基于蜜蜂进化型遗传算法的电力系统无功优化

采用蜜蜂进化机制与遗传算法相结合的蜜蜂进化型遗传算法(bee evolutionary genetic algo-rithm,BEGA)对电力系统进行无功优化计算.该算法以一定概率将蜂王(最优个体)与雄蜂(被选的个体)2部分进行交叉,因此对最优个体包含信息的开采能力得以增强.随机种群的引入,降低了算法出现过早收敛的可能性,保持了种群多样性.应用BEGA对IEEE6节点系统进行无功优化计算的结果表明:较其他算法,BEGA具有更强的全局寻优能力和更快的收敛速度.     

基于免疫进化细菌觅食算法的无功优化

针对传统细菌觅食算法在优化过程中步长一致、收敛速度较慢的缺陷,提出了一种免疫进化细菌觅食算法(IBFO),并将其用于电力系统无功优化问题上.这种改进的算法赋予了细菌对搜索空间的感知能力,利用灵敏度的概念来调节步长,加快收敛速度;将免疫算法中的克隆选择思想引入算法中,对精英细菌进行克隆、高频变异和随机交叉,提高收敛精度.将IBFO算法在IEEE 14、IEEE 30节点标准测试系统中进行了无功优化仿真,结果表明:新算法较其它算法具有较强的全局搜索能力,且收敛速度快、鲁棒性好,可以作为求解电力系统无功优化问题的一种新途径.     

基于改进遗传算法和内点法的无功优化混合算法

文章针对具有离散变量和连续变量共存的高维大规模无功优化问题,采用非线性内点法和改进遗传算法交替求解的混合算法,在迭代的不同阶段,分别对内点法和改进遗传算法进行收敛条件改进,使二者的优化结果互为基础、相互利用,保证了混合算法的整体寻优效率.IEEE118节点系统的无功优化计算表明,所提混合算法可有效提高单一算法的收敛性能和运算速度.     

灾变合作型协同进化遗传算法及其在Job Shop调度中的应用

合作型协同进化遗传算法是多个子种群通过协作而共同进化的新型算法,常应用于多目标、大规模的优化问题。本文在合作型协同进化遗传算法的基础上,进一步模拟自然界中的灾变现象,在原先的算法中加入灾变算子,提出灾变合作型协同进化遗传算法,以防止出现不成熟收敛现象,并用经典的函数优化问题和Job Shop车间调度问题进行仿真实验,其结果验证了改进算法的优良性能.     

免疫算法及其在电力系统无功优化中的应用

提出应用一种新的智能优化算法——免疫算法(IA)来求解无功优化问题.该算法模拟了免疫系统的基本原理,具有抗原模式识别及记忆功能,抗体多样性,抗体自适应调节等优点.在分析无功优化的数学模型和免疫算法的特点的基础上,详细研究了用免疫算法求解无功优化问题的实现方法.对IEEE30节点系统进行了仿真计算,并将优化结果与遗传算法(GA)作了比较,结果表明免疫算法(IA)能有效的应用于电力系统无功优化,并有着更好的全局寻优能力及更快的收敛速度.     

网络化控制多目标无功优化的进化算法

针对网络化控制无功优化系统中节点为时间驱动的传输模式,提出一种多目标优化的改进进化算法。首先,分析网络化控制系统中节点的时间驱动和事件驱动2种传输模式,并对于时间驱动模式下数据丢包现象,建立网络化控制多目标无功优化系统的数学模型,进而引入去冗-保持处理方法。其次,给出一种基于双群体搜索机制的改进差分进化算法,通过对约束条件的可行和不可行双群体处理,解决多目标优化过程中陷入局部最优的问题,并改进变异和交叉操作以提高优化速度与性能。最后,利用IEEE 30节点系统进行仿真计算及分析。研究结果表明:该算法不仅能保证系统达到次优状态,而且收敛速度、均匀性及逼近性等方面均有较大提高。     

采用改进遗传算法的配电网无功优化

针对常规遗传算法收敛速度慢、易早熟等缺陷,提出一种改进的遗传算法。该算法结合电力系统无功优化特点,对传统二进制编码、初始化种群、交叉、变异及适应度函数等进行改进,采用IEEE14和IEEE30节点系统对所提出的算法性能和求解精度进行了测试。结果表明,该模型和算法能够有效地抑制早熟现象,降低电力系统有功网损。     

基于纯数值函数优化的一种混合遗传算法

通过引入与进化代数相关的交叉概率和与个体适应度相关的变异概率的自适应遗传算子同时把Powell局部寻优算法融入遗传算法的搜索过程构成了一种数值函数全局寻优的混合遗传算法.实验表明混合遗传算法改善了遗传算法的局部搜索能力,有效地解决了遗传算法的早熟现象,显著提高了遗传算法求得全局解的概率.同时由于混合遗传算法中只利用函数值信息,所以该混合遗传算法是纯数值函数的优化的一种通用方法.     

