混沌蚁群算法在水库优化调度中的应用

提出一种基于混沌优化算法和蚁群算法相结合的混合算法,在求解水库优化调度问题的方法。根据混沌变量的随机性和遍历性,利用混沌变量进行优化搜索,从而有效地克服了蚁群算法存在的效率低、易于演化停滞及陷入局部最优等问题。又利用蚁群算法信息素正反馈的优点,改善了混沌搜索的盲目性,提高了搜索的效率。通过实例计算,结果表明该算法具有效率高及较强的全局寻优能力。     

电力系统NP难问题全局优化算法的研究

通过对现有的NP难问题求解方法的分析，结合非确定性图灵机理论，提出基于随机化技术的方法是求解NP难及NP完全问题惟一有效途径的猜想。在现有的随机化方法中具有多点搜索特性的遗传算法具有最强的全局搜索能力，其局部精细寻优能力差的缺陷应通过专门的局部优化算法来补偿，即利用具体问题的特点开发面向问题的遗传算法。提出了开发新的高效全局优化算法的指导思想：多点随机化全局搜索策略 面向问题的局部寻优算法=最有效的全局优化算法。     

基于惩罚的遗传蜂群算法在梯级调度优化中的应用

本文提出了一种结合了生物进化和群体智能思想的新型智能算法,并应用于水库群的梯级调度优化研究中。本算法以人工蜂群算法中群体协作的正反馈机制、个体分工的性态多样性思想、优良的全局搜索能力、并行计算性及较强的鲁棒性为基础,进行问题空间的全局寻优;在个体的局部寻优行为中,引入遗传算法的杂交和变异算子来优化侦查蜂路径,避免陷入早熟问题。同时针对梯级调度优化中常见的多维变量约束条件,借鉴模拟退火算法思想,在目标函数中构造的惩罚因子,使得带约束问题转化为了纯粹的优化问题。经实例验证,本算法具有普遍的梯级调度优化解决能力,并与传统的遗传算法及人工粒子群算法相比,具有更好的精度、收敛速度和寻优能力。     

结合广度搜索的遗传算法在水库调度中的应用

为了改善遗传算法在水库优化调度中的应用效果,采用自适应遗传算法和广度搜索算子结合的算法,同时为保证水库优化调度搜索全局最优提供了一定保障。针对遗传算法容易陷入局部最优的缺点,引入正弦函数取随机数的广度搜索与遗传算法相结合的算法。通过分析比较单独使用自适应遗传算法或者广度搜索算法以及结合算法在实际水库优化调度中效果,结果显示,优化结果要比自适应遗传算法以及广度算法的结果更理想。充分证明了结合算法的高效全局搜索能力,避免了自适应遗传算法陷入局部最优,同时在一定程度上克服了广度搜索很难收敛的缺点,在一定收敛条件下得到了更接近全局最优的结果。     

基于GACO-BP-MC的大坝变形监控模型

建立相应的安全监控模型来分析大坝变形监测资料对保障大坝服役安全意义重大。BP神经网络模型在此方面得到了广泛应用,但采用蚁群算法(ACO)对BP神经网络参数寻优时存在因初期搜索完全随机导致收敛速度慢的问题。将具有快速随机的全局搜索能力的遗传算法(GA)引入蚁群算法中,利用遗传算法指导生成初始信息素分布,再由蚁群算法正反馈寻得最优解来训练BP神经网络,从而得到大坝变形预测值,2种算法优势互补,缩短了蚁群算法的搜索时间并避免陷入局部最优点。在此基础上,为进一步提高预测精度,采用马尔科夫链(MC)对预测结果进行改进,由此建立了应用于大坝变形监控的GACO-BP-MC模型。工程实例分析表明,该模型在参数优化方面具有较快的寻优速率,且具有较高的拟合和预报能力。     

