基于粒子群和声搜索混合算法的多模态函数优化

和声搜索算法是一种启发式全局搜索算法,概念简单、参数少、易于实施,加强了鲁棒性和基础搜索机制的灵活性。针对粒子群算法和和声搜索算法各自的特点提出了一种新的搜索算法———粒子群和声搜索混合算法(PSO-IHS)。新算法将和声搜索算法的和声库初始解通过粒子群(PSO)算法进行改进产生,同时对和声搜索算法的算法参数和每次迭代产生的新解个数也作了改进,并分别用5个多模态测试函数进行了仿真,用于验证算法的搜索性能。仿真结果表明,粒子群和声搜索混合算法提高了函数优化的搜索效率,具有较高的寻优性能和较强的跳出局部极小的能力。     

改进布谷鸟算法优化粒子滤波的多目标跟踪方法

标准粒子滤波器的重采样会造成粒子贫化,影响跟踪系统的精度。为克服这一缺陷,提出了一种改进布谷鸟搜索算法优化粒子滤波的多目标跟踪方法。将粒子作为布谷鸟宿主鸟巢,模拟布谷鸟寻找宿主鸟巢位置的行为,通过全局搜索和局部搜索两个阶段使粒子向高似然区域移动。同时,改进布谷鸟搜索算法的寻优机制,提出动态搜索步长和强化局部搜索的方法,加强了算法的全局搜索的收敛速度。此外,改进算法结合了联合概率数据关联,用于解决多机动目标跟踪问题。本文设置了一维环境和二维环境两组实验,对比优化后的粒子滤波算法与标准粒子滤波算法的目标跟踪性能。实验结果表明,本文提出的算法不仅全局收敛速度更快,而且提高了多机动目标跟踪的精度;与标准布谷鸟搜索优化粒子滤波算法相比,全局收敛迭代速度提高了28.5%;与粒子滤波联合概率数据关联和粒子群优化粒子滤波联合概率数据关联算法相比,估计精度分别提高了24.7%和11.81%。     

遗传粒子群混合算法在电厂机组负荷组合优化中的应用

粒子群优化算法应用于火电厂机组组合问题中存在早熟收敛等现象,提出3方面改进的遗传粒子群混合算法:改进粒子群初始化方法,提出粒子初始化机组运行状态组合合理性判据,并初始化一定比例的粒子使其机组负荷随机在对应机组负荷上限附近赋值;采用部分解除约束结合惩罚函数的约束处理方法,对粒子进行机组负荷平衡操作,使大部分粒子满足约束条件;通过引入遗传算法中的交叉和变异操作增加了粒子的多样性,减小了算法陷入局部极值的可能性。采用改进的遗传粒子群混合算法对3机及5机火电厂机组负荷组合进行优化,仿真结果表明,优化成功率能达到100%。     

基于混合ICS-PSO算法的温差发电系统MPPT设计

针对温差发电系统非均匀温度场条件下，功率电压曲线呈现多峰特性，传统粒子群算法易陷入到局部最优，布谷鸟算法收敛时间慢等问题，提出了改进布谷鸟算法与粒子群算法相混合的最大功率点跟踪控制算法。引入自适应发现概率，扩大种群搜索范围，以最小收敛时间为约束函数，通过参数寻优确定最佳功率区间划分临界点参数，将寻优过程划分为粒子群快速粗寻优与改进布谷鸟稳态精寻优两个阶段，以提升算法的收敛速度和发电效率。仿真结果表明，本算法在均匀温度场条件下，收敛时间024 s，发电效率9989%，在非均匀温度场条件下，收敛时间013 s，发电效率9992%，均优于其他算法，该算法收敛迅速，跟踪精度高，并通过了基准测试函数测试，验证了该算法的有效性和通用性。     

