边界扫描测试生成算法优化问题

紧凑性和完备性是评价边界扫描测试生成算法的两大指标,紧凑性指标越小、完备性指标越大则表明算法越优。算法研究目的是减小紧凑性指标,增加完备性指标,而它们是一对矛盾的集合体,单纯优化任何一个都不能使测试算法最优。论文提出了一种通过综合权衡两大指标来优化算法方法：1．确定对完备性指标的要求,寻求紧凑性指标最小的测试向量集。2.在确定紧凑性指标的前提下,寻求完备性指标最佳的测试向量集。以此为依据对现有算法进行了优劣排序,并提出了两种更优的新算法,最后对这种优化问题未来的发展方向进行了预测。     

基于量子粒子群算法的电力系统无功优化

量子粒子群算法是以粒子群中粒子的收敛特性为基础,依据量子物理理论提出的,改变了传统粒子群算法的搜索策略,可使粒子在整个可行解空间中搜索寻求全局最优解.首次将量子粒子群算法用于电力系统无功优化中,以网损最小为目标函数,在IEEE30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于量子粒子群(QPSO)...     

粒子群优化算法在配电网网架优化规划中的应用

粒子群优化(PSO)算法已经成功地用于求解连续域问题,但是对于离散域问题的求解研究还很少。文中使用模糊离散粒子群优化算法,用于求解配电网网架优化问题。采用模糊矩阵表示粒子的位置和速度。为了处理配电网辐射性结构的约束条件,引入了图论中的最小生成树问题。最后对算例进行测试,检验该方法的有效性及应用效果。     

粒子群优化算法在配电网网架优化规划中的应用

粒子群优化(PSO)算法已经成功地用于求解连续域问题,但是对于离散域问题的求解研究还很少.文中使用模糊离散粒子群优化算法,用于求解配电网网架优化问题.采用模糊矩阵表示粒子的位置和速度.为了处理配电网辐射性结构的约束条件,引入了图论中的最小生成树问题.最后对算例进行测试,检验该方法的有效性及应用效果.     

考虑风力发电随机性的配电网重构

针对含风力发电的配电网系统建立风力发电机和负荷随机模型.采用提出的粒子群引导的最小生成树算法对配电网进行重构,引入随机潮流分析风力发电机随机出力对配电网的影响,并以有功损耗期望值和静态不安全概率评价重构方案的优劣,获得合理的重构方案.该重构算法综合了粒子群优化算法和最小生成树算法的优点,避开了粒子群优化算法在优化过程中产生的大量无效解,引导生成树向目标函数最优方向发展.算例仿真结果表明,文中采用的方法不仅可以降低系统有功损耗,而且有效地解决了风力发电随机性对系统稳定性的影响.     

基于自适应小生境粒子群优化算法的电力系统无功优化

针对电力系统无功优化问题,提出用自适应小生境粒子群优化ANPSO(Adaptive Niche Panicle Swarm Optimization)算法来克服粒子群优化(PSO)算法容易早熟而陷入局部最优解的缺点.以粒子的位置状况及其2个向量点积的符号动态生成小生境半径,根据各粒子之间的距离组成小生境种群.在小生境群体中运用粒子群优化算法进行寻优,对于更新后的群体根据粒子间的距离,利用共享机制改变粒子的适应度,用以提高整个群体的全局寻优能力.通过对IEEE 6、14、30和118节点测试系统的无功优化问题计算及结果分析,并且与其他算法进行比较,结果表明该算法收敛成功率高,能获得较好的解.     

用于配电网多目标无功优化的改进粒子群优化算法

针对配电网多目标无功优化的应用需求以及优化算法存在的收敛性和多样性问题,基于Pareto熵的多目标粒子群优化算法,提出一种应用于多目标无功优化的改进粒子群优化算法。该算法在全局外部档案更新过程中引入冗余集策略,避免迭代过程中陷入局部最优解。将算法应用于配电网无功优化中时,采用离散变量取整方法,加快算法的收敛速度。建立网损、电压偏差及无功补偿装置投资最小的配电网多目标无功优化模型,并以IEEE 33节点配电网络为算例进行仿真,结果表明改进后的算法兼顾了优化的收敛性和多样性,能够在不同的优化要求下得到有效的无功优化方案。     

基于粒子群算法的时序电路测试生成

本文论述了将粒子群算法应用在时序电路自动测试生成的研究结果。结合时序电路的特点,构造测试生成的粒子表达方式,建立自动测试生成离散粒子群速度-位置模型,通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索。针对国际标准时序电路的验证结果表明,与同类算法相比,该算法可以获得较高的故障覆盖率和较小的测试矢量集。     

基于混合遗传蚁群算法的数字微流控芯片测试路径规划

数字微流控芯片在生化检测领域的应用越来越广泛,为保障芯片的可靠性必须对其进行全面且高效的故障测试。随着芯片规模的扩大,故障测试问题也越来越复杂。针对数字微流控芯片的灾难性故障测试,为提高故障测试方法的时间效率,本文提出了一种基于混合遗传蚁群算法的测试路径规划方案。首先,该方案优化了芯片故障测试模型的转化过程;其次,先利用遗传算法的全局特性生成全局较优测试路径,并根据较优测试路径形成蚁群算法的初始信息素分布;最后,再利用蚁群算法搜索最优测试路径。该方案适用于离线测试和在线测试,能够兼容规则和非规则芯片。实验仿真结果表明,该方案提高了测试模型转化的效率,在获得较优测试路径的同时改善了测试算法的收敛特性,提高了测试方法的时间效率。     

