基于免疫进化的蚁群算法在梯级水库优化调度中的应用研究

针对蚁群算法在求解过程中出现初期信息素匮乏、易陷入局部最优解的问题,结合梯级水库优化调度的特点,提出了基于免疫进化的蚁群算法。该混合算法充分利用了免疫进化算法的全局快速收敛性和蚁群算法的正反馈性,提高了求解效率。实例计算表明该混合算法在求解梯级水库优化调度问题时,与逐次逼近动态规划相比较,结果合理、可靠,计算效率较高,从而为求解高维、复杂的梯级水库优化调度提供了一条新的求解思路。     

分时电价下梯级水电站间短期优化调度仿真

将蚁群优化算法用于求解分时电价下梯级水电站间短期优化调度模型,考虑市场竞争下的电价和电量、水库存水价值、水流时滞以及设备折旧等因素,建立了利益最大化为优化准则的短期优化调度模型.给出了蚁群算法求解梯级短期优化调度模型的数学描述及算法的求解步骤.最后以某梯级流域中三个水电站的相关数据建立了相应的优化调度模型,运用蚁群算法进行了计算仿真,并与传统的动态规划法进行对比.仿真结果证实了所采用算法的有效性和可行性.     

混沌PSO梯级优化调度算法及实现

利用切比雪夫(Chebyshev)映射在[-1,1]区间上的遍历性和随机性,提出了一种基于切比雪夫映射的新型混沌粒子群优化(CPSO)算法.该算法在粒子群算法求出的最优解附近进行混沌搜索.提高了混沌粒子群算法的全局优化能力,能有效避免算法容易陷入局部最优以及解决逻辑斯谛(logistic)映射不能在负值区间进行搜索的问题.针对模型中复杂的约束条件,采用分段线性插值函数实现了对目标函数的求解,并通过对采用丰枯电价时三峡梯级水电系统长期优化调度问题的计算及与其他算法的对比,验证了该算法可解决具有复杂约束条件的工程优化问题.     

改进混沌优化算法在水电站水库优化调度中的应用

为提高多维目标函数全局最优解的计算精度,提出了一种改进的混沌优化算法(MCOA).利用混沌运动的随机性、遍历性和规律性进行全局寻优;通过引入解向量的优选,将解向量定位到最优解的附近,从而找出全局最优解.最后将该算法应用于水电站水库优化调度问题,并进行仿真计算,计算结果验证了算法的有效性.MCOA原理简单,易于编程实现,具有较大的实用价值,为求解水电站水库优化调度问题提供了一种有效方法.     

微粒群优化在Job-shop调度中的应用

Job-shop调度问题是典型的NP-难问题,利用微粒群优化的全局搜索能力和高搜索效率以及模拟退火算法的局部搜索能力,发展了一种快速、且易于实现的新的混合启发式算法,并将其应用于求解标准Job-shop调度问题,计算结果以及与其他算法的比较说明,该算法是一种求解Job-shop调度问题的可行且高效的方法。     

改进的禁忌搜索算法在梯级水库联合优化调度中的应用研究

禁忌搜索算法是模拟人的思维的一种智能搜索算法.文章在探讨梯级水库联合优化调度的禁忌搜索算法中,针对该方法对初始解依赖性强、后期迭代效率低等局限性,提出了动态规划-禁忌搜索算法在梯级水库联合优化调度中的应用.通过实际算例验证了该方法的可靠性,从而为高维梯级水库的优化调度提供了一条新的求解途径.     

三峡梯级短期优化调度大系统分解协调法的应用

针对梯级间流量传播对梯级水电站短期优化调度影响的问题,采用实测资料率定梯级间流量传播系数,构建了计算梯级间下游水电站入库流量的变系数线性回归方程,建立了"以水定电"模式下考虑流量传播影响的梯级水电站群短期优化调度系统分解协调模型.三峡梯级应用实例表明,当上游水库出库流量较小时,流量传播对梯级短期优化调度结果影响较大,且分解协调算法较轮库迭代法可有效减少解算时间,提高模型运算效率.     

