考虑爬坡约束的油井间抽批调度问题

油井间抽批调度问题是确定未来给定计划期内油田井场间抽工作方式的油井各时间段的启停状态及采油量,在满足采油需求的情况下,考虑油井底部压力变化特征对油井开启的影响以及油井最小开关机时间和爬坡约束等生产工艺要求,使总的油井采油运行成本最小.针对油井数量多而导致大规模常规数学规划模型难以求解的困难,建立了基于批的混合整数规划模型.根据模型特点设计了基于变量分离的拉格朗日松弛算法（Lagrangian relaxation,LR）进行求解.针对常规动态规划方法求解分解后的带有爬坡约束的单机组子问题效率低的缺点,提出了用特征点代表同一阶段具有相同性质节点群的状态空间约简策略,使动态规划搜索节点的复杂度从O（n4）降到O（n2）,显著提高了算法的搜索效率.通过大量随机产生的数值实验表明,提出的基于变量分离的LR算法,小规模问题与CPLEX获得的最优解接近,中大规模问题能够在合理的计算时间内获得高质量的解.     

具有时间约束的机组组合问题中的Petri网模型

给出了一种与环境有信息交流的受按记时Petri网系统模型，把这种模型应用于描述具有时间约束的机组启停状态转换过程，使具有时间约束的机组组合的动态规划法每一时段计算费用的状态数大大小于已有传统动态规划法的状态数，从而既处理了冷、热启动费用和最小启停机时间约束，又减少了计算费用的状态数，将合大大提高算法的效率。     

考虑风力发电批特征的电力机组调度问题

电力机组组合问题是在给定的计划周期内确定火电、风电和蓄 电池机组的开关机状态及发电量, 以满足系统的负荷需求、旋转备用等约束要求. 为了降低风电在电网中的供电不稳定 性, 引入蓄电池储能系统与风机进行协调调度. 由于大数量风机的介入, 明显增加了问 题处理的难度和复杂性. 本文从一个新的视角 将相近物理位置的风机进行组批, 基于批的视角对问题建立了批模型. 为 了提高批模型的性能, 提出了批模型参数的变换方法. 根据问题的NP-难特征和模 型的复杂结构, 开发了拉格朗日松弛(Lagrangian relaxation, LR)算法进 行求解. 为了加速算法的求解效率, 提出了子 问题近似求解的代理次梯度的拉格朗日松弛算法. 实验结果表明, 提出的批模型明 显优于传统的单机模型. 基于批模型开发的拉格朗日松弛算法与CPLEX优化软 件相比, 能够在较短的时间内获得高质量的解.     

基于蒙特卡罗模拟的220kV电网经济可靠性评估

提出一种模型算法,对220kV电网典型供电模式经济性与可靠性同时进行评估,以寻求兼顾资产全寿命周期内的投入成本最少和可靠性最优的风险结合点.采用具有正态分布特点的随机数模拟电网元件运行状态,通过变电站无功电压控制以模拟系统无功电压运行状态,通过节能发电调度模型来模拟机组启停状态,基于上述模拟方法对随机样本潮流计算确定各个节点负荷消减量,评估各典型供电模式下220kV电网的经济可靠性.     

求解加热炉调度的改进修复式约束满足算法

针对钢铁生产中加热炉调度问题,考虑炉容受限的情况,以最小化板坯的Makespan和最小化总在炉加工时间为目标建立问题的多目标优化模型,将其归结为多旅行商问题。针对问题的NP-难特性,提出一种改进的修复式约束满足算法求解。松弛炉容约束得到初始调度,在检测冲突变量并构造冲突板坯的可替换加热炉集合的基础上,以开工时间偏移最小规则为冲突板坯重新指派加热炉,得到可行的调度方案。数据实验验证了模型和算法的可行性和有效性。     

基于风电规模化入网技术的机组启停间歇联合协调方法研究

传统方法在控制机组启停间歇时,受到电波波动特性影响,对机组启停间歇协调效率低.为此,本文引入风电规模化入网技术,优化机组机组启停间歇协调效果.依据机组启停间歇控制结构,采用断点控制方式设计机组启停间歇控制位置;通过自启停APS技术分析机组启停电波规律,并根据做功特点控制机组启停容量可信度;规范设计机组启停间歇联合协调方案,确定机组启停间歇联合协调步骤,实现机组启停间歇联合协调控制.结果可知,该方法协调率较高,可行性较高.     

