基于改进粒子群算法的配电网无功优化的研究

针对电力系统无功优化问题多变量、不连续、非线性的特点,本文建立了以系统年运行费用最小为目标函数、以有功功率和无功功率为约束条件的数学模型,并应用改进的粒子群算法对无功优化问题进行求解.该算法在权重系数和不活动粒子两方面进行改进,有效地解决了进化过程中陷入局部最优和搜索精度差的特点.最后,通过对IEEE30节点系统进行无功优化算例分析,仿真结果验证了该算法解决电力系统无功优化问题的有效性和可行性.     

改进生物地理学优化算法在配电网无功优化中的应用

针对生物地理学算法(BBO)信息利用能力强但搜索能力不强的问题,提出了一种结合遗传算法改进变异操作的算法.改进算法充分利用了遗传算法的搜索能力,使算法的寻优能力得到了很大的改善.将该算法应用于IEEE34节点的系统,采用分区的方法进行无功补偿优化.算例表明:与基本BBO算法、遗传算法的无功优化相比,改进算法在计算速度和优化效果方面都具有明显的优势.     

应用模拟树木生长算法求解无功优化问题

将模拟树木生长算法应用于电力系统无功优化,对目标函数及约束条件处理方便,且不需要给出很多优化参数,建立无功优化的数学模型,变步长和最优解保留策略的应用提高了算法的全局寻优能力和寻优速度,IEEE30节点系统的计算分析结果表明,模拟树木生长算法有较强的收敛稳定性,是处理无功优化问题的一种可行的、有效的方法。     

基于遗传算法的电力系统无功优化

在总结常用的电力系统无功电压优化方法的基础上,建立了以网损、电压质量和无功潮流分布为目标函数的数学模型．然后对基本遗传算法进行了一些改进,并将改进的遗传算法应用到IEEE30节点系统进行验证．测试结果表明,改进的遗传算法有助于解决无功电压优化问题．     

基于邻域拓扑文化差分进化算法的无功优化模型研究

提出了求解无功优化问题的一种新算法——基于邻域拓扑文化差分进化算法。将邻域拓扑结构纳入了文化差分进化算法,改进了文化差分进化算法过早收敛,易于陷入局部最优解的问题。并首次将该算法应用到无功优化问题中,使其能迅速获得全局优化解,具有很好的全局收敛性能和更好的优化能力。最后,将该算法在IEEE 30节点系统上进行了无功优化...     

混合遗传算法的电力系统无功优化

针对遗传算法（GA）的局限性，提出了一种应用于电力系统无功优化问题的混合遗传算法（GASA）。实施了最优保留策略，改进交叉和变异操作，并结合模拟退火算法（SA）的Metropolis判别准则的复制策略，使寻优过程能够跳出局部最优解，从而形成了混合遗传算法。优化过程中考虑了电力系统无功优化自身特点，提高了计算效率。对IEEE30节点系统的仿真表明：该算法能够有效地提高收敛速度，避免早熟收敛。     

基于改进原对偶对数障碍法的最优潮流算法

在原对偶对数障碍法的基础上，提出一种改进算法用于解决最优潮流问题. 利用障碍参数对改进障碍函数的影响，使改进算法能有效地处理最优潮流问题中的不等式约束，避免了计算中对有效约束的识别问题. 将改进算法与原有算法用于IEEE 30节点系统无功优化问题的仿真计算，结果证明了改进方法是有效可行的，且与原有方法相比，可求得更优解.     

基于全局序列二次规划算法的无功优化

为提高无功优化计算的收敛性和精确性,采用全局序列二次规划(SQP)算法来计算无功优化潮流.在优化的循环迭代过程中,电压相角和支路潮流并未当作常数看待,而是通过每次迭代后系统状态下的潮流计算重新获得的.对IEEE30节点系统进行无功优化仿真,结果表明全局SQP算法具有良好的收敛性和精确性.     

考虑电压稳定性的快速多目标无功优化方法

针对多目标无功优化方法存在寻优时间过长,优化结果针对性不强以及难以实现自动实时控制的问题,将一种基于ε-支配域的多目标进化算法应用到多目标无功优化的求解中,根据多目标模糊评价函数各目标分量的不同重要程度,构建出自适应ε-支配域,生成相应的后评价模糊控制器以实现优化结果的智能选择.在IEEE14,IEEE30和IEEE118节点系统上进行仿真试验,并与几种典型的多目标优化方法进行比较,证明了所提出的方法能使多目标无功优化的速度得到较大提高,针对系统的薄弱环节进行改进,从而更适用于电力系统自动实时控制.     

