遗传算法在乌鲁瓦提水库优化调度中的应用研究

以乌鲁瓦提水库为研究对象,利用遗传算法进行求解,建立了乌鲁瓦提水库以年发电量最大为目标并兼顾下游综合用水要求的单库优化调度模型,计算结果表明,该方法比常规方法能使水库更好的发挥其综合利用功能,为乌鲁瓦提水库的合理利用与管理提供了理论指导.     

模糊遗传算法在水库长期优化调度中的应用

传统遗传算法常采用罚函数法来处理优化问题中的约束条件,但存在较难选择罚函数的缺陷.将模糊技术与遗传算法结合起来,通过对目标函数、约束条件的模糊化来重构适应度函数,将原问题转变为一个无约束条件问题,从而使优化结果精度得到提高.进行实例计算,并通过与动态规划法进行比较,说明了该方法的可行性与有效性.     

加速遗传算法在大桥水库电站优化调度中的应用研究

以四川省凉山州安宁河龙头水库大桥水库水电站为研究对象,利用加速遗传算法进行求解,首次建立了大桥水库电站以年发电量最大为目标并兼顾下游用水等要求的单库优化调度模型。计算结果表明,该方法能有效地克服标准遗传算法早熟收敛、计算量大、全局优化速度慢等缺点,能较好的应用于水库优化调度计算。同时,为进一步开展大桥水库水资源的合理利用与管理提供了理论指导。     

蜜蜂进化型遗传算法在水库优化调度中的应用

提出了一种基于蜜蜂进化型遗传算法的水库优化调度问题的求解方法,并通过实例对蜜蜂进化型遗传算法和标准遗传算法的性能做了比较.结果表明,在进化代数相同的条件下,由于蜜蜂进化型遗传算法在配种选择算子上使用种群的最优个体作为蜂王,提高了种群收敛速度;再者,在代进化过程中引入一个随机种群,保持了群体的多样性,提高了算法的勘测能力.     

多目标免疫遗传算法在梯级水库优化调度中的应用研究

为了提高遗传算法在多目标梯级水库优化调度中的应用效果,在标准遗传算法的基础上引入了免疫机制,并将其应用到周公宅-皎口水梯级水库优化调度中。计算结果表明,免疫遗传算法较好地克服了标准遗传算法收敛速度慢、易陷入局部极值、早熟等弱点。     

遗传算法在水库调度中的应用综述

简要回顾了遗传算法在水库调度中的应用概况,对遗传算法用于水库调度优化时的编码、约束条件处理、早熟与全局收敛性、参数设置、混合遗传算法、多目标遗传算法以及效率评定准则等问题进行了综述。分析遗传算法耗时与全局收敛之间的矛盾后认为,遗传算法适用于传统方法难以求解的优化问题,以及对计算时效性要求不高或者目标函数计算复杂度不高的实时水库调度问题,特别是水库中长期调度以及水资源规划问题。     

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。     

遗传模拟退火和小生境遗传算法在水库优化调度中的比较

根据溪洛渡水库的具体情况,建立了以发电量最大为目标的水库优化调度非线性数学模型,并利用遗传模拟退火算法(GSA)和小生境遗传算法(NGA)分别求解模型.结果表明,GSA和NGA的收敛速度和计算结果都明显优于基本遗传算法;且两者相比,GSA的收敛性更强,但计算时间较长.而在求解水库长系列优化调度问题时,各遗传算法占用机时太多,且收敛能力较差.     

基于遗传算法的水库调度策略研究

在水库运行中,选择适当的方法来推导水库运行策略是极其重要的。利用遗传算法优化北疆工程水库的运行模式,推导出水库优化运行规律;采用遗传算法模型的适应度函数使月灌溉需求的平方偏差和质量平衡方程的平方偏差最小;决策变量为每月从水库中灌溉的释放量和每月初水库的初始蓄水量;该优化考虑多种情况的约束和限制。研究结果表明,若要灌溉量等于灌溉需求,需要在7月份时达到最小蓄水量,在10月份时达到最大蓄水量,这样既满足了灌溉需求,又减少了全年调度过程中的水量损失。研究结果可为水库调度的实际应用中发挥作用。     

遗传算法在机组优化调度中的应用

针对电力系统机组优化调度问题，结合算例采用遗传算法进行求解。在遗传算法操作中，“有选择地引用上一代最优个体作为新种群的个体”，保证其快速收敛。结果表明，遗传算法具有较强的全局搜索能力，是解决组合优化问题的一种有效的方法。     

单纯形混合遗传算法在水库优化调度中的应用研究

针对遗传算法收敛速度慢,收敛率低等缺点作了改进,引进了单纯形算法与遗传算法相融合的单纯形混合遗传算法(SM-HGA),并将其应用于水电站水库优化调度中,通过实例计算证明改进后的单纯形遗传算法具有收敛速度快收敛率高的优点,是水库调度比较好的方法.     

