基于遗传算法和粒子群优化算法的电力系统无功优化

从数学的角度分析,电力系统无功优化是一个多变量、多约束、非连续性的混合非线性规划问题,因此,优化过程十分复杂.以减少有功网损为目标函数建立电力系统无功优化计算的数学模型,基于遗传算法和粒子群优化算法,提出一种新颖的混合策略来求解无功优化问题.IEEE 6和IEEE 14节点系统的仿真计算结果表明:与单一的遗传算法或粒子群优化算法相比,该混合策略在优化效果方面具有明显的优势.     

基于改进粒子群算法的变压器故障诊断研究

针对基本粒子群算法存在收敛慢、易陷入局部极值的缺点,分析了粒子群算法中惯性权重和加速因子的作用,对其作了修改,并用改进后的粒子群算法训练神经网络,应用在变压器故障诊断上。仿真结果表明:改进后的粒子群算法迭代次数少,收敛速度比改进的BP算法快,可以对变压器的故障类型进行区分。     

基于粒子健康度的快速收敛粒子群优化算法

针对现有粒子群优化算法在工程应用中,特别是在粒子维数较高的情况下,很容易发生早熟收敛等缺点,提出了一种基于粒子健康度的快速收敛粒子群优化算法(HPSO)。给出了粒子健康度的概念及计算方法。该算法通过动态监控粒子的健康度指标,对健康度较低的粒子单独进行变异操作。从而可以在保护健康粒子继续搜索最优值的同时,有效“治疗”非健康的早熟粒子,提高了整个粒子群的寻优能力及跳出局部最优值的能力。然后通过大量的标准测试函数对其进行测试,并将其与标准粒子群优化算法(SPSO)、权重递减的粒子群优化算法(WPSO)进行对比。测试结果表明,在粒子维数较高的应用中HPSO算法的收敛速度更快,效率更高。     

混沌粒子群算法及其在生化过程动态优化中的应用

化工过程的动态优化,大多较为复杂,有相当的难度.新近发展的粒子群优化算法,基于群智能机理,适于求解连续问题,但它不具备遍历特性,影响了全局搜索能力.本文拟引入混沌机制,以混沌变量的遍历性改进粒子群算法,使其更全面地获取目标函数的有用信息,并反映到逐代更新的个体极值和群体极值中,可更有效地带领粒子群移向最优解,提高了全局搜优效率.由此构建为混沌粒子群算法,经多个性能测试,表明其搜索能力优于经典粒子群算法,引入混沌机制是有效的.将其用于Park-Ramirez生物反应器补料流率的动态优化,也取得了满意的效果.     

基于小生境遗传算法的多峰函数全局优化研究

针对基本遗传算法在求解多峰函数时很难找到全部最优解的问题,研究了基于淘汰相似结构机制的小生境遗传算法。用该算法对两个典型多峰函数求解的测试结果表明,该算法较之基本遗传算法有更强的全局搜索能力和更快的收敛速度。     

基于粒子群优化算法的板翅式换热器优化设计

以板翅式换热器的质量作为目标函数,以换热器芯体外形尺寸和翅片参数作为优化变量,采用粒子群优化算法对其结构尺寸进行优化设计,获得了换热器质量减轻、体积减小的效果。     

基于粒子群算法的内外翅片管换热器优化

粒子群优化算法(Particle Swarm Optimization,简称PSO)是一种新型的优化算法,今把PSO应用于内外翅片管换热器的结构尺寸优化,建立了物理数学模型,开发了C 程序.把体积作为优化目标函数,以换热面积和压降作为约束条件,对管子横向间距、纵向间距、管排数、外翅片间距、换热器在与热气流垂直方向的长度进行了优化,并与利用遗传算法的文献结果对比:在相同的设计参数和相同的优化变量搜索范围条件下,体积减小9.5%,重量减轻16%,优化计算时间减小一个量级,PSO应用于换热器优化设计优于遗传算法.     

