自适应变系数粒子群—径向基神经网络模型在负荷预测中的应用

为了提高短期电力负荷预测精度,提出了一种自适应变系数粒子群-径向基函数神经网络混合优化算法(AVCPSO-RBF).实现了径向基神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统径向基神经网络方法和粒子群-RBF神经网络方法及基于混沌理论的神经网络模型,该优化算法克服了径向基神经网络和传统的粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,提高了贵州电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.7%以内.该算法可有效用于电力系统的短期负荷预测.     

基于QPSO-WNN和模糊理论的电力系统短期负荷预测方法

电力系统的短期负荷预测是电力系统管理的一项重要方法,准确的负荷预测可以保证用户得到安全、经济的供电.针对负荷预测方法的多样性,在小波神经网络用于负荷预测的基础上,提出基于量子粒子群优化算法( QPSO)优化神经网络权值,并运用模糊理论进行修正.某电网负荷的拟合数据表明QPSO优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也比较高.     

基于粒子群的电力系统短期负荷预测

短期负荷预测是电力系统管理的一项重要方法,准确的负荷预测可以保证用户得到安全、经济、合理的供电。针对负荷预测方法的多样性,在传统的BP网络用于负荷预测的基础上,提出粒子群PSO(Particle Swarm Optimizer)优化神经网络权值的算法,并应用到电力系统短期负荷预测中。仿真结果表明PSO优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也明显地得到提高。     

基于改进PSO算法和LS-SVM的短期电力负荷预测

针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。     

动态粒子群算法在经济负荷分配中的应用

将一种惯性权重动态调整的粒子群算法用于求解复杂的不连续、非凸、非线性电力系统的经济负荷分配(ED)问题,使其在满足各机组负荷和运行约束的条件下总的发电费用最小.算法惯性权重随不同粒子距全局最优点的距离不同而动态调整,从而提高了基本粒子群算法的收敛速度,避免其容易陷入局部极值.将算法应用到经济负荷分配问题的Matlab仿真结果表明,所提出的方法不仅提高了解的寻优能力和收敛速度,而且随着问题规模的增大,其优化结果要好于其它方法.     

基于交变粒子群BP网络的电力系统短期负荷预测

短期负荷预测是电力系统正常运行的关键环节,合理的发电计划依靠准确的负荷预测,因此提出交变粒子群算法来优化BP网络模型以预测电力短期负荷。针对 依靠先前的经验 来确定BP神经网络的权值缺少理论依据的问题,采用交变粒子算法优化BP神经网络权值,以减少通过神经网络预测模型求解电力短期负荷预测带来的误差。实验证明,经过优化的BP神经网络预测模型比传统的BP神经网络预测模型的误差更小,更加接近实际电力负荷。     

新型混沌粒子群算法在PCB电路检测中应用

传统的粒子群优化算法(PSO)基于粒子的搜索向最优方向逼近,在解决复杂的多峰函数的优化问题时容易陷入局部极值点,得不到正确的优化结果.为此研究能够优化多峰函数的新型粒子群优化算法.将混沌的概念和子种群的概念引入粒子群优化算法,从而形成一种新型的基于子种群的混沌粒子群优化算法,用以解决多峰值优化问题.这种新型的优化算法应用于PCB电路板的模块匹配问题,通过实验研究验证了它的有效性.算法能够识别并准确找到电阻元件,并检测出焊错的原件.该优化方法适用于过程优化、模式识别、图像检测等复杂的工程优化问题.     

基于混沌粒子群优化的SVM分类器研究

支持向量机(SVM)分类器能较好地解决小样本、非线性、高维等分类问题,具有很强的实用性。然而,支持向量机训练参数的选择对其分类精度有着很大的影响。常用的支持向量机优化方法有遗传算法、粒子群算法都存在易陷入局部极值,优化效果较差的不足。为解决上述问题在粒子群优化算法中引入混沌思想,提出了基于混沌粒子群优化算法(CPSO)的SVM分类器优化方法,CPSO算法能提高种群的多样性和粒子搜索的遍历性,从而有效地提高了PSO算法的收敛速度和精度,更好的优化SVM分类器。并以网络异常入侵检测为研究对象进行仿真,实验结果表明,根据混沌粒子群优化的SVM分类器比传统算法优化的SVM分类器的精度高,速度快。     

