基于粒子群TOA室内定位的系统误差修正

到达时间（time of arrival,TOA）的测距易受多径干扰的影响而产生较大的系统误差,造成室内定位时精度变差。针对上述问题,首先分析了TOA定位中系统误差的产生及特点,而后提出一种基于粒子群优化的定位算法。算法利用测距值与所求解位置的空间约束关系建立求解域,而后应用粒子群算法求解,并通过建立关于系统误差的罚函数和适应度函数实现误差修正,并减小粒子搜索空间,加快算法收敛速度。实验表明,利用本文描述的定位算法,可以有效抑制室内定位中测距产生的系统误差,定位精度得到明显提高。     

粒子群算法优化PID控制参数研究

采用常规的PID整定方式,往往费时而且难以满足控制要求．通过对粒子群算法的研究,在确定了适应度函数设计等控制参数后,采用粒子群算法对PID控制器参数进行优化,取得了很好的效果。     

基于动态改变惯性权值的粒子群算法

粒子群算法的速度更新公式是通过惯性权值来调节前代速度对当代速度的影响。标准粒子群算法的惯性权值是采用线性递减策略,这使得算法极易收敛到局部最优;而且这种方法依赖于最大迭代次数的设定,使得惯性权值的选取具有盲目性。本文提出一种动态改变惯性权值的方法,充分利用目标函数所提供的信息,构造按指数衰减的惯性权值并进行了分析,最后对一标准测试函数进行了仿真。结果表明,所提算法能够得到更好的优化效果,验证了方法的有效性。     

基于全局粒子群算法的无功优化

针对粒子群(PSO)算法的局限性,提出了全局粒子群(GPSO)算法,并将其应用于电力系统无功优化.建立基于全局粒子群算法的无功优化数学模型,给出全局粒子群算法的具体步骤.通过对IEEE30节点算例的测试,得到全局粒子群算法在无功优化问题上的收敛速度和优化效果.     

改进惯性权重的粒子群目标跟踪算法

粒子群优化算法中惯性权重的设置极其重要,直接影响算法性能。提出了一种改进的粒子群优化算法,并应用到目标跟踪领域,提高算法运算效率。首先,设置粒子群优化算法中的参数;其次,结合粒子优化率的概念记录粒子的不同状态,进而调节惯性权重,更新粒子的速度和位置;最后,对目标相似性函数进行优化,实现目标的准确定位。实验结果表明,该方法可以有效应对目标出现部分遮挡的跟踪难题,同时提高目标跟踪效率,具有较好的实时性。     

基于粒子群及其改进算法的电力系统无功优化

介绍了电力系统无功优化的数学模型,论述了现代智能算法在解决无功优化的非线性规划问题中的应用,实现了粒子群优化(particle swarm optimization,PSO)算法在电力系统无功优化问题中的应用。引入离散粒子群(discrete particle swarm optimization,DPSO)算法,采用两种方法对离散变量进行处理。IEEE-30节点系统的算例分析验证了PSO和DPSO的可行性。这两种算法具有相近的优化效果,但PSO的收敛性优于DPSO,而DPSO对离散变量的处理比PSO更准确,也更切合实际。     

基于粒子群算法的24小时综合无功协调优化

对于电力系统24小时无功协调优化来说,优化方法是使用粒子群优化算法及罚函数法,将所有的不等式约束方程式引入原目标函数作为惩罚项;优化目标是以全天经济费用最小作为目标函数;优化过程为静态优化和综合优化两个阶段。并根据在线负荷预测来确定24个时刻的并联电容器组的投切状态和变压器分接头的位置。将粒子群算法用于求解多目标无功优化问题中能够有效降低有功网损,减少无功补偿成本,而且其收敛性能好、收敛速度快、稳定性好。     

基于改进PSO算法的PID参数优化研究

针对PID控制器的参数整定问题,提出一种改进微粒群优化算法（improved particle swarm optimization,IPSO）。算法是在基本PSO算法的惯性权重部分加入一个调节因子项,通过调节因子的调节,改善了算法的收敛性。仿真结果表明,IPSO算法可以更好地优化PID控制器的参数,使控制系统具有更好的控制性能。     

基于粒子群算法的电磁装置优化设计

简要介绍了粒子群的算法及其特点,详细分析了粒子群算法和罚函数法相结合应用于电磁装置优化设计的若干问题。以某型号电磁继电器优化设计为例进行例示。设计结果证明了该算法的有效性。     

基于自适应小生境粒子群优化算法的电力系统无功优化

针对电力系统无功优化问题,提出用自适应小生境粒子群优化ANPSO(Adaptive Niche Panicle Swarm Optimization)算法来克服粒子群优化(PSO)算法容易早熟而陷入局部最优解的缺点.以粒子的位置状况及其2个向量点积的符号动态生成小生境半径,根据各粒子之间的距离组成小生境种群.在小生境群体中运用粒子群优化算法进行寻优,对于更新后的群体根据粒子间的距离,利用共享机制改变粒子的适应度,用以提高整个群体的全局寻优能力.通过对IEEE 6、14、30和118节点测试系统的无功优化问题计算及结果分析,并且与其他算法进行比较,结果表明该算法收敛成功率高,能获得较好的解.     

