改进鲸鱼算法及其在路径规划的应用

针对鲸鱼优化算法(WOA)存在的收敛速度慢、收敛精度低和易陷入局部最优等问题,提出了采用非线性收敛因子、协同a的惯性权重、时变独立搜索概率和免疫记忆改进的鲸鱼优化算法(IWTWOA);应用非线性收敛因子、协同a的惯性权重和时变独立搜索概率改进WOA迭代模型,平衡了算法的全局搜索和局部搜索能力,有效避免了陷入局部最优的问题;引入免疫算法的免疫记忆机制,提高了算法收敛速度;选取了15个基准测试函数进行性能测试,结果表明IWTWOA算法在稳定性、计算精度和收敛速度上均有所提高;最终将其应用在路径规划问题中,获得了较好的结果。     

基于改进鲸鱼算法寻优SVM的船用柴油机燃油系统故障诊断方法研究

鉴于船用柴油机的复杂性,难以及时有效地进行维护保养决策,故此提出一种拉普拉斯分值和改进鲸鱼算法的支持向量机相结合的故障诊断方法.首先利用LS对征兆样本集进行降维处理,然后通过IWOA来优化SVM的惩罚因子和核参数,构造成分类器模型来进行故障诊断.将改进的算法与传统的算法进行比较,验证了改进鲸鱼算法寻优SVM在故障诊断方面的有效性.     

混合策略改进的鲸鱼优化算法

针对标准鲸鱼优化算法易出现搜索速度慢、寻优精度低及早熟收敛等问题,提出一种混合策略改进的鲸鱼优化算法。首先采用混沌映射生成初始种群增加种群多样性,为算法全局搜索奠定基础;然后引入非线性策略改进收敛因子和惯性权重,平衡算法的全局探索与局部开发能力并加快收敛速度;最后根据群体适应度方差设定阈值进行变异操作,避免算法出现早熟收敛的现象。通过对12个典型基准函数进行三方面的性能测试,实验结果表明,改进算法在搜索速度、收敛精度等方面有显著提高,且摆脱陷入局部最优解的能力强。     

考虑充电桩最优效率的电动汽车有序充电模型

在电动汽车有序充电过程中,充电效率的评估和优化有助于提升调度模型的精确度。提出一种考虑直流充电桩最优充电效率的电动汽车有序充电模型。首先,分别对直流充电桩中Vienna整流器部分与双有源桥DC-DC部分进行损耗建模,并使用Pareto优化方法求取最优充电效率。然后,以电网运行、电池电量、充电功率和用户行为作为约束条件,构建最优负荷波动率目标函数,并通过粒子群优化方法进行求解。最后以南京城区某大型充电站的夏季负荷历史数据为参考,利用MATLAB软件分析有序充电模型的执行效果,负荷波动率从0.912降低到0.833。实验结果表明,考虑直流充电桩最优充电效率的有序充电模型能较好地降低负荷波动率。     

考虑风电消纳的居民小区电动汽车有序充电控制方法

随着电动汽车的保有量不断提升,其充电过程对电网的影响也不断加大。为降低电动汽车无序充电对电网的冲击,提升清洁风电的消纳,提出一种居民小区电动汽车有序充电控制方法。方法使用居民小区的电力预测信息与当地风电产生预测信息,计算获取理想风电消纳的小区电动汽车充电负荷参考曲线。在参考曲线的基础上,使用差分进化算法优化可以得到电动汽车充电功率预分配曲线。在实际应用的实时分配问题上,给出了合适的功率分配策略。最后通过算例仿真实验,验证了算法的有效性。仿真实验表明,提出的电动汽车有序充电控制方法具有较好的有效性和实用性。     

基于混合策略改进的鲸鱼优化算法

针对标准WOA算法初始种群分布不均、收敛速度较慢、全局搜索能力弱且易陷入局部最优等问题,提出一种混合策略改进的鲸鱼优化算法。采用Sobol序列初始化种群以使初始解在解空间分布更均匀;通过非线性时变因子和惯性权重平衡并提高全局搜索及局部开发能力,并结合随机性学习策略增加迭代过程中种群的多样性;引入柯西变异提升算法跳出局部最优的能力。通过对12个基准函数和一个水资源需求预测模型的参数估计进行优化实验,结果表明,基于混合策略改进的鲸鱼优化算法在寻优精度及收敛速度上均有明显提升。     

