基于改进离散粒子群算法的限流措施优化配置

为求解实际电力系统中的限流措施优化配置问题,对传统粒子群算法（PSO）进行改进,提出一种改进离散粒子群算法（MDPSO）.此MDPSO算法采用二进制结合十进制的编码方式,并引入置0算子,优化初始种群,同时引入单方向的变异算子,防止算法陷入局部优化解.应用此算法对新英格兰39节点系统和中国西部82节点系统进行限流措施优化配置计算,并同遗传算法（GA）和普通离散粒子群算法（DPSO）进行比较,仿真结果表明,MDPSO算法是有效可行的.     

用离散粒子群优化算法求解WTA问题

为了提高武器-目标分配(WTA)问题的求解效率和性能,提出了一种用离散粒子群(DPSO)算法求解此问题的新方法.对粒子群算法中的速度和位置进行了重新定义,使其可求解WTA这类离散组合优化问题,并采用贪心的启发式策略对迭代产生的方案进行调整,以利于快速找到最优或次优的分配方案.算法测试表明新算法执行速度快,结果令人满意,...     

适于混合整数非线性规划的混合粒子群优化算法

通过加强粒子群优化（PSO）算法处理约束和整数变量的能力,使其适于求解混合整数非线性规划（MINLP）,构建了一种混合粒子群优化（HPSO）算法.建立了种群的约束矩阵来反映其解满足约束的情况,运用Pareto支配概念评价解的优劣,确定种群的局部最优点和全局最优点.通过增设基于距离函数的概率取整操作和随机变异的解修复操作,加快了搜优速率.利用各粒子的局部最优点信息更新速度,采用多粒子群策略增强了种群多样性.实例测试结果显示,与其他算法相比,HPSO算法具有更好的全局寻优能力,收敛速度更快.     

改进PSO算法解决电力系统机组优化组合问题

机组组合优化问题是一个大规模、离散、非线性的混合整数规划问题,所以求解比较困难,不容易找到理论上的最优解。本文在基本粒子群算法（PSO）的基础上,使用一种空间收缩策略,加快了算法的收敛速度。同时,为了避免算法出现“早熟”现象,让粒子不仅根据自身和同伴中的最好个体进行调整自己的飞行速度,并且向其他个体学习,以及通过改进的粒子群算法（MPSO）进行仿真计算,证明了该算法的有效性。     

基于混合智能算法的配电网重构

提出了用修正的离散量子粒子群(MQPSO)算法和模拟退火(SA)算法的混合算法对配电网重构,算法首先改变了基本的二进制粒子群(DPSO)算法中的离散映射方法,直接利用MQPSO算法实现了变量的离散化映射。其次用SA算法弥补了MQPSO算法的局部搜索能力的不足。此外,还提出了用节点聚合法对网络进行简化的处理规则,能够使粒子在初始化过程中避免不可行解的出现。最后对IEEE33节点系统和69节点系统进行了优化计算,与相关文献最优解作对比,结果表明了这种混合智能算法在处理离散问题的可行性。     

一种粒子群优化的用户优先级虚拟网络映射算法

以底层网络资源利用率最大化为目标,对控制转发分离网络建立基于"资源抢占+重映射"的用户优先级虚拟网络映射整数线性规划模型,并提出了一种改进离散粒子群算法来解决虚拟网络映射问题.该算法的粒子进化更具方向性,同时引进不同粒子位置互斥因子,解决粒子群算法易早熟陷入局部最优解的缺陷.最后通过仿真实验从节点资源利用率、链路资源利用率、一般虚拟网络接受率、平均跳数和长期运营收益成本比等方面,将改进离散粒子群算法与贪婪算法和二进制离散粒子群算法对比,验证了改进离散粒子群算法的高性能.     

不确定环境下复杂产品维护、维修和大修服务资源调度优化

基于对复杂产品维护、维修和大修（MRO）协同服务资源调度的需求分析,从现实角度出发,建立资源调度时间和服务执行时间参数不确定条件下的随机机会约束规划数学模型. 提出由随机模拟、神经网络和离散粒子群优化算法组合成的混合智能算法,求解所提出的优化问题. 随机模拟方法为所建立的神经网络模型提供训练样本集,得到的训练样本集被用于训练神经网络模型以逼近优化目标函数,训练后的神经网络模型被用于代替优化目标函数来执行粒子群算法优化迭代. 该混合算法能有效提升时间参数不确定条件下的复杂产品MRO协同服务资源调度双目标优化问题的求解速度. 案例分析表明,相比于确定性条件下的优化算法,所提出的随机机会约束规划模型和混合算法更适用于求解现实中不确定条件下的MRO服务资源调度问题,所求得的调度方案在实际执行中具有更好的鲁棒性.     

