基于新型Memetic算法的多目标优化

为了更好地解决多目标优化问题,提出一种求解多目标优化问题的新型memetic算法。该算法利用微粒子群算法的全局搜索能力和同步启发式局部搜索相结合进行局部微调;利用基于模糊全局极值的概念处理种群中过早出现收敛以及解多样性保持等问题。通过进一步检测得出新算法的特点并展示其在多目标优化问题上的独立性和综合效应。同时应用新型算法对IEEE14节点标准电网进行无功优化计算。结果证明,该新型memetic算法具有很好的寻优能力,验证了该算法的有效性及科学性。     

基于K-Means全局引导策略的多目标微粒群算法

提出了一种基于K-means全局引导策略的多目标微粒群算法(KMOPSO),通过K-means算法从归档集中选出K个均匀分布的非支配粒子作为全局最优引导,以保证种群中的粒子向整个Pareto前端移动,提高解的多样性. 用基于最近邻居的剪枝算法控制归档集规模,同时保证其中非支配解的多样性. 引入变异策略来加强算法的局部搜索能力,避免早熟收敛. 用5个经典函数进行了仿真测试,实验结果表明,该算法能有效地解决多目标优化问题,不但能收敛于Pareto最优前端,而且在解的多样性方面优于改进的非劣分类遗传算法和基于拥挤距离的多目标微粒群算法.     

基于粒子群算法的城市接驳公交网络优化调度方法

为提高公共交通分担能力和解决轨道交通与交通出行起讫点之间的公共交通接驳优化调度问题,提出了轨道与公交的接驳公交网络优化模型.模型主要考虑不同接驳站点在不同时间对轨道交通和交通出行起讫点之间的接驳需求建立多目标模型.分析选用粒子群算法对所建立的多目标优化模型进行分析求解,比较了在轨道接驳需求下多种车队规模的调度线路、时刻安排状况,得到轨道线路邻近区域内接驳网络的优化调度,当车队规模在定值时即可满足接驳轨道交通的换乘需求,优化调度使得平均满载率显著下降,另外,验证了接驳公交网络基于粒子群算法的优化调度可有效降低营运消耗.     

基于偏好信息的双阈值多目标粒子群算法

以获取偏好解为研究重点,提出了一种双阈值多目标粒子群(multi-objective particle swarm optimization with double thresholds,DT-MOPSO)算法.该算法利用g-支配增加选择压力,借助光束距离阈值σ控制非劣解的数量.另外,引入多样性指标的阈值实现对解集的分布性的控制.当解集的多样性指标低于阈值时,采用自适应网格技术增加解的多样性.通过对典型问题的测试,验证了改进算法的正确性和有效性.     

基于改进PSO算法的光伏发电系统控制室的选址

为解决我国西部无电村落供电问题,在这些地区引入了光伏发电.为了减少光伏发电建设投资和保证可靠供电,对控制室进行优化选址是非常重要的.针对控制室的选址问题,用传统的数学算法解决比较复杂,且不易实现最优,为此提出了改进粒子群算法进行控制室的选址.通过负荷分布情况及用电量情况建立目标函数和约束条件,利用惩罚函数法对约束条件进行处理,最后得到一个带有惩罚项但没有约束条件的目标函数,用MATLAB平台编程求解其最小值,完成所要搜寻优化问题的最佳结果.     

基于PSO的电力系统环境经济负荷调度

针对基于线性加权和处理成单目标优化问题的传统方法存在的缺陷,提出使用粒子群优化算法求解EELD多目标优化问题。该方法通过对粒子群算法个体极值和全局极值选取方式的改进,实现了对EELD多目标优化问题的非劣最优解集的搜索,为决策者提供了丰富的参考信息。在此基础上,应用模糊满意度方法求出的最优折衷解为调度运行人员提供了最佳调度折衷方案。最后,对一个三机系统进行了测试,并与线性加权人工神经网络法进行了比较分析,仿真结果验证了该方法的有效性。     

求解CVaR投资组合优化问题之改进PSO算法

研究了基于CVaR约束的的最优投资决策问题,为避免维数障碍,针对Fredrik提出的CVaR投资组合优化线性规划模型还原为非线性规划。通过引入缩进因子,改进PSO算法,使粒子在迭代过程中保持在可行域内。最后,通过算例证明了该文方法的有效性,计算结果表明,投资组合优化后的损失期望收益率、标准差、受险价值、条件受险价值等重要风险衡量指标都有了较大改进。     

基于细菌趋化的改进粒子群算法在无功优化中的应用

粒子群算法在电力系统无功优化中已经得到了广泛的应用,但是传统粒子群算法易陷入局部最优、后期多样性差,得不到最优解。在原有无功优化数学模型的基础上,引入了基于细菌趋化的粒子群改进算法。通过算例表明,该算法可以有效地克服以上缺点,优化计算结果。     

基于细菌趋化的改进粒子群算法在电力系统无功优化中的应用

传统粒子群算法易陷入局部最优、后期多样性差,得不到最优解.在原有无功优化数学模型的基础上,引入了基于细菌趋化的粒子群改进算法.通过算例表明,该算法可以有效克服传统粒子群算法的缺点,优化计算结果.     

