional Dynamic Programming (MDP), NCM-SFLA has the better global search ability and faster convergence speed, and the corresponding parallel computing can effectively shorten the run-time of NCM-SFLA. Therefore, the feasibility and rationality of the proposed NCM-SFLA and its parallel computing are effectively proved by the case study results.     

基于混合粒子群算法的梯级水电站多目标优化调度

提出多目标混合粒子群算法以解决梯级水电站多目标联合优化调度模型求解的难题。该算法采用混合蛙跳算法的分组－混合循化优化框架,增强算法全局搜索能力,在族群内通过粒子群算法高效灵活的飞行调整策略指导个体进化,同时,引入外部精英集,建立一种基于自适应小生境的外部精英集维护策略,提高算法的收敛性和非劣解集的多样性。最后将该算法应用于三峡梯级水电站多目标优化调度工程应用实例,结果表明,本文算法能够获得计算实时性强、分布均匀、收敛性好的调度方案集,并以此分析明确了调度目标间的耦合关系,为梯级电站的多目标调度决策提供了科学依据。     

Multi-Objective Differential Evolution-Chaos Shuffled Frog Leaping Algorithm for Water Resources System Optimization

A multi-objective differential evolution-chaos shuffled frog leaping algorithm (MODE-CSFLA) is proposed for water resources system optimization to overcome the shortcomings of easily falling into local minima and premature convergence in SFLA. The performance of MODE-CSFLA in solving benchmark problems is compared with that of non-dominated sorting genetic algorithm II (NSGA-II) and multi-objective particle swarm optimization (MOPSO). At last, the proposed MODE-CSFLA is used to optimize the water resources allocation plan of the East Route of the South-to-North Water Transfer Project in the normal, dry, and extremely dry years. The results reveal that MODE-CSFLA performs better than NSGA-II and MOPSO under all conditions. Compared with shuffled frog leaping algorithm (SFLA), MODE-CSFLA can result in a 29.39, 27.47 and 22.55% increase in water supply when the single objective is to minimize the water pumpage; and a 41.01, 39.63 and 30.94% decrease in total pumpage when the single objective is to maximize the water supply in the normal, dry, and extremely dry conditions, respectively. Thus, MODE-CSFLA has the potential to be used for solving complex optimization problems of water resources systems.     

改进差分进化算法在水库优化调度中的应用研究

差分进化算法在求解水库优化调度时,进化后期种群多样性急剧下降,导致算法无法跳出局部最优解而出现“早熟”收敛。针对该问题,该文对算法的贪婪选择策略进行改进,使其以一定的概率动态接受稍差解作为子代个体,从而提高算法的种群多样性;同时,提出种群基因重生策略,进一步改善种群进化的基因信息结构。将改进的差分进化算法应用于清江梯级发电调度问题,并与差分进化算法、模拟退火算法求解结果进行对比。模拟结果表明,改进算法具有更强的全局搜索能力,求解梯级水库优化调度问题更具有优势。     

混凝土坝变形组合预报模型的蛙跳建模方法

混凝土坝变形的影响因素多而复杂,监测数据包含大量的不确定性信息,因此依据多种建模方法建立的各单一模型的预报效果各不相同.组合模型能够弥补单一模型的局限性,如何在建模过程中使权重系数实时反映单一模型对监测信息的变化,是组合模型建模的关键.从优化极值角度考虑各单一模型中未知量与权重系数之间的相互性,利用蛙跳算法(SFLA)的分布式全局优化性能同步确定其值,提出相应的蛙跳优化建模方法.混凝土坝变形长期监测资料的应用表明,该方法具有良好的预报效果,简化了组合模型的确定过程,提高了模型的预报能力,为混凝土坝变形预报分析提供了新的计算方法.     

基于并行混沌量子粒子群算法的梯级水库群防洪优化调度研究

梯级水库群防洪优化调度问题规模庞大、结构复杂,涉及大量的决策变量和复杂的约束条件,各水库、各时段之间的水位、流量存在复杂的耦合关系,呈现出高维度、非线性、强约束特性,传统的优化方法难以直接求解或者计算效率低,存在早熟收敛问题。研究工作试图将量子粒子群算法(QPSO)引入到水库群防洪优化调度问题中,为了提高算法的全局搜索能力和收敛性能,对标准QPSO做了改进,包括利用混沌思想初始化种群、自适应激活机制和精英粒子混沌局部搜索策略3个方面,并引入多核并行计算技术以降低计算时间,提出了并行混沌量子粒子群算法(PCQPSO),函数测试证明了PCQPSO的可行性、稳定性和高效性。将PCQPSO应用到水库群防洪优化调度问题中,与POA、QPSO进行对比分析,结果表明PCQPSO收敛效率快、求解精度高,为解决梯级水库群防洪优化调度问题提供了一种有效的新思路。     

多组群教学优化算法-神经网络-支持向量机组合模型在径流预测中的应用

采用5个标准测试函数对多组群教学优化(MGTLO)算法进行仿真验证,并将仿真结果与基本教学优化(TLBO)算法、混合蛙跳算法(SFLA)、差分进化(DE)算法和粒子群优化(PSO)算法的仿真结果进行对比。利用MGTLO算法搜寻基于广义回归神经网络(GRNN)、径向基神经网络(RBF)、支持向量机(SVM)模型单元的组合模型的最佳模型参数和组合权重系数,提出MGTLO-GRNN-RBF、MGTLO-GRNN-SVM、MGTLO-RBF-SVM、MGTLO-GRNN-RBF-SVM 4种组合预测模型,以新疆伊犁河雅马渡水文站和云南省某水文站年径流量预测为例进行了实例分析,并将预测结果与MGTLO-GRNN、MGTLO-RBF、MGTLO-SVM和GRNN、RBF、SVM 6种单一模型的结果进行对比分析。结果表明:MGTLO算法寻优精度优于TLBO、SFLA、DE和PSO算法,具有较好的收敛速度和全局极值寻优能力;组合模型融合了MGTLO算法与GRNN、RBF、SVM模型单元的优点,在预测精度、泛化能力等方面均优于单一模型;MGTLO算法能有效优化各组合模型的相关参数和权重系数,MGTLO-GRNN-RBF-SVM模型预测精度最高。     

梯级水库群优化调度精英集聚蛛群优化方法

将蛛群优化方法(SSO)这一新型群体智能寻优方法引入梯级水库群优化调度领域,并提出精英集聚蛛群优化方法(ESSO)进一步改善SSO的性能表现。ESSO在标准SSO方法寻优机制基础上,从精英个体动态更新策略与邻域变异搜索机制等两方面予以改进,提升蜘蛛群体的多样性与优秀个体领导能力,均衡方法的全局开采能力与局部勘探能力。澜沧江流域工程实例表明,所提ESSO方法能有效克服标准SSO的"早熟"缺陷,有效提升方法的搜索能力,可望为大规模梯级水库群优化调度提供一种新的高效求解思路。