基于多时段机组组合的中长期市场安全校核方法

为解决电力中长期市场中调度机构安全校核缺乏有效技术方法的问题,基于多时段机组组合模型提出了一种面向电力中长期市场的安全校核方法。以发电企业中长期校核电量偏差最小化为优化目标,综合考虑电力平衡约束、网络传输能力约束、机组发电能力约束等多方面系统运行约束条件,构建了电力中长期市场机组组合模型。利用该机组组合模型,对电网调度过程进行运行模拟。并通过判定各发电企业电力中长期交易结果的完成率偏差,来判定电力中长期市场交易结果是否满足系统运行要求。最后,基于某省区电网实际数据构造的算例表明,与传统典型日运行模拟校核方法相比,本文所提出的校核方法能有效考虑机组启停时间约束等运行要求,更符合电网实际调度运行需要,能够给出更为准确的安全校核判定结果。     

基于多参数规划的显式模型预测系统设计的可行域扩张算法

基于约束线性优化控制问题的多参数二次规划求解方法, 提出设计显式模型预测控制系统的可行域逐步扩张算法. 首先建立一种求取优化控制问题输出不变集的迭代算法. 以该输出不变集作为多参数规划问题中状态区域约束限制的初始条件, 通过反复求解多参数规划问题和不断改变状态区域约束限制, 能够逐步扩大显式模型预测控制系统的无限时间可行区域, 直到可行域不再继续扩大. 算法收敛时设计得到的显式模型预测控制系统在其所有的状态分区上都是无限时间可行的. 通过数值仿真计算, 验证本文提出算法的有效性.     

基于约束满足方法求解炼钢—连铸生产调度问题

针对各阶段均有并行机的炼钢—连铸生产调度问题,建立了问题的约束满足模型．通过分析炼钢—连铸调度问题特点,将其归结为最小化操作开工时间偏移的调度问题．在求解过程中,首先用变量选择和值选择启发式方法构造时间可行的初始调度,然后应用冲突检查算法检测资源冲突，基于回跳的后向修剪组合算法修复冲突,直至得到一个一致性的最终解．数据实验表明本文提出的方法是有效的.     

基于暂态混沌神经网络的多车调度混合优化算法

探讨车辆调度问题的解决方法．提出一种用于求解带容量约束的多车调度问题（CVRP）的混合优化算法．该算法分为路线划分、构造初始解和改进解3个阶段：第1阶段用模糊C均值聚类算法将所有客户按车容量要求装车;第2阶段用暂态混沌神经网络方法对每条路线排序;第3阶段用禁忌搜索法改进得到的解．最后采用标准问题进行仿真计算,通过与其他算法的比较,说明该算法是求解CVRP问题可行且高效的方法．     

全寿命周期下退化的大规模系统预防性维修策略优化

单元退化情形下,考虑全寿命周期的大规模系统可靠性设计与预防性维修策略的综合优化问题将变得更为复杂.针对单元失效服从威布尔分布的情形,考虑多单元联合的预防性维修模式,构建可靠性约束下大规模系统全寿命周期成本优化模型.单元数量众多带来的组合规模指数增长问题将导致非线性择优困难,利用遗传算法编程快速求解全局最优解,包括设计阶段的单元可靠性和使用阶段的系统预防性维修周期.最后通过典型算例分析验证模型与算法的正确性和有效性,探究维修改善因子、单元可靠性和预防性维修周期等决策变量间的相互关系.研究成果有助于简化系统工程师的可靠性工程设计过程,具有一定的理论和应用价值.     

基于Memetic算法的要地防空优化部署方法

火力单元优化部署问题是网络化防空火控系统的一个重要研究内容. 本文将要地防空优化部署作为组合优化问题, 优化目标为最大化部署方案对保护要地的防御贡献程度, 约束主要考虑了地理条件和火力资源. 利用网格离散化思想对防区进行划分, 对部署方案、火力覆盖能力、约束条件以及火力覆盖要求等条件进行了表征, 建立了问题的数学模型. 构造了一种基于Memetic算法的优化求解方法, 运用遗传算法和邻域搜索作为全局和局部搜索方法, 用解的构造方式和选择策略处理了约束条件,比较了局部搜索使用不同邻域时算法的运行效率. 最后通过实验验证了本方法的合理性和有效性.     

基于邻域加权稀疏表示的高光谱图像目标探测

提出了一种基于邻域加权稀疏表示的高光谱图像目标探测方法。在构造稀疏模型时,以单位化像元的内积表示像元的相似性,据此对重构图像中测试像元空间邻域的像元进行加权约束,保证了空间的平滑性;并提出基于加权最小二乘的正交匹配追踪算法求解该稀疏模型,它使得每次迭代中参数估计有效。实验结果表明,该探测算法是有效可行的。     

基于资源分配网络的小数据集并行集成学习方法

机器学习领域中,如何在小规模的训练数据集上获得一个具有稳定的高计算精度的算法模型,一直以来都是一个棘手而富有挑战的问题。从算法模型出发,提出了一种基于扩展卡尔曼滤波器的资源分配网络并行集成学习方法。该集成系统由多个带有扩展卡尔曼滤波器的资源分配网络（RANEKF）组成,并且每个RANEKF子网的输入由原始数据集中的输入经过随机权值的修正得到。通过和其他神经网络构成的集成学习算法的实验对比,发现提出的方法在小训练集上拥有更高的计算精度和稳定性。     

