考虑小干扰稳定和频率稳定的虚拟惯量配置分析

新能源发电占比的提高使得系统惯量下降,虚拟同步机可为系统提供惯量支撑.目前,虚拟惯量的配置主要是从小干扰稳定和频率稳定两者之一的角度进行分析的,鲜有研究同时考虑这2个因素.并且,虚拟惯量配置的研究主要针对电压源型虚拟同步机,很少针对电流源型虚拟同步机.为此,该文通过建立电压源型和电流源型虚拟同步机的同步主导回路模型,分...     

基于改进粒子群算法的机车二系弹簧载荷分配优化

针对机车二系弹簧载荷优化调整这一复杂的多变量优化问题,为进一步提高现有求解方法的优化效果和计算效率,将烟花算法融入粒子群算法,提出一种具有分层递阶结构的改进粒子群算法,算法为3层架构,其中,底层是基础层,为加入维变异算子的粒子群算法,是改进算法的基本框架;中间层是融合层,为引入烟花算法爆炸机制的粒子更新层,主要用于扩大算法搜索范围,提高全局搜索能力;顶层是扰动层,引入扰动因子,避免算法因陷入局部搜索而进行的大量无为冗余迭代,加快全局收敛速度。用典型测试函数对改进算法性能进行测试,并将其应用于机车二系弹簧载荷分配优化调整仿真实验。研究结果表明:改进算法与传统遗传算法、烟花算法和粒子群算法相比,全局搜索能力更强,鲁棒性更好,求解精度更高。     

改进bang bang控制的微网VSG自适应虚拟惯量控制策略

研究并网逆变器虚拟同步机(virtual synchronous generator, VSG)控制策略在有新能源接入的电力系统中的频率稳定性问题.利用虚拟惯量的可变性,减少频率超调量并加快频率响应速度,提出一种基于改进bang-bang控制的微网VSG自适应虚拟惯量控制策略.首先,在bang-bang控制的基础上,设定一个频率稳态区间与稳态惯量.然后,通过建立微网孤岛运行模式下的VSG小信号模型,对虚拟惯量进行稳定性分析,确定虚拟惯量的取值范围及稳态惯量.最后,用Matlab/Simulink进行仿真实验,对比多种虚拟惯量控制策略,验证了所提策略的有效性.     

舰船特装器材多目标优化配置方法

 针对舰船海上执行任务期间随舰特装器材的保障问题,研究了特装器材的多目标优化配置方法。结合舰船特装器材保障的实际特点,以器材的体积、质量、费用为约束条件,以保障概率和利用率为优化目标,建立多目标多约束特装器材优化配置模型,并改进多目标粒子群算法,保证全局范围粒子多样性,避免算法过快收敛,以求得全局最优解。通过实例对比改进粒子群算法与标准算法的计算结果,分析不同指标权重比组合下的最优配置方案、不同约束条件下的多目标变化趋势,证明了改进粒子群算法的稳定性和多目标优化模型的实用性。     

计及虚拟储能的风光储独立微电网优化配置

针对风光资源丰富的偏远地区,提出风光储独立型微电网容量配置模型及协同运行策略。首先建立分布式电源的数学模型,考虑负载失电率以及能量过剩率,以微网配置总成本作为目标函数,采用改进的粒子群算法进行一次优化配置;再以一次优化配置所得的蓄电池配置结果,作为二次优化配置的输入,引入基于电力弹簧的虚拟储能,以储能系统的总成本最低为目标函数,计算虚拟储能所等效的蓄电池数量,减少蓄电池的配置数量,得出最终的配置结果。最后,通过算例分析表明了该方法的可行性及经济性,可为微电网容量配置提供参考。     

基于改进烟花算法的MPRM逻辑电路面积优化

针对现有混合极性(MPRM)逻辑电路面积优化效果较差的问题,提出一种基于改进烟花算法的MPRM逻辑电路面积优化方法 .充分利用烟花算法的爆发性、多样性和分布并行性等优点,通过对高斯变异进行改进,增强了烟花算法搜索MPRM逻辑电路最佳面积极性的性能.基于北卡罗来纳微电子中心基准测试电路的实验结果表明,与基于遗传算法的MPRM逻辑电路面积优化方法相比,平均电路面积减少了44.46%;与基于离散粒子群算法的MPRM逻辑电路面积优化方法相比,平均电路面积减少了34.66%.     