多发电主体梯级水电站优化调度模型

研究了电力市场下的梯级水电站的长期优化调度问题,建立了多发电主体梯级水电站优化调度模型.该模型通过调节上下游不同发电主体下电站的效益补偿,可以协凋上下游不同发电主体的利益,保证总的梯级效益接近最优化.将建立的多目标调度模型用权重法转化为单目标求解,可获得不同权重组合下的一组非劣解集.同时还探讨了浮动上网电价对存在多发电主体情况下梯级效益的影响,梯级效益的变化趋势与枯水期电价上浮与丰水期下浮比例x/y有关,只有x/y足够大时,梯级总效益才会比电价不浮动时有所增加.     

基于改进蚂蚁算法的梯级水电站短期优化调度

将改进型蚂蚁算法用于梯级水电站短期优化调度问题，并通过引入遗传算法的交叉和变异思想以及自适应搜索半径方法提高了蚂蚁算法的搜索能力．以最小耗水率模型为例，给出了梯级水电站短期优化调度问题改进型蚂蚁算法的数学描述和求解的算法步骤，并通过龙羊峡．李家峡梯级水电站实例验证了改进型蚂蚁算法的优越性．结果表明，与遗传算法相比，改进型蚂蚁算法获得了更优的调度方案．优化结果在取得更低耗水率的同时，减少了机组的启停次数，并且使所有机组连续高效运行，从而降低了机组的维护费用，并增加了梯级的经济效益．     

改进鸟群算法及其在梯级水库优化调度中的应用

介绍一种新型群智能仿生算法—鸟群算法(BSA),针对BSA算法进化初期种群多样性的不足,提出基于Lévy飞行策略改进的LBSA算法,并通过2个实例对该算法进行验证:1)利用6个不同维度的典型测试函数对LBSA算法进行仿真测试,仿真结果与基本BSA算法、教学优化算法(TLBO)、差分进化算法(DE)、改进粒子群优化算法(IPSO)、粒子群优化算法(PSO)和混合蛙跳算法(SFLA)的仿真结果进行对比分析.2)为进一步验证LBSA算法的有效性,将其与BSA、TLBO等6种算法用于求解某梯级水库中长期优化调度问题.结果表明:LBSA算法寻优精度优于其他6种算法,具有全局探索及空间勘探能力强、求解精度受维度影响较小、运行速度快、求解精度高等优点,适合求解高维多极值复杂优化问题.LBSA算法优化调度发电量为38.357 3亿kW·h,分别比TLBO、IPSO、DE、PSO和SFLA算法的优化调度结果增加发电量0.005 5、0.008 4、0.010 5、1.467 3和2.678 4亿kW·h,具有较好的优化调度效果.本文通过典型测试函数及实际工程验证了LBSA算法的可行性和高效性,为求解复杂高维的梯级水库群优化调度模型提供了一种全新的途径和方法.     

新型的融合优化算法及其在电力系统中的应用

提出了一种新型的融合优化算法,该算法结合了遗传算法(GA)的复制、交叉、变异操作以及粒子群优化算法(PSO)的个体速度和位置更新的原理,并将混沌的概念引入其中,它的性能要优于GA和PSO.在标准测试函数上进行了仿真比较,验证了新型算法的有效性.最后,这种新的融合优化算法被应用到了电力系统最优潮流的计算中,对IEEE-30系统进行仿真,并与遗传算法、标准PSO算法进行比较,结果表明新型的融合优化算法具有更好的优化性能.     

一种求解TSP问题的混合算法

结合粒子群算法、蚁群算法、重力搜索算法提出了一种新的混合算法——TSP-GPAA.该算法将粒子群算法和重力搜索算法加入到蚁群算法中,利用粒子群算法的全局搜索能力解决了蚁群算法的初始信息素匮乏的问题,并且重力搜索算法将粒子群算法和蚁群算法参数进行优化,明显提高了蚁群算法的优化性能.实验表明新算法对于解决TSP问题是有效的...     

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.     

