基于粒子群优化算法的能源需求预测

鉴于能源系统是一个复杂的非线性系统,故本文引入解决非线性及高维模式问题具有较高精度的粒子群优化算法(PSO),以各影响因素标准化值作为输入变量,建立了基于PSO的线性和指数两种形式的能源需求预测模型.对我国2000-2011年能源需求量进行模拟与仿真,得到两模型预测精度分别为0.824%和0.568%,证明指数预测模型具有较高的精确度.并利用PSO指数模型对我国2015年能源需求量进行预测,得出在未来几年能源需求量将以平均每年7.48%左右的速度增长.     

基于双种群的动态交换策略的粒子群优化算法

提出了一种基于双种群的动态交换策略的粒子群优化算法.该算法将初始种群划分为两个子群P1和P2,而P1和P2遵循不同的寻优机制,然后通过对个体极值(pBest)和全局极值(gBest)的选取进行调整,并在迭代过程中动态的交换两个子群的个体,从而能够更好的完成多目标优化算法对于Pareto front 的搜索和逼近.通过对标准测试函数的实验,证明了该算法的可行性和有效性.     

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。     

舰船通道布局优化模型及其粒子群算法

舰船通道有机的连接着舰船所有舱室,合理的布局可以提升舰船各个子系统的效能。利用设备布局理论与方法建立舰船通道布局优化多目标模型,选取战斗状态、损管状态、应急逃生状态和补给保障状态等4种状态下的人流物流成本最小为目标函数,基于计入权重的最小偏差法建立统一的目标函数,采用改进的粒子群算法对舰船通道布局优化模型进行求解。人流物流起止点之间最短距离的计算采用图论中的Floyd算法。最后给出一个舰船通道布局算例,验证了舰船通道布局优化模型的合理性,以及改进粒子群算法是一种求解舰船通道布局最优化问题的有效算法。     

基于粒子群优化的混合宇宙大爆炸算法

宇宙大爆炸算法(Big Bang-Big Crunch,BB-BC)思想来源于宇宙大爆炸和大收缩理论.针对其在高维函数的寻优过程中,随迭代次数增加,爆炸生成的碎片解收缩速度慢,多样性快速减弱,质量变差,容易陷入局部最优解的缺点,提出一种混合型BB-BC算法(HBB-BC).首先,将质心代入当代解中作为奇点解进行改进,提高算法收缩速度;其次,结合粒子群优化的路径优化,提高碎片解的质量;最后,引入宇宙大撕裂理论增加大爆炸阶段碎片解的多样性和跳出局部最优解的能力.通过9个新型测试函数进行测试,测试结果显示,HBB-BC算法在高维函数的寻优性能上更优于BB-BC算法和另一种改进的均匀大爆炸混沌大收缩(UBB-CBC)算法.     

基于粒子群优化算法的海浪方向谱估计

为解决当前测量设备在估计海浪方向谱方面存在的易损坏、易丢失且费用昂贵等问题,利用船舶运动响应数据通过参数化方法对海浪方向谱进行估计,并提出粒子群优化算法对八参数海浪方向谱模型进行参数整定,该方法只需要简单的测量设备和硬件即可完成方向谱的估计工作.最后利用实船数学模型对2种海况情况进行了仿真验证,仿真结果表明该方法可以精确地估计出海浪方向谱.     

基于反馈策略的自适应粒子群优化算法

为了克服常规粒子群优化（SPSO）算法在多峰函数寻优应用中容易出现早熟的缺点，提出了一种基于反馈策略的自适应粒子群优化（APSO）算法.考虑到进化过程中群体多样性损失过快，采用种群分布熵和平均粒距两个种群多样性参数，来均衡算法的勘探和开发能力.基于惯性权值随种群多样性变化而变化的动态分析，建立了惯性权值与平均粒距之间的线性函数关系，并将该函数关系融入到APSO算法中.测试结果表明，与常规粒子群优化算法相比，该算法在多峰函数寻优时，成功率和精确度都有显著提高，且全局收敛速度快；在求解异或（XOR）分类问题时成功概率提高，收敛速度加快，APSO算法对神经网络的训练更加有效.     

基于粒子群算法的地铁列车节能运行优化

针对降低轨道交通运行能耗的问题,提出基于粒子群算法的地铁列车节能运行两阶段双层优化方法。首先依据列车行车组织的特点,建立列车运行调整模型,在第一阶段利用粒子群算法全面搜索列车最优节能驾驶曲线,即在符合运行时间约束的前提下获得最优运行曲线;第二阶段为时刻表运行时间优化,利用第一阶段所获得的优化结果,生成各区间的能耗-时间曲线,进而优化列车时刻表。采用某地铁2号线数据对此方法进行测试。测试结果表明:本优化算法对实际线路中列车的节能运行以及时刻表的制定与优化具有良好效果。     

基于策略模式的粒子群优化算法平台设计

为了扩大粒子群优化算法的应用范围和增强它的影响力,从软件重用的角度出发,考虑到算法流程的共性和个性,设计了一种基于策略模式的粒子群优化算法平台,此平台包含了基本的粒子群优化算法和经典的改进算法,可以解决连续优化和二进制组合优化问题.一系列的粒子群优化算法和优化问题被分别封装到相应的算法策略类和问题策略类中,这些类继承自一个具有统一接口的抽象基类.因此,该平台非常适合于粒子群优化算法的理论和应用研究,且易于维护和扩充.     

