基于改进粒子群算法的多目标分布式电源选址定容规划

通过分析分布式电源对配电网的影响,以有功功率损耗、电压质量及分布式电源总容量为优化目标,基于模糊理论建立了分布式电源在配电网中选址定容的多目标优化模型,并提出了一种改进粒子群算法进行求解。在算例仿真中,基于IEEE 14标准节点系统,采用MATLAB仿真工具对所提算法进行了测试,证实了所提算法全局搜索能力较强、收敛速度较快,并通过比较分析验证了该模型和算法的可行性及有效性。     

基于粒子群的多目标优化算法

论文提出了一种新的基于粒子群的多目标优化算法。用搜索过程中所发现非劣解的一部分构成精英集,将其作为粒子群的历史最佳,引导粒子群的搜索,并通过小生境技术和部分变异的方法来提高非劣解集的多样性和分散性。对三个典型多目标测试函数所作实验的结果验证了该方法的有效性和快速性,结果还表明:该方法所得非劣解集在分散性、错误率和逼近程度等量化指标上优于FFGA、SPEA、PAES、NSGA等方法,是一种非常有潜力的多目标优化方法。     

改进的粒子群求解多目标优化算法

根据粒子群算法求解多目标问题的特点,个体极值和全局极值的选择不同会对实验结果产生很大影响。目前普遍的选择方法仅仅根据简单的支配关系,但是会存在两个解之间没有支配关系而导致不去更新个体最优值（PB）和全局最优值（GB）,这样会导致更好的个体极值和全局极值的遗漏从而降低收敛时间。文中提出一种新的个体极值和全局极值的选择策略。使用这种策略,可以加快收敛,提高准确性,防止非劣解的遗漏。通过几个测试函数的实验仿真,所得解集的分步性和多样性都有显著的提高。     

基于粒子群算法求解多目标优化问题

粒子群优化算法自提出以来,由于其容易理解、易于实现,所以发展很快,在很多领域得到了应用．通过对粒子群算法全局极值和个体极值选取方式的改进,提出了一种用于求解多目标优化问题的算法,实现了对多目标优化问题的非劣最优解集的搜索,实验结果证明了算法的有效性．     

基于改进粒子群算法的无水港多周期选址研究

传统无水港选址主要将无水港当作一般物流中心,侧重研究静态问题,难以体现选址动态规划特征,且传统粒子群算法在处理离散问题时易陷入局部最优困境。因此从强势海港角度,构建了基于收益最大化的无水港多周期选址。模型考虑了无水港的中转比例约束和服务时间约束,然后运用改进的粒子群算法进行了求解,得出了各阶段选址结果。表明改进算法的局部搜索能力和全局搜索能力都得到增强,算法的可行性和有效性也得到了验证。     

多目标优化的粒子群算法研究

本文介绍了粒子群优化算法PSO中的多目标优化的粒子群算法及其应用,并将其运用在防守对方多个前锋球员的进攻威胁,以粒子群算法随机性来适应不断变化的形势。     

基于动态多粒子群的多目标优化算法

为了让多目标粒子群优化算法在运行过程中保持粒子的多样性,提出了一种初始化方法和动态多粒子群协作的多目标优化算法。根据粒子群在决策空间中的分布情况动态增加或者减少粒子群数量;为避免粒子收敛速度过快,改进了决定粒子飞行速度的因素,速度值依赖于粒子当前速度惯性、粒子最优值,群最优值和所有群最优值。用五个测试函数对算法进行了测试并与多目标粒子群优化进行了比较,测试结果表明提出的算法优于多目标粒子群优化算法。     

一种新的多目标粒子群优化算法研究

定义了Pareto最优解及与其相关的一些概念,引入了被广泛应用的改进的单目标PSO(Particle Swarm Optimization)算法.在此基础上提出了MOPSO算法,用改进的Pareto最优解概念排挤不满足约束的解,还采取一种新的寻找全局最优粒子策略.为了方便评估算法的性能,提出三个比较规则:AD、SP和ER.求解三个复杂的测试问题的结果显示,MOPSO能求出数量充足的、分布均匀的Pareto最优解.     

基于多目标规划的分布式电源选址定容研究

为更好地解决分布式电源选址定容问题,提出一种改进的多目标粒子群算法,并分别利用改进的多 目标粒子群算法和传统的多目标粒子群算法求解测试函数,来证明所提算法的有效性.之后,考虑经济、网损以及电压稳定性三因素建立了一个三目标的数学模型,并采用上述改进的多目标粒子群算法对模型求解.利用模糊满意度评价决策方法从得出的多目标Pa...     

求多目标优化问题的粒子群优化算法

将粒子群优化算法应用于求解多目标优化问题,提出一种双向搜索机制,指导粒子向着搜索空间中非劣目标区域以及粒子分布最为稀疏的区域这两个方向进行寻优,进而提出了求解多目标优化问题的基于粒子群优化算法的双向搜索法,该算法对粒子全局最优经验的选择策略以及粒子群的状态更新机制进行了改进。实验研究表明,该算法不仅能快速有效地获得多目标优化问题的非劣最优解集,而且求出的解集具有良好的分布性。     

一种改进的粒子群多目标优化算法研究

为了解决多目标优化过程中各个解之间存在的资源争夺、冲突,算法由于趋同性而带来的早熟无法收敛等缺点,文中提出了一种多子种群协同优化粒子群算法。算法分别采用不同的种群优化不同的目标,并且在算法中引入外部档案和精英学习策略,使得算法能够得到更多的外部档案的解供选择,精英学习策略是为了使算法的分布性和收敛性更好。最后将算法应用到多目标测试函数中,通过实验验证了改进后的算法的收敛性和分布性都比经典多目标算法NSGA-II要好。     

