基于混合DE—PSO算法的水库优化调度模型及其应用

水库优化调度实质上是一个非线性的不等式约束优化问题,在现行的求解方法中,对计算精度和复杂约束处理这两个问题一直考虑不足,相关方面的研究也较少．将粒子群算法和差分进化算法引入到水资源系统工程中,建立了水库调度的DE—PSO优化模型,避免了寻优瓶颈;针对复杂约束问题,提出退火罚函数法,有效地解决了水库调度问题．通过实例分析,验证了所给方法的可靠性．     

解不等式约束问题的不可行SSLE滤子算法

考虑将原不等式约束优化问题转化为与其等价的带等式约束的优化问题,并证明它们具有相同的KKT条件.转化后的问题要求其乘子是非负的,故其KKT条件与一般的等式约束优化问题不同. 针对这种具有特定的等式约束优化问题,提出了一种求解不等式约束优化问题的不可行序列线性规划滤子方法.该算法只需求解两个具有相同系数矩阵的线性方程组以得到搜索方向,因此计算量较小.最后给出了该算法的全局收敛性证明和数值结果.     

粒子群算法在求解优化问题中的应用

粒子群优化(PSO:Particle Swarm Optimization)算法是一种新兴的优化技术,其思想来源于人工生命和进化计算理论.PSO算法通过粒子追随自己找到的最好解和整个群体的最好解完成优化.为了避免PSO算法在求解最优化问题时陷入在局部最优及提高PSO算法的收敛速度,提出了对PSO算法增加更新概率.对无约束和有约束最优化问题分别设计了基于PSO算法的不同的求解方法和测试函数,并对PSO算法求解多目标优化问题进行了研究.仿真实验表明了改进的PSO算法求解最优化问题时的有效性.     

惯性权值和学习因子对标准PSO算法性能的影响

基于标准PSO算法,通过分析惯性权值和学习因子2类参数不同的取值策略对常用测试函数优化结果的影响,来探究2类参数对算法性能的影响.实验结果表明,2类参数恰当的动态改变不仅能明显提高单峰函数的寻优精度和收敛速度,而且能提高双峰和多峰函数的寻优概率;惯性权值主要影响算法的收敛速度,随着惯性权值的递增,算法收敛速度逐渐加快;学习因子主要影响算法的寻优精度,当反映粒子的自我学习能力和向群体最优粒子学习的能力的学习因子同增同减变化时,寻优精度提高;惯性权值递增结合2种学习因子的同增同减变化,或惯性权值递减结合2种学习因子的一增一减变化,均可使标准PSO算法性能得到显著提高.     

多项式约束优化问题的一种新方法

针对带多项式不等式约束和多项式等式约束优化问题,提出了一个新的求全局最优解的方法:首先将其不等式约束转化为等式约束,然后按K-T条件将其化为解方程组问题,再利用软件包wsolvc求出方程组的解,从而获得原问题的全局最优解.实例计算表明,该方法在解这类优化问题时,是简明和行之有效的.     

一种求解非线性规划问题的混合粒子群优化算法

粒子群优化算法(PSO)与其他演化算法相似,也是基于群体的·每一个粒子被随机初始化以表示一个可能的解,并在解空间追随最优的粒子进行搜索·提出一种基于改进的混合粒子群优化算法求解非线性约束规划方法·在介绍PSO算法基本原理的基础上,设计了约束适应度优先排序处理约束条件的方法,并通过动态邻域算子和可变惯性权重进行联合演化以求得全局最优解·对非线性规划例子的实例计算表明,该算法稳定性好,简单容易实现而又功能强大,易于掌握,对于多维非线性、复杂问题的求解具有普遍适用性·     

免疫粒子群算法及其在水库优化调度中的应用

免疫粒子群优化算法(IA-PSO)是将免疫系统的免疫信息处理机制引入粒子群算法(PSO)中,利用其特有的浓度选择机制以及免疫接种功能的原理,改进粒子群优化算法的全局寻优能力,提高收敛速度.在分析水库优化调度的数学模型和IA-PSO算法特点的基础上,提出了基于IA-PSO算法的水库优化调度的方法,建立了数学模型,给出了具体求解步骤.经实例验证,IA-PSO得出的水库优化调度方案优于传统动态规划算法的计算结果,而且算法收敛速度快,为水库调度问题提供了一条新的有效求解途径.     

