基于群智能方法的移动通信网络功率控制方法研究

功率控制技术作为移动通信网络优化的关键技术之一,其性能的好坏将直接影响移动通信网络的优化效果。通过对功率控制原理的研究,从联合功率控制与速率控制的角度出发提出了功率控制简化模型。而Grad-PSO算法是一种典型的群智能算法,已被广泛应用于工程优化问题之中。通过算法在函数优化过程中的仿真实验,验证了其在收敛速度、运算精度和运算量等方面具有优势。主要采用Grad-PSO算法对功率控制模型进行了优化仿真实验,通过仿真实验发现:Grad-PSO算法能找到最优解,很好地实现了对功率控制模型的优化。结果表明基于Grad-PSO算法功率控制优化方法切实可行,是一种有效的优化移动通信网络技术的方法。     

粒子群优化光伏系统最大功率跟踪设计

局部阴影条件下光伏阵列的P-V特性会出现多个极值点,使常规的最大功率跟踪算法失效。本文提出基于粒子群优化算法的最大功率控制方法,来解决局部遮阴下的最大功率跟踪问题。     

基于改进粒子群算法光伏最大功率跟踪

不断变化的外部环境对光伏列阵的输出有着特殊的影响,为减小能量损失,须对光伏阵列进行最大功率点跟踪（maximum power point tracking,MPPT）。粒子群优化算法（particle swarm optimization,PSO）在多峰值寻优中具有良好的性能,然而粒子在寻优的过程中经常出现过早收敛的现象,导致其寻优精度有所欠缺。为了解决以上的缺陷,本文提出一种改进的自适应粒子群(improved particle swarm optimization,IPSO)与布谷鸟搜索（cuckoo search,CS）混合算法应用于最大功率点跟踪。并在MATLAB/Simulink平台中搭建仿真模型对混合算法进行验证,并与其他方法进行比较,仿真结果证明,本算法有良好的响应速度和较高的优化精度。     

基于粒子群算法的快速路投资优化方法

从投资影响交通网络容量出发,提出一种新的以元胞传输模型CTM(cell transit model)理论为基础的快速路投资优化方法.首先,对元胞传输模型进行改进以实现局部匝道控制;其次,利用粒子群智能优化方法,构造了元胞通行能力优化问题的粒子群表达方法;并定义了总行车里程(TDT)和系统总延误(TD)作为衡量快速路系统的性能指标.计算结果显示投资前TDT为12 004 874m,TD为3 582 405.1s,投资后TDT为13 128 283m,TD为3 537 468.7s,总行车里程投资后较投资前增加了1 123 409m,总延误投资后较投资前减少了44 936.4s.结果分析表明,新优化方法使总行车里程显著增长,使系统总延误显著降低,提高了整个路网性能.该投资优化方法可以较好地解决快速路投资优化问题.     

基于变电站接地系统的改进型粒子群优化算法

由双层土壤和不等电位模型建立接地网优化目标函数,采用分合群和裂变变异的方法对传统的粒子群优化算法进行改进,解决了早熟现象和收敛速度慢等问题.以某变电所接地系统的实际参数为例建立仿真模型,Matlab仿真结果表明,相对等间距分布的80 m×60 m和120 m×100 m变电所接地系统,改进型粒子群算法优化的按指数规则分布的不等间距分布最大接触电压降低率达到了21.65%和23.45%,最大散流电流密度差降低率达到18.05%和10.26%,说明变电站接地优化设计方法能够有效降低最大接触电压和最大散流电流密度差,接地系统的安全性得到大幅提高.     