基于改进粒子群算法的诺西肽发酵过程优化

在诺西肽补料分批发酵动力学模型的基础上建立了诺西肽发酵过程产量优化模型,根据发酵工艺选取了决策变量,并确定了变量的边界约束范围.针对标准粒子群算法在求解复杂优化问题时易于陷入局部最优的问题,利用混沌序列具有随机性和遍历性的特点,引入混沌迁移算子,提出了一种改进的粒子群算法.利用改进算法对所建立的诺西肽发酵优化模型进行求解,大大提高了最终产物的产量,证明了所提改进粒子群算法的有效性.     

基于t分布烟花算法的土石坝碾压参数多目标优化

通过碾压正交试验,在定量分析碾压参数对土石坝料压实质量影响的基础上,建立综合考虑土石坝施工效率、压实密度和质量保证的碾压参数多目标优化模型,提出用于求解该优化模型的t分布变异烟花算法,以确定经济合理的碾压参数。该算法可以减小开展碾压试验的工作量,有助于寻得合理的碾压参数组合方案。工程实例分析表明,改进烟花算法相较传统优化算法收敛速度更快,寻优效率和稳定性更好;采用改进烟花算法优化的碾压参数,堆石坝料的压实密度和孔隙率均满足设计要求。     

基于改进粒子群算法的K均值聚类算法的研究

研究了带压缩因子的粒子群算法,通过配置最优参数以及控制收敛速度来改进粒子群聚类算法,并利用它对IRIS数据集和WINE数据集进行测试.实验结果表明,改进后的算法能控制粒子群的更新速度,并有效改进粒子群算法的准确率和全局收敛性.     

人力资源优化配置模型及算法研究

从可操作性出发,基于系统分析和定量评价的方法,建立了人力资源优化配置模型,为人力资源的优化配置提供了一种量化管理的具体方法,并设计了求解此问题的改进的粒子群优化算法,数值模拟结果表明了该算法的有效性.     

求解约束优化问题的改进微粒群算法

微粒群算法在处理约束条件时最常采用的方法是约束保持法,但该方法易使粒子在搜索中停滞不前,为了改进传统约束保持法的缺点,将微粒群算法与信赖域算法相结合,从而保持了粒子的多样性并使最优解在可行域内。另外,采用与信赖域搜索技术相结合的随机惯性权重,改善了算法的全局寻优能力,提高了算法的收敛速度和计算精度。实验结果表明：与标准微粒群算法和一些其他优化算法相比,改进算法具有较强的寻优能力和寻优效率。     

一种基于复合惯性权值的粒子群优化算法

在研究神经网络优化的问题上,粒子群优化算法被广泛应用.针对基本粒子群优化算法收敛速度慢和易陷入局部最优等问题,提出了一种改进的粒子群优化算法.该算法除了采用线性惯性权值和进化速度-聚集度动态惯性权值相结合的方式来调整其权值,还将一种新颖的收缩因子引入到算法中.通过对4种典型测试函数进行仿真测试,实验结果表明新算法在收敛速度、收敛精度、改善优化性能上完全优于基本的粒子群优化算法,有效避免了基本群优化算法的缺陷.     

基于混合改进鸟群算法的贝叶斯网络结构学习

针对贝叶斯网络结构学习中寻优效率低下、易陷入局部最优的缺陷,提出了一种基于混合改进鸟群算法的贝叶斯网络结构学习算法.首先,通过互信息约束算法迭代初始网络;其次,改进鸟群算法,在经典鸟群算法中加入自适应惯性权重,随着迭代次数的增加动态调整搜索空间、改变收敛速度;最后,将改进的鸟群算法作为搜索策略,进行贝叶斯网络结构寻优.实验结果表明:改进的算法在寻优过程中不仅有较好的准确率和较快的收敛速度,而且具有良好的全局寻优能力.     

