用遗传算法求解广义系统最优同时镇定问题

研究了用改进的遗传算法（简称GA）求解同时镇定一族线性定常广义系统的最优输出反馈控制律问题。在满足稳定性的条件,将最优同时镇定转化为一个受约束的非线性最小问题。引入了自适应机制和惩罚函数变换,对传统的GA进行改造。并用于受约束非线性问题的全局优化。计算结果和数值仿真说明GA是求解同时镇定问题的一种有效的数值方法。     

遗传神经网络的瞬变电磁视电阻率求解算法

提出用遗传神经网络求解中心回线装置下瞬变电磁法(TEM)的视电阻率。根据中心回线方式的瞬变电磁响应关系式,设计出神经网络的输入输出关系和单输入单输出的三层网络结构。计算出神经网络的输入输出样本集,并通过尝试法确定隐含层的神经元个数。引入遗传算法优化神经网络结构的连接权值,得到了最优连接权值的GABP神经网络。用该神经网络对瞬变电磁响应的非线性方程进行拟合,得到以实测数据计算的核函数值所一一对应的瞬变场参数值,达到求视电阻率并成像的目的。通过对地下高阻块状异常体模型和电力系统钢制扁钢材料的接地网模型两个实例模型的仿真计算证明,得到视电阻率断面图,达到了求解反问题的效果。理论模型与实际数据计算表明,遗传优化的BP神经网络使得瞬变电磁视电阻率的计算时间大大缩短,是个实用的算法。该方法为瞬变电磁接地网故障实时诊断平台提供必要的技术基础。     

混合遗传算法在电力参数测量中的应用

现有电力参数测量方法往往只针对一个误差因素,当系统采样数据同时受多个误差影响时,难以得到准确结果.针对这一问题,建立了电力参数极值优化模型,同时对衰减直流分量、非同步采样及谐波等多个误差参数加以精确表示,利用混合遗传算法(HGA)对该模型进行求解,可得到准确的系统幅值、相位、频率及谐波等电力参数.针对普通遗传算法(GA)收敛慢和经典迭代法初始点敏感问题,HGA将GA算子与混合拟牛顿算子结合起来,由GA算子进行解空间全局搜索,混合算子进行强局部搜索,可实现无需指定初值的电力参数快速求解.仿真实验表明,该方法能有效提高参数测量的运行效率和计算精度.     

基于混合遗传算法层间交通模式下的电梯群控派梯新方法

提出一种基于混合遗传算法的层间交通模式下的电梯群控派梯算法。以乘客的平均等待时间最小为目标寻求最优派梯方案,根据电梯的运行状态和各层站的外呼信号,构造了适应度函数。在进化初期阶段,采用本标准遗传算法在解空间中全局搜索,当种群收敛到最优解附近时,引入自适应正交局部搜索算子,以提高算法的局部搜索能力,仿真结果表明,该算法克服了标准遗传算法后期收敛速度慢的缺点,同时较好地满足了电梯群控系统的实际要求。     

改进量子遗传算法在输电网规划中的应用

输电网规划是复杂的多目标非线性组合优化问题。针对传统遗传算法（GA）在求解输电网规划模型中存在收敛速度慢,容易陷入局部最优的不足,提出一种基于改进量子遗传算法（IQGA）的输电网规划方法。该算法在量子遗传算法（QGA）的基础上提出直接将量子染色体与当前最优解相比较来确定旋转门的旋转角策略,保证种群中个体以不同的收敛速度分别进行局部搜索和全局搜索,并同时采用量子全干扰交叉策略和量子非门变异策略有效防止算法陷入局部最优。所提三种改进策略各有针对性,能有效改善量子遗传算法在输电网规划中的收敛性能。分别采用传统遗传算法、量子遗传算法和该方法对Garver-6节点系统进行规划仿真,实验结果表明,该方法全局寻优能力强并且收敛速度得到显著提高。     

基于遗传算法的改进谐波平衡算法

针对标准谐波平衡算法存在迭代收敛慢,计算量大的问题,采用遗传算法所具有的隐含并行性、全局解空间搜索特性,以及其优化过程不受限制性条件约束的优点,提出了引入遗传算法加速其收敛过程的改进谐波平衡算法。通过将遗传算法的随机自适应优化过程与标准谐波平衡算法的迭代运算过程相结合,简化了标准谐波平衡算法迭代计算的过程,提高标准谐波平衡算法的收敛速度和计算精度。并采用该算法对Duffing-VanDerPol方程的进行了求解,得到了该方程的近似解析解,通过与Runge-Kutta法所得数值解相比较,两者的一致性较好,表明了该算法的有效性。     

