粒子群算法在新安江模型参数优选中的应用

对粒子群算法进行了详细描述和分析,并将其应用于新安江模型的参数优选中.对于人工生成的理想水文资料,采用粒子群算法优化新安江模型,可以使全部参数收敛到真值;对于实测的水文资料,通过与单纯形混合加速遗传算法(SAGA)和单纯多边形进化算法(SCE-UA)进行比较,可以看出,粒子群算法全局收敛性能较好,计算效率和精度较高,是一种有效的新安江模型参数优选方法.     

含TCSC结合DCPF与改进BFA的最大静态电压稳定裕度计算

为了研究电力系统的静态电压稳定问题,提出以最大负荷裕度作为目标函数。基于动态连续潮流法(DCPF)作为潮流计算方法建立数学模型,解决了连续潮流中由于平衡节点的选择不同而使得负荷裕度差别较大的问题,结合细菌觅食算法(BFA)作为寻找最优控制变量组合的优化算法,将最优控制变量带入DCPF以求取最大负荷裕度,并在网络中加入TCSC作为阻抗补偿装置,通过控制无功功率分布以达到改善静态电压稳定的目的。以灵敏度参考,通过对TCSC安装位置寻址以提高负荷裕度,并通过对BFA的改进以改善算法的优化速度与精度。应用该计算方法、研究策略,以IEEE 14节点为例,对最大静态电压稳定裕度进行求解,以验证网络中在安装有TCSC的前提下,结合DCPF与改进BFA对静态电压稳定裕度的改善有效、可行。     

粒子群优化算法在求解平面选址问题中的应用研究

平面选址问题实质上是带约束的非线性连续函数优化问题。给出了用粒子群优化算法求解平面选址问题的过程描述,分析了算法的时间复杂度。该算法具有易克服局部最优和容易处理约束等优点,不需要进行特殊的编码和译码设计,算法实现简单。应用算例表明该算法是有效的,可以应用于类似优化问题的求解。     

新型混合粒子群算法在核动力设备优化设计中的应用

针对标准粒子群算法在处理非线性约束优化问题时存在收敛速度慢、精度低和易陷入局部最优的缺点,设计了一种新型混合粒子群算法,该算法采用可行性原则处理约束条件,避免惩罚函数法中惩罚因子选取的困难;引入基本复合形法产生初始可行群体,加快粒子群收敛速度;引入遗传算法的交叉和变异策略,避免粒子群陷入局部最优;在迭代末期的优解附近,进行改进复合形算法的寻优,提高最优解的精度.通过算法测试基准函数的优化计算,结果显示,新型混合粒子群算法有较好的优化性能,并在核动力设备优化设计中有很好的应用.     

量子粒子群算法在结构模态参数识别中的应用

量子粒子群算法作为粒子群算法的改进,具有参数少、好编程、易收敛等优势而备受关注.通过将由结构输入、输出数据计算而得的实测频响函数与包含所需识别的结构模态参数的理论频响函数之差最小化作为优化目标,经过对理论频响函数中的结构模态参数搜索取值而使目标函数最小,此过程将结构模态参数识别问题转化为优化问题.采用量子粒子群算法进行优化而得到结构模态参数.为验证该方法的有效性,对一数值模拟的三层混凝土框架结构进行分析,结果表明,量子粒子群可以有效地识别结构模态参数.     

基于粒子群算法的火电厂机组负荷优化分配

通过研究粒子群(PSO)优化算法的基本原理,分析了该算法中各个参数的不同取值对算法搜索能力和收敛速度的影响,并将PSO优化算法应用于电厂机组负荷优化分配问题的研究。通过在3台机组系统的应用,验证表明较之遗传算法等传统优化算法,PSO优化算法在优化结果、搜索区间控制以及收敛速度等方面具有较好的特性,能更好地达到或接近全局最优解。     

混沌微粒群优化算法及其在非线性函数参数估计中的应用

混沌微粒群优化算法是在微粒群优化算法的基础上引入混沌思想,提高算法的局部搜索能力,具有良好的性能.主要介绍微粒群算法的原理以及混沌优化思想,最后结合求解平面度误差证明混沌微粒群算法在非线性函数参数估计中的有效性及应用前景.     

基于细菌趋化的改进粒子群算法在无功优化中的应用

粒子群算法在电力系统无功优化中已经得到了广泛的应用,但是传统粒子群算法易陷入局部最优、后期多样性差,得不到最优解。在原有无功优化数学模型的基础上,引入了基于细菌趋化的粒子群改进算法。通过算例表明,该算法可以有效地克服以上缺点,优化计算结果。     

基于细菌趋化的改进粒子群算法在电力系统无功优化中的应用

传统粒子群算法易陷入局部最优、后期多样性差,得不到最优解.在原有无功优化数学模型的基础上,引入了基于细菌趋化的粒子群改进算法.通过算例表明,该算法可以有效克服传统粒子群算法的缺点,优化计算结果.     

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.     