基于学习与竞争的改进PSO算法研究

针对普通PSO算法收敛速率慢,难以收敛到全局最优解的问题,提出了一种基于学习与竞争的改进PSO算法.该算法通过将种群内部学习和竞争的思想与PSO算法相结合,让种群中个体通过竞争和学习策略来替代原有的PSO算法迭代公式.该方法在不增加PSO算法计算复杂度的基础上,能够克服基本PSO算法的不足.最后基于动态系统的稳定性分析理论,给出了该PSO算法收敛性的证明.在7种不同的测试函数上对改进后的算法进行了实验测试.实验结果表明该改进算法比传统的PSO算法有着更好的搜索精度.结果证明,新算法比普通的PSO算法具有更高的搜索精度和较低的时间复杂度.改进算法求解函数优化问题更加有效,收敛速率更快.     

粒子群优化算法在水文科学中的应用进展

介绍了粒子群算法的标准算法及流程,探讨了粒子群算法在水库优化调度、水电站经济运行、参数优选等水文领域中的研究成果和存在的问题,指出未来应该加强粒子群算法改进机理和收敛性能的研究,并与其他算法技术相比较、结合,拓展其在水文科学领域的应用范围,为解决水文领域中大量优化问题提供新途径。     

基于粒子群算法的电力通信光纤网络恢复优化

针对电力通信光纤网络的恢复,提出一种基于粒子群算法的电力光纤网络恢复优化算法,算法以电力光纤网络的虚拓扑结构为主要研究对象,模拟鸟群觅食行方式获得网络业务受损节点恢复方案。结果表明,粒子群算法可以快速、有效求得网络恢复问题的优化解,是求解网络恢复问题的一个较好方案。     

基于频域滤波模型的PSO算法

当前对于粒子群优化算法(简称基本PSO)的改进主要从控制参数与数学模型入手,但这可能导致会陷入局部最小值。针对这个问题,本文提出一种基于频域滤波模型的PSO算法(简称FPSO)。FPSO是对粒子种群多样性进行定量分析,当粒子集中度低于设定阈值时,以当前最优粒子为中心,在一定半径范围内进行傅里叶变换,通过预设的低通滤波器,削弱当前找到的最优值;然后对当前粒子群施加以最优粒子为势能中心的辐射力,所有粒子在滤波范围外部的空间以较大的速度继续搜索。结果分析表明：基于频域滤波模型的PSO算法提升了种群多样性,有效的提高了全局搜索能力,在求解多峰函数问题的解的精度上优于带电PSO算法与变异PSO算法。     

基于改进粒子群算法的水电站中长期优化调度的研究

在运用粒子群优化算法求解水电站中长期优化调度问题时,针对粒子群优化算法存在的问题,采用了一种新的改进算法[1],该算法不仅增强了粒子群的全局搜索能力,同时有效避免了算法“早熟”,为水电站中长期优化调度提供了一种有效的解决方法.     

解约束优化问题的新PSO算法

对约束问题的处理通常采用罚函数法,而使用罚函数法的困难在于参数的选取。文中提出了一种解约束优化问题的新PSO算法(CLDPSO)。该方法基于平滑技术设计了一个平滑函数,此函数可以消除一些局部极小点,使算法CLDPSO能有效克服标准PSO算法易陷入局部最优的缺陷;另外,结合约束优化的约束条件给出的新开关选择算子,使算法在选择下一代时保持群体中不可行解的一定比例。这不但有效的增加了群体的多样性,而且避免了传统的过度惩罚,使群体向最优解更好、更快地逼近。数值试验表明该算法对约束优化问题求解是非常有效的。     

基于粒子群优化算法的协同空战导弹目标分配

为了取得协同空战的最佳攻击效果,在协同攻击的过程中进行导弹-目标最优分配是一种有效的解决方法。首先运用作战效能和运筹学理论建立多目标协同攻击的导弹-目标最优分配模型,其次在分析基本粒子群优化算法特点的基础之上提出了一种改进粒子群优化算法,其中的主要改进有3点:惯性权自适应调整、粒子速度与位置自动更新以及优化策略改进。然后将该改进粒子群优化算法应用于协同空战导弹-目标最优分配问题的迭代求解。仿真结果表明所采取的改进策略加快了算法的收敛速度,提高了粒子的局部求解精度与全局寻优能力,并且与基本粒子群算法、遗传算法相比较,该改进粒子群优化算法能够更加快速、有效地求出多目标协同攻击的导弹-目标分配最优解。