粒子群算法在多目标优化中的应用综述

粒子群优化算法是一种基于群体智能的全局随机寻优算法。它通过粒子搜寻自身的个体最优解和粒子群体的全局最优解来完成更新优化。粒子群算法在很多领域得到了广泛的应用。本文主要论述了多目标PSO约束优化的基本思想、实现情况,并展望了PSO算法在多目标优化中的未来发展方向。     

改进的粒子群优化算法求解电力经济调度

将迁移思想引入到标准粒子群优化算法中,把流动迁移算子与粒子群优化算法(PSO)的定向搜索算子结合起来,提出了一种改进粒子群优化算法.将该算法用于求解电力系统经济调度优化问题,采用了非对称惩罚策略处理功率平衡约束,使构造的适应值函数更合理,给出了算法实施的具体步骤.对15机组与40机组系统进行仿真实验,结果表明新算法所得最优解均好于PSO,提高了结果的精度.     

优化RFID网络的含云生成算子的粒子群优化算法（英文）

RFID网络规划问题是一个优化难题,文章给出一个含云生成算子的粒子群优化算法用于求解该问题.在该算法的子代生成框架中,新粒子通过云方式或PSO方式产生.(1)应用反向云生成算子,PSO认知种群被用于估计好解区域的期望、熵和超熵;(2)利用正向云生成算子,估计的期望、熵和超熵被用于生成云粒子;(3)来自PSO粒子的局部信息和来自云粒子的全局信息共同引导算法的下一步寻优.该算法优化文献中一些著名的RFID网络基准测试实例,实验结果显示该算法比原始的PSO有好的优化能力.     

混合约束多峰优化问题的一个协同共轭进退粒子群算法

为解决混合（等式和不等式）约束的多峰优化问题（MOPs），本文在粒子群算法框架下提出了粒子优度比较准则和局部协同与共轭进退寻优两种迭代进化策略．优度比较准则在适应度和约束违反度的双重限制下指导粒子高效地执行进化策略，局部协同策略可使粒子能通过局部抱团收敛到多个全局最优解，而共轭进退寻优策略则提升了寻优的速度和精度．基于优度比较准则与两种进化策略的有效结合，本文设计了一个协同共轭进退粒子群（CCARPSO）算法，以充分融合粒子群算法的全局搜索能力和共轭进退法的局部快速寻优能力．数值仿真表明，该算法能有效解决复杂约束MOPs和非线性方程组的多根问题，在广义Logistic分布的参数估计中有全局优化能力和较高的计算精度．     

带约束PSO算法的最优多带协作式频谱感知

针对无约束粒子群优化(PSO)算法在进行多带协作频谱感知时存在难以控制系统总干扰的问题，设计了一种带约束PSO算法的最优多带协作式频谱感知方法.该方法通过引入惩罚函数，将带约束条件下的优化问题转化为无约束优化问题.仿真实验结果表明，相对于无约束PSO算法，带约束PSO算法能够解决带约束的多带协作式频谱感知问题，所得最优解满足约束条件，避免造成总干扰过大.     

基于改进的粒子群算法实现阶梯幅度量化相控阵天线的低副瓣

 从统计意义上逼近传统的连续加权分布,利用无约束优化方法求出一组最优量化台阶.在此基础上,提出处理加权宽度的改进约束整数粒子群优化(particle swarm optimization,PSO)算法,实现阶梯幅度量化加权.设计了处理量化幅度权值的Powell PSO混合算法,进一步降低峰值副瓣电平.首次设计星载降水测量雷达(precipitation radar, PR)相控阵天线的低副瓣,改进的PSO算法在寻优能力、算法鲁棒性方面都得到了增强.     