基于C-PSO的水火电混合电力系统电源规划

提出了一种粒子群算法与遗传算法结合的组合粒子群算法,并将其用于求解复杂的、非线性的水火电混合电力系统电源规划问题.该结合算法引入的遗传算法成功地提高了基本粒子群算法的全局搜索能力,同时也比基本遗传算法的收敛速度更快.算例结果表明:对于短期规划,该算法能可靠、快速地收敛到全局最优解,对于大型电力系统的中长期电源规划问题也可得到较好解.     

基于C-PSO的水火电混合电力系统电源规划

提出了一种粒子群算法与遗传算法结合的组合粒子群算法,并将其用于求解复杂的、非线性的水火电混合电力系统电源规划问题。该结合算法引入的遗传算法成功地提高了基本粒子群算法的全局搜索能力,同时也比基本遗传算法的收敛速度更快。算例结果表明:对于短期规划,该算法能可靠、快速地收敛到全局最优解,对于大型电力系统的中长期电源规划问题也可得到较好解。     

基于改进微粒群算法的水火电力系统短期发电计划优化

微粒群算法(PSO)来源于对社会模型的模拟,是一种随机全局优化技术。该算法简单,容易实现,且功能强大。中对PSO进行了改进,引入了“分群”和“灾变”思想,并应用于求解水火电力系统的短期有功负荷最优分配问题。通过具体算例验证了改进PSO算法的有效性,而且其收敛速度比遗传算法(GA)快,求解精度比普通的PSO和GA的高。     

基于移民算子遗传BP神经网络的模拟电路故障诊断

针对传统BP神经网络实现模拟电路故障诊断时存在的缺陷:容易收敛于局部最优值且训练时间过长等,提出了利用遗传算法(GA)优化的BP神经网络来对模拟电路进行故障诊断的方法.实验结果证明,优化后的BP网络可有效地避免收敛于局部最优值,大大地缩短了训练时间.同时为了提高遗传优化的收敛速度和精度,避免"早熟"现象,本文提出了一种引入移民算子的遗传算法,仿真结果表明了该算法的有效性.     

一种神经网络方法在机械手控制中的应用

采用多层前向神经网络建立机械手逆运动学模型。提出了一种改进遗传算法来学习网络的权系数,其交叉概率根据解的适应度来自适应调整,变异概率根据迭代次数来动态调整。这样可以有效地克服传统的反向传播算法求解精度低、搜索速度慢、易陷于局部极小的缺点。仿真结果表明,所提方法大大提高了机械手逆运动学解的精度,确保快速达到全局收敛。     

基于改进粒子群优化算法的最优潮流计算

提出应用粒子群优化算法（PSO）求解最优潮流问题（OPF），并结合动态调整罚函数法将最优潮流问题转化成一个无约束求极值问题，有效提高了PSO算法的全局收敛能力和计算精度。应用此算法对标准IEEE30节点系统进行潮流计算，并与线性规划算法和遗传算法进行了比较，结果表明，该算法能够更好地获得全局最优解，具有实用意义。     

IGA优化的神经网络计算配电网理论线损

针对BP神经网络学习速度慢、容易陷入局部极小的缺点,提出了一种基于免疫遗传算法(IGA)的人工神经网络(artificial neural network,ANN)计算配电网的理论线损.该算法在遗传算法(genetic algorithm,GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象, 扩大了神经网络的权值搜索空间,提高了网络系统的学习效率和精度.实例计算结果表明,同混合遗传算法相比,该算法具有较快的收敛速度和较强的全局收敛性能,比现有其他计算配网线损的方法更为准确.     

基于改进人口迁移算法的输电网扩展规划

输电网扩展规划是一个非常复杂的大规模组合优化问题,对比提出了一种改进人口迁移算法的求解方法.标准人口迁移算法在求解过程中搜索容易陷入局部最优解和后期收敛时间较长等问题,针对以上缺点,对算法的迭代初始化、种群生成策略以及参数设置进行了改进,将遗传算法的最优保留思想引入到算法中,提高了算法搜索全局最优解的能力与收敛到最优解...     

