混沌粒子群算法及其在发电资源调度中的应用

为了有效地解决水火电力系统资源短期优化调度问题,提出了一种基于混沌粒子群算法的调度方案。设计了水火电力系统资源调度问题的数学模型,给出了混沌粒子群调度算法的框架,通过引入最优粒子的混沌搜索机制、优势粒子和劣势粒子的权重自适应调节机制,从而使算法具有动态自适应性,能够较容易地跳出局部最优。实验结果表明,本算法方案能有效解决水火发电资源调度问题,具有较好的应用价值。     

双层多种群PSO在水库群供水优化调度中应用

针对水库群供水优化调度问题,提出了一种带差分进化的双层多种群粒子群算法(DE-TMPSO)。该算法实现粒子群优化算法的群体拓展和双并行运行机制,针对性地提高粒子群算法的全局搜索能力,同时采用不同粒度的多子群并行机制、种群间的双向最优信息流动以及引入差分进化策略也提高了该算法的局部搜索能力,在一定程度上避免了"早熟"现象的发生,具有较好的稳定性,收敛速度也得到了提高。该算法应用于我国南方某流域的水库群供水优化调度问题中,调度结果合理,为求解高维、复杂的水库群供水优化调度提供了新的思路和方法。     

用整体分布优化算法求解水火电力系统短期优化调度

用整体分布优化算法,求解一个水火电力系统的短期优化调度问题.将求得的优化结果与用遗传算法、进化规划和粒子群优化算法求得的结果比较,验证了整体分布优化算法的有效性.用基本的整体分布优化算法时,与用遗传算法、进化规划和基本粒子群优化算法相比,优化性能得到较大的提高.说明整体分布优化算法适合于求解水火电力系统短期优化调度问题.     

求解电力系统经济调度问题的改进粒子群优化算法

电力系统经济调度问题是电力系统中的一个重要的研究课题,针对该问题,提出一种改进粒子群优化(ODPSO)算法.改进算法在搜索前期,采用广义的反向学习策略,使算法能够快速地靠近较优的搜索区域,从而提高收敛速度;在搜索后期,借鉴差分进化算法的进化机制设计改进的变异和交叉策略,对当前种群的最优粒子进行更新,从而提高种群的多样性,进而协助算法获得全局最优解.为了验证改进粒子群优化算法的有效性,对CEC2006提出的22个基准约束测试函数进行仿真,结果表明改进算法相比其他算法在寻优精度和稳定性上更具优势.最后,将改进算法应用于考虑机组爬坡速率约束、机组禁行区域约束以及电力平衡约束的两个电力系统经济调度问题,取得了令人满意的结果.     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

基于差分QPSO的多能源集线器系统优化调度

针对多能源集线器系统优化调度中强耦合、约束复杂和高维度等问题,提出了一种差分进化量子粒子群优化算法.该算法将差分进化算法中的变异、交叉和选择操作与量子粒子群算法中粒子位置更新公式相结合,进而增加了量子粒子群算法中种群的多样性,解决了粒子在搜索中后期易陷入局部最优的问题,提高了算法全局搜索的能力.采用标准测试函数对该算法进行测试,测试结果表明新算法具有良好的收敛性和全局搜索能力.将上述算法应用于多能源集线器系统优化调度中,计算结果表明上述算法的有效性和适用性.     

水火电力系统短期优化调度的一种改进粒子群算法

针对水火联调问题,建立满足电量平衡、水量平衡、机组特性及综合利用要求的短期优化调度模型,提出了一种改进粒子群算法(MPSO).MPSO针对粒子群算法易早熟收敛的弊端,引入了变异操作,使粒子以一定的概率向其他粒子个体最好解学习;针对粒子群算法在进化后期多样性受损易陷入局部最优的缺陷,引入了迁徙操作,在种群聚集程度不能容忍时重新生成解空间内均匀分布的粒子.对某典型水火电力系统优化问题的求解结果表明,MPSO比其他方法更有效.     

