动态惯性权重粒子群优化算法

针对基本粒子群优化(Particle Swarm Optimization,PSO)算法的不足,提出动态惯性权重粒子群优化算法,其惯性系数随算法进化而动态减少。仿真结果验证了该改进算法的有效性:算法的收敛速度比基本PSO算法的收敛速度快;同时,算法得到的最优解比基本PSO算法好。     

改进惯性权重的粒子群目标跟踪算法

粒子群优化算法中惯性权重的设置极其重要,直接影响算法性能。提出了一种改进的粒子群优化算法,并应用到目标跟踪领域,提高算法运算效率。首先,设置粒子群优化算法中的参数;其次,结合粒子优化率的概念记录粒子的不同状态,进而调节惯性权重,更新粒子的速度和位置;最后,对目标相似性函数进行优化,实现目标的准确定位。实验结果表明,该方法可以有效应对目标出现部分遮挡的跟踪难题,同时提高目标跟踪效率,具有较好的实时性。     

基于动态惯性权重粒子群算法的配电网状态估计

配电网单条馈线节点少、支路少,常采用加权最小二乘法对配电网各条馈线分别进行状态估计。但由于牛顿法对初值要求高,易发散,为此采用动态惯性权重粒子群算法对配电网进行状态估计。该算法能自动调节搜索步长,加快收敛速度,弥补了基本PSO算法易陷入局部最优、算法不稳等不足。4节点算例证明该算法可稳定快速收敛,即使初值偏离真值较远也能有效、快速收敛;IEEE 33节点算例证明了该算法运用于配电网状态估计时收敛速度快、精度高。     

基于免疫粒子群算法的电力系统无功优化

为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE 30节点系统算例仿真表明,IA-PSO算法与标准PSO算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

基于粒子群算法的多阈值图像分割

将模式识别中的Fisher准则推广到多阈值范围内,对图像的阈值分割结果进行评判,并使用粒子群优化算法对搜索过程进行优化,达到图像分割的日的.从理论上上对算法的参数取值进行了讨论并从实践角度提出正交试验的参数确定法以在实际运算中提高运算速率并规避局部极值点.并在此基础上进行了灰度图像分割实验与彩色图像分割实验.最终实验结果证明,该算法较传统算法效率上有极大提高,实现简洁,可用于嵌入图像分析与图像识别领域.     

基于改进惯性权重PSO算法的目标位置测量技术

针对现有目标位置求解算法推导复杂和标准粒子群算法易陷入局部最优点的问题,提出了一种基于改进惯性权重粒子群算法的目标位置测量方法。该方法通过引进指数因子改进标准粒子群算法的惯性权重,平衡了其全局和局部搜索能力．实现了目标位置的高精度测量。仿真结果表明利用该方法能有效地对目标进行位置测量,测量精度达到0．5％。该方法对无线传感器网络定位、移动通信定位等工程问题也具有一定的研究意义和应用价值。     

基于改进粒子群算法的梯级水电站优化调度

梯级水电站的优化调度是一个具有复杂约束条件的大型动态非线性优化问题,运用标准线性粒子群算法求解有易陷入局部最优的特点.针对这个问题对惯性权重的更新策略进行改进,减弱了典型线性寻优的局限性,得到更优的优化结果.以恩施芭蕉河梯级水电站丰水期为例,建立以周期发电量最大为目标函数的梯级水电站的短期优化调度模型,运用粒子群优化算法对其进行求解,得到了较好的梯级水电站优化调度结果.     

基于自适应混沌粒子群优化算法的多目标无功优化

针对粒子群无功优化中由于随机生成代表控制变量值的粒子,使得在优化迭代过程中易陷入局部最优解,而且后期收 敛速度慢等问题,将混沌优化算法融合到粒子群算法中,提出了混沌粒子群算法求解多目标无功优化问题.该算法在初始化粒子即无功优化控制变量值时,采用混沌思想,增加控制变量取值的多样性;通过粒子群无功优化算法计算各个粒子对应的适应值即无功优化目标函数值,并按照其大小择优选取控制变量值进行混沌优化以帮助无功优化控制变量跳出局部极值区域;并根据无功优化目标函数值自适应地调整其惯性权重系数以提高全局与局部搜索能力.通过算例分析表明,采用自适应混沌粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快.     