Drilling Path Optimization Based on Particle Swarm Optimization Algorithm

This paper presents a new approach based on the particle swarm optimization (PSO) algorithm for solving the drilling path optimization problem belonging to discrete space.Because the standard PSO algorithm is not guaranteed to be global convergence or local convergence,based on the mathematical algorithm model,the algorithm is improved by adopting the method of generate the stop evolution particle over again to get the ability of convergence to the global optimization solution.And the operators are improved by establishing the duality transposition method and the handle manner for the elements of the operator,the improved operator can satisfy the need of integer coding in drilling path optimization.The experiment with small node numbers indicates that the improved algorithm has the characteristics of easy realize,fast convergence speed,and better global convergence characteris- tics.hence the new PSO can play a role in solving the problem of drilling path optimization in drilling holes.     

基于两阶段策略的粒子群优化研究

提出了一种基于传统粒子群优化的两阶段实施方案，通过对一组测试函数的仿真表明，该方案以适当增加的计算量为代价，提高了搜索成功率. 对比实验表明，两阶段方案几乎在各种最大可迭代次数的约束下都能获得更好的搜索成功率，且对学习速度参数的敏感性降低，算法的搜索性能更稳健.实施该策略时原则上子群数量宜选取一个适中的数值，以综合考虑可靠性与计算成本两个因素.     

基于改进PSO算法的柴油机PID控制器参数优化

PID控制器因具有结构简单、鲁棒性强和适用性广的特点而得到广泛应用;其控制效果取决于比例系数(Kp)、积分系数(Ki)和微分系数(Kd)3个参数的取值。为了解决控制参数的选取,提出一种基于改进粒子群优化(ParticleSwarm Optimization,PSO)算法的PID控制器参数优化策略,并将优化方案应用于柴油机转速PID控制器。仿真研究表明,改进PSO算法的PID参数优化策略具有很强的灵活性、适应性和鲁棒性,进而验证了优化方案的可行性和有效性。     

基于粒子群算法的RBF神经网络的优化方法

本文用粒子群算法来优化RBF神经网络的中心值和连接权值,使之具有更强的非线性逼近能力,并将优化后的RBF神经网络和未经优化的RBF神经网络用于非线性函数的逼近,实例证明优化后的RBF神经网络比未经优化的RBF神经网络具有更强的非线性函数的逼近能力。     

粒子群优化算法的研究与展望

粒子群优化算法是一种基于群智能的随机优化算法,具有简单易实现、设置参数少、全局优化能力强等优点.着重对粒子群优化算法中的基本算法、改进算法、应用领域和研究热点等方面做了较为详细的论述.     

基于粒子群算法的电站锅炉效率优化研究

该文以电站锅炉燃烧系统为研究对象,针对电站现场无法在线计算锅炉热效率的问题,利用BP神经网络建立了锅炉的热效率模型,并在此基础上,采用粒子群优化算法对锅炉运行参数进行优化。仿真结果表明,BP神经网络效率模型具有较高的精度,粒子群优化算法优化算法可以用于电站锅炉的热效率优化。     

基于小世界邻域结构的微粒群算法研究

分析了邻域结构对微粒群算法的影响，针对收敛速度慢，早熟收敛等缺点，结合小世界网络的基本特性，提出了一种基于小世界邻域结构的微粒群算法。在该模型中，邻域内部的高聚集性有利于微粒的细致搜索，而邻域间少量的长程连接又能保证微粒在进化过程中更加全面、快捷地实现信息的有效共享，从而在提高收敛速度的同时防止陷入局部最优。将本模型与Gbest模型及环形结构进行比较，发现该算法不仅具有更快的收敛速度，而且能够获得更好的收敛效果。     

基于微粒群算法的投资组合分析

介绍了将微粒群算法应用于求解均值．方差一峰度投资组合模型,分析了模型中的参数和求解结果之间的关系,并选取深交所4只股票来进行模拟仿真,最后仿真的结果说明微粒群算法对均值一方差．峰度模型是有效的。     

基于多样性优化策略的粒子群算法

针对标准粒子群优化算法(SPSO)存在粒子群多样性丢失而易陷入局部最优的问题,提出了一种改进优化算法(PSOBF),该算法通过引入排斥操作而提高了搜索效率.通过对4个标准测试函数的性能数值实验对比,并比较了PSOBF、SPSO及ARPSO算法结果,证实PSOBF可以较好地实现全局与局部搜索的平衡,表明改进算法是有效的.     

基于混沌思想的粒子群优化算法

为克服粒子群优化算法容易陷入局部最优的缺点，根据混沌运动的随机性、遍历性特点，提出一种基于混沌思想的粒子群优化算法（CPSO）、该算法利用种群适应度方差进行早熟收敛判断，实现对进化过程的监视，当发现种群陷入局部最优时，对种群进行混沌初始化，帮助种群摆脱局部最优点．对4种典型测试函数的仿真结果表明，改进算法明显减少了种群陷入局部最优的可能性．其全局寻优能力明显强于标准粒子群优化算法．     

基于混沌和多群体的粒子群优化算法

由于基本粒子群优化算法存在初始化随机性和遍历性不强,全局搜索容易陷入局部最优的问题,提出了基于混沌和多群体的粒子群优化算法,利用混沌特性初始化粒子,增强其随机性和遍历性,并根据适应度值将粒子群划分为多个群体,对不同群体中粒子的速度和位置采取不同的计算方法,进一步提高算法的收敛速度和精度。