融合交叉变异和混沌的新型混合粒子群算法

针对粒子群算法在多峰函数优化中极易陷入局部最优的问题,提出一种融合交叉、变异以及混沌的新型混合粒子群算法。该算法采用混沌初始化所有粒子位置和速度,保证初始粒子在解空间均匀分布;在每代进化过程中引入交叉操作增加种群的多样性;并且在算法后期,粒子陷入局部极值时,采用一种新的自适应混沌扰动机制和变异机制,以确保粒子跳出局部最优位置。选用4个标准测试函数对所提出的算法进行对比仿真研究,结果表明,该算法具有较快的收敛速度、有效的全局寻优能力。     

基于粒子群算法的动态多目标优化

针对碳二氢生产中的反应器动态优化问题,目前虽然有多种算法对生产过程进行优化,但大部分只是对单一目标进行求解,提出一种更为灵活的反应器动态求解方法。在该方法中,首先构建碳二氢目标函数,然后采用多目标粒子群算法和分段线性函数参数法结合的方式对目标函数的进行求解,以提高整体搜索能力,得到碳二氢反应器动态优化的最优解。最后,以实际乙烯碳二加氢化工反应过程为例进行实验验证,结果证明,通过该方法进行求解的目标函数无论是在收敛性,还是在优化的平均值等方面,都比SADE-eCD和NSGA-II算法具有优势,说明该算法在反应器动态优化中是切实可行的。     

结合遗传算子的改进粒子群算法在控制系统设计中的应用

针对粒子群优化算法容易陷入局部最优以及早熟等缺点,结合遗传算法的选择交叉变异算子进行改进,得到一种新型PSO算法.将该方法应用于PID控制系统参数调优和被控对象参数辨识,仿真结果显示所提出的算法优化效果优于基本粒子群优化算法和遗传算法,收敛性能也得到较大提高.     

一种求解过程动态优化问题的生物地理学习粒子群算法

智能优化算法具有适用性广泛、全局搜索能力强等优点,近年来在动态优化中的应用逐渐增多。通过混合生物地理优化与粒子群优化,提出了生物地理学习粒子群（biogeography-based learning particle swarm optimization,BLPSO）算法,并用于动态优化问题的求解。BLPSO采用了新型的生物地理学习方式,该方式根据粒子“排名”,即粒子的优劣,以维度为单位构造学习粒子,提高了学习的效率。针对动态优化问题,首先通过控制向量参数化将其转化为非线性规划问题,然后采用BLPSO算法进行求解。最后,将BLPSO应用于非可微、多峰、多变量等典型动态优化问题的求解,计算结果表明BLPSO具有较好的搜索精度和收敛速度。     

基于粒子群优化算法的球磨机制粉系统PID-ANN解耦控制器

球团厂钢球磨煤制粉系统是多变量强耦合、时滞、非线性以及生产工况变化大的复杂对象,其自动控制问题一直是控制界关注的热点。基于粒子群算法具有对整个参数空间进行高效并行搜索的特点以及PID神经网络的自调节和自适应特性,设计了具有PID结构的多变量自适应神经网络控制器。PID神经网络解耦控制方法被用来消除回路之间的耦合,神经网络连接权值由粒子群算法进行学习优化。仿真研究表明所建模型和所提控制方法具有较好的控制品质、良好的自适应解耦能力和自学习功能。该控制策略可在大范围内克服系统的非线性和强耦合问题,具有很高的工程实用价值。     

基于杂交粒子群算法的多元线性回归参数估计及预测区间研究

为了提高多元线性回归分析模型预测混凝土28 d抗压强度的准确性和可靠性,采用杂交粒子群优化算法估算模型系数,依据正态分布和t分布求出预测点置信度为95%的预测区间。实验结果表明:此模型的预测精度优于传统基于最小二乘估算的回归分析模型,且预测结果可以是相关量的取值范围,扩大了相关量的适用范围,提高了预测的可靠性。     

基于粒子群算法的金矿湿法冶金浸出率优化

各浸出率的合理分配对组织金矿湿法冶金浸出过程生产具有重要作用,当前各浸出率通常由精炼厂氰化车间工程师凭人工经验给出,导致对浸出过程生产的指导具有很大的模糊性与随意性,不能保证调整后的总浸出率最大。为优化确定金矿湿法冶金各浸出率,建立以总浸出率最大为目标的优化模型,并将二阶振荡粒子群算法用于模型的求解。最后通过实验研究验证了模型和算法的有效性。     

