基于温差均匀性因子协进化的双层算法同步优化换热网络

针对同时存在整型变量和连续型变量的换热网络综合问题,提出一种双层优化方法。外层以换热网络的温差均匀性因子作为网络结构性能的评价指标,通过蒙特卡洛随机抽样技术产生试探结构,采用整型优化算法逐步进化外层结构;内层以最小年综合费用作为优化指标,采用动态更新子群的改进粒子群算法优化连续变量。优化结果表明,温差均匀性因子可以有效评价换热网络的结构性能,从而指导结构的进化;改进的粒子群算法具有更强的全局搜索能力,相关算例均找到了更优的网络设计,应用于工业生产实际,可以有效节约成本。     

基于动态拓扑结构的分布式Memetic差分进化算法同步综合换热网络

针对标准DE(差分进化)算法在优化换热网络时出现的局部搜索能力弱、易陷入局部最优等问题,本文建立了一种基于动态拓扑结构的分布式Memetic差分进化算法,同步综合换热网络。首先,在子种群内部采用基于欧拉距离的动态拓扑结构,子种群之间采用冯诺依曼拓扑结构,有效地加快了个体之间的信息交流,保持种群多样性,扩大搜索范围。继之,结合Memetic算法思想,将Hooke-Jeeves算法作为局部搜索策略,增强算法局部搜索能力。同时,对于局部搜索获得的新解,提出了一种协作学习机制,平衡算法的全局寻优与快速收敛能力。最后,为处理整型变量,提出了两条简单有效的整型变量优化策略,使算法实现了连续变量与整型变量的同步优化。选取两个经典算例验证了算法的有效性。算法应用于算例一,相对于现有文献的最优值,本文所得结构的费用值下降了1 783$/a,表明算法的性能优于标准DE算法以及其它改进版本的DE算法。算法应用于算例二,相对于现有文献的最优值,本文所得结构的费用值下降了1 209$/a,表明算法能够有效地处理大规模换热网络问题,具有很强的鲁棒性。     

采用结构进化增强策略的RWCE算法优化换热网络

针对于启发式算法应用于换热网络优化时,后期由于种群多样性消失或其他原因导致年综合费用难以进一步下降的问题,提出了一种结构进化增强策略。该策略在一般启发式算法的整型变量优化中,通过将换热单元的生成与消去分开处理,先以一定概率随机地在网络中生成若干换热单元,再在连续变量优化的过程中实现换热单元的消去,提升网络结构变异能力。最后,将该策略与强制进化随机游走算法(random walk algorithm with compulsive evolution,RWCE)相结合形成一种新的混合算法(ESE-RWCE)。算例研究表明,ESE-RWCE算法相比于RWCE算法实现了全局搜索性能的提升。     

基于改进粒子群文化算法的机组组合联合调度研究

摘要： 电力系统联合优化调度可以提高电网运行可靠性的同时提高经济和环境效益。电力系统联合优化调度主要依赖于优化算法。建立了包含火电、光伏储能的机组组合问题调度模型,并针对机组组合问题的优化求解,提出了改进的粒子群文化算法。通过个体进化和参数调整选择粒子全局最优位置,采用循环拥挤距离来控制非劣解集的大小,实现信度空间和种群空间之间的交互。最后,针对实际的电力系统,结合改进粒子群文化算法和分支定界法对火电电力系统、包含光伏电力系统和储能的机组组合问题进行求解。算例验证了该方法的有效性。     

一种用于AGC机组调配的混沌多Agent双重粒子群算法

AGC机组调配问题是一个含连续和离散变量的混合非线性优化问题,提出了一种基于混沌多Agent的双重粒子群算法。该算法以混沌和粒子群优化算法以及多Agent技术为基础,利用混沌映射提高初始种群的质量,引入临界算子增强Agent的多样性。在算法迭代中,每一个Agent通过与其随机配置的邻居竞争、合作,并且吸收了粒子群优化算法的进化机制,可以更稳定、快速地收敛到全局最优解。通过算例仿真结果表明,所提出的算法具有质量高的解、稳定性好的收敛特征和快的寻优速度。     

水文模型参数优选的改进粒子群算法参数分析

借鉴竞争演化和多种群混合进化的思想,对粒子群算法(PSO)进行改进,提出了序列主-从种群混合进化的粒子群算法(SMSE-PSO).鉴于优选水文模型参数算法的有效性与算法控制参数有关,为评价SMSE-PSO算法不同控制参数对优化性能的影响,结合水文模型参数优选的特点提出采用正交试验设计的方法分析.结果显示,正交法较好地识别了关键影响因素并提出可能的最优方案,SMSE-PSO算法能较好地应用于复杂多参数水文模型的参数识别研究中.     

基于文化粒子群算法的梯级水电站优化调度研究

针对PSO算法中的早熟收敛问题,提出一种文化粒子群算法(CPSO)并将PSO纳入文化算法模型作为群体空间的进化方式,引入一种局部随机搜索算子实现信念空间的知识结构并指导算法的演化过程,在保持种群多样性的同时提高算法的全局寻优性能.将CPSO应用于某梯级水电站的优化调度中,结果表明,CPSO可很好地兼顾计算速度及求解精度,为梯级水库优化调度提供了一条全新途径.     

改进粒子群算法在梯级水电站优化调度研究中的应用

针对梯级电站优化调度具有多阶段、非线性和组合性的特点,采用改进粒子群算法来求解。针对目前采用的基本粒子群算法在求解时存在易陷入局部最优和早熟的缺点,改进粒子群算法以混沌变量生成机制来增加种群的多样性,以逐步优化和随机生成相结合的方法生成初始种群,以增加粒子生成的有效性。实例计算结果表明,改进粒子群算法可以取得较好的效果,并为梯级电站优化调度提供了一种有效的方法。     

基于改进粒子群的水火电力系统发电调度

在标准粒子群优化算法中引入最差粒子和自适应惯性权重,使粒子随进化进度自适应调整飞行方向和速度,向其自身和种群最优位置收敛的同时背离二者的最差位置,且避免了算法过早收敛和限于局部最优.将改进后的粒子群优化算法用于求解水火电力系统发电调度问题,仿真结果表明该算法可行有效.     

基于差分粒子群优化算法的多机PSS参数优化

提出了一种新的进化计算方法--差分进化粒子群优化算法(DEPSO)进行多机电力系统稳定嚣(PSS)的参数优化.该方法以系统正常运行方式下的最小机电振荡模式阻尼比为目标函数,将PSS的参数优化问题等效为非线性、非解析、非突性的连续实域空问的函数优化问题.基于传统的差分进化策略,引入种群中的最优个体信息和方向信息,提出了一种全新的差分进化策略.仿真结果表明,该算法搜索空间广,收敛速度快,优化效果好.