基于粒子群与模拟退火相结合的无功优化算法

针对电力系统无功优化采用粒子群算法容易陷入局部最优、模拟退火算法约束条件多和收敛速度慢的问题,提出一种新的基于粒子群与模拟退火相结合的算法.该算法根据粒子群的易实现性、快速收敛性及模拟退火的全局收敛性,进行协同搜索,求取系统无功优化的解集.对IEEE14、57、118节点系统进行了无功优化仿真计算,结果表明该算法原理简单易实现,计算效率高且能获得质量更高的解.     

基于生物地理学优化算法的电力系统无功优化

将模拟物种迁移规律的生物地理学优化算法（BBO）应用于求解电力系统无功优化问题。区别于遗传算法中局限于染色体两两之间分享特征信息的模式,BBO独特的迁移模式使得好的栖息地特征信息得以在多个栖息地之间广泛传播,从而加快了优化进程。IEEE14节点和IEEE57节点的测试结果表明：BBO算法在与相关文献中的算法相当的迭代次数内能够得到更优的解,且算法对参数的依赖性不强,适用于求解电力系统无功优化这一类复杂的工程组合优化问题。     

EGO算法的翼型气动外形优化设计

针对随机优化算法计算量大和最优响应面法容易陷入局部最优的缺点,采用EI最优策略综合平衡响应预测值及预测精度,建立了高效的优化系统.使用该方法进行了翼型气动外形优化设计,结果表明该方法将翼型阻力系数降低22%,具有良好的优化精度,而总计算耗时与粒子群算法相比约降低68%,说明了该方法的可行性和有效性.     

基于Matlab优化工具箱的结构优化设计

介绍了结构优化设计的基本理论和MATLAB优化工具箱,分析了结构优化设计中的主要约束条件,提出结构优化设计的通用流程方法。首先,进行结构受力分析,合理设置优化目标函数和约束条件;然后,使用MATLAB优化工具箱进行编程计算。对一桁架进行优化设计分析,结果显示,与其他方法相比,使用MATLAB优化工具箱进行优化,不仅计算精度较高,而且可以减少计算时间。因此在结构工程设计领域有较大的实际应用价值。     

基于Plant Simulation的车间调度优化仿真

采用多品种小批量订单任务模式,以智能车间完成订单任务时间最短为目标,通过Plant Simulation仿真平台搭建模型,验证基于遗传算法的任务排序方法.首先,对车间整体布局进行分析,实现仿真平台映射;其次,应用遗传算法实现最优的排产方式;最后,通过对比Plant Simulation与MATLAB两个仿真平台优化结果得出结论.     

一种高维多模态优化的量子粒子群优化算法

为求解实际工程中的高维多模态优化问题,提出了基于动态邻域的多策略进化的量子粒子群优化算法(QPSO).针对QPSO算法存在的粒子"早熟"问题,首先定义了一种动态邻域选择机制以保持种群的"活跃性";然后结合动态邻域机制,定义了三个不同策略的局部吸引子更新方程以保持种群进化的"多样性".为了防止算法的进化方向不发散,对收敛到全局最优解的局部吸引子更新策略赋予了较大权重;最后为了拓展最优解空间引入了狼群优化算法中的综合评价方法.通过对不同类型的高维多模态基准测试函数的仿真实验结果表明:相比于其余四种优化算法,本文提出的优化算法在收敛精度和稳定性方面具有明显优势,并且随着测试维度的增加,这种优势更加凸显,展现出了较好的解决高维多模态优化问题的性能.文中引入的综合评价方法在所有的测试函数中均具有较高的生效次数,综合评价生效意味着为下一次的进化找到一个更加有利的进化方向,这样能够减少算法找到最优解的次数,也能进一步提升算法的收敛精度.     

