基于混合粒子群算法的梯级泵站优化调度

针对不同时段电价差异,以流量平衡为基础,建立以梯级泵站耗电电费最小为目标的优化调度模型,并采用粒子群算法求解.为克服粒子群优化算法易早熟、迭代后期收敛速度慢的缺点,引入免疫思想,以粒子适应度为标准,通过克隆变异算子、疫苗接种算子和优胜劣汰算子,构建双粒子群,增强了粒子群搜索精度和搜索范围,并将其应用于广东某供水工程.优化调度仿真对比分析表明:免疫粒子群算法(IAPSO)能够有效地解决梯级泵站优化调度问题,降低了泵站运行成本,与基本粒子群算法(PSO)和自适应惯性权重粒子群算法(APSO)相比,收敛速度更快,搜索精度更高.     

基于改进粒子群算法的电力系统无功优化

简单介绍了基本的粒子群算法,阐述了在电力系统无功优化中的数学模型和变量的约束条件。对于粒子群算法容易陷入局部最优解和后期收敛速度比较慢的问题提出了两个改进的方法,并且在IEEE-6节点系统上进行仿真实验,证明了本算法的可行性和优越性.     

基于粒子群遗传混合算法的配电网无功规划

提出了一种基于粒子群算法(PSO)和遗传算法(GA)相混合的配电网无功规划算法。该算法利用遗传算法收敛效果好和粒子群算法收敛速度快的特点,计算结果表明:该算法是收敛的、有效的。     

基于粒子群优化算法的Hadoop调度算法研究

为提高Hadoop平台性能,提出一种基于粒子群优化算法的Hadoop调度算法。以粒子位置代表可行的资源调度方案,以任务完成时间及资源负载均衡度作为目标函数,通过粒子群优化算法,找到最优的资源调度方案。实验结果表明,该算法能够很好的平衡资源负载,减少任务完成时间,有效的提高了Hadoop平台的性能。     

基于改进粒子群算法的负荷优化调度

电厂机组间负荷的优化调度有利于电厂的经济运行和科学管理.基于改进的粒子群算法,将机组启停的信息附加到粒子群中,结合机组运行及停运的时间约束,以机组煤耗特性为基础建立全厂煤耗最小的目标函数,全面考虑机组运行的约束条件,完成机组启停及负荷分配的双重优化;与传统的等微增率准则相比较,调度结果更加经济.     

新型混合粒子群优化算法

针对粒子群算法易陷入局部极值、精度低等缺点,提出了一种基于模拟退火与混沌思想的新型粒子群优化算法(SA-CPSO).在该算法的初始阶段,对粒子位置进行混沌初始化,并引入模拟退火算法对每个粒子的适应度进行评价;在该算法运行过程中根据群体适应度方差对粒子群进行混沌更新;最后通过对几种经典函数的测试计算,结果表明,相对于标准粒子群算法,该新型混合算法提高了局部搜索能力和搜索精度,并有效避免了早熟现象的产生.     

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.     

基于粒子群与微分进化算法的无功优化

应用传统粒子群算法(PSO)于电力系统无功优化问题存在收敛精度不高、陷入局部最优的缺点,利用微分进化算法(DE)的随机变异性,将当前所产生的局部最优值进行变异,再重回PSO搜寻全局最优值,从而提高了PSO算法的寻优特性,应用于IEEE30节点,验证所提算法是可行和有效的.     

基于改进粒子群算法的动态无功优化研究

根据电力系统中负荷不断变化的情况,提出了动态无功优化的数学模型,并依据负荷曲线的变化特点进行智能分段。对粒子群算法进行改进,使其具有更好的收敛性和精确度,有效的避免了陷入局部最优解的情况。IEEE6节点系统算例分析表明,改进后的粒子群算法相比改进前的粒子群算法有明显的改善,能够减小系统网损。     

基于改进粒子群算法的配电网无功优化研究

采用改进粒子群算法对配电网进行无功优化,以IEEE14节点电力系统为例,建立粒子群算法的数学模型,引入线性递减惯性权重对粒子群算法进行改进,使用MATLAB软件进行仿真运算。比较两种算法对节点系统无功优化后的网损大小和收敛速度,验证采用研究方法的有效性和可行性。     

基于组合混沌序列动态粒子群算法的电力系统无功优化

无功优化对提高电力系统的安全性和稳定性具有重要意义.针对传统粒子群算法在求解大规模、强非线性无功优化时易陷入早熟、局部收敛等问题,应用Logistic混沌优化方法,充分利用其遍历性进行寻优.另外,为保障粒子群算法初值的均匀性,结合Chebyshev映射和Logistic映射,引入一种组合混沌映射并将其应用于粒子初始化,提高初始变量的均匀性,从而提高算法全局寻优能力.对粒子群速度更新过程中存在的惯性取值问题,引入一种基于种群速度的动态惯性权重策略.最后将这一算法应用于电力系统无功优化.算例表明,算法具有较强的全局搜索能力和较高的效率.     

