基于遗传算法的风电场无功补偿及控制方法的研究

为了解决风电场并网运行存在的电压稳定问题,提出了应用遗传算法确定风电场并网点处无功补偿电容器的分组和控制方法。该方法考虑了风速和负荷变化对风电场输出有功功率和无功功率的影响,对风电场节点的处理较准确地反映了其无功和电压特性。对某实际风电场的无功补偿优化结果表明:应用遗传算法求解电容器的分组和控制规则,可实现全局寻优,减少计算量,且计算量减少,无功补偿的总容量和分组容量计算准确,在求得的无功补偿值下,可使风电场母线电压在允许范围内,保证风电场正常运行,并且电容器动作次数最少。

改进粒子群算法及其在电力系统经济负荷分配中的应用

提出了一种用于求解一股形式的非连续、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。基于随机分析理论,证明了该算法依概率收敛至全局最优,且收敛性与粒子群的初始分布无关,并提出一个收敛的充分条件。多个算例的仿真结果表明:文中提出的算法有效、可行。

一种新量子遗传算法及其应用

提出一种新量子遗传算法 (NQGA) ,其核心是采用量子比特相位比较法更新量子门和自适应调整搜索网格的策略 ,NQGA具有收敛速度快、全局寻优能力强和计算时间短的特点 .文中通过典型复杂函数测试和应用实例表明 。

基于种群过早收敛程度定量分析的改进自适应遗传算法

分析了现有的一些改进算法所提出的评价种群过早收敛程度的指标,讨论了它们的不足;提出了一个概念清楚、运算量小的新指标,并利用该指标给出一种新的交叉概率、变异概率自适应调整策略.仿真实例表明,该方法能及时反映种群在进化过程中的过早收敛程度,不仅能加快计算速度。

基于混合遗传算法的固定货架拣选优化问题研究

采用一种结合Hopfield网络模型的遗传算法,解决了自动化立体仓库中固定货架拣选作业路径优化问题。 在利用Hopfield/Tank神经网络的快速局部搜索能力的同时,又利用了遗传算法的全局寻优特性,有效地获得全 局优化的拣选路径。仿真结果表明,算法能够满足待拣选货位点数目在较大范围内变动的要求。

混沌遗传算法及其应用

本文利用混沌运动的遍历性 ,提出了一种求解优化问题的混沌遗传算法 ( ChaosGenetic Algorithm,简称 CGA) ,该算法的基本思想是把混沌变量加载于遗传算法的变量群体中 ,利用混沌变量对子代群体进行微小扰动并随着搜索过程的进行逐渐调整扰动幅度。研究结果表明 ,该方法效果显著 ,明显提高了优化计算效率。

矩形件排样的模拟退火算法求解

讨论了用模拟退火算法求解矩形件排样问题。在对问题数学模型分析的基础上 ,给出了模拟退火算法求解的关键步骤和方法 ,并通过算例讨论了模拟退火算法中三个主要参数初始温度、冷却系数以及终止温度对排样结果的影响。实验结果表明

前向神经网络隐含层节点数的一种优化算法

由于前向神经网络隐含层节点数的确定尚无理论依据,为此提出一种基于黄金分割原理的优化算法,首先确定网络隐含层节点数频繁出现的区间范围;将网络总误差作为试验结果,然后利用黄金分割法搜索其区间中的理想数值;兼顾高精度的需要,将隐含层节点数频繁出现的区间作拓展,可以求得逼近能力更强的节点数。算法分析和仿真例子表明,此优化算法是切实可行的,不仅能找到理想的隐含层节点数,而且能起到节省成本、提高搜索效率等功效。

一种基于免疫原理的遗传算法

本文提出了一种免疫遗传算法（ＩｍｍｕｎｅＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ，简称ＩＧＡ）．免疫遗传算法是根据生物的免疫原理提出的一种改进遗传算法，该算法主要体现了生物免疫机制中的抗原识别、抗原记忆和抗体的抑制、促进，并结合货郎担（ＴＳＰ）优化问题介绍了具体实现方法。

一维下料方案的遗传算法优化

在对一维下料方案数学模型分析的基础上 ,提出了一种基于遗传算法的求解方法 .主要思想是把零件的一个顺序作为一种下料方案 ,并视作组合优化问题来求解 .在求解过程中 ,给出了应用遗传算法求解关键问题的编码、解码方法、遗传算子及适应度函数的定义 ,并根据这一算法开发出一维下料方案的优化系统 .实际应用表明 ,采用该方法求解一维下料方案 ,可提高材料的利用率 。

遗传程序设计方法综述

近年来 ,遗传程序设计 (genetic program ming,GP)的研究引起了人们很大的关注 ,它运用遗传算法(genetic algorithm,GA)的思想 ,通过生成计算机程序来解决问题 .介绍了遗传程序设计的研究状况以及目前的研究进展 ,概述了它的基本算法、主要特点、理论与技术 ,同时介绍了一些 GP实现系统以及主要的应用领域 ,最后探讨了遗传程序设计的研究方向 .