基于改进萤火虫算法的梯级水库优化调度研究

梯级水电站水库群联合调度问题具有复杂的约束条件,受到发电、供水、防洪等目标的制约。作为多目标非线性优化调度问题,为了解决传统算法中存在结果受初值参数影响较大、容易陷入局部最优解、收敛速度不理想等问题,首次尝试将萤火虫算法引入梯级水库优化调度研究中。在传统萤火虫算法模仿自然界萤火虫捕食求偶行为的基础上,对其进行优化与改进,引入目标空间中解的Pareto支配关系比较萤火虫荧光亮度,比较其优化解,采用轮盘赌法确定萤火虫每次更新过程中的移动路径,利用精英保留策略建立多目标萤火虫模型。通过典型的梯级水电站进行仿真计算,研究结果表明,改进的多目标萤火虫算法在优化过程中具有较强的寻优能力,能更好地进行全局搜索和局部搜索,计算过程中具有良好的稳定性,并且计算效率较高,优于遗传算法(GA)、粒子群算法(PSO)和蚁群算法(ACO),为多阶段、多约束的梯级水电站水库群中长期优化调度问题提供了新的途径和新方法。     

改进蚁群算法及其在水利工程项目管理中的应用

为了更加有效解决水利工程项目管理中的多目标决策问题,提出了一种改进蚁群算法。该算法首先利用遗传算法的全局搜索能力将信息素初始化,然后在算法进行遍历过程中引入变异操作和交叉操作,提高算法的鲁棒性和有效性。水利工程项目多目标优化案例分析表明,较传统遗传算法和蚁群算法,本文提出的方法对于解的寻找速度更快,解的质量更高,该算法具有较高的全局寻优能力。该研究为水利工程项目管理多目标决策问题的解决提供了一种新的思路和方法。     

粒子群算法在梯级水库优化调度中的应用研究

针对PSO算法易陷入局部最优和后期收敛速度慢的缺陷,引入进化遗传算法中的"变异"算子并采用自适应的权重因子,以改进其全局优化能力和搜索效率。引入粒子矩阵,通过对粒子在多维空间中最优位置的搜索来实现逐时段的优化计算,并将该算法应用于金沙江复杂梯级水电能源系统中长期优化调度计算中。计算结果表明,智能优化方法在复杂系统全局优化问题上较常规数学优化算法有更优越的优化性能,从而为解决复杂水电能源非线性动力系统的全局优化计算问题提供了一种新的有效的方法。     

改进的遗传算法在水库调度中的应用

为了改善遗传算法在水库优化调度中的应用效果,采用自适应遗传算法和广度变异模块相结合的分层收敛算法:第一层采用广度变异和外部存档的方式改善种群的多样性;第二层嵌套广度变异模块,并采用自适应遗传算法进行全局搜索。通过比较自适应遗传算法和分层进化算法,结果显示:基于遗传算法的分层算法具有高效的全局搜索能力,避免了自适应遗传算法陷入局部最优的缺陷,在一定收敛条件下得到了更接近全局最优的目标值。     

改进加速遗传算法在梯级水电站优化调度中的应用

在加速遗传算法中嵌入局部搜索法，以加强算法的全局寻优能力。将改进的加速遗传算法应用到梯级水电站中长期优化调度中，可避免动态规划在解决复杂优化问题时易产生“维数灾”的缺点。建立了以梯级发电量和发电保证率最大为目标函数的梯级水电站中长期优化调度模型，并结合模拟退火思想，构造了罚因子将两目标转化为单目标求解，阐述了用改进加速遗传算法解决问题的方法和步骤。实例表明，与其他几种调度算法比，该方法能够求得较准确合理的解，有一定的实用性。     

水库群供水调度预警系统研究及应用

针对水库供水调度的实时性和不确定性,通过分析入库径流超越机率,以缺水率最小为目标函数,建立水库群供水调度模型,并应用基于免疫进化的蚁群算法对模型进行求解,绘制水库群供水调度操作规线;应用模糊数学、信息熵等原理,确定现状水库供水指标D、未来供水水情指标S以及水库供水预警指标和应变措施,建立了水库群供水调度预警系统。实例计算表明,本文建立的水库供水预警系统能够合理、有效地为调度操作人员提供正确、及时的决策。     

An Improved Continuous Ant Algorithm for Optimization of Water Resources Problems

Ant colony optimization was initially proposed for discrete search spaces while in continuous domains, discretization of the search space has been widely practiced. Attempts for direct extension of ant algorithms to continuous decision spaces are rapidly growing. This paper briefly reviews the central idea and mathematical representation of a recently proposed algorithm for continuous domains followed by further improvements in order to make the algorithm adaptive and more efficient in locating near optimal solutions. Performance of the proposed improved algorithm has been tested on few well-known benchmark problems as well as a real-world water resource optimization problem. The comparison of the results obtained by the present method with those of other ant-based algorithms emphasizes the robustness of the proposed algorithm in searching the continuous space more efficiently as locating the closest, among other ant methods, to the global optimal solution.     

