用改进遗传算法求解电力系统负荷恢复

对系统恢复过程中最后一个阶段的负荷恢复问题进行了研究.考虑系统恢复过程中负荷对电力需求优先级的不同,将电力系统的负荷恢复问题建模为多约束条件的组合优化问题,并用改进的遗传算法对问题进行求解.在选择策略中采用稳态策略、精英策略和重叠种群策略,提高了遗传算法搜索的遍历性并使算法具有群体爬山性.将各种约束条件与目标函数融合在一起,建立一种偏序关系来处理负荷恢复中的约束条件.求解的过程满足了系统的约束条件,不会出现系统的越限.算例结果表明了算法的有效性.     

基于粗粒度并行遗传算法的阻尼器优化布置

提出了一种粗粒度并行遗传算法,并将其应用于被动控制结构中阻尼器布置位置的优化.该算法把一个种群划分为多个子种群,各个子种群可以独立完成经典遗传算法操作.对于给定基因编码的种群个体,通过Matlab-ABAQUS-Python的交互使用,利用Matlab编程生成INP模型文件,并先调用ABAQUS来进行模型分析,后调用Python来读取结果数据并传输给Matlab,求解结构模型的目标函数值.文中还以层间位移角为控制目标,对10层被动控制钢框架结构的阻尼器优化布置进行了实例分析.结果表明:粗粒度并行遗传算法与经典遗传算法相比,既提高了种群的多样性,又加快了种群的收敛速度;对比常规隔层方法,采用该算法可使结构减震率至少提高19. 3%,说明该算法能显著提高结构减震率.     

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。     

粗粒度并行遗传算法收敛性分析及优化运算

提出了一种新型的粗粒度并行遗传算法(CGGA)，该算法利用多个子种群基于不同的编码方式进行进化计算．首先各子群体独立进行交叉、变异和选择遗传操作，每代进化后迁移算子被引入用来进行种群问的信息交流，迁移算子将各个子种群的最优个体替换相邻种群最差个体后继续进化．基于时齐遍历马尔可夫链理论，给出了CGGA各个子种群的概率转移矩阵与其进化概率转移矩阵，证明了以概率1全局收敛．对典型的测试函数CGGA进行了求解．仿真结果表明，本算法的收敛性能优于经典遗传算法(CGA)，可以有效解决CGA的过早收敛问题．     

并行遗传算法收敛性分析及优化

针对并行遗传算法（parallel genetic algorithms，PGA）容易出现收敛过快和陷入局部最优解的问题，综合多种不同进化策略遗传算法之所长，设计了一种混合的粗粒度并行遗传算法。该算法由多个独立的子群体组成，各个子群体并行的、独立的、按照不同的遗传进化策略进化，每隔一定的时间，在子群体之间进行最优个体的迁移，促进群体的共同进化，并抑制群体早熟。在PVM环境下，用该算法实现函数优化问题，仿真实验数据表明了其有效性．     

基于改进伪并行遗传算法的函数优化

针对遗传算法早熟和收敛速度慢的问题,在已有的伪并行遗传算法基础上对遗传操作进行改进。采用3个测试函数对改进的算法进行验证,结果表明改进的算法在函数的平均适应度值、平均运行代数、收敛概率等方面都取得了较好的结果。     

基于遗传算法的电力系统无功优化

将遗传算法应用于电力系统无功优化,建立了基于遗传算法的电力系统无功优化模型,成功地解决了无功优化中变量的离散问题,避免了常规数学优化方法的局部最优问题,给出的多种优化方案,为电力系统无功优化提供了一种新算法．该算法已用于ＩＥＥＥ５７节点系统,取得了较好的效果．     

粗粒度并行遗传算法迁移算子的一种改进

给出粗粒度并行遗传算法对于子种群间迁移策略的一种改进,即每隔一定的进化代数,各子种群与公共池交换最佳个体和代表个体.改进后的迁移算子淡化了子种群间交换个体时的拓扑结构,提高了各子种群的多样性.对复杂非线性函数求极值的仿真结果表明,改进迁移算子后的粗粒度并行遗传算法相对于固定拓扑结构的粗粒度并行遗传算法,得到最优解的进化代数提前,并且最优解的质量有所提高.     