基于虚拟力和果蝇优化算法混合控制水声传感器网络部署策略

提出了基于改进的虚拟力和果蝇优化(Virtual Force and Fruit Fly Optimization,VFFO)算法混合控制水声传感器网络部署优化的方法.该方法首先通过虚拟力算法对传感器节点的初始部署进行优化,以得到较好的初始部署状态;然后通过改进的果蝇算法对水声传感器网络进行重部署,同时分析了算法的移动部署能耗问题.仿真结果表明,该算法在相同能耗下能够得到更高的网络有效覆盖率.     

粒子群算法在金融风险模型中的研究与改进

在一种非线性金融风险模型中引入粒子群算法,针对粒子群算法在迭代后期搜索能力不高、粒子容易陷 入局部最优的问题,基于对惯性权重的优化以及对每个粒子个体位置变异,提出一种改进后的粒子群算法。 利用粒子群算法选择最优控制参数,以最大程度降低金融系统的总风险值。仿真结果表明,改进后的粒子群算 法在全局最优以及搜索速度方面优于传统的粒子群算法。     

基于改进粒子群算法的双馈感应发电机参数辨识

基本粒子群算法(PSO)存在早熟问题,且惯性权重对参数辨识结果的影响较大,为此提出将变权重PSO算法和全局最优位置变异PSO算法相结合的改进PSO算法,并将其应用于双馈感应发电机(DFIG)的参数辨识。分析了DFIG中各参数的可辨识性和辨识难易度,给出了基于改进PSO算法的参数辨识步骤。与采用基本PSO算法、变权重PSO算法和全局最优位置变异PSO算法的参数辨识结果相比较,该方法具有收敛速度快、辨识误差小的优点,即使在较大的搜索范围内仍具有较高的辨识精度。     

融合多种策略的改进粒子群算法及其在电子商务多级物流中的应用研究

为了提高粒子群优化算法(PSO)求解复杂优化问题的能力,本文对基于细菌趋化的粒子群优化算法(PSOBC)进行改进。PSOBC算法是PSO算法的一种新思路,可以有效地克服其易陷入局部最优、后期粒子多样性差的缺点,故将一般反向学习策略和自适应惯性权重与PSOBC算法相结合,得到一种改进的粒子群优化算法。改进的粒子群优化算法的开发能力和勘探能力都得到了很大的提高;在求解复杂性优化问题时种群能够在搜索范围内快速收敛到局部最优处,并且当种群密度足够小时,及时增大种群密度即进行去全局寻优。最后将改进后算法应用到电子商务多级物流中心选址及路径规划问题上。     

基于改进的烟花-蚁群算法和B样条曲线的农业机器人路径规划

根据蚁群算法收敛速度较慢,易陷入局部最优等问题,提出了一种改进烟花-蚁群(improved fireworks-ant colony algo-rithm,IFWA-ACO)混合算法,解决静态环境下农业机器人的路径规划问题,首先针对基本烟花的交互机制和选择策略做出改进,提出爆炸与迁移相结合的策略以及密度峰值火花、探测火花概念,提升烟花算法寻找最优解的能力,然后把改进烟花算法得到的最短路径作换算成蚁群算法中的信息素加强值,从而避免蚁群盲目搜索,最后采用B样条插值方法进行曲线化拟合,生成平滑路径,有利于机器人平稳行进.试验仿真结果表明,IFWA-ACO算法能快速的规划出机器人的最优路径,降低农业机器人能耗,提高工作效率.     

基于自适应惯性权重的混沌粒子群算法

针对粒子群优化(particle swarm optimization,PSO)算法易陷入早熟的缺陷,提出了一种基于自适应惯性权重的混沌粒子群算法。首先利用立方映射产生的混沌序列对粒子位置进行初始化,为全局搜索的多样性奠定基础;然后采用自适应惯性权重优化策略,提高收敛速度;最后如果判断算法陷入早熟,则对算法进行混沌扰动,使其跳出局部最优。仿真实验结果表明,改进算法的收敛速度及收敛精度都有明显提高,能有效地避免早熟。