三目标遗传粒子算法的电力系统无功优化

电力系统无功优化是提高电网高效运行和节能的关键环节。建立了综合考虑有功网损最小、电压偏差最小及静态电压裕度最大的三目标电力系统无功优化模型。提出了遗传粒子群(GAPSO)混合算法,并将算法运用于IEEE14与IEEE30节点电力系统无功优化中。该算法先通过选择操作,选出优秀的样本,在利用交叉操作增加种群的多样性。然后进行变异操作提高种群的局部搜索能力。通过数据计算和比较GAPSO算法在收敛速度、精度和全局搜索能力上均优于常规GA算法和PSO算法。结果验证了模型和算法的有效性和实用性。     

基于改进粒子群优化算法的短期风电功率预测

针对传统支持向量机(SVM)模型在风电功率预测中存在的参数选取问题,提出一种新的预测模型,采用改进的粒子群(MPSO)优化算法寻求SVM的最优参数模型,经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法.算例结果表明,经MPSO优化的SVM模型应用于短期风电功率预测是有效的,使其预测精度有所提高.     

一种求解Job Shop调度问题的混合粒子群优化算法

目的 解决单一粒子群算法求解Job Shop调度问题存在的不足,提高这类问题的求解质量.方法 采用粒子群算法进行全局搜索,将禁忌搜索算法用于并行局部搜索,禁忌搜索在找到改进解的邻域时采用动态记忆的方式.结果 在较短时间内,找到了LA21,LA24等典型benchmarks问题的最优解.十次求解的平均值的平均相对误差百分比比并行遗传算法和禁忌搜索算法分别小了2.94%和0.56%.结论 提出一种混合粒子群算法,增强了粒子群算法的局部搜索能力,说明该混合粒子群优化算法是有效的.     

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.     

一种改进的混合粒子群优化算法

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,把Hooke-Jeeves模式搜索方法作为粒子群优化算法的一个局部搜索算子,嵌入到粒子群算法中,Hooke-Jeeves的强局部搜索能力提高了粒子群优化算法的局部收敛速度和精度,从而提出了一种混合粒子群优化算法。通过基准函数和实例测试进行了验证,结果表明,提出的混合算法的收敛速度和精度均优于粒子群优化算法。     

基于粒子群优化的混合宇宙大爆炸算法

宇宙大爆炸算法(Big Bang-Big Crunch,BB-BC)思想来源于宇宙大爆炸和大收缩理论.针对其在高维函数的寻优过程中,随迭代次数增加,爆炸生成的碎片解收缩速度慢,多样性快速减弱,质量变差,容易陷入局部最优解的缺点,提出一种混合型BB-BC算法(HBB-BC).首先,将质心代入当代解中作为奇点解进行改进,提高算法收缩速度;其次,结合粒子群优化的路径优化,提高碎片解的质量;最后,引入宇宙大撕裂理论增加大爆炸阶段碎片解的多样性和跳出局部最优解的能力.通过9个新型测试函数进行测试,测试结果显示,HBB-BC算法在高维函数的寻优性能上更优于BB-BC算法和另一种改进的均匀大爆炸混沌大收缩(UBB-CBC)算法.     

基于虚拟极值粒子群的电网无功优化研究

为解决电网无功优化中因控制变量种类多、维数高而导致优化结果精度低且容易陷入局部最优等问题,提出一种基于虚拟极值的粒子群算法对电网进行无功优化.该算法采用蒙特卡洛模拟技术对初始种群进行选择,保证取值的多样性;加入影响因子,根据控制变量的种类分区间制定不同的优化参数;引入虚拟全局极值,帮助粒子跳出局部最优.应用该算法对IEEE-14节点系统进行无功优化计算并与传统粒子群算法进行比较,结果表明虚拟极值粒子群算法在电网无功优化计算中具有较强的全局搜索能力和较高的收敛精度.