改进粒子群算法在含分布式电源配电网优化重构中的应用

针对配电网中各种类型分布式电源接入所造成的配电网拓扑结构的复杂性,提出了一种改进粒子群优化算法应用于配电网重构,把粒子群算法和布谷鸟算法有效地结合在一起,采用两层种群框架。为了提高粒子群优化算法的全局搜索能力,采用中值聚类算法对下层粒子群进行重组,粒子群算法用于优化下层的各类小种群,然后将其发送到上层,使用布谷算法进行深度寻优。通过算例对多种情况进行仿真分析,验证改进算法在配电网重构中的优越性。结果表明,该算法能有效地降低配电网的有功网损,提高各节点的电压水平。本研究为我国分布式电源接入配电网的发展提供了参考和借鉴。     

混沌粒子群算法在水库中长期优化调度中的应用

将粒子群算法和混沌算法相结合,用于求解水库中长期优化调度问题.它利用了粒子群优化算法收敛速度快和混沌运动遍历性、随机性等特点,对传统粒子群算法进行改进,摆脱了粒子群算法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.通过实例计算,结果表明该算法在收敛性和稳定性等方面明显优于传统粒子群优化算法,是一种有效的搜索算法.     

基于改进布谷鸟算法的微电网源-荷-储功率优化调度

为实现微电网源网荷储的最优匹配,提出了一种计及需求侧响应的微电网有功功率调度模型。首先综合考虑系统运行约束、蓄电池运行约束和引入负荷响应补偿的用户满意度,以微电网经济性和环保性最优为目标函数,构建了包含风光发电、储能单元和负荷的微电网功率调度模型。进一步改进了布谷鸟搜索算法,并在4个典型场景下求解所提出的调度模型。通过算例验证模型和所提方法的有效性,结果表明：负荷响应与储能可以有效降低微网运行成本,通过可移负荷跨时段平移,实现负荷削峰填谷;同时,模型能根据不同的满意度要求提供相应的经济优化调度方案;此外,通过对比粒子群算法与布谷鸟算法,进一步验证了改进的布谷鸟算法性能更优。     

基于改进布谷鸟搜索算法的机组组合优化模型

为了获得更加理想的机组组合方案,提出一种改进布谷鸟算法的机组组合优化模型。首先建立机组组合的数学优化模型;然后采用布谷鸟算法对该数学模型进行求解,得到最优机组组合方案,同时为了解决标准布谷鸟搜索算法存在的不足,引入选择性淘汰策略和决策域策略,加快搜索速度和寻优能力;最后采用3机组和10机组组合问题对其性能进行仿真测试。仿真实验结果表明,改进布谷鸟算法具有更快的求解速度和求解准确度,获得了更优的机组组合方案。     

基于改进混合蛙跳算法的测试数据自动生成

测试数据的生成是实现软件测试自动化的重要环节。为了提高单元测试中测试数据的生成质量和效率，提出一种基于混合蛙跳算法的测试数据生成算法。该算法通过引入动态阈值来控制个体的移动步长，以平衡算法的全局开发和局部搜索能力，同时改进个体的随机跳动策略，转化为向随机个体学习，增强种群之间的信息交流以提高算法的全局搜索能力。将改进的算法应用到测试数据生成中。实验结果表明，在种群规模不断变化的情况下，改进的混合蛙跳算法相较于标准混合蛙跳算法、布谷鸟搜索算法、粒子群优化算法，其稳定性最强；在测试数据生成的平均迭代次数评价指标上改进的混合蛙跳算法优于对比算法。     

基于禁忌搜索粒子群优化算法的无功优化

针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,提出将粒子群优化算法结合禁忌搜索的混合算法,并应用它来求解电力系统无功优化问题。该混合算法是以粒子群优化算法为主框架,以禁忌搜索算法作为个体群继续在邻域中寻优,寻优结果对粒子群算法的输出做了更新。混合算法保留了粒子群优化算法的并行处理性,同时利用了禁忌搜索算法的较强的"爬山"能力,加快了混合优化算法的收敛时间和提高了收敛解的有效性。     

Optimal Power Flow Using a Hybrid Optimization Algorithm of Particle Swarm Optimization and Gravitational Search Algorithm

Abstract—This article presents a hybrid algorithm based on the particle swarm optimization and gravitational search algorithms for solving optimal power flow in power systems. The proposed optimization technique takes advantages of both particle swarm optimization and gravitational search algorithms by combining the ability for social thinking in particle swarm optimization with the local search capability of the gravitational search algorithm. Performance of this approach for the optimal power flow problem is studied and evaluated on standard IEEE 30-bus and IEEE 118-bus test systems with different objectives that reflect fuel cost minimization, voltage profile improvement, voltage stability enhancement, power loss reduction, and fuel cost minimization with consideration of the valve point effect of generation units. Simulation results show that the hybrid particle swarm optimization–gravitational search algorithm provides an effective and robust high-quality solution of the optimal power flow problem.     