约束自适应粒子群优化算法及水厂调度

针对粒子群优化算法应用于约束优化问题时易陷入局部极小值的问题,提出了一种改进的粒子群优化算法. 该算法综合了约束优化问题的目标函数值和约束函数的违反度值作为粒子群优化算法的双适应度值, 采用了双适应值动态判断粒子群优化算法中粒子的优劣. 违反度值的计算引入了自适应加权系数,相应地提出了调整各权系数的自适应策略, 并改进了粒子群优化算法的粒子竞争选择策略,拓展了粒子群优化算法的单适应值的应用范围.应用约束自适应粒子群优化算法实现了城市水厂的节能优化调度. 结果表明, 该算法收敛速度快且结果可靠. 粒子群优化算法为解决工程约束优化问题提供了一条可行途径.     

基于模糊离散粒子群算法的非均匀阵列优化

首次将模糊离散粒子群算法应用到稀疏阵列天线阵元位置优化上,以得到低的副瓣电平。与遗传算法等进化算法相比,模糊离散粒子群算法有参数少、易于执行的优点。为了尽量避免算法陷入局部最优,在优化中引入了混沌过程;同时用罚函数方法进行了主瓣约束。对于线性阵列的仿真结果表明,该方法能很好地处理离散问题。     

基于Lagrange乘子法的一种新型改进粒子群优化算法

社会和生产实践中抽象出来的模型一般为非线性约束优化,而约束优化一般很难直接求解.首先,我们通过引进增广lagrange乘子法,将约束优化转化为有界约束优化,然后引入粒子群优化算法来进行求解,并且我们提出来一种嵌入了最速下降法的改进粒子群优化算法,以此来解决标准粒子群算法中收敛速度慢和精度低的问题,提高了搜索的效率,特别是局部搜索的效率.改进算法有效地结合了粒子群优化算法比较强的全局搜索能力和最速下降法的精细快速的局部搜索能力,相比于标准粒子群优化算法,克服了收敛速度慢的特点.数值实验表明,通过改进的粒子群优化算法可以找到所求优化问题的全局最优解.     

基于多目标拆分优化思维的拥塞网络数值调度方法

针对网络拥塞数值调度中存在的盲目性问题,提出了一种基于多目标拆分优化的网络拥塞数值调度方法.将拥塞网络的数值调度问题进行模型化表示,并将拥塞过程调度的最优问题分解为多个目标同时优化问题:即信道最优任务分配问题和路由拥塞调度问题.根据粒子群算法,对信道分配问题的最优解进行计算,同时设计约束模型并利用遗传算法求解拥塞调度问题,实现了在拥塞状态下的网络数值调度.结果表明,所提出算法获得的拥塞调度方案具有较好的可执行性.     

基于确定网络的多级物流网络优化设计

针对已存在的多级物流配送网络没有充分考虑配送节点的可能状态的问题,根据一段时期产品的需求量不同等特点,通过动态调整节点关闭状态,以最小化企业物流网络的总体费用为优化目标,构建了可描述带能力约束的多级配送网络设计问题的优化模型.根据物流配送网络设计问题的特点,基于模拟退火算法思想,结合该模型对算法做出了改进,并使用改进后的模拟退火算法对模型进行求解分析.算例的计算结果表明,该优化方法运算快捷,所求结果合理,是解决相关物流问题的一种有效方法.     

无线传感器网络能效模型的量化评价与优化

为解决面向工业实时控制的无线传感器网络在性能和能量效率的平衡问题,提出了一种能效模型的量化评价和优化设计方案．该方案通过引入反馈控制的思想,运用层次分析法构建基于服务质量约束的能效模型评价方法,采用加权和的综合量化指标权重计算服务的可用性;在此基础上,给出了基于效用函数的优化模型并设计了一种多度量目标优化算法．仿真结果表明,该方法能对网络协议进行调整优化满足有限能量条件下的服务质量约束,保证数据传输可靠,降低能量消耗,延长网络生存时间．     

一种改进的双向singleton弧相容算法

在现有相容性算法研究的基础上,提出了一种在约束网络中确立双向singleton弧相容的新算法——BiSAC-2,并给出了其正确性和完备性证明。该算法与原有算法BiSAC-1具有相同的化简问题能力,但BiSAC-2能够减少弧相容维护的次数,避免冗余约束传播过程的产生,从而可以快速地到达稳定点,进而实现高效的目的。对随机约束满足问题的测试结果表明,算法BiSAC-2比原始算法BiSAC-1具有更明显的性能优势。     