基于二进粒子群优化算法的暂态稳定评估特征选择

采用二进粒子群优化算法进行暂态稳定评估的特征选择,粒子群中每个粒子代表一个待选择的特征集,结合最小二乘支持向量机使用该特征集对所对应的样本集进行分类,分类正确率作为该粒子的适应度。首先通过二进粒子群优化实现特征的选择,然后将优选后的特征作为暂态稳定评估的输入,利用最小二乘支持向量机构造分类器进行暂态稳定评估。通过对EPRI-36节点系统的仿真计算,结果表明该方法能够在显著减少输入特征维数的同时大大提高最终判别结果的正确率。     

自适应粒子群优化算法及其在无功优化中的应用

针对传统的粒子群优化(PSO)算法中的某些参数需通过试验确定因而影响了其实用性的问题,提出了一种自适应粒子群优化(APSO)算法,并将其应用于电力系统无功优化问题的求解。该算法能在优化过程中自动调整各参数,从而取得问题的全局优化解。某具有151个节点、71个控制变量的实际电网无功优化结果表明,该算法较传统的PSO算法具有更强的全局寻优能力。     

禁忌搜索–粒子群算法在无功优化中的应用

禁忌搜索粒子群算法是针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,将禁忌搜索思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。该方法在粒子群算法寻优过程的后期加入了禁忌表,扩大搜索空间,避免陷入局部最优。通过对IEEE 30节点测试系统和鸡西电网进行仿真计算,并与其他算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

三维堆叠SoC测试规划研究

采用硬晶片的三维堆叠SoC测试规划是一个NP hard问题,针对该问题提出了一种采用GWO(grey wolf optimization)的三维堆叠SoC测试规划方法,使得在最大测试引脚数和最大可使用TSV(through silicon vias)数的约束条件下,从而达到三维堆叠SoC测试时间最小化目的。本算法基于群体智能,通过实施攻击等操作,更新Alpha、Beta和Delta进行寻优,从而实现三维堆叠SoC测试规划。本研究以ITC'02 Test benchmarks中的典型SoC为实验堆叠对象,实验结果表明本算法相比PSO(particle swarm optimization),能够获得更短的测试时间。     

基于禁忌搜索粒子群优化算法的无功优化

针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,提出将粒子群优化算法结合禁忌搜索的混合算法,并应用它来求解电力系统无功优化问题。该混合算法是以粒子群优化算法为主框架,以禁忌搜索算法作为个体群继续在邻域中寻优,寻优结果对粒子群算法的输出做了更新。混合算法保留了粒子群优化算法的并行处理性,同时利用了禁忌搜索算法的较强的"爬山"能力,加快了混合优化算法的收敛时间和提高了收敛解的有效性。     

TS-PSO算法在电力系统无功优化中的应用

为了解决粒子群算法(PSO)局部搜索能力较弱和存在早熟收敛的问题,提出了将禁忌搜索(TS)思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。改进后的算法综合了粒子群算法快速性、随机性和全局收敛的优点,还具有禁忌搜索局部寻优的能力。通过对IEEE-30节点测试系统、铜陵电网实际进行仿真计算,并与其它算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

基于改进粒子群优化神经网络的电力变压器故障诊断

为了提高电力变压器故障诊断的准确性,采用了一种自适应变异粒子群优化神经网络的方法,用于BP网络的权值优化。并根据变压器的故障特征,用优化好的BP网络进行故障诊断。该算法修正了粒子个体行动,克服了标准粒子群和BP网络易陷入局部极小的问题。实例仿真结果表明,该方法具有较好的分类效果,具有一定的实用性。     

基于改进粒子群优化算法的比例-积分-微分控制器

粒子群优化算法自1995年问世以来得到了很大的发展,简要阐述了粒子群优化算法的基本原理,并提出了根据改进该算法而构成的比例—积分—微分控制器。比例—积分—微分控制器的3个参数可以得以优化。该控制器具有结构简单,易于实现,鲁棒性好的特点,仿真结果表明基于改进粒子群优化算法的比例—积分—微分控制器具有良好的性能。     

基于混合粒子群算法并计及概率的梯级水电站短期优化调度

针对梯级水电站短期优化调度的不确定性问题,研究了不确定性因素的概率分布规律,并根据实际系统的运行要求,给出了概率分布密度函数的假设检验方法。探索发电用水量与各种随机因素的互动关系及影响机理,构建了一种新的计及概率的梯级水电站短期优化调度策略。把灾变理论、混沌优化思想和基本粒子群算法结合起来,形成一种混合粒子群算法。该算法扩大了种群的搜索空间,增加了种群的多样性,改善了基本粒子群算法摆脱局部极值点的能力,并能从理论上证明其依概率收敛至全局最优解。将混合粒子群算法嵌入蒙特卡罗随机模拟中对本文提出的模型进行求解,求解方法简单有效。仿真结果表明,该策略能较好地处理不确定性条件下梯级水电站的短期优化调度问题。     

微粒群优化算法参数性能实验分析

通过测试实验来分析微粒群优化算法参数的性能,针对算法参数对算法性能的影响进行实验分析,最后给出相关结论并就如何选择合适的算法参数提出建议。