一种新的伪并行遗传算法

利用混沌序列的伪随机性,将混沌引入伪并行遗传算法,提出了伪并行混沌遗传算法。对3个检测函数的仿真实验表明该算法能较好地克服早熟现象及收敛速度慢的问题,优于伪并行遗传算法、显著优于标准遗传算法。     

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.     

电力系统并行计算的实现

并行处理为大型电力系统的工程计算提供了有效的解决方法，本文介绍了并行计算概念，软硬件环境以及在电力系统中的应用和实现方法及其评价。     

电力系统事故恢复过程中的负荷有功分配

对电力系统恢复过程中缺电区域的电力负荷分配问题进行了分析研究．为了满足电力系统实时调度的要求,建立了考虑Ｎ－１断线安全约束的负荷有功分配线性规划模型,并编制了程序,进行了计算．计算表明,该模型的计算结果符合调度实际情况,能够应用于实际调度．     

基于网络环境的分布式PGA的结构优化

并行计算是当今数值计算发展的新方向。该文在网络并行环境下探讨了并行遗传算法（PCA）进行结构优化设计及其算法的实现方法。利用4台PC机组成网络平台,进行了钢桁架结构优化设计的数值测试。计算结果表明,设计的并行算法在网络并行计算环境中具有较高的加速比和效率,同时验证了并行遗传算法用于结构优化是可行的和有效的。     

电站机组负荷分配的模糊建模及优化算法

随着电力市场的发展,机组负荷优化分配作为一种可提高电站经济的手段,越来越成为一个令人感兴趣的研究课题,但目前仍没有得到一种绝对有效的算法．通过引入模糊理论提出了电厂机组负荷分配模型,并运用改进的遗传算法进行求解．该优化算法的特点在于：容易得到全局最优解,有较强的鲁棒性,适合大规模的复杂系统求解．最后,给出一个算例阐述了该算法的有效性．     

遗传算法与传统优化方法应用于电力负荷建模的比较研究

将遗传算法应用于电力系统综合负荷建模．以三阶感应电动机为综合负荷模型,以待辨识参数为未知向量,以系统实测与模型响应误差平方和为目标函数;以随机初始种群为基础进行交叉一变异一选择运算并产生下一代种群;通过若干代进化即可获得具有足够精度的辨识结果．通过实验数据将遗传算法与传统模式搜索算法的建模结果比较,表明遗传算法所得模型的描述精度比模式搜索法高10倍,其模型参数呈现很好的稳健性,从而有效地克服了传统优化方法的模型参数分散性。     

基于改进遗传算法的配电网无功优化

为了提高配电网无功优化的收敛速度,结合配电网根节点电压稳定特性,提出以首端已知电压和计算功率向末端递推,且在回代递推支路末端电压中用第K次电压新值的方法,提高了常规支路电流法的收敛速度,在用遗传算法进行无功优化的过程中,提出了局部搜索替换过程,增加了个体多样性,同时加速了适应值较低的个体的淘汰,提高了每一代个体的平均适应值水平,从而显著提高了常规遗传算法的收敛速度,通过对120节点与53节点的实际算例计算,验证了改进方法能提高电网无功优化的收敛速度和优化效果。     

一种改进的图像恢复遗传算法

遗传算法作为一种高度并行、随机、自适应搜索算法,比其他传统的搜索算法在全局搜索时更有效.但利用简单遗传算法进行图像恢复时,存在严重"过早收敛"的问题,使得图像恢复质量不理想.设计了一种新的二维染色体编码方法,并与模拟退火算法相结合,实验结果表明,该方法能较好克服"过早收敛"现象,对提高退化图像恢复质量有较好效果.     

基于神经网络和遗传算法的无功优化设计

无功优化是一个复杂的混合优化问题,传统方法较难获得全局最优解.文中提出了将并行遗传算法和Hopfield网络相结合的算法.该方法利用遗传算法的并行搜索和解空间搜索的优点进行网络参数的选取,并采用Hopfield网络简单、快速、规范的优点来优化样本空间,以取得整体的优化效率.