基于捕食策略遗传算法的3电平中点箝位型逆变器特定谐波消除脉宽调制技术

基于遗传算法(GA)的特定谐波消除脉宽调制(SHEPWM)技术存在易早熟、易收敛于局部最优解等问题,影响了开关角度解的精确度。为此,提出了基于改进遗传算法的3电平SHEPWM控制技术。该方法通过采用捕食策略遗传算法(PSGA)对3电平SHEPWM方程组进行求解,解决了传统数值算法对初值的依赖性、标准遗传算法易早熟等问题,同时该方法可拓展到更多电平的SHEPWM方程组求解中。以1/4周期3角度SHEPWM方程组为例,给出了各个调制度下的开关角度轨迹,同时给出了较高调制度下的另1组可行解。算例结果验证了该方法的正确性。     

水平多层土壤参数反演的粒子群优化

高精度的土壤参数反演是保障接地设计和研究准确度的关键。推导了水平多层土壤反演时格林函数的通用表达式,并在基础上得到了视在电阻率与土壤参数、电极埋深、极距的函数关系。水平多层结构土壤视电阻率曲线比较平滑,可以以此作为测量数据能否作水平多层土壤反演的依据。以计算值和测量值之间的均方根误差作为反演的目标函数,引入粒子群算法进行水平多层土壤参数的反演求解。经由标准接地计算软件CDEGS和其他方法的对比算例验证:粒子群反演方法无需计算目标函数关于土壤参数和电极埋深的导数,简单可靠,准确有效;粒子群反演方法可以加入土壤层数的控制且具有较强的跳出局部收敛点能力;粒子群反演方法比MATLAB优化计算工具箱的遗传算法、模拟退火法具有更快的收敛速度且反演精度更高。本文方法适用于任意布置四极法情况下任意参数的水平多层土壤参数反演。     

序列二次规划-遗传算法及其在变压器局部放电超声定位中的应用

针对基本遗传算法(genetic algorithm,GA)局部寻优能力较差和易出现早熟收敛现象,提出了一种改进的遗传算法,即序列二次规划-遗传算法(sequential quadratic programminggenetic algorithm,SQP-GA)。该混合优化算法SQP-GA在基本GA中引入序列二次规划(sequential quadratic programming,SQP)算法,经典算法SQP作为一个元算子有效地提高了基本GA的局部搜索能力,并克服了早熟收敛现象。函数仿真测试结果表明,SQP-GA混合优化算法在收敛速度和寻优精度上都优于基本GA,表明所提出的算法的有效性。同时,利用提出的SQP-GA求解变压器局部放电超声波定位问题,并将其定位结果与GA和非智能算法的定位结果进行比较;算例结果表明,基于SQP-GA的变压器局部放电超声定位法能有效地防止结果陷入局部最优,该方法的定位效果理想。     

免疫遗传法结合概率因果模型诊断变压器故障

为了对电力变压器的绝缘故障进行诊断,提出了一种免疫遗传算法结合概率因果模型的故障诊断方法。该法先用概率因果模型将电力变压器的故障诊断问题转化为最优化求解问题,再将概率因果模型的似然值函数作为免疫遗传算法的抗原,故障诊断的解作为其抗体,对电力变压器进行故障诊断。基于生物系统的免疫遗传算法既保留了遗传算法随机全局并行搜索的特点,又在相当大程度上避免未成熟收敛,确保快速收敛于全局最优解。实例分析证明,该方法能有效诊断电力变压器的故障,具有较高的诊断准确率。     

基于人工鱼群算法的最优潮流计算

提出了基于人工鱼群优化算法(AFSA)的最优潮流(OPF)计算方法;算法结合动态调整罚函数的方式,将最优潮流问题转化为一个无约束求极值问题,有效提高了算法的全局收敛能力和计算精度.应用此算法对标准IEEE30节点的电力系统进行最优潮流计算,并与粒子群算法和遗传算法进行了比较,仿真结果表明,该算法能够更好地获得全局最优解,具有实用意义.     

基于混合人工鱼群算法的磁保持继电器优化设计

采用一种混合人工鱼群算法,对磁保持继电器进行优化设计。该算法在优化早期,利用鱼群算法的快速收敛能力,确定阶段最优解;优化后期,在该阶段最优解的基础上,应用遗传算法的全局极值搜索能力,求取全局最优解,从而大大提高求解速度和寻优精度;编制了磁保持继电器的动态优化计算程序,并以某型号磁保持继电器为例进行了优化设计;最后,利用Adams对优化样机进行了验证。仿真结果表明,优化后的磁保持继电器具有更加良好的动态特性和综合经济指标。