基于DEPSO 的模糊时间ZW多产品厂间歇调度

研究以最小化完工时间为目标的模糊加工时间零等待多产品厂间歇调度问题, 提出一种基于差分进化粒子群优化(DEPSO) 的间歇调度算法. 以基本粒子群算法为整体进化框架, 采用基于反向学习的方法初始化种群, 引入群体极值保持代数作为阈值, 利用基于排序的差分进化算法优化粒子个体极值位置, 改变粒子的搜索范围, 防止粒子陷入局部极值. 仿真实验验证了所提算法在解决模糊加工时间零等待多产品厂间歇调度问题上的有效性和优越性.

     

基于分解和差分进化的多目标粒子群优化算法

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.     

基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。     

An improved self-adaptive PSO technique for short-term hydrothermal scheduling

This paper presents an improved self-adaptive particle swarm optimization algorithm (ISAPSO) to solve hydrothermal scheduling (HS) problem. To overcome the premature convergence of particle swarm optimization (PSO), the evolution direction of each particle is redirected dynamically by adjusting the two sensitive parameters of PSO in the evolution process. Moreover, a new strategy is proposed to handle the various constraints of HS problem in this paper. The results solved by this proposed strategy can strictly satisfy the constraints of HS problem. Finally, the feasibility and effectiveness of proposed ISAPSO algorithm is validated by a test system containing four hydro plants and an equivalent thermal plant. The results demonstrate that the proposed ISAPSO can get a better solution in both robustness and accuracy while compared with the other methods reported in this literature.     

Quadratic approximation based differential evolution with valuable trade off approach for bi-objective short-term hydrothermal scheduling

Short-term combined economic emission hydrothermal scheduling (CEES) is a bi-objective problem: (i) minimizing fuel cost and (ii) minimizing pollutant emission. In this paper, quadratic approximation based differential evolution with valuable trade off approach (QADEVT) has been developed to solve the bi-objective hydrothermal scheduling problem. The practical hydrothermal system possesses various constraints which make the problem of finding global optimum difficult. In this paper, heuristic rules are proposed to handle the water dynamic balance constraints and heuristic strategies based on priority list are employed to handle active power balance constraints. A feasibility-based selection technique is also introduced to satisfy the reservoir storage volumes constraints. To demonstrate the superiority of the proposed approach, simulation results have been compared with those obtained by differential evolution (DE) and particle swarm optimization (PSO) with same heuristic strategies and the earlier reported methods available in literature. The simulation results reveal that the proposed approach is capable of efficiently providing superior solutions.     

Optimal maintenance scheduling of generators using multiple swarms-MDPSO framework

In this paper, a challenging power system problem of effectively scheduling generating units for maintenance is presented and solved. The problem of generator maintenance scheduling (GMS) is solved in order to generate optimal preventive maintenance schedules of generators that guarantee improved economic benefits and reliable operation of a power system, subject to satisfying system load demand, allowable maintenance window, and crew and resource constraints. A multiple swarm concept is introduced for the modified discrete particle swarm optimization (MDPSO) algorithm to form a robust algorithm for solving the GMS problem. This algorithm is referred to by the authors as multiple swarms-modified particle swarm optimization (MS-MDPSO). The performance and effectiveness of the MS-MDPSO algorithm in solving the GMS problem is illustrated and compared with the MDPSO algorithm on two power systems, the 21-unit test system and 49-unit Nigerian hydrothermal power system. The GMS of the two power systems are considered and the results presented shows great potential for utility application in their area control centers for effective energy management, short and long term generation scheduling, system planning and operation.     