计及用户满意度的蓄热式电采暖与风电互动运行优化策略

随着“双碳”战略目标的提出,要求进一步推进以风、光为主体的清洁能源大规模接入电网。为提升电网风电消纳能力,减少弃风现象,提出计及用户满意度的蓄热式电采暖与风电互动优化运行模型。首先,分析蓄热式电采暖设备参与风电消纳的运行机理;然后,在综合考虑风电消纳、经济性以及用户满意度等方面的优化需求后,建立蓄热式电采暖与风电联合运行的多目标优化模型,并采用一种基于灰色关联分析与改进混沌粒子群算法的电网优化运行模型求解方法;最后,基于某电网数据仿真,提出满足系统优化运行需求的方案。算例结果表明：模型可有效地增加风电消纳能力,减少设备运行成本,满足用户对温度的舒适体验,为未来的蓄热式电采暖以及风电的投资提供决策支持。     

一种改进的粒子群优化算法在智能组卷系统中的应用

本文提出了一种改进的粒子群优化算法,并将其应用于智能组卷系统。设计智能组卷算法的数学软件模型,并且改进传统的粒子群优化算法惯性权重为非线性形式。为了验证这一算法,进行了计算研究。结果证实,此算法能够成功应用于智能组卷,组卷成功率高于遗传算法和传统的粒子群优化算法。     

基于粒子群优化算法的社交网络可视化

为了使用户快捷、清晰地发现及研究微博用户之间的关系,提出基于粒子群优化(PSO)算法的微博数据可视化方法.根据用户在微博中的影响力将用户分为n层,以此来表示用户在网络中对信息的传播影响力的等级.基于数据的关联关系对数据进行子群划分;基于粒子群优化算法,设计目标函数,使粒子群优化算法适应社交网络的布局要求.为了进一步增强可视化效果,降低视觉复杂度,采用曲线代替直线,应用传输函数设置不透明度以及交互的可视化技术.实验结果表明,该方法可以形成清晰的可视化结果,以便更好地分析微博用户之间的关系.     

基于压缩粒子群算法的水雷策略优化研究

为研究目标水域内有限水雷数目的雷阵封锁概率问题,本文运用粒子群优化算法对水雷布阵策略进行优化,建立了计入水雷布放特性的雷阵封锁概率数学模型,验证了数学模型的有效性。针对有限目标水域,为优化布雷数量,采用带压缩因子的粒子群优化算法(CFPSO)对水雷发射坐标进行优化。研究结果表明:目标舰船以均匀概率方式通过雷阵时,采用CFPSO算法优化后的水雷布设方式相比2种传统布设方式均能提高雷阵的封锁概率;针对单艘目标舰船,基于CFPSO算法优化后雷阵仅需7枚水雷即可达到期望封锁概率0. 6,其水雷利用率较均匀布设方式提升12. 5%;而针对3艘舰船编队,基于CFPSO算法优化后雷阵需要30枚水雷即达到封锁概率,其水雷利用率较均匀布设方式提升14. 3%。     

基于粒子群优化算法的功率倒置阵列

针对功率倒置阵列采用最小均方(LMS)算法不能兼顾收敛速度和稳态误差的问题,以及采用递归最小二乘(RLS)算法运算量增大,实现复杂等缺点,提出采用时变适用度函数的粒子群优化(PSO)算法．通过引入可变的惯性因子、可变的最大速度、选择机制等操作,自适应调整阵列权系数来寻找最优权值．将此算法应用于功率倒置阵列中能有效地生成零陷抑制干扰．     

基于粒子群算法的温度模型优化

粒子群算法是一种新出现的进化算法，相对其它进化算法，它收敛速度快、规则简单、编程易于实现。现实的优化问题一般要求在指定的范围内求解，即要满足域约束。而目前在粒子群的约束优化问题上面研究较少。本文对粒子群算法的种群初始化进行了改进，在指定范围内进行初始化；并且提出了一种解决域约束问题的方法。该方法在优化温度模型的应用中取得了比较好的效果。     

基于粒子群优化算法的小波神经网络

针对粒子群算法具有不易陷入局部极小、收敛速度快等特点,提出了一种基于粒子群的小波神经网络学习算法,优化了小波神经网络中的各个参数,并将该方法应用于函数仿真试验。试验表明,该算法能减少迭代次数、提高收敛精度,是小波网络的有效训练算法。     

基于粒子群优化算法的智能抽题策略研究

通过对智能抽题策略研究,建立了智能抽题数学模型,提出用于评价抽题效果的评价指标及其获取方法;在此基础上,考虑智能组卷过程对试卷质量的高要求以及优化参数的表示形式,文中将粒子群优化算法运用于智能抽题优化模型的求解中,取得了较好的效果.为证明该方法的有效性和优越性,与采用相同二进制编码方式的遗传算法进行比较,通过二者的适应度演变图可以表明粒子群算法(Particle Swarm Optimization,PSO)算法可以较早地达到目标的最优分配,在运行时间及抽卷优化结果上明显优于遗传算法(Genetic Algorithm,GA),能更好地适应智能抽题策略的要求.     

基于混沌思想的粒子群优化算法

为克服粒子群优化算法容易陷入局部最优的缺点，根据混沌运动的随机性、遍历性特点，提出一种基于混沌思想的粒子群优化算法（CPSO）、该算法利用种群适应度方差进行早熟收敛判断，实现对进化过程的监视，当发现种群陷入局部最优时，对种群进行混沌初始化，帮助种群摆脱局部最优点．对4种典型测试函数的仿真结果表明，改进算法明显减少了种群陷入局部最优的可能性．其全局寻优能力明显强于标准粒子群优化算法．     

基于混沌搜索的混和粒子群优化算法

所提出的算法将粒子群优化算法和混沌算法相结合，既摆脱了算法搜索后期易陷入局部极值点的缺点，同时又保持了前期搜索的快速性，最后通过4个测试函数将该算法与基本粒子群算法进行仿真对比，比较结果表明基于混沌搜索的混和粒子群优化算法在收敛性和稳定性等方面明显优于基本粒子群优化算法．