渐进演化类拓扑优化算法的优化准则对比研究

渐进演化类拓扑优化算法的优化准则是影响结构优化结果的关键因素之一。以不同荷载和边界条件下的深梁模型为数值算例，比较了基于不同优化准则的3种算法在优化解和优化效率上的差别。结果表明：对于荷载和边界等条件较简单的构件，采用单向和确定性优化准则的渐进演化类拓扑优化算法能高效地得到最优拓扑，采用概率性优化准则和采用双向优化准则的渐进演化类拓扑优化算法有着更广的适用范围，在荷载和边界等条件较复杂的构件上，同样表现出较强的避免优化畸变的能力和全局寻优能力。对结合概率性优化准则和双向优化准则的遗传双向渐进演化结构优化算法建立了流程图，并进行初步讨论，以期进一步提高渐进演化类拓扑优化算法的实用性和寻优能力。     

基于粒子群算法的电路测试集优化

研究电路测试集的优化,提出基于粒子群算法的电路测试集的静态压缩方法.粒子群向最优解方向演绎,利用适应度函数来评价各粒子的优劣.实验电路的验证结果表明,同时适用于时序电路和组合电路,与基于遗传算法的电路测试集优化相比,该算法能够更大限度地优化测试集,需要更少的存储空间.     

面向离散优化问题的改进二元粒子群算法

二元粒子群算法被广泛用于求解离散组合优化问题。在求解离散优化问题时,二元粒子群算法会出现解空间利用率低,速度和状态趋同以及退化和波动等演化问题。针对这些问题,提出一种改进的二元粒子群算法。算法使用Gray码演化基编码,混沌初始化过程,改进速度和状态调整方法以及子代处理方法用于提高种群利用率和种群多样性。在不同类型的检验函数以及多选择背包问题上,和现有优化算法及其他二元粒子群算法相比,改进算法能够获得较高的收敛精度以及较快的收敛速度,体现出多离散优化问题的实际效用。     

Multi-objective optimization of feature selection using hybrid cat swarm optimization

With the pervasive generation of information from a wide range of sensors and devices, there always exist a large number of input features in databases, thus complicating machine learning problem formulation. However, certain features are relatively impertinent to specific problems, which may degrade the performances of classifiers in terms of prediction accuracy, sensitivity,specificity, and recall rate. The main goal of a multi-objective optimization problem is to identify the subsets of the given features. To this end, a hybrid cat swarm optimization(HCSO) algorithm is proposed in our paper for performance improvement of the basic cat swarm optimization(CSO) that incorporates guided and competitive inherent characteristics into the original CSO. The performance of HCSO has been tested by finding the optimal feature subset for 15 benchmark datasets. The number of class labels for these datasets varies between 2 and 40. The time complexity analysis of both CSO and HCSO has also been evaluated. Moreover, the performance of the proposed algorithm has been compared with that of simple CSO and other state-ofthe-art techniques. The performances obtained by HCSO have an average 2.68% improvement with a standard deviation of 2.91.The maximum performance improvement is up to 10.09% in prediction accuracy. Tested on the same datasets, CSO has yielded improvements within the range of-7.27% to 8.51% with an average improvement 0.9% and standard deviation 3.96. The statistical tests carried out in the experiments prove that HCSO manifests a moderately better feature selection capacity than that of its counterparts.     

Intuitionistic fuzzy optimization

0　ＩＮＴＲＯＤＵＣＴＩＯＮＡｔｐｒｅｓｅｎｔ,ｔｈｅｄｅｔｅｒｍｉｎｉｓｔｉｃｏｐｔｉｍｉｚａｔｉｏｎｔｈｅｏｒｙｈａｓａｄｖａｎｃｅｄｃｏｎｓｉｄｅｒａｂｌｙｄｕｒｉｎｇｔｈｅｌａｓｔｔｈｒｅｅｄｅｃａｄｅｓ,ｂｕｔｉｔｓｐｏｔｅｎｔｉａｌｈａｓｎｏｔｂｅｅｎｔｈｏｒｏｕｇｈｌｙｂｒｏｕｇｈｔｉｎｔｏｐｌａｙｉｎｅｎｇｉｎｅｅｒｉｎｇｐｒａｃｔｉｃｅ.Ｔｈｅｍｏｓｔｉｍｐｏｒｔａｎｔｒｅａｓｏｎｉｓｔｈａｔｉｔｉｓｄｉｆｆｉｃｕｌｔｔｏｐｒｅｃｉｓｅｌｙｄｅｆｉｎｅａｎｏｐｔｉｍｉｚａｔｉｏｎｐ…