基于分子优化算法的机器人避障规划

自从Adleman博士利用分子算法成功求解HPP问题,DNA计算引起了人们广泛的兴趣.文中引入了DNA技术并借助生物学理论对其进行改进,提出了新的分子优化算法.并在机器人路径的避障规划中进行了仿真实例,结果显示算法避免了经典遗传算法容易出现的"早熟收敛"和"收敛速度慢"两大难题,继承了遗传算法全局搜索的能力,提高了算法的有效性和收敛速度,在很少的进化代数中就可以求得问题的最优解,适合于路径规划问题.     

基于改进多粒子群算法的电力系统无功优化

将改进的多粒子群算法应用于电力系统无功优化问题的求解，克服了传统粒子群算法收敛精度不高、易陷入局部最优的缺点．该优化方法对原粒子群算法进行了如下改进：通过增强粒子群间的协同作用、引入惯性因子以及扰动的策略，来平衡集中强化搜索和分散多样化搜索过程．对IEEE6节点和IEEE30节点系统分别进行无功优化计算，并与传统粒子群算法进行了比较，结果表明，该算法求得的有功损耗较原状态降低了近1／5，且电压合格率为100％，具有较强的全局搜索能力和较高的收敛精度，是求解无功优化的有效方法．     

一种遗传算法交叉算子的改进算法

为了有效克服遗传算法收敛速度慢和易陷入局部极值点的缺点,提出了一种遗传算法交叉算子的改进算法,即采用自适应交叉概率,给不相关大的个体赋予较大的被选概率的配对方式进行交叉操作;在适应度比例轮盘赌的基础上辅以父子竞争的选择操作.二元多峰值Schaffer函数优化的仿真实例结果表明:与保留最优个体策略的遗传算法相比,改进算法能有效减少无效的交叉操作,收敛速度和全局搜索能力都得到了较大提高,其平均收敛代数和收敛到最优解的概率都优于保留最佳个体策略的遗传算法.     

遗传算法解TSP问题的并行实现

遗传算法是一种概率搜索算法,其本身固有并行性。目前,人们正不断地致力于把遗传算法应用于各种并行机器上。在基于工作站机群技术上,构架了一种粗粒度并行遗传算法,并在MPI并行环境下,用4台PC机测试了一个解决TSP问题的粗粒度并行遗传算法。该并行遗传算法可以更好的保护优秀个体从而提高遗传算法的收敛性。     

基于免疫克隆选择算法的特征选择

提出了一种基于免疫克隆选择算法的特征选择方法．特征选择可以被看成是一个组合优化问题,利用免疫克隆选择算法快速收敛于全局最优的特性,加快搜索到最优特征子集的速度,为后续模式分类提供良好的判别依据．实验结果表明算法在保持甚至提高分类精度的同时,有效地降低了特征维数．与基于遗传算法特征选择的结果相比较,在有限代数内,该算法能收敛到更优的特征子集,从而验证了算法的有效性及其应用潜力．     

基于混合遗传算法的多约束组播路由优化算法

针对目前多约束组播路由算法中存在的算法复杂,不能求出其精确解和运算量大,解不稳定等问题提出了一种新的组播路由优化算法,其核心是采用改进的遗传算法。该算法采用模拟退火算法与遗传算法相结合的方法,编码采用实数编码结构,交叉和变异概率适当选择,合理设计适应度函数。仿真结果表明,该算法是有效的,稳定的,比传统遗传算法性能优越,具有较强的实用性。     

基于云模型的细菌觅食优化算法

针对细菌觅食优化算法收敛速度慢、容易陷入局部极值点出现早熟的问题,提出一种新的基于云模型优化的细菌觅食优化算法.首先给出了细菌灵敏度的概念,结合云模型随机性和稳定倾向性的特点,运用了X条件云发生器来调整细菌灵敏度,控制游动步长,进行了趋向性操作和复制操作,改进了标准的细菌觅食优化算法,提高了算法的收敛速度.然后利用正向正态云发生器,修正非线性自适应的迁移概率,进行了迁移操作,增强了算法的全局寻优能力.将该算法应用于自动组卷系统中,与遗传算法进行实验比较分析,结果表明:该算法的收敛速度与优化质量均优于遗传算法.     

快速分解潮流的并行算法──Householder公式的应用

针对两层次的多区域电力系统及两层次结构的计算机网络，应用Ｈｏｕｓｅｈｏｌｄｅｒ公式研究了快速分解潮流的并行算法。该法与常规快速分解潮流具有完全相同的收敛性，而采用的Ｈｏｕｓｅｈｏｌｄｅｒ公式非常简洁，并行计算过程中需传送的数据量较小。文中给出了ＩＥＥＥ１４节点及ＩＥＥＥ３０节点系统算例及计算结果。