遗传算法在跨流域引水工程优化调度中的应用

本文将遗传算法应用于大伙房水库跨流域引水工程长期优化调度中。为解决进化过程中产生的部分破坏约束条件的个体,采用对破坏约束条件时段的初末水位做出在水位允许区间内降低或抬高到某随机值的调整的改进方法,使得遗传运算得到的个体绝大部分为可行解,能够更快速地找到全局最优解。与传统的长系列法相比,在满足年保证率的前提下不但降低了引水量,而且提高了农业供水保证率。     

混合粒子群算法在水库优化调度中的应用

水库优化调度是个非线性、强约束的组合优化问题,利用基本粒子解方法易于陷入局部优化;本文利用混合的粒子群算法,较好地克服了基本粒子群早熟和易于陷入局部最优的缺点,获得了更好的计算精度.实例结果表明,该方法有一定的有效性.     

改进风驱动优化算法在水库调度中的应用

风驱动算法是一种新兴的基于群体迭代启发式的全局优化算法,与遗传算法、布谷鸟算法等相比,具有明确的物理背景,但该算法避免不了易陷入早熟和收敛效率慢的问题。针对早熟,本文提出了扰动策略,对当前最优适应度值对应的任一元素进行扰动,且随着迭代次数的增加,扰动量逐渐减少。针对收敛效率不高,提出了空间压缩策略,采用奇偶相间的方式,通过计算约束更新解的上下限以保证该解是可行解。将改进的风驱动优化算法运用到某水库的优化调度中,并与粒子群算法和标准风驱动算法进行比较。结果表明改进的风驱动优化算法更为可靠、高效,能以较快速度收敛于最优解,且最优解值更大,为水库优化调度模型求解提出新的解决方案。     

基于改进粒子群算法的水库优化调度研究

对粒子群优化算法易陷入局部最优的缺点作了改进,提出了一种带有扰动项的改进的粒子群优化算法,并将其应用于水电站水库优化调度中。实例计算证明,改进后的粒子群优化算法具有较好的全局搜索能力,能够有效克服陷入局部最优的缺点,是水库优化调度比较有效的方法。     

改进的粒子群算法在水库优化调度中应用

针对水库优化调度中存在的规模庞大、结构复杂,涉及大量的决策变量和复杂的约束条件,呈现出高维度、非线性、强约束特性,传统的优化方法难以直接求解或者计算效率低,存在早熟等问题。为了提高粒子群算法全局搜索能力和收敛性能,把下山搜索策略引入到粒子群智能算法中,提出了改进的粒子群算法。函数测试证明该方法改进了算法的鲁棒性,提高了算法求解效率。上述优化算法应用于水库优化调度模型求解中,计算结果表明:该方法易于实现,求解效率高,为水库优化调度模型求解提供了新的途径。     

对分插值与混沌嵌套搜索算法在梯级水库联合优化调度中的应用

在分析对分插值逼近算法和混沌优化算法的遍历性、敏感性、普适型、规律性、随机性等特点基础上,通过嵌套结构把确定性搜索和随机搜索有机结合起来,提出一种对分插值与混沌嵌套搜索算法的梯级水库联合优化调度的求解方法.实例分析表明,该算法具有参数配置简单、普适性强、稳定性高、全局优化等特点,并取得了与POA算法一致的收敛精度且计算速度有优势,可以求解诸如水库优化调度等具有复杂约束条件的非线性优化问题.     

基于逐次逼近遗传算法的梯级水库优化调度

利用传统遗传算法求解水库优化调度问题时,经过遗传操作产生的新个体可能是不可行解,因此需要对其进行修正.但在梯级水库调度中,由于各时段间、水库间存在的水力电力联系,使这种修正变得复杂困难.鉴于此,提出了逐次逼近遗传算法(GASA),它可在包含不可行解的空间中寻优,并通过搜索空间的不断改变,逐渐逼近最优解.最后通过一个算例,并与离散微分动态规划法(DDDP)和逐步优化法(POA)的优化结果进行比较,说明了该方法的可行性与有效性.     

水库适应性调度初探

变化环境下的水库适应性调度是国际水库调度领域的前沿课题。针对水库适应性调度,在实时调度方面需重点研究变化环境下的水文预报技术,提高预报精度;在规划和调度规则方面需构建全新的调度规则再编制技术,涉及水文频率分析、非一致性条件下评价指标体系以及水库调度规则的自适应跟踪控制等。为此,从水文时变预报预测、调度指标的动态评价、调度规则的跟踪控制以及柔性调度规则等4个方面提出研究思路与方法,为水库适应性调度理论和方法提供参考。     

混合智能算法及其在供水水库群优化调度中的应用

将遗传算法中的进化思想和蚁群算法中的群体智能技术有效地耦合,提出了一种基于两者的混合智能算法,应用于供水水库群系统的优化调度研究中。算法利用蚁群算法的并行性、正反馈性以及良好的全局寻优能力,避免搜索陷入局部最优,同时借鉴遗传算法的进化思想,利用杂交、变异算子来进行局部寻优,使其能快速搜索到全局最优点。在种群随机搜索过程中嵌入确定性的模式搜索,使得算法同时具有随机性和确定性。结合模拟退火思想,构造了罚因子处理约束条件,使该算法对水库优化调度问题以及其他优化问题具有一定的通用性。通过实例验证,并与大系统聚合分解经典算法进行比较,结果表明该算法是可行的和有效的。