改进粒子群—BP神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群算法(MPSO),并与BP算法相结合,形成改进的粒子群—BP(MPSO-BP)神经网络算法,用此算法训练神经网络,实现了神经网络参数优化,得到了基于MPSO-BP算法的神经网络模型。综合考虑气象、天气、日期类型等影响负荷的因素,进行电网短期负荷预测。算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善了BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力。     

IMVO-SVM在短期负荷预测中的应用

提升短期负荷预测精度对电网的规划运行有着重要意义。基于改进的多元宇宙优化(improved multivariate universe optimizer, IMVO)算法,提出一种改善支持向量机(support vector machine, SVM)的短期负荷预测方法。为了摆脱传统的MVO算法难以跳出局部最优点问题,在种群初始化中引入帐篷映射的混沌序列;在位置矢量更新中,加入非线性惯性权值的下降思想,结合差分进化(differential evolution, DE)算法搜索全局最优解。利用IMVO算法来寻优SVM的参数,以广东省某地市实测负荷数据进行算例分析,相较于GA-SVM、PSO-SVM方法,该方法能有效的提升负荷预测的准确性。     

神经网络和改进粒子群算法在地震预测中的应用

提出了一种基于神经网络与改进粒子群算法的地震预测方法,该方法采用前向神经网络作为地震震级的预测模型,引入改进的粒子群算法对前向网络的连接权值进行修正。为了设计在全局搜索和局部搜索之间取得最佳平衡的惯性权重,基于粒子动态变异思想对粒子群优化算法进行改进,提出了一种动态变异粒子群优化算法,并将其应用于地震震级预测神经网络模型优化。在仿真实验中,将所提出的方法与另外两个采用不同算法的前向网络预测方法进行了比较。结果表明所提出的优化算法收敛速度最快,所得模型的预测误差最小,泛化能力最强,对地震的中期预测有很好的参考作用。     

基于克隆选择和粒子群思想的动态多群体优化算法

针对粒子群算法和克隆选择原理的特点,提出了基于克隆选择和粒子群思想的动态多群体优化算法.该算法将整个群体分为若干子群体,在子群体内部应用基本的粒子群算法,以子群体作为抗体设计了克隆、变异、选择和受体编辑算子.交异算子使子群体动态变化实现子群体闻相互交换信息,具有良好的全局搜索能力.实验结果表明,该算法具有寻优能力强、搜索精度高的优点,可用于工程问题中具有各种特性的复杂函数优化.     

一种对粒子群算法惯性权重的改进

针对粒子群算法搜索精度不高,特别是在处理高维复杂问题时极易陷入局部最优的不足,文章提出一种动态扩散并结合交叉因子的改进粒子群优化算法（DMPSO）,对惯性权重进行调整,对其取值范围做了进一步的研究,在必要的时候对整个种群的粒子进行重新扩散,并应用于粒子群算法的改进。实验结果表明,新算法的全局搜索能力、收敛速度、精度及稳定性均有了显著提高,而且能更有效地进行全局搜索。     

基于种群划分与变异策略的粒子群优化算法

粒子群算法因其形式比较简洁，参数设置灵活，操作简便易行，并且能够快速收敛，从而引起广泛关注。但是传统的粒子群算法也有缺陷：收敛速度慢以及容易陷入局部最优等。针对这些问题，本文借鉴小生境的方法，在进化初始阶段，对种群进行划分，将初始种群分为子种群，对不同的子种群进行不同的变异策略；在进化过程中，针对不同的子种群，设置不同的惯性权重因子ω，用来增强全局搜索能力与局部搜索能力。实验结果表明，本文提出的算法较传统的粒子群算法具有较快的收敛性以及找寻的全局最优解更接近真实解集，收敛精度比较高。     