基于粒子群算法的隔离壁精馏塔的综合与设计

隔离壁精馏塔（dividing-wall distillation column,DWDC）是提高两个或者多个传统精馏塔热力学效率的有效手段。由于隔离壁精馏塔内部结构复杂、相互作用强,传统的序贯优化方法计算时间长,很难达到全局最优解。标准粒子群算法应用广泛、易于实现,但易于早熟、易于陷入局部极值点。因此,本工作采用改进的元胞粒子群算法对Kaibel隔离壁精馏塔进行综合与设计研究。元胞粒子群算法通过改进粒子的学习策略,采用元胞邻域的方法可有效地将粒子分散在多个子空间。对比标准粒子群优化和元胞粒子群优化两种方法的50次优化效果,结果表明,两种粒子群算法能够对内部结构复杂、相互作用强的四组分Kaibel隔离壁精馏塔这一复杂分离系统进行优化,优化效果显著。     

Illumination correction of dyed fabrics method using rotation forest‐based ensemble particle swarm optimization and sparse least squares support vector regression

Different illuminations adversely affect color difference evaluation of textile images in dyed fabrics. To address the problem, we propose a rotation forest (RF)‐based ensemble particle swarm optimization and sparse least squares support vector regression (RF‐PSO‐SLSSVR) for building an accurate illumination correction model. In our algorithm, grey‐edge is first used to extract the statistics characteristics of the textile image. Second, as the standard LSSVR cannot yield a sparse solution, we develop sparse LSSVR (SLSSVR) by calculating the maximal independent subset in the extracted feature space. Then, SLSSVR is embedded into RF by substituting for the regression tree which is the base learner in the original RF, and the PSO technique is employed to obtain the optimal regularization parameter γ and kernel parameter σ. The final model is obtained by fusing the predictions of the different trees through a weighted average method and RF‐PSO‐SLSSVR is constructed to learn the textile illumination estimation model. To verify the effectiveness of our algorithm, we carry out the experiments on the real dyed fabric images by comparison to several related methods and the performance is measured by the different criterions, including the chromaticity error, the angle error, and the Wilcoxon signed‐rank test. Compared with the traditional SVR and ELM algorithm, the results show that the RF‐PSO‐SLSSVR method reduces ~13.6% and 10.6% over the angle RMSE.     

Soft sensor for ammonia concentration at the ammonia converter outlet based on an improved particle swarm optimization and BP neural network

Ammonia synthesis production is a critical chemical industry around the world. As the key process variable, the ammonia concentration at the ammonia converter outlet reflects the production status and provides good advices for the operators. However, it cannot be easily measured because of high expenditure and deficient reliability of online sensors in a real-world ammonia synthesis process. Due to this, a soft sensor, which is used to predict the outlet ammonia concentration, is developed using BP neural network (BPNN). An improved particle swarm optimization with expansion and constriction operation (PSOEC) is proposed to optimize the weights and thresholds of BPNN. The PSOEC and BPNN based soft-sensing model (PSOEC-NN) is applied to inferring the outlet ammonia concentration in a fertilizer plant. Results using other modeling methods (BPNN and PSO-NN) are presented for comparison purpose. The proposed PSOEC-NN based soft sensor shows high precision and good generalization capability. PSOEC-NN model would offer great help for further work like advanced control and operational optimization in the ammonia synthesis process.     

基于离散粒子群的气液二相流型特征选择

针对气液二相流型识别中存在的大量无关或冗余的特征会降低分类器性能的缺陷,提出了离散粒子群算法(BPSO)和最小二乘支持向量机(LS-SVM)封装模式的流型特征选择方法.该方法分别采用小波包和经验模式分解方法(EMD)对原始压差波动信号进行分解,分别提取原始信号和各分解信号的时域量纲一指标组成融合特征.然后采用BPSO进...