基于改进粒子群算法的RFID网络系统的优化

针对如何有效地放置阅读器,使得阅读器可以同时读取多个标签信息的问题,提出一种基于遗传算法(GA)和粒子群算法(PSO)的改进的粒子群算法GA-PSO。通过仿真,将改进的粒子群算法GA-PSO与遗传算法、粒子群算法进行比较,体现出GA-PSO的优越性。     

基于改进粒子群算法优化的车辆运动侧倾控制研究

为了避免车辆在不同路面状况下发生侧翻现象,提高车辆行驶的稳定性,采用改进PID控制车辆侧倾角位移运动轨迹。创建车辆模型简图,给出车辆侧倾运动方程式。引用PID控制方法,对粒子群算法惯性权重系数进行改进,将改进粒子群算法用于优化PID控制,设计出车辆侧倾角位移控制流程,对控制器参数进行优化和调节。通过MATLAB软件对车辆侧倾角位移跟踪效果进行仿真验证,并与PID控制效果进行比较。结果表明:路面在无波形干扰条件下,采用传统PID控制和改进PID控制方法都能较好地完成车辆侧倾角位移跟踪,跟踪误差较小;路面受到波形干扰条件下,采用传统PID控制侧倾角位移跟踪误差较大,而改进PID控制侧倾角位移跟踪误差较小。采用改进PID控制方法,可以抑制路面波形的干扰,提高车辆侧倾角位移跟踪精度。     

基于粒子群优化算法的微生物发酵过程控制

微生物发酵是一类典型的生化反应过程,在各个工业领域的应用都很广泛。针对微生物发酵中的溶解氧浓度、pH和发酵温度彳4用粒子群优化算法的基本原理和算法流程,阐述了基于粒子群优化算法的微生物发酵控制．而后用硬件电路设计实现了微生物发酵过程的控制。实践表明,该控制方法对微生物发酵过程控制性能优良,提高了发酵精度,控制效果显著。     

基于粒子群优化算法的PID液位控制

文章针对双水箱液位串级控制系统,为其主调节器设计了一种基于粒子群优化算法的参数自整定PID控制器,并在过程控制试验平台上利用MCGS组态软件加以实现;实验结果表明,新的控制器较常规PID控制器响应速度快,超调小且调节时间短,系统的性能得到明显改善.     

基于改进粒子群算法光伏的最大功率跟踪

不断变化的外部环境对光伏列阵的输出有着特殊的影响,为减小能量损失,须对光伏阵列进行最大功率点跟踪(maximum power point tracking,MPPT)。粒子群优化算法(particle swarm optimization,PSO)在多峰值寻优中具有良好的性能,然而粒子在寻优的过程中经常出现过早收敛的现象,导致其寻优精度有所欠缺。为解决以上的缺陷,提出一种改进的自适应粒子群(improved particle swarm optimization,IPSO)与布谷鸟搜索(cuckoo search,CS)混合算法应用于最大功率点跟踪。并在MATLAB/Simulink平台中搭建仿真模型对混合算法进行验证,并与其他方法进行比较,仿真结果证明,改进算法有良好的响应速度和较高的优化精度。     

基于改进PSO算法的电力系统无功优化

介绍了PSO算法,结合电力系统无功优化问题的实际情况,针对其存在的易陷入局部最优点的缺点,提出了改进的PSO算法。该算法改变了初始化方法和粒子更新方法,在算法后期引入变异因子,并将问题分解成子问题进行处理。在IEEE-14节点系统的仿真计算中,改进PSO算法与其他人工智能算法相比,在较短时间内取得了更好的优化效果。     

一种改进PSO算法的电力系统无功优化方法

粒子群优化（PSO）算法是一种新兴的群体智能优化技术,其思想来源于人工生命和演化计算理论,PSO通过粒子追随自己找到的最优解和整个群的最优解来完成优化．该算法简单易实现,可调参数少,已得到广泛研究和应用．本文将粒子群优化算法应用到电力系统无功优化问题的研究中,给出了具体的实施流程．为提高PSO的搜索能力,对PSO进行了改进,在算法中加入了第3种极值指导粒子搜索方向．对IEEE-6节点系统的仿真计算结果表明了算法的有效性．     

基于改进PSO算法在光伏阵列多峰MPPT的研究

针对传统的最大功率点跟踪算法在光伏阵列出现局部阴影时,其输出P-U特性曲线表现出的多峰现象,导致跟踪不能完成真正的最大功率点跟踪,从而造成系统的输出功率降低的问题;粒子群算法(PSO)在全局搜索具有很好的作用,把PSO应用在MPPT之中,但其收敛速度与精度方面具有一定的缺点,为了提高PSO算法的跟踪精度和收敛速度,提出了把非线性控制策略与PSO算法相结合;通过Matlab/Simulink进行仿真验证,结果表明:改进后的粒子群算法在有无阴影和环境发生变化的情况下均可快速且稳定准确地跟踪到最大功率点的有效性,提高了光伏系统的发电效率。     