基于自适应混沌粒子群优化算法的多目标无功优化

针对粒子群无功优化中由于随机生成代表控制变量值的粒子,使得在优化迭代过程中易陷入局部最优解,而且后期收敛速度慢等问题,将混沌优化算法融合到粒子群算法中,提出了混沌粒子群算法求解多目标无功优化问题。该算法在初始化粒子即无功优化控制变量值时,采用混沌思想,增加控制变量取值的多样性;通过粒子群无功优化算法计算各个粒子对应的适应值即无功优化目标函数值,并按照其大小择优选取控制变量值进行混沌优化以帮助无功优化控制变量跳出局部极值区域;并根据无功优化目标函数值自适应地调整其惯性权重系数以提高全局与局部搜索能力。通过算例分析表明,采用自适应混沌粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快。     

粒子群优化算法及在电力系统中的应用

粒子群优化方法是一种基于群体智能的新型演化计算技术。文章在介绍PSO算法及其特点的基础上，总结了PSO算法在电力系统规划等领域的研究现状，但目前的很多工作还处于研究阶段，相信随着研究的进一步深入，PSO算法将在更多的领域中得到更广泛的应用。     

电力系统无功优化自适应粒子群算法

针对粒子群(PSO)算法存在易陷入局部最优的缺点,提出了一种新的基于种群多样性指数的自适应粒子群优化算法(ASPO)。该算法利用种群多样性信息对惯性权重进行非线性调整,并在算法后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优的束缚,同时又保持前期搜索速度快特性。将其应用于电力系统无功优化,对IEEE-30节点系统进行仿真计算,并与GA、PSO等算法比较,结果表明APSO算法能有效应用于电力系统无功优化,其全局收敛性能、收敛精度和收敛稳定性均较GA、PSO算法有了明显提高。     

基于粒子群优化算法的配电网重构和分布式电源注入功率综合优化算法

随着分布式电源(distributed generation,DG)在配电网中安装比例逐年增加,配电自动化应加强对DG的优化调度功能,发挥DG对配电网优化的有利作用。配电网重构是配电网优化的重要措施,DG联网后,DG注入配电网功率直接影响配电网重构结果。为使配电网性能达到整体最优,提出了一种基于粒子群优化算法(particle swarm optimization,PSO)的配电网重构和DG注入功率综合优化算法。该算法根据PSO并行计算的特点,采用PSO和二进制粒子群优化算法(binary particle swarm optimization,BPSO)相结合的方式,对转换开关状态和DG注入功率2种控制变量同时处理,达到配电网网损、电压偏差最小的目的。将DG作为可调度设备,对配电网重构和DG注入功率进行综合优化,提高了含DG配电网的电能质量和供电可靠性。将该算法应用到3馈线配电系统,仿真结果验证了所提算法的有效性。     

改进型粒子群算法的电力系统无功优化研究

针对粒子群算法(PSO)应用电力系统无功优化时本身特性易导致计算结果不精确的问题,首先将系统有功网损最小值作为目标函数模型;其次调整该算法的惯性权重(ω)和学习因子(c);再引入免疫算法,结合两种算法的优势进行融合,发现该方法可在一定程度弥补粒子群算法原本的缺陷,在全局范围内搜索确定最优解;最后对改进算法应用MATLAB进行检验,结果验证了理论分析的正确性。研究结果表明该方法可有效降低系统网损,提高电能质量。     

改进粒子群算法在电力系统无功优化中的应用

针对传统粒子群算法易出现早熟收敛、易陷入局部最优、搜索精度低等问题,从惯性权重和加速常数两方面对其进行改进.将改进后的粒子群算法应用到电网无功优化中,加快了收敛速度和提高了搜索精度.仿真结果证明了改进的粒子群算法的正确性及有效性.     