充电站内引导电动汽车有序充电控制方法仿真

传统的电动汽车充电控制通常采用基于多代理、基于T-S模糊控制器、基于交替方向乘子的有序充电控制方法,但这几种方法的电网负荷波动率较高,为此提出一种充电站内引导电动汽车有序充电控制方法。应用滚动优化法对集中充电站进行充电时段划分;结合灰色理论对电动汽车用户短期的用电负荷状况进行预测,通过预测未来一段时间的电动汽车用户用电负荷值,对各个时段电动汽车用户的充电计划进行优化求解,最终实现电动汽车有序充电控制。为了验证上述方法的有效性,与三种传统控制方法进行对比,得出上述方法的充电负荷波动率为49.2%,通过比较可知,所提方法的充电负荷波动率最低,证明了上述方法的有效性。     

基于改进鲸鱼算法光伏阵列MPPT的研究

光伏发电系统处于局部阴影遮挡时,P-V特性曲线呈现多峰状态,传统的最大功率点追踪算法已无法追踪到最大功率点。针对此问题,应用改进鲸鱼算法对光伏阵列的最大功率点进行追踪,改变原算法的收敛因子,由线性递减改为余弦形式的非线性递减,平衡全局搜索和局部搜索的能力,且加入同步余弦形式的惯性权重,提高寻优精度,加快搜索速度。在MATLAB/Simulink中建立仿真模型,并在不同控制状态下模拟不同环境进行仿真、分析、对比,验证改进鲸鱼算法的高效性和实时性。     

混合策略改进鲸鱼优化算法

为使鲸鱼优化算法在具备摆脱局部最优区域能力的同时提升算法寻优能力,提出一种基于混合策略的改进鲸鱼优化算法。利用混沌的特性对初始种群位置进行优化,使种群个体更加丰富多样,位置分布更加合理;提出一种混合反向学习策略,将透镜成像反向学习策略和最优最差反向学习策略相结合,提高领导者跳出局部最优区域的能力,提高算法的求解精度;出于协调改进算法勘探能力的目的,将自适应概率阈值p’和权重ω融入到算法中。对6个单峰函数和4个多峰函数的仿真结果验证了所提优化算法在收敛速度和寻优精度等方面有较大的提高。     

电动汽车有序充电多目标优化方法

电动汽车大规模无序充电会导致电网负荷波动过大、电压偏移量大,因此,需要对电动汽车充电行为进行多目标优化。通过对电动汽车驾驶人员驾驶行为与充电习惯的分析,建立电动汽车充电负荷模型;在粒子群优化算法的基础上,引入二进制编码对优化函数展开求解,实现有序充电策略的优化。测试表明,利用所提方法对车辆充电行为展开有序优化后,充电桩的负荷在2000～2500 kW区间波动,波动情况趋于平缓,电压偏移量在3.00%以内,网损率在2%左右,有效降低了电网的损耗率,为电力系统的平稳运行提供保障。     

基于EEMDSE-ILSTM的风电场超短期风速预测

不可再生资源的枯竭推动着新能源的发展,风电作为目前风能利用的主要形式得到了大面积推广。但风速非线性、非平稳性、时序性的特点对风机本身和电力系统都会产生不利的影响,因此精准的风速预测已经成为亟待解决的关键课题。基于组合预测方法,提出了一种EEMDSE-ILSTM风速预测模型。该模型利用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）将风速数据分解为若干个分量数据集,并通过样本熵对各分量进行筛选以简化数据。将改进的鲸鱼算法与长短期记忆网络（Long Short-Term Memory,LSTM）结合,无监督生成合适的模型预测参数。在预测时依次对每个分量数据预测并将结果累加获得最终预测值。仿真结果表明,该模型与其他方法比较,显示出较好的预测精度和泛化性能。     

粒子群优化算法中的惯性权值非线性调整策略

为提升粒子群优化算法的性能,提出基于正弦曲线、正切曲线和对数曲线的非线性惯性权值调整策略。采用镜像策略对越界粒子进行处理,利用标准测试函数测试这些策略对算法的影响。实验结果表明,对于连续函数优化问题,正弦曲线和对数曲线策略优于传统的线性调整策略,而传统的线性调整策略又优于正切曲线策略。     