基于硬约束调节的改进粒子群无功优化

在解决电力系统无功优化问题时,粒子群优化存在着处理离散变量困难、易陷入局部最优和不能完全满足不等式约束等情况.为此,在对连续变量进行离散对应的基础上,采用混沌策略增加其寻优性能,并针对边界约束问题提出了将越限的节点电压和功率因数进行"九宫"调节的特色改进方案.以保证粒子的飞行能被控制在可行解空间中,从而形成了新的改进粒子群优化算法.通过IEEE标准节点系统和某地区实际电网的计算分析,表明该算法在寻优速度、寻优质量等方面均具有很好的效果.     

带阴性选择的粒子群优化算法

针对PSO在计算后期多样性不足、易发生优化停滞的现象,引入免疫系统中的阴性选择概念,定义了新的计算亲和力的方法,提出了带阴性选择的粒子群优化算法,并对其进行了计算复杂性分析.改进算法能在检测到粒子群收敛至局部解后,更新群体中的部分粒子,并使新粒子在解空间上远离局部解,提高了粒子的多样性.试验证明,改进算法的优化性能优于PSO和局部PSO.对改进算法的计算成本及参数选择进行了讨论,并提出了下一步的研究方向.     

求解含等式约束优化问题的遗传算法

针对遗传算法较难处理含等式约束的优化问题,在设计变量独立性分析的基础上对等式约束采用了降维处理方法,不仅使等式约束在优化时始终严格满足,而且经降维处理后优化问题仅包含不等式约束;然后,借鉴多目标优化思想,提出了从个体违反约束程度和违反次数2方面同时对种群进行排序,使算法对个体的排序和选择更符合实际.实例验证了该算法的有效性和可行性.     

计及阀点效应的有功功率经济分配

本文采用改进的粒子群算法（HPSO）对火电机组负荷进行经济分配,该算法考虑了实际电力系统中机组的阀点效应;以粒子群算法为基础,在此基础上将遗传算法的交叉思想引入到PSO算法当中,使其避免局部最优;借鉴混沌算法的可行化调整机制,用自罚应函数法处理等式约束;线性的改变惯性权重;重新初始化不合格粒子。本算例应用改进PSO算法与基本PSO算法进行仿真,结果表明：改进的算法寻优质量更好,效率更高,可望应用于更广泛的优化问题。     

基于正交试验设计的粒子群优化算法

针对粒子群优化(particle swarmopti mization,PSO)算法在进化初期收敛速度快但容易陷入局部最优、在进化后期收敛速度变慢且精度低的缺陷,为了提高粒子群算法的收敛速度和全局寻优能力,提出了基于正交试验设计的粒子群优化(orthogonal-experi mental-design-based PSO)算法.在基本粒子群算法的基础上,算法OE-PSO对当前搜索到的解进行局部寻优,利用正交试验设计对搜索空间的分布均匀性在可行解的领域选择有代表性的解进行测试.算法OE-PSO用搜索到的更好的解在下一次迭代中引导粒子进行搜索,从而获得更快的收敛速度和更精确的解,同时避免局部最优.实验结果表明,算法OE-PSO不但具有较快的收敛速度,而且能够有效提高解的精确性,增强算法的鲁棒性.     

具有混合约束线性规划问题的一个内点算法

对具有线性等式和不等式约束的线性规划问题给出了一种内点法,利用寻优方向选择参加投影矩阵计算的约束,使少部分约束参加运算,从而减少了问题的求解规模,有效地提高了求解速度,同时也节省了存贮量。     

基于动态罚函数的PSO-CO算法

本文分析了协同优化算法中所存在的问题,采用动态罚函数的解决思路,对系统级中的一致性等式约束问题进行改造,使其成为一无约束问题.另外,提出不同学科分配不同的惩罚权重的方法,大大提高了计算精度.同时,以粒子群算法替代了原有的求解算法,消除了初始解对优化结果的影响,也改善了算法的整体求解速度.在Matlab软件中实现该算法的运行,同时通过两个典型算例对该算法进行验证,表明其具有较好的优化性能.