基于免疫粒子群算法的电力系统无功优化

为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE 30节点系统算例仿真表明,IA-PSO算法与标准PSO算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

基于改进蜻蜓算法的光伏全局最大功率追踪

光伏阵列的P-U特性曲线在局部遮蔽条件下呈现多峰现象,针对传统最大功率点跟踪方法易陷入局部极值、群智能算法跟随速度慢的问题,提出一种基于蜻蜓算法和扰动观察法的改进最大功率点跟踪算法.该算法通过优化算法角色,引入Lévy飞行模式加快算法的收敛速度并提高全局搜索能力;结合扰动观察法,提出种群密度的概念,制定最优局部搜索策略...     

基于改进粒子群算法的电力系统有功调度

针对电力系统有功优化调度,提出了一种改进的粒子群算法,该算法考虑了火电厂的煤耗量,污染物排放量,以及线路损耗等,通过分别求解各个单目标优化问题和定义各单项目标的隶属度函数,把多目标优化问题转化为单目标优化问题,从整体上降低电力系统的发电成本。该算法以标准粒子群算法为基础,对其参数进行了改进,并对其搜索速度加以限制。将其应用于电力系统的3机组模型,算例仿真结果表明该算法节省了收敛时间,具有收敛速度快,计算精度高的优点。     

TS-PSO算法在电力系统无功优化中的应用

为了解决粒子群算法(PSO)局部搜索能力较弱和存在早熟收敛的问题,提出了将禁忌搜索(TS)思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。改进后的算法综合了粒子群算法快速性、随机性和全局收敛的优点,还具有禁忌搜索局部寻优的能力。通过对IEEE-30节点测试系统、铜陵电网实际进行仿真计算,并与其它算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

自适应混沌粒子群算法在PSS设计中的应用

该文采用一种改进的粒子群算法PSO———自适应混沌粒子群算法ACPSO,对多机电力系统稳定器参数进行优化设计,以抑制系统低频振荡。该算法通过混沌初始化粒子群,在迭代计算过程中根据粒子的适应值自适应地调整算法惯性系数,从而可以获得更好的全局搜索能力和收敛速度。选取系统机电振荡模式最小阻尼比最大化为目标函数,将PSS参数优化转换为带不等式约束的非线性优化问题。以3机9节点系统为例,特征值和非线性仿真结果表明,运用该方法设计的PSS能够有效地抑制外界扰动引起的低频振荡。     

基于量子粒子群算法的电力系统无功优化

量子粒子群算法是以粒子群中粒子的收敛特性为基础,依据量子物理理论提出的,改变了传统粒子群算法的搜索策略,可使粒子在整个可行解空间中搜索寻求全局最优解.首次将量子粒子群算法用于电力系统无功优化中,以网损最小为目标函数,在IEEE30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于量子粒子群(QPSO)...     

基于改进PSO算法的UAV三维路径规划研究

提出一种根据适应度值使粒子侧重于不同寻优任务的改进粒子群优化(FPSO)算法,并将其应用于UAV三维路径规划问题。传统粒子群优化(PSO)算法对所有粒子设置统一的控制参数,寻优过程不够灵活,易陷入局部极值且收敛速度慢。改进的FPSO算法提出三种优化策略,即将PSO算法与遗传算法(GA) 结合、设置动态惯性权重、引入步长因子,以充分发挥不同适应度值粒子的搜索优势,使其动态侧重于局部搜索或全局搜索。仿真结果表明,FPSO算法搜索结果更优,迭代次数更少,平均消耗时间比PSO算法缩短22.0%、比GA算法缩短39.6%,具有显著的性能优势。