一种改进PSO算法在经济调度中的应用研究

粒子群优化算法是一类新的基于群体智能的启发式全局优化技术,群体中的每一个粒子代表待解决问题的一个候选解,算法利用粒子之间的相互作用发现复杂问题解空间的最优候选区域.综述了算法的基本形式及其多种改进形式,通过比较提出了一种用于求解一般形式的非连续、非凸、非线性约束优化问题的改进粒子群算法,用于求解复杂的非凸、非线性电力系统经济负荷分配问题.仿真结果表明,所提出的方法搜索速度快,求解精度高,易于掌握,是解决电力系统经济负荷分配问题的有效手段.     

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．     

基于梯度PSO算法的PID参数整定

提出一种基于梯度PSO算法的PID参数整定方法.结合PSO算法迭代中的梯度信息,对惯性权重适当调整,提高了收敛速度.在算法出现停滞时,对全局最优变异,避免陷入局部最优.并提出算法微粒运动轨迹收敛的充分条件.典型测试函数结果显示,该方法能有效改善微粒群算法的搜索性能.将采用该算法的PID控制器应用于一个二阶船舶控制装置,计算结果表明该PID控制器可以获得更好的控制性能指标,具有较好的使用价值.     

PSO算法在电力系统中的应用现状和前景探析

粒子群优化（PSO）算法是一种新兴的群体智能优化技术,在简要介绍PSO算法工作原理的基础上,描述了粒子群优化方法在电网规划、检修计划、短期发电计划、机组组合、负荷频率控制、最优潮流、无功优化、谐波分析与电容器配置、参数辨识、状态估计、优化设计等方面的应用,并对今后可能的应用指出了研究方向．     

光伏系统模糊PSO的MPPT控制

在局部阴影条件下,光伏阵列的功率–电压特性曲线呈现多峰状,传统最大功率点跟踪方法出现搜索精度低和收敛速度慢的问题.针对此问题提出一种基于模糊控制的粒子群优化算法,采用模糊控制器对粒子群优化算法的惯性权重ω进行优化,实时调整参数,使光伏阵列在光照强度变化时有较好的动态特性和稳态性能.分别采用常规PSO算法和模糊PSO算法在相同条件下对系统进行仿真,结果表明所提出的算法在局部阴影条件下能快速跟踪外部环境变化,且准确地工作在最大功率点.     

结合PSO的改进压缩跟踪方法

针对基于在线检测的跟踪方法中目标在多尺度空间中的搜索和匹配问题,结合粒子群优化算法(PSO)和压缩感知思想,提出一种鲁棒的多尺度目标跟踪算法.首先,通过粒子群在多尺度空间中采集样本;然后,经过压缩感知提取特征;最后,通过粒子的迭代计算,搜索出当前目标的最佳匹配位置.实验结果表明:提出的算法能较好地适应目标的多尺度变化,在快速性和鲁棒性上具有更好的性能.     

基于粒子群与蜂群结合的算法求解含风电场电力系统经济调度问题

提出一种新的混合智能算法解决含阀点效应和系统约束的含风电场的电力系统经济调度问题,将蜂群中的觅食行为与聚群行为引入改进的粒子群,提出改进粒子群一蜂群混合智能算法．在算法上进行优化,大大地提高搜索的能力,从而使结果更优．通过引入交叉策略,对那些速度保持不变的点,重新赋值．以一定的比例选拔最优点,其中选拔出的最优点,不止一个．同时精英策略的采用,有利于加强全局寻优,跳出局部最优,从而使算法得到很大的改善．最后对一个10机系统的算例进行求解,通过与改进的粒子群算法、蜂群算法进行比较,验证了改进的粒子群一蜂群混合智能优化算法在解决含风申．场的申力系统终济调度问题中的有效性与优撼性．