基于模拟退火机制的多种群并行遗传算法

模拟退火和多种群并行遗传进化是两种较好的改进遗传算法性能的方法 .将这两种思想有机地结合起来 ,提出了一种基于模拟退火机制的多种群并行遗传算法 .仿真结果表明 ,该算法不仅能增强算法的全局收敛性 ,还能加快遗传进化速度 ,得到满意的全局最优值 .

一种新的模糊遗传算法

将模糊控制思想引人到遗传算法中，进行交叉概率Ｐｃ和变异概率Pm的整定工作，并在此基础上提出了一种基于模糊控制的遗传算法——模糊遗传算法．仿真结果表明：该算法不仅能提高解的质量，而且能加速解的收敛速度．

结合专家知识的遗传算法在无功规划优化中的应用

在遗传算法中采用专家知识辅助寻优 ,有助于改善寻优方向 ,防止过早收敛。由于无功功率不宜远距离传输 ,因此电力系统中的无功平衡和电压调整具有很强的地区性。依据专家知识对少数被选中的个体动态形成本厂、站的就地无功/电压控制的有效变量集进行人工调整 ,可以改善遗传算法的局部寻优能力。该专家知识包括三个主要方面 :消除电压越限、减少投资和降低网损。为了更符合实际情况 ,建立了母线电压对调节裕度的模糊隶属函数。对某实际系统的计算表明 。

基于模拟退火遗传算法的水文地质参数识别

水文地质参数识别是一个复杂的非线性优化问题.针对传统人工调参方法的局限性,提出了水文地质参数识别的模拟退火遗传算法,实现了水文地质参数的自动识别,提高了计算效率,较一般遗传算法具有更好的收敛性能.最后通过实例验证了该方法的可行性与有效性.

人工免疫系统及人工免疫遗传算法在优化中的应用

叙述了人工免疫学的概况及免疫系统的组成,提出了一种新的优化算法——免疫 遗传算法,该算法突出了免疫系统中抗体群合作进化思想.将该方法用于以高炉焦比为优化 目标的优化问题,取得较好的效果.

社会演化算法在机组组合中的应用

机组组合是电力系统优化运行的一个重要方面,从数学角度讲,机组组合问题是一个多约束的 NP 难组合优化问题,很难得到理论上的最优解,该文将一种新的方法—社会演化算法用于解决该问题。该算法用认知主体取代了传统遗传算法的基于编码的可行解生成方式;用基于“范式学习与更新”的进化寻优机制取代了传统遗传算法中基于模仿基因的遗传和变异的进化寻优机制,使其计算效率及收敛稳定性均优于传统遗传算法。最后通过算例验证了该算法的优越性。该算法不仅为解决机组组合问题带来了新的思路和方法,在求解其它带有复杂约束条件的组合优化问题方面也有非常重要的启发意义。

自适应蚁群算法及其在边坡工程中的应用

蚁群算法目前多用于求解组合优化问题.为了让蚁群算法能求解复杂的边坡稳定性分析问题,对基本蚁群算法的结构形式和蚂蚁转移概率的计算进行了改进.针对蚁群算法在演化过程中存在停滞和过早收敛的现象,引入一种自适应搜索算子,改变蚂蚁的选择机制,提高蚂蚁选择的多样性,并由此构建了一种新的蚁群算法——自适应蚁群算法(AACA).研究了AACA在边坡非圆弧临界滑动面搜索中的应用,所给出的算例结果表明:与基本蚁群算法相比,可有效地防止停滞和过早收敛现象,并总能搜索到问题的全局最优解,且搜索效率也有较大的提高.

一种适合于电力系统机组组合问题的混合粒子群优化算法

该文针对机组组合问题,提出了一种新的混合粒子群优化算法。该算法包含 3 个重要的方面:通过在算法迭代过程中对松弛后的 0、1 变量与机组有功出力变量并行地进行优化,避免了由于决策变量过多造成的维数灾难题;引入变动阈值,解决了在寻优过程中粒子的值出现振荡时可能会丢失机组有效启停状态的问题;在粒子群优化算法中引入启发式变异技术,有效地处理了机组启、停时间的约束并提高了粒子群优化算法的全局收敛能力。文中通过对 2 个算例的计算及与其他算法进行的比较结果,验证了所提出的混合粒子群优化算法具有更好的全局收敛性。

用MATLAB实现遗传算法程序

简要阐述了遗传算法的基本原理 ,探讨了在MATLAB环境中实现遗传算法各算子的编程方法 ,并以一个简单的实例说明所编程序在函数全局寻优中的应用。