基于粒子群算法的无源滤波器多目标优化设计

摘要：针对无源滤波器参数优化问题,将无源滤波器的最小费用、谐波电压畸变率、谐波电流残留率、以及无功功率补偿容量作为设计的优化目标,改进了传统的粒子群算法,引用惩罚函数将问题转化为无约束优化问题。本设计算法是采用改进多目标粒子群优化算法与惩罚函数相结合的算法为无源滤波器参数优化设计提供了一种新的优化方法。     

多目标粒子群算法在混装线再平衡中的应用

企业对产品进行创新改进,带来装配线上装配任务的变化,从而造成已平衡装配线的失衡。针对上述变化给企业混流装配线带来的影响进行了研究,以最小化生产节拍,工作站间的负荷,和工人完成新装配任务的调整成本为优化目标去建立混装线再平衡的数学模型。并设计了一种新的多目标粒子群算法求解模型,算法中引入各粒子动态密集距离去筛选外部文档的非劣解和指导全局最优值的更新,在控制解的容量同时保持Pareto解集分布均匀。此外,引入变异机制,提高了种群的全局搜索能力。最后,结合具体实例的验证表明,该改进多目标粒子群算法能有效地解决混装线再平衡问题。     

多目标粒子群算法在乘务员排班问题中的应用

乘务员排班问题规模庞大并且限制因素复杂,一种公平合理的排班有利于调动乘务员的积极性。对建立的多目标排班模型进行分析和优化,并提出近似可行解以处理约束条件,基于Pareto最优的粒子群算法解决了这一问题,仿真实验表明该算法是合理的。     

解多目标优化问题的新粒子群优化算法

通过定义的粒子序值方差和U-度量方差,把对任意多个目标函数的优化问题转化成为两个目标函数的优化问题。继而把Pareto最优与粒子群优化(PSO)算法相结合,对转化后的优化问题提出了一种新的多目标粒子群优化算法,并证明了其收敛性。新方法用较少计算量便可以求出一组在最优解集合中分布均匀且数量充足的最优解。计算机仿真表明该算法对不同的试验函数均可用较少计算量求出在最优解集合中分布均匀且数量充足的最优解。     

基于多目标粒子群算法的起动过程仿真

在深入研究某型航空发动机起动过程的基础上,利用改进的多目标粒子群算法对其进行了仿真分析,结果验证了该多目标粒子群算法的快速性、收敛性和仿真的准确性,为改进、调整部附件参数提供了重要依据和先期理论验证,提高了发动机试车的安全性,降低了改装成本。     

基于适配粒子群的多目标优化方法

提出了一种基于适配粒子群的多目标优化方法。该方法给出的适配粒子群算法规则简单、收敛速度快,得到的解集有较好的分散性和均匀性。将提出的外部记忆体更新和适配半径选择的方法应用于经典的多目标函数中。结果表明,该优化方法能够快速准确地收敛于Pareto解集,并且使其对应的目标域均匀分布于Pareto最优目标域。     

Optimal Placement and Sizing of Distributed Generation Using Metaheuristic Algorithm

Power loss and voltage uncertainty are the major issues prevalently faced in the design of distribution systems. But such issues can be resolved through effective usage of networking reconfiguration that has a combination of Distributed Generation (DG) units from distribution networks. In this point of view, optimal placement and sizing of DGs are effective ways to boost the performance of power systems. The optimum allocation of DGs resolves various problems namely, power loss, voltage profile improvement, enhanced reliability, system stability, and performance. Several research works have been conducted to address the distribution system problems in terms of power loss, energy loss, voltage profile, and voltage stability depending upon optimal DG distribution. With this motivation, the current study designs a Chaotic Artificial Flora Optimization based on Optimal Placement and Sizing of DGs (CAFO-OPSDG) to enhance the voltage profiles and mitigate the power loss. Besides, the CAFO algorithm is derived from the incorporation of chaos theory concept into conventional artificial flora optimization AFO algorithm with an aim to enhance the global optimization abilities. The fitness function of CAFO-OPSDG algorithm involves voltage regulation, power loss minimization, and penalty cost. To consider the actual power system scenario, the penalty factor acts as an important element not only to minimize the total power loss but to increase the voltage profiles as well. The experimental validation of the CAFO-OPSDG algorithm was conducted against IEEE 33 Bus system and IEEE 69 Bus system. The outcomes were examined under various test scenarios. The results of the experiment established that the presented CAFO-OPSDG model is effective in terms of reducing the power loss and voltage deviation and boost-up the voltage profile for the specified system.     

改进的多目标粒子群算法及其应用

为了满足电站锅炉"高效低排"的运行要求,结合RBF神经网络,根据工况数据,分析了电站锅炉燃烧效率与NOx排放的矛盾关系,建立了锅炉NOx排放与热效率的混合模型。以此为基础,针对现有粒子群优化算法研究成果,引入了适应度与随机数值比较选择的思想和相似度函数的概念,并对算法的惯性权重进行了相应设计,使之随迭代次数逐渐减小,通过对测试函数的效果检验,表明算法的有效性。最后将其应用于锅炉混合模型中,进行某工况多目标优化仿真研究,得到了不同目标要求下的燃烧组合,为电站锅炉多目标优化提供了技术支持。