电力系统机组组合问题的改进粒子群优化算法

机组组合问题是一个大规模的非线性混合整数规划问题.文章首先对机组组合问题的0、1变量进行松弛,应用罚函数方法将此问题转化为一个非线性连续变量的规划问题,并应用改进粒子群优化算法求解.该算法在标准的粒子群优化算法的基础上,每个粒子速度和位置的更新不仅考虑自身个体极值和全局极值的信息,还考虑其它粒子所包含的信息.通过收敛性分析可知,若合适地选择算法的控制参数,该算法能较好地收敛到最优解.算例表明文章所提出的算法具有解的质量高、收敛速度快的优点.     

用于机组组合优化的蚁群粒子群混合算法

提出了一种用于求解机组组合优化问题的蚁群粒子群混合优化算法。通过将机组组合解编码为机组操作序列,降低了蚁群算法搜索的难度,使其空间复杂度由指数型降为线性型,使采用蚁群算法求解更大规模的机组组合问题成为可能。采用协同粒子群算法求解多时段负荷的经济分配问题时,用一个粒子群处理一个时段的优化问题,通过共享粒子群间的惩罚项解决了机组爬升率的约束问题。10机和20机系统的仿真实验和分析结果验证了该方法正确性、有效性和优越性。     

基于动态改变惯性权值的粒子群算法

粒子群算法的速度更新公式是通过惯性权值来调节前代速度对当代速度的影响。标准粒子群算法的惯性权值是采用线性递减策略,这使得算法极易收敛到局部最优;而且这种方法依赖于最大迭代次数的设定,使得惯性权值的选取具有盲目性。本文提出一种动态改变惯性权值的方法,充分利用目标函数所提供的信息,构造按指数衰减的惯性权值并进行了分析,最后对一标准测试函数进行了仿真。结果表明,所提算法能够得到更好的优化效果,验证了方法的有效性。     

基于遗传粒子群混合算法的机组组合优化

节能发电调度的目标是实现能耗量最小,合理安排机组发电计划则更为至关重要。在参考文献的基础上,提出了一种用于机组组合优化的遗传粒子群混合优化算法。先用遗传算法求解机组组合,再用粒子群优化算法求解负荷经济分配。按照节能调度思路对遗传算法进行了改进,提高了优化性能。给出了10机算例系统优化结果,验证了该混合算法的可行性和有效性。     

基于改进惯性权重粒子群算法的抢修小组快速调配策略

为减少电网抢修人员的调度时间以及提高电网的抢修效率,从前期保障角度建立了基于最短距离的抢修小组驻地选择模型;为解决后期多点故障发生后的调度问题,建立了基于最小维修时间的抢修小组调度模型。通过引入动态调整的惯性权重对粒子群算法（particle swarm optimization,PSO）进行改进,使算法的局部收敛性和全局收敛性均有所提高。同时针对旅行商（traveling salesman problem,TSP）问题,增强了算法解决高维度、顺序优化问题的能力。某城市50节点算例的仿真研究表明,所提方法能够准确有效地确定抢修小组驻地位置,当电网发生多处故障后能够迅速高效地确定应急抢修顺序方案、减小抢修工作调配时间,从而降低了因停电所造成的损失。     

基于遗传粒子群混合算法的机组组合优化

节能发电调度的目标是实现能耗量最小,合理安排机组发电计划则更为至关重要.在参考文献的基础上,提出了一种用于机组组合优化的遗传粒子群混合优化算法.先用遗传算法求解机组组合,再用粒子群优化算法求解负荷经济分配.按照节能调度思路对遗传算法进行了改进,提高了优化性能.给出了10机算例系统优化结果,验证了该混合算法的可行性和有效性.