基于GA-PSO的天基预警系统资源调度方法

为解决天基预警系统中的卫星资源调度问题,从预警任务特点出发,在对预警任务进行分解的基础上,建立了资源调度模型．结合传统遗传算法（GA）和粒子群算法（PSO）的优点,采用一种混合遗传粒子群（GA-PSO）算法来求解资源调度问题．该算法在解决粒子编解码问题的前提下,将遗传算法的遗传算子应用于粒子群算法,改善了粒子群算法的寻优能力．实验结果表明,提出的算法能有效解决多目标探测时天基预警系统的资源调度问题,调度结果优于传统粒子群算法和遗传算法．     

基于PSODE的网格任务调度算法

针对网格计算中任务在各个资源之间的调度问题,提出了一种网格环境下PSODE的任务调度算法.该算法实现了计算资源、存储资源、带宽资源、数据资源的利用率最高化和代价最低化.对基本粒子群算法和差分进化算法进行了分析,通过构造算法函数、适应值函数和权重公式,建立了粒子群差分混合算法并对其进行优化,介绍了算法的实现过程.实验结果表明,该算法与其它调度算法比较,具有良好的性能.     

Optimal short-term hydro-thermal scheduling using quasi-oppositional teaching learning based optimization

This paper presents a new approach for solving short-term hydrothermal scheduling (HTS) using an integrated algorithm based on teaching learning based optimization (TLBO) and oppositional based learning (OBL). The practical hydrothermal system is highly complex and possesses nonlinear relationship of the problem variables, cascading nature of hydro reservoirs, water transport delay and scheduling time linkage that make the problem of optimization difficult using standard optimization methods. To overcome these problems, the proposed quasi-oppositional teaching learning based optimization (QOTLBO) is employed. To show its efficiency and robustness, the proposed QOTLBO algorithm is applied on two test systems. Numerical results of QOTLBO are compared with those obtained by two phase neural network, augmented Lagrange method, particle swarm optimization (PSO), improved self-adaptive PSO (ISAPSO), improved PSO (IPSO), differential evolution (DE), modified DE (MDE), fuzzy based evolutionary programming (Fuzzy EP), clonal selection algorithm (CSA) and TLBO approaches. The simulation results reveal that the proposed algorithm appears to be the best in terms of convergence speed, solution time and minimum cost when compared with other established methods. This method is considered to be a promising alternative approach for solving the short-term HTS problems in practical power system.     

基于改进DPSO的网格资源调度算法

基于市场经济模型的网格资源调度问题是一个典型的离散问题及NP-Hard问题,考虑到离散粒子群优化算法在解决离散问题上的有效性,本文在现有算法的研究基础上,提出一种基于改进的离散粒子群优化算法的网格资源分配和任务调度算法,并采用GridSim模拟器对相关算法进行仿真模拟实验和比较。实验结果表明,本文提出的调度算法在作业完成时间、综合性能以及资源的负载平衡方面均具有较大的优势。     

协同智能的蝙蝠差分混合算法

为解决差分进化算法后期收敛易陷入局部最优和早熟收敛的问题,提出一种群体智能优化算法,即协同智能的蝙蝠差分混合算法。利用蝙蝠个体脉冲回声定位的特点,与差分种群相互协作,在当前最优解gbest附近进行一次详细搜索,有效增加种群的多样性,跳出局部最优。通过蝙蝠种群和差分种群两个种群的相互协作,较好平衡全局搜索和局部开发之间的能力。为验证算法有效性,选用9个常用的基准测试函数和5个0-1背包问题,与标准粒子群算法、带高斯扰动的粒子群算法、蝙蝠算法、差分算法、烟花算法相对比,仿真实验表明,所提算法总体性能优于其它5种算法。     

差分进化混合粒子群算法求解项目调度问题*

针对求解资源受限项目调度问题（RCPSP）,提出了基于差分进化（DE）的混合粒子群算法（PSODE）。通过在PSO种群和DE种群之间建立一种信息交流机制,使信息能够在两个种群中传递,以避免个体因错误的信息判断而陷入局部最优点。采用标准测试函数和具体算例进行检验,结果表明PSODE算法可以较好地解决RCPS问题。