混沌惯性权值调整策略的粒子群优化算法

粒子群优化算法是一种新颖的智能优化算法。惯性权值对粒子群优化算法的性能有着重要的影响。在分析已有的惯性权值调整策略的基础上,提出了混沌惯性权值调整策略,该策略将惯性权值用一个混沌变量来描述。标准测试函数实验表明,在不影响优化结果精度的情况下,混沌惯性权值调整策略的粒子群优化算法收敛速度较已有方法有了明显的提高。     

改进和声搜索算法求解一般整数规划问题

设计了一种改进的和声搜索算法对一般的整数规划问题进行求解,在计算机上予以实现。经实验测试,相对遗传模拟退火算法和混合遗传算法,获得了同样甚至更好的解。由于改进和声搜索算法使用灵活,因此对于线性和非线性的整数规划问题都能进行求解。     

正余混沌双弦鲸鱼优化算法

针对基本鲸鱼优化（WOA）算法容易陷入局部最优解和收敛速度慢的缺点,提出一种正余混沌双弦鲸鱼优化（CSCWOA）算法。为鲸鱼的觅食加入信息交流强化机制,并在捕食引入正余混沌双弦机制,通过正弦全局搜索减少寻优盲点,余弦局部开发加快收敛速度,以及混沌算子增强跳出局部最优的能力,个体信息在种群中双弦混沌交叉快速传播。通过仿真对比实验,证明了该算法具有较好的收敛速度、求解精度和稳定性。     

一种混沌惯性权重的简化粒子群算法

惯性权值作为粒子群算法的一个全局参数,能够方便地控制算法的搜索能力和收敛速度,在算法运行过程中具有重要的作用。在分析惯性权值的作用基础上提出了一种混沌惯性权重的简化粒子群优化算法,利用混沌序列的内在随机性、遍历性和规则性,提高算法的寻优能力。测试结果表明,新算法具有更快的收敛速度和更强的全局寻优能力。     

一种新的改进粒子群优化方法

为解决粒子群优化算法易于陷入局部最优问题,提出了两种新方法并行修改粒子群优化算法惯性权重：对好于或等于整体适应度平均值的粒子,用动态非线性方程调整惯性权重,在保存相对有利环境的基础上逐步向全局最优处收敛;对比平均值差的粒子,用动态Logistic混沌映射公式调整惯性权重,在复杂多变的环境中逐步摆脱局部最优,动态寻找全局最优值。两种方法前后相辅相成、动态协调,使两个动态种群相互协作、协同进化。实验结果证实：该算法在不同情况下都超越了同类著名改进算法。     

考虑电池损耗的电动冷藏车路径及充电策略

电池充电造成的电池损耗对企业运营成本影响较大;以不同SOC区间内一次充电造成的电池容量衰退成本模型估计电池损耗成本;研究了车辆途中可多次进入充电站充电的路径优化问题;在考虑运输成本、制冷成本、货损成本、充电时间成本、惩罚成本的基础上;将电动冷藏车的电池损耗成本纳入总成本最小的目标函数;并建立了线性规划数学模型。采用增加粒子间共享信息类型的改进粒子群算法对该模型进行求解。将改进粒子群算法应用于构造的算例中;得到包括充电策略在内的车辆最优路径方案和最小运营成本;结果表明充电上限为80%的车辆路径方案可得到最低的运营成本;同时与标准粒子群算法求得的计算结果进行了比较分析;证明该改进粒子群算法在求解该问题上的可行性。     

改进的粒子群算法对RBF神经网络的优化

为了改进神经网络模型结构和参数的设置方法,提出了一种改进的粒子群优化径向基函数（RBF）神经网络的方法。该方法通过动态调整粒子群算法中的惯性权重因子,提高了算法的收敛速度和搜索全局最优值的能力。实验结果表明：基于改进的PSO算法训练的神经网络在函数逼近性能上优于自组织选取中心算法与标准PSO算法,提高了网络泛化能力和优化效果,有效地增强了网络对非线性问题的处理能力。