应用动态设计变量优化方法进行城市群公路网优化布局

目的为目前城市群公路网布局提供一种最优的计算方法.方法以公路网重要度为目标函数,以资金投入为固定值作约束条件,以节点连通值为设计变量,提出了连续值优化计算,合理进行公路建设和维护.结果建立了城市群公路网优化布局模型;采用VB语言开发了求解公路网优化布局的公路网重要度模型的梯形算法主程序;通过实例验证了算法的正确性.结论城市群公路网布局的计算方法尤其适合求解大规模公路网优化问题,解决常规算法难以应用于大规模网络优化问题的难题.     

基于链式遗传——模拟退火算法的配电网络重构

以网损最小为目标函数,节点电压、网络辐射性和电源容量的限制为约束条件,建立了配电网络重构优化数学模型。针对各种单一算法的局限性,提出了一种基于链式遗传-模拟退火算法。该算法将环境压力映射为待优化问题,进化链（食物链）上每条染色体（个体）则对应问题的一个候选解,通过模拟退火Metropolis取舍准则控制算法搜索最优方案的进程。最后,在IEEE16节点系统上验证了所提方法的有效性。     

遗传算法在矿井通风网络优化中的应用

建立了矿井通风系统网络优化的非线性规划数学模型,并用遗传算法来求解该优化模型.使用罚函数法对优化模型所包含的约束方程进行转化和处理,使之适用于遗传算法.罚函数的形式采用不可微精确罚函数,并在惩罚参数的选择上参考了模拟退火算法的一些优点,设计出一种动态罚函数.应用遗传算法对一个简单通风网络的优化模型进行求解.结果表明：优化后通风系统总能耗降低了7.78 kW,其下降幅度约为3%.     

基于基站休眠技术的无线通信网络能源协作策略

有效提高无线通信网络能源效率,降低能源成本,提升通信服务质量,一直是通信领域重要的研究课题. 本文利用基站休眠技术关闭低负载状态或处于空闲状态的基站,联合能源采集技术采集清洁能源供基站和其他系统使用,通过系统能源协作降低能源的浪费,该协作模型是一个约束优化问题,使用一种动态权重约束优化处理算法对模型进行求解分析. 实验表明,本文提出的系统模型能有效降低网络能耗,提高通信速率.     

高QoE的低时延智能网络数据传输调度算法

面向低时延、稳定传输、高用户体验质量(quality of experience, QoE)的网络实时传输需求场景,提出一种低时延智能网络数据传输调度算法。该算法由数据块排队控制策略和拥塞控制策略两部分组成。数据排队控制策略提出了综合数据块的创建时间和有效时限(effective time)的性价比模型,有效地解决了传输时间约束下的信息传输不均衡问题;拥塞控制策略提出了基于使用耿贝尔分布(Gumbel distribution)采样重参数化与混合经验优先级模型改进后的深度确定性策略梯度(deep deterministic policy gradient, DDPG)方法,解决了深度确定性策略梯度不适用于离散网络动作空间拥塞控制的问题,并通过学习自适应调整发送参数显著提升了网络拥塞控制质量。实验结果表明,实时传输场景下使用本文提出的排队算法能够有效提升QoE,采用改进后的DDPG进行拥塞控制能大幅降低传输时延。同样场景下,将提出的智能网络数据传输调度算法与排队策略及拥塞控制策略相结合,与传统的网络数据传输调度算法相比,能够更好地兼顾低时延和稳定传输,提供更高的数据传输质量。     

无线Mesh网络中功率控制、信道分配和调度的联合优化

研究规则的多接口多信道无线Mesh网络吞吐量最优化问题,目的是在给定网络拓扑结构和流量需求的情况下,联合考虑功率控制、信道分配和调度,求出公平性约束下的最大吞吐量.采用图论的方法,目标优化问题可以被分解为有限个子问题,而每个子问题可以表示成一个线性规划问题,分别求解这些子问题从而得到目标问题的解,并从理论上证明了该解的全局最优性.该算法需要遍历所有可行的场景,具有O(2n)的计算复杂度.同时提出了一种次优算法,以很小的性能下降为代价获得了O(n)的计算复杂度.仿真实验结果显示,在9个节点的网络中,次优算法得到的网络吞吐量与最优算法相比下降不超过8％,而计算速度有显著提高.