基于改进混合蛙跳算法的氧量对象模型辨识

针对混合蛙跳算法易早熟、寻优精度低的缺陷,将混沌初始化和局部变异高斯因子引入混合蛙跳算法,进行种群初始化和局部搜索的改进。将改进后的混合蛙跳算法用于火电厂过程模型辨识,以某1 000 MW火电机组双输入单输出的尾部烟气含氧量模型为辨识对象进行系统辨识。结果表明:与混合蛙跳算法相比,改进的混合蛙跳算法种群遍历性更广,局部搜索更快,能够避免陷入局部最优解,全局寻优能力更强,寻优精度更高,收敛速度更快,稳定性更好。     

基于改进蚁狮优化算法的太阳电池模型参数辨识

提出一种改进蚁狮优化算法,引入混沌序列进行初始值的分配,增强种群的均匀性和遍历性;在个体更新部分引入粒子群算法的思想,分别以当前的最优个体与全局最优个体为目标进行计算,同时提高算法的局部和全局搜索能力;参考当前最优个体位移进行动态空间收缩,可有效减小个体的搜索范围,缩短寻优时间。与粒子群算法、蝙蝠和原蚁狮算法进行仿真对比并应用到太阳电池模型参数辨识中,验证其有效性。     

改进的混沌优化方法在电站机组负荷分配中的应用

利用搜索过程中的先验知识，提出了一种改进的变尺度混沌优化算法，对电厂机组负荷分配这一类高维、非线性问题进行寻优。该算法利用混沌运动的遍历性和随机性进行全局搜索，结合下降法思想在当前最优解的局部空间搜索，提高算法的收敛速度。通过罚函数，将非线性约束问题转化为非约束问题求解，在寻优操作过程中检验解的有效性。并采用目标函数中负荷取值区间判别方法，降低优化问题的规模，减少了计算次数。与传统遗传算法相比，改进的混沌优化算法获得了更好的效果。     

基于自适应变异粒子群算法的光伏MPPT控制研究

针对局部遮阴(PSC)时,光伏阵列输出P-U曲线出现多峰值现象,传统最大功率点追踪(MPPT)算法易陷入局部最优解,无法追踪到全局最优解的问题,该文提出基于自适应变异粒子群算法的光伏MPPT控制方法.在粒子群算法寻优过程中同步调整学习因子与惯性权重,以提高算法收敛速度与精度,同时引入变异机制以扩大粒子搜索范围,增强算法...     

基于遗传-蚁群算法的库群长期优化调度

为克服蚁群算法前期收敛慢、易陷入局部最优解且参数难以确定的缺点,提出了遗传-蚁群算法进行库群长期优化调度问题的求解。该方法应用遗传算法生成问题的初始解,并将初始解的适应度转化为蚁群算法的信息素初始值,同时引入遗传算法染色体交叉、变异的思想进行蚁群算法参数最优组合的确定,提高了蚁群算法的优化性能和求解精度。对乌江流域4座水电站的计算结果表明,该算法可显著改善优化结果质量,获得良好的调度方案,是求解库群长期优化调度问题的一种有效方法。     

基于改进和声搜索的配电网WSNs多路径QoS路由算法

针对智能配电网(Smart distribution network,SDN)中无线通信数据传输不可靠且网络寿命低等问题,提出一种基于改进和声搜索的无线传感器网络(Wireless sensor networks,WSNs)多路径QoS路由算法(Multipath QoS routing algorithm,MQRA)。首先,分析配电网的通信需求并建立数据传输模型;然后,针对无线传感器路由问题的特点对和声搜索算法(Harmony search,HS)做出改进;再将其自适应参数公式进行改进以避免算法陷入局部最优;通过在源节点与目的节点之间构建前传区域来优化转发节点集以避免数据回传,提升算法的运行效率;最后,在初始和声库生成阶段,综合考虑距离、丢包率以及节点剩余能量来改进轮盘法中的概率公式。仿真结果表明MQRA算法能有效降低数据传输的时延,提升数据可靠性并均衡节点能耗延长网络使用寿命。     

局部遮阴下基于改进PSO的多峰值MPPT研究

局部遮阴下,光伏阵列的P-U特性曲线呈现多峰现象,此时传统的MPPT算法容易陷入局部寻优而失效。针对这一问题,采用一种基于改进粒子群寻优的MPPT算法。通过对局部遮阴下光伏阵列输出特性曲线进行分析,计算出可能存在的峰值点电压,作为粒子位置的初始值,同时引入状态因子δ对惯性权重、学习因子进行线性调整,以避免粒子陷入局部最优,减小追踪过程的震荡。最后将标准粒子群算法与改进粒子群算法进行Matlab仿真对比,验证了改进粒子群算法的优越性。     

基于局部搜索增强策略的微分进化算法应用于换热网络优化

针对微分进化算法应用于换热网络优化时,局部搜索能力不强及易出现"早熟收敛"的现象,提出了一种兼顾局部搜索和全局寻优能力的改进策略。首先,对算法出现早熟的主要原因进行了机理分析;在此基础上,从动态更新角度引入局部增强算子,以当前解为中心进行邻域精细搜索,保证了局部搜索精度;最后,结合强制跳出机制,解决了算法易陷入局部极值的缺陷,对于非凸非线性问题较为严重的换热网络问题,实现了换热网络优化全局寻优能力和局部搜索精度的兼顾。算例结果表明,新的局部搜索增强策略能够进一步改善种群多样性和提高寻优效率及精度,获得比文献中结果更好的解,有效提高微分进化算法应用于与换热网络优化的能力。     

基于改进GA-CPSO融合算法的1 000 MW机组给水系统建模

为解决现有方法对1 000 MW机组给水系统建模复杂、算法收敛速度慢、精度低等问题,提出一种改进遗传算法融合混沌粒子群算法(Genetic Algorithm-Chaotic Particle Swarm Optimization, GA-CPSO)。首先,粒子群算法(Particle Swarm Optimization, PSO)中引入了自适应权重和收缩因子,提升粒子寻优能力;在一维Logistic的基础上提出二维Logistic混沌映射,避免寻优过程中陷入局部最优解;采用轮盘赌选择方法,选取粒子进行下一步的遗传算法优化,提升了全局寻优能力。其次,通过实验仿真数据和现场实际数据验证了改进GA-CPSO算法的精度。将该算法用于1 000 MW机组给水系统,建模精度提高了88.65%,仅需要迭代7次左右即完成收敛。然后,利用数据中加干扰实验进一步挖掘改进GA-CPSO算法的抗干扰能力。实验表明：加入外部大扰动建模误差仅有0.385,算法抗干扰能力强。最后,用皮尔逊相关系数方法验证了机组直流阶段模型间的相关性,相关系数达到了0.9以上,可用一个模型代表。     

改进鸡群算法在光伏系统MPPT中的应用

鸡群算法本身存在高维度运算,易出现偏差,对其改进并应用到光伏系统的最大功率点跟踪(MPPT)控制中。引入混沌序列方法进行初始值的分配,可增强种群的均匀性和遍历性;引入自适应惯性权重改善母鸡个体部分寻优策略,可加快算法的全局搜索速度并改善局部搜索能力;将小鸡个体的跟随系数改进为随机量,可增加较差个体的随机性,避免算法因早熟收敛而陷入局部极值;上述改进既可增强算法的搜索速度和寻优精度,也利于避免早熟现象的发生,进一步曾强算法的寻优效率。与其他应用算法比较及在光伏系统最大功率点跟踪中的应用,验证其有效性。