基于粒子群优化算法和动态调整罚函数的最优潮流计算

在电力市场环境下,诸多问题(例如实时电价,网络阻塞等)都需要最优潮流作为理想的工具.本文应用了一种简单有效、且收敛性很好的演化计算算法--粒子群优化算法(PSO)进行最优潮流问题的求解.在求解过程中,根据约束条件的越界量大小,动态的调节其罚函数,避免其收敛到局部最小点.应用此算法对IEEE 30 节点系统进行最优潮流计算,并且与线性规划和遗传算法进行了比较,结果表明该算法能够更好的获得全局最优解,具有实用意义.     

基于粒子群优化算法的VSC-HVDC系统的控制参数优化策略

建立了双端基于电压源型换流器的高压直流输电(VSC-HVDC)系统的小信号模型;利用特征根分析法,基于线性化状态空间模型,将与系统特征根直接相关的振荡模式和衰减模式的罚函数作为目标函数;提出了基于粒子群优化算法的VSC-HVDC系统的控制参数优化策略,对整个系统的控制参数同时进行整体优化。仿真结果验证了小信号模型的正确性;优化后的系统在小扰动、大扰动、潮流反转及故障情况下均具有较高的控制精度,整个系统的稳态与暂态特性均得到较大改善。     

近似粒子群算法在Flow-shop调度中的应用

提出了一种基于近似粒子群算法的车间作业调度问题。根据目标函数建立了算法数学模型,针对该模型,用近似粒子群算法对其进行优化调度。近似粒子群算法是通过交叉、变异和迭代等操作,得到目标的全局较优解。仿真示例说明了近似粒子群算法在求解FlowShop生产调度方面的可行性和有效性。     

含维变异的量子粒子群算法在无功优化中的应用

量子粒子群优化算法(QPSO)避免了粒子群算法(PSO)不能保证收敛到全局最优解这个缺点,认为粒子具有量子的行为,并且可以在整个可行解空间进行搜索。无功优化问题是带有离散变量的非线性、不连续、多约束、多变量的复杂优化问题。本文考虑到优化过程中避免陷入局部最优,应用含维变异QPSO算法并结合动态调整罚函数的方法来解决无功优化问题。并对标准IEEE-30节点系统进行仿真计算,并与QPSO、PSO、GA算法进行了比较,表明该算法能够获得更好的全局最优解。     

基于自学习迁移粒子群算法及高斯罚函数的无功优化方法

针对粒子群算法在求解无功优化问题时存在早熟收敛,易陷于局部最优的现象,提出了自学习迁移粒子群算法(self-learning migration particle swarm optimization,SLMPSO).该算法在采用混沌序列对粒子群进行初始化操作,基于云模型理论的X-条件云发生器对粒子的惯性权重进行自适应调整的基础上,引入一种迁移操作,以引导全局最优粒子的飞行方向,解决粒子群后期朝单一进化方向进化的问题,有效地增强了算法的全局寻优能力.针对电力系统无功优化中的离散变量归整问题,首先将离散变量完全化为连续变量进行迭代求解,在寻求至全局最优解后引入高斯罚函数对离散变量进行归整操作.以网损和电压偏离最小为目标,对IEEE标准30节点算例进行仿真计算,验证了所提算法的有效性和可行性.     

基于大数据和双量子粒子群算法的多变量系统辨识

针对智能算法与历史大数据相结合进行多变量系统辨识过程中不能精确量化每个子系统数学模型的问题,提出了一种有效的数据并行优化计算的解决方案。在辨识过程中,为了解决量子粒子群算法(quantum particle swarm optimization ,QPSO)收敛速度和寻优精度方面的不足,提出了一种改进的 QPSO 算法--双量子粒子群算法(double quantum particle swarm optimization ,D-QPSO)。该算法对粒子种群编码和原有的进化搜索策略同时进行了量子化处理,经过测试函数实验,改进的算法在搜索能力上优于 PSO 和QPSO算法。最后利用现场运行历史数据,通过D-QPSO算法进行参数估计,将设计的解决方案应用于热力发电厂负荷控制系统的传递函数辨识中,得到的模型为控制器的设计与优化奠定了基础。     

Consideration of Particle Swarm Optimization combined with tabu search

This paper presents a new form of Particle Swarm Optimization (PSO) based on the concept of tabu search (TS). In PSO, when a particle finds a local optimal solution, all of the particles gather around that one, and cannot escape from it. On the other hand, TS can escape from the local optimal solution by moving away from the best present solution. The proposed Tabu List PSO (TL‐PSO) is a method for combining the strong points of PSO and TS. This method stores the history of pbest in a tabu list. When a particle has a reduced searching ability, it selects a pbest of the past from the historical values, which is used for the update. This makes each particle active, and the searching ability of the swarm makes progress. The proposed method was validated by numerical simulations with several functions that are well known as optimization benchmark problems for comparison to the conventional PSO method. © 2010 Wiley Periodicals, Inc. Electr Eng Jpn, 172(4): 31–37, 2010; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.20966