A bounded-error approach to piecewise affine system identification

This paper proposes a three-stage procedure for parametric identification of piecewise affine autoregressive exogenous (PWARX) models. The first stage simultaneously classifies the data points and estimates the number of submodels and the corresponding parameters by solving the partition into a minimum number of feasible subsystems (MIN PFS) problem for a suitable set of linear complementary inequalities derived from data. Second, a refinement procedure reduces misclassifications and improves parameter estimates. The third stage determines a polyhedral partition of the regressor set via two-class or multiclass linear separation techniques. As a main feature, the algorithm imposes that the identification error is bounded by a quantity /spl delta/. Such a bound is a useful tuning parameter to trade off between quality of fit and model complexity. The performance of the proposed PWA system identification procedure is demonstrated via numerical examples and on experimental data from an electronic component placement process in a pick-and-place machine.     

Recurrent neural network for combined economic and emission dispatch

Recently, the combined economic and emission dispatch (CEED) problem, which aims to simultaneously decrease fuel cost and reduce environmental emissions of power systems, has been a widespread concern. To improve the utilization efficiency of primary energy, combined heat and power (CHP) units are likely to play an important role in the future. The goal of this study is to propose an approach to solve the CEED problems in a CHP system which consists of eight power generators (PGs), two CHP units and one heat only unit. Owing to the existence of power loss in power transmission line and the non-convex feasible region of CHP units, the proposed problem is a nonlinear, multi-constraints, non-convex multi-objectives (MO) optimization problem. To deal with it, a recurrent neural network (RNN) combined with a novel technique is developed. It means that the feasible region is separated into two convex regions by using two binary variables to search for different regions. In the frame of the neurodynamic optimization, existence and convergence of the dynamic model are analyzed. It shows that the convergence solution obtained by RNN is the optimal solution of CEED problem. Numerical simulation results show that the proposed algorithm can generate solutions efficiently.     

一种基于MOEA/D的组合权重方法

为了准确地求解组合权重的组合系数,将基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)思想引入评估领域,提出一种基于MOEA/D的组合权重方法.通常,利用加权和法将组合权重模型转化为单目标模型时,模型加权系数难以准确确定.对此,引入MOEA/D算法的分解思想,将组合权重模型转化为多个单目标子模型.MOEA/D算法仅适用于无约束优化问题,而较为常用的惩罚函数法难以表达进化初期无可行解的情况,因而提出改进自适应惩罚函数(improved adaptive penalty function,IAPF),将组合权重模型转化为无约束优化模型.应用所提出方法与其他方法进行仿真实验,实验结果表明,所提出算法具有有效性.     

Profit based unit commitment using memetic binary differential evolution algorithm

Profit-based unit-commitment problem (PBUCP) is a notable combinatorial optimizing problem faced in the deregulated power industry. The PBUCP finds the best profitable solution by committing and scheduling the thermal generating units efficiently. To solve the PBUCP, a new memetic binary differential evolution algorithm is proposed which considers binary differential evolution (BDE) algorithm as global search operator to improve the exploration aspect and binary hill-climbing (BHC) algorithm as local search operator to improve the exploitation aspect. A binary differential evolution algorithm is introduced whereby a new mutation strategy is implemented. A novel BHC algorithm makes priority-based perturbations on unit’s status to improve the global best solution searched by the BDE algorithm alone. A new excessive unit de-commitment strategy based on priority and total profit is also proposed. The power to committed units is allocated based on priority of units. The efficacy of algorithms has been researched on the PBUCP test systems comprising of 10-, 40- and 100-units over a time horizon. The outcomes of the proposed algorithms are compared with previously known best solutions. Simulated outcomes achieved by the proposed algorithms compete with the already reported algorithms to solve the PBUCP. Wilcoxon signed-rank test proves the predominance of the proposed algorithms statistically.     

拟单层覆盖粗糙集中近似集的增量更新算法

拟单层覆盖粗糙集与集值信息系统之间存在一一对应的映射关系,当集值信息系统中的对象集动态添加或移除时,对应拟单层覆盖粗糙集中的信息单元也会随之改变,导致拟单层覆盖粗糙集中的近似集发生变化。针对拟单层覆盖粗糙集中近似集的动态更新问题,将拟单层覆盖粗糙集与增量学习相结合,提出近似集的增量更新算法。设计拟单层覆盖集中信息单元的更新算法,以分析信息单元的变化情况,分别构建近似集中可靠单元和争议单元的相关可靠单元集的更新算法。在此基础上,设计与可靠单元和争议单元更新算法相对应的增量更新算法,并且分析其时间复杂度。在UCI数据集上的实验结果表明,与静态算法相比,该算法在对象集发生添加和移除情况下的近似集更新效率分别提高21.5和29倍,能够有效提高近似集的计算效率。