求解非线性方程组的量子行为粒子群算法*

介绍了利用量子行为粒子群算法解决非线性方程组的问题。求方程组的解归结为一个最优化问题,当方程组有多个解时,它的适应值函数就是具有多个最优解的多峰函数。为此,引进一种物种形成原理算法,该算法根据群体微粒的相似度并行地分成子群体。每个子群体是围绕一个群体种子而建立的。对每个子群体进行QPSO最优搜索,从而保证方程组中每个可能的解都能被搜索到,具有良好的局部寻优特性。对几个重要的测试函数进行仿真实验,结果证明了所用算法可以保证找到方程组所有的解,并且具有很好的精确度。     

求解非线性方程组的量子行为粒子群算法

介绍了利用量子行为粒子群算法解决非线性方程组的问题.求方程组的解归结为一个最优化问题,当方程组有多个解时,它的适应值函数就是具有多个最优解的多峰函数.为此,引进一种物种形成原理算法,该算法根据群体微粒的相似度并行地分成子群体.每个子群体是围绕一个群体种子而建立的.对每个子群体进行QPSO最优搜索,从而保证方程组中每个可能的解都能被搜索到,具有良好的局部寻优特性.对几个重要的测试函数进行仿真实验,结果证明了所用算法可以保证找到方程组所有的解,并且具有很好的精确度.     

哈夫曼编码的协同粒子群优化算法

针对粒子群优化（PSO）算法在优化问题过程中易陷入局部最优的问题,提出一种基于哈夫曼编码的协同粒子群优化（HC PSO）算法。采用哈夫曼编码将种群划分成2个子种群并对2个子种群进行独立优化,同时,2子种群之间协同完成搜索种群的全局最优解。采用6个标准测试函数来测试算法性能。实验结果表明,该算法可以有效地避免种群陷入局部最优,具有较好的优化性能和稳定性,收敛精度得到了显著的提高。     

一种新型的多种群微粒群算法

针对微粒群算法容易出现早熟问题,提出一种动态种群与子群混合的微粒群算法（SPSDPSO）。该算法在微粒群搜索停滞时对微粒进行分群,在子群内部通过微粒随机初始化以及个体替代策略提高优化性能,在子群进化一定代数后重新混合为一个种群继续优化,种群进化与子群进化交替进行直至满足算法终止条件。SPSDPSO的种群与子群混合进化策略增强了群体多样性,并且使得子群体之间能够进行充分的信息交流。收敛性分析表明,SPSDPSO以概率1收敛到全局最优解。函数测试结果表明,新算法的全局收敛性能有了显著提高。     

Handling multi-objective optimization problems with a multi-swarm cooperative particle swarm optimizer

This paper presents a new multi-objective optimization algorithm in which multi-swarm cooperative strategy is incorporated into particle swarm optimization algorithm, called multi-swarm cooperative multi-objective particle swarm optimizer (MC-MOPSO). This algorithm consists of multiple slave swarms and one master swarm. Each slave swarm is designed to optimize one objective function of the multi-objective problem in order to find out all the non-dominated optima of this objective function. In order to produce a well distributed Pareto front, the master swarm is developed to cover gaps among non-dominated optima by using a local MOPSO algorithm. Moreover, in order to strengthen the capability locating multiple optima of the PSO, several improved techniques such as the Pareto dominance-based species technique and the escape strategy of mature species are introduced. The simulation results indicate that our algorithm is highly competitive to solving the multi-objective optimization problems.     

An improved quantum-behaved particle swarm optimization for multi-peak optimization problems

In this paper, we propose an improved quantum-behaved particle swarm optimization (QPSO), namely species-based QPSO (SQPSO), using the notion of species for solving multi-peak optimization problems. In the proposed SQPSO, the population is divided into subpopulations (species) based on their similarities. Each species is grouped around a dominating particle called the species seed. During the process of iterations, species are able to simultaneously optimize towards multiple optima by using QPSO, so each peak will definitely be searched in parallel, regardless of whether it is global or local optima. Further, SQPSO is applied to solve systems of nonlinear equations describing certain fitness functions, which are multi-peak functions. Our experiments demonstrate that SQPSO is able to search multiple peaks of a given function as accurate and efficient as possible. Finally the experiments for the solutions of systems of nonlinear equations show that the algorithm is successful in locating multiple solutions with better accuracy.