改进粒子群算法及其在电力变压器优化设计中的应用

针对基本粒子群算法易陷入局部最优解的缺陷,本文提出了一种带有惩罚量的改进粒子群算法。用标准测试函数对改进算法做了仿真分析,结果表明改进算法在寻优精度和收敛性能上均有所提高。将改进算法应用于电力变压器SF9—630／10的优化设计中,分析了优化变量和约束条件的选取,建立了带有惩罚函数的优化设计目标函数,给出了改进粒子群算法的具体实施方法。将传统计算数据与优化数据做了对比,证明了该方法的正确性和有效性。     

微粒群算法在结构优化设计中的应用

结构优化设计对于实际工程具有重要的意义．通过对现有优化方法进行分析。将微粒群算法应用到结构优化设计中,提出了结构优化设计的微粒群算法,并建立了相应的优化模型．介绍了微粒群算法的基本思想、结构优化微粒群模型及其实施的具体步骤,最后通过一个算例验证了该方法的效率和有效性．结果表明该方法科学可行,具有很好的应用前景．     

微粒群算法在结构优化设计中的应用

结构优化设计对于实际工程具有重要的意义.通过对现有优化方法进行分析,将微粒群算法应用到结构优化设计中,提出了结构优化设计的微粒群算法,并建立了相应的优化模型.介绍了微粒群算法的基本思想、结构优化微粒群模型及其实施的具体步骤,最后通过一个算例验证了该方法的效率和有效性.结果表明该方法科学可行,具有很好的应用前景.     

改进的输出误差法用于不稳定飞机参数辨识

为解决输出误差法在不稳定飞机参数辨识过程中的数值发散问题以及初值依赖问题,设计了一种结合神经网络、粒子群优化算法以及Levenberg-Marquardt算法的系统辨识方法。首先,为解决输出误差法的数值发散问题,以神经网络拟合待辨识系统的动力学特性。不同时刻的飞行试验数据用于训练神经网络,训练好的网络可以直接对下一时刻的运动状态进行预测,从而避免对不稳定运动方程的求解。其次,基于粒子群优化算法搜索Levenberg-Marquardt算法中的最佳阻尼因子,并以改进的LM算法替代输出误差法中的高斯-牛顿算法。接下来,改进的LM算法与训练好的神经网络结合得到了一种新的参数辨识算法。最后,基于不稳定飞机的闭环仿真飞行试验数据对提出的算法进行了验证。研究结果表明:与传统的最小二乘法和人工稳定的输出误差法的估计结果相比,所采用的算法具有更高的估计精度;同时,所提出的算法中可以随机选取待辨识参数的初值,克服了输出误差法对参数初值的依赖。本文的研究成果可以直接用于其他不稳定非线性动力学系统辨识领域,经过修改后还可以用于其他非线性优化领域。     

基于PSO-PF算法的SVM识别方法 及其在异常声音中的应用

针对异常声音识别率低和算法复杂度高等技术难题,提出了一种基于粒子群优化粒子滤波（PSO-PF）算法优化支持向量机（SVM）的识别方法.将PSO算法引入粒子滤波中,通过不断更新粒子速度和位置,使粒子群向高似然后验概率区域移动,提高粒子滤波的参数估计精度.将PSO-PF算法应用于SVM参数优化中,可解决现有SVM参数优化算法易陷入局部最优值等问题.实验结果表明,将所提方法应用于多类异常声音识别,能够有效提高识别率,降低算法复杂度.     

基于改进PSO-BP网络的配电网故障选线与测距

针对人工智能算法在解决配电网故障选线和测距问题时容易陷入局部最优解并难以满足精确性和鲁棒性要求的问题,提出了一种基于改进粒子群优化神经网络的配电网故障选线与测距算法.该算法结合混沌优化算法和粒子群优化算法得到收敛能力更强的粒子群优化算法,通过提取配电网的零序电压与电流的暂态及稳态特征来构成特征向量,并分别使用训练集训练改进粒子群优化神经网络算法,从而能更精确地预测配电网的故障线路及其距离.仿真测试结果表明,所提出的算法能获得更精确的选线和测距结果,具有一定的实用性.     

混合有源电力滤波器中无源滤波器多目标优化设计

对粒子群优化算法进行改进,引入异步时变加速系数和线性时变权重系数,提出一种改进型粒子群优化算法。将无源滤波器的滤波效果、无功补偿容量及初期投资作为优化目标,利用改进型粒子群优化算法对混合有源电力滤波器中无源滤波器参数进行优化设计。仿真验证了理论分析和设计的正确性,相关设计方法可为其它类型的混合有源滤波器中无源滤波器的优化设计提供参考。     

考虑源荷不确定性的光伏发电系统优化调度策略

由于可再生能源发电自身存在的高度间歇性、波动性和随机性特点,考虑光照辐射、温度等天气因素影响,制定满足经济性与可靠性要求的微网优化调度策略值得深入研究。该文首先构建考虑源荷不确定性的光伏发电系统经济调度模型,定义平均调整成本;其次,综合运用基于粒子群算法的调度和基于两点估计的概率性实时最优潮流,生成日前调度的示例场景,并评估实时平均调整成本以实现系统最优化运行;最后,基于IEEE30节点系统的仿真结果验证所提调度策略的有效性和可行性。     

一种基于神经网络和参数优化的隐式广义预测控制

提出一种基于神经网络和参数优化的预测控制方法。首先利用带有动量项的改进BP神经网络辨识系统模型,在辨识过程中使用粒子群算法(PSO)对改进BP网络的初始权值/偏置、学习率、动量系数等辨识参数进行学习优化,解决这些参数的取值问题;然后将辨识得到的模型用于隐式广义预测自校正控制中,使用遗传算法(GA)对控制过程进行优化,寻找最优的控制参数(预测时域、控制时域、控制加权系数、柔化系数)。将该方法应用在热工系统中,仿真结果表明了方法的有效性。     

并联式混合动力装载机的参数匹配

为提高混合动力装载机的节能效果,提出了一种针对并联式混合动力装载机动力系统参数匹配的方法。分析了混合动力装载机系统结构、工况特点及控制策略,提出了优化目标函数及约束函数。对某5t混合动力装载机的主要元件进行了参数匹配,在此基础上利用粒子群优化算法对传动系统参数进行了优化。仿真研究结果表明:参数匹配后系统装机功率和油耗降低、效率提高。经优化后的系统油耗更低。