蚁群算法求解梯级电站短期优化调度改进研究

本文提出一种改进蚁群算法(Improved ant Colony Optimization Algorithm)求解梯级水库群短期优化调度问题。该算法的改进主要包括嵌入邻域搜索的单库轮换寻优、基于出力反推的初始解生成技术和约束优先的目标函数比较方法。以四川某中型流域梯级三级电站联合运行为背景,对蚁群算法和改进蚁群算法的求解质量和收敛性进行比较,实例验证表明,改进蚁群算法可以获得较好的优化调度结果。     

免疫粒子群算法在梯级电站短期优化调度中的应用

将免疫原理引入粒子群算法(PSO)中,利用其免疫记忆与自我调节机制保持各适应度层次的粒子维持一定的浓度,保证种群的多样性;引入疫苗接种等操作,对算法的进化过程进行有目的、有选择地指导,提高算法的搜索性能.随后在分析梯级电站短期优化调度数学模型及该算法特点的基础上,建立了基于免疫粒子群(IPSO)算法的梯级电站短期优化调度数学模型,并给出其具体的求解步骤.最后应用该方法进行仿真计算,并与常规调度及PSO算法进行对比,结果表明,该算法可获得较优的优化调度方案,并可提高解的精度,加快其收敛速度.     

Optimizing Hydropower Reservoir Operation Using Hybrid Genetic Algorithm and Chaos

Genetic algorithms (GA) have been widely applied to solve water resources system optimization. With the increase of the complexity and the larger problem scale of water resources system, GAs are most frequently faced with the problems of premature convergence, slow iterations to reach the global optimal solution and getting stuck at a local optimum. A novel chaos genetic algorithm (CGA) based on the chaos optimization algorithm (COA) and genetic algorithm (GA), which makes use of the ergodicity and internal randomness of chaos iterations, is presented to overcome premature local optimum and increase the convergence speed of genetic algorithm. CGA integrates powerful global searching capability of the GA with that of powerful local searching capability of the COA. Two measures are adopted in order to improve the performance of the GA. The first one is the adoption of chaos optimization of the initialization to improve species quality and to maintain the population diversity. The second is the utilization of annealing chaotic mutation operation to replace standard mutation operator in order to avoid the search being trapped in local optimum. The Rosenbrock function and Schaffer function, which are complex and global optimum functions and often used as benchmarks for contemporary optimization algorithms for GAs and Evolutionary computation, are first employed to examine the performance of the GA and CGA. The test results indicate that CGA can improve convergence speed and solution accuracy. Furthermore, the developed model is applied for the monthly operation of a hydropower reservoir with a series of monthly inflow of 38 years. The results show that the long term average annual energy based CGA is the best and its convergent speed not only is faster than dynamic programming largely, but also overpasses the standard GA. Thus, the proposed approach is feasible and effective in optimal operations of complex reservoir systems.     

改进遗传算法及其在水库群优化调度中的应用

根据梯级水电站优化调度特点,建立遗传算法(GA)求解多阶段最优化问题的数学模型.针对标准遗传算法(sGA)局部寻优能力较差、易早熟等不足之处,从编码方法、遗传算子和混合算法方面对其进行改进,提出了采用超立方体浮点数编码自适应遗传算法(AGA)和超立方体浮点数编码遗传模拟退火算法(SA-GA).通过16种不同策略的GA在雅砻江梯级优化调度中的应用,其结果表明了改进策略在解决水库群优化问题方面的有效性和优越性.最后将GA与动态规划(DP)算法的性能进行比较分析,充分体现了GA的优点.