采用改进粒子群算法的微电网短期调控模型

现有的大部分微电网调控模型以预测发电功率作为调控目标,且在进行成本核算时没有考虑电池的状态变化带来的影响,致使调控周期长、调控策略经济性差且易受功率预测误差影响。针对上述问题,基于对风力发电、光伏发电和储能设备的成本分析,提出了一种以机组的启停为策略、以成本最小为目标的微电网短期调控模型。为寻求最优的调控策略,在保留传统粒子群速度更新方法的基础上,修改了位置更新方法并引入惩罚函数,提出一种改进的离散粒子群算法(discrete particle swarm optimization-Ⅱ,DPSO-Ⅱ)。仿真和实际算例结果表明,所提模型能够达到预期的调控目标,且具有较好的经济性和鲁棒性;所提DPSO-Ⅱ算法的寻优性能较传统基于遗传算法和离散粒子群算法有较大提高,因而具有潜在的应用价值。

求解0-1背包问题的改进排挤遗传算法

提出了两种用于求解0-1背包问题的改进排挤遗传算法PFCGA和GCGA,PFCGA使用惩罚函数和排挤操作使算法能够比较稳定地求得最优解,GCGA把排挤遗传和贪婪算法相结合,对种群中非法染色体表示的不可行解进行修复使其变为可行解,对非优可行解进行修正使其尽量靠近最优解,GCGA在保证求解精度的前提下加快求解速度。通过仿真实验和比较分析结果表明,PFCGA和GCGA能够获得很高的求解精度和正确率,是求解0-1背包问题的有效算法。

背包函数控制的钟控序列

本文给出了两种基于背包函数控制的钟控序列的实现方法,并证明了在一般条件下,它们的极小多项式均为h(x^q),复杂度为qn,周期为q(2~n-1),其中h(x)为GF(2)上某—n级本原不可约多项式,q为某一二元序列的周期。

一种带修复函数的QGA及其在背包问题中的应用

提出了一种带修复函数的量子遗传算法来求解背包问题。该算法采用量子比特概率编码方式构造染色体,由量子旋转门操作实现种群进化。在求解背包问题时,采用修复函数来修正不可行编码。文中给出了该算法的具体实现方法和流程,并用几个典型背包问题实例对其进行测试,结果表明带修复函数的量子遗传算法在求解背包问题时,综合性能优于传统遗传算法。

一种基于量子进化算法的概率进化算法

针对量子进化算法(QEA)求解二进制编码问题比较有效,而求解多进制编码问题则比较困难,提出一种概率进化算法(PEA)。该算法汲取了量子复合位、叠加态等思想,采用由观测概率构成的概率复合位进行编码,观测和更新操作直接针对观测概率进行。PEA保持了QEA的性能,运算速度远优于QEA,并可以采用任意进制编码。函数优化和背包问题实验验证了PEA的有效性。

随机扩散算法求解二次背包问题

针对二次背包问题,提出一种新的基于群体智能的随机扩散算法.算法采用一对一的通信机制;利用部分函数估计评价候选解;利用量子机制构造个体;采用1-OPT和异或操作提高搜索性能.通过数值实验并与微粒群算法、蚁群算法作比较,结果表明算法具有较好的优化性能.

偶数元平衡对称布尔函数的构造与计数

平衡对称布尔函数的构造与计数等价于二元域上某个含有n个变量的背包方程的求解与解的计数,并且当n为偶数时,该背包方程存在2组平凡解.给出了当n为偶数时,这个背包方程有非平凡解的充分必要条件;提供了一种求非平凡解的方法;求出了当n=6k+2和n=4k2-2(k为正整数)时,这个背包方程的非平凡解.

基于离散微粒群算法求解背包问题研究

微粒群算法(PSO)是一种新的演化算法,主要用于求解数值优化问题。基于离散微粒群算法(DPSO)分别与处理约束问题的罚函数法和贪心变换方法相结合,提出了求解背包问题的两个算法:基于罚函数策略的离散微粒群算法(PFDPSO)和基于贪心变换策略的离散微粒群算法(GDPSO)。通过将这两个算法与文献[7]中的混合微粒群算法(Hybrid_PSO)进行数值计算比较发现:对于求解大规模的背包问题,GDPSO非常优秀,其求解能力优于Hybrid_PSO和PFDPSO,是求解背包问题的一种非常有效的方法。

0/1背包问题竞争决策算法

竞争决策算法是在分析大自然生物世界特别是人类的各种竞争机制和决策原理的基础上,利用竞争造就优化、决策左右结果的特性来到达优化目的的新型寻优算法。在考虑0/1背包问题特点的基础上给出了用竞争决策算法求解0/1背包问题的算法,经过大量数据测试和验证,获得了较好的结果。

求解0-1背包问题的混沌遗传算法

提出一种改进的混沌遗传算法来求解0-1背包问题。通过利用幂函数载波技术增强混沌搜索的遍历性,把混沌搜索得到的最优解直接作为新群体嵌入遗传算法来改善遗传算法的早熟问题,从而使算法有能力避免陷入局部极值而快速收敛于全局最优解。仿真实验结果表明了该算法求解0-1背包问题的有效性和适用性。

平衡对称布尔函数的构造与计数

平衡对称布尔函数的构造与计数等价于二元域上某个含有n个变量背包方程的求解与解的计数.求出了当n为奇数时这个背包方程的1个解集合S以及S中所有解的个数,给出了这个背包方程存在其他解(即不包含于集合S的解)的充分必要条件,提出了1种求其他解的方法.求出了当n为6k+2(k为正整数)时这个背包方程的部分解.

多信息结合离散粒子群算法及其应用

为提高粒子群算法的搜索性能,提出了一种改进的离散粒子群算法:多信息结合离散粒子群算法。该算法在粒子群算法的基础上借鉴蚁群算法的信息素机制,重新定义了粒子的速度位置更新公式,并且引入双曲正切函数对粒子群进行初始化。通过求解背包问题对算法进行验证,实验结果表明所提算法性能较优。

用带有死亡罚函数的粒子群优化算法求解0/1背包问题

将带有死亡罚函数的二进制粒子群优化算法应用于0/1背包问题.确定了该算法中粒子的运动方程,采用死亡罚函数法处理了约束条件,给出了该算法求解0/1背包问题的实现步骤,并对实验数据进行了测试.测试结果表明:采用该算法求解0/1背包问题所得的最优解明显优于贪婪算法和遗传算法,且有较快的收敛速度.

结合远离最差策略的自适应量子进化算法

针对传统的量子进化算法只使用当前最优个体作为指导,存在进化能力不足,易陷入局部极值的问题,提出了一种结合远离最差策略的自适应量子进化算法KSQEA,使个体在进化过程中不仅向最优个体靠近,而且还远离最差个体,这样在最优个体优势不明显时仍有可能获得进化动力。旋转角更新则采用一种新的自适应波浪式衰减方式,以更好地平衡探查和利用。在函数优化和背包问题上的实验结果表明,以上措施有效地增强了算法的搜索能力,提高了解的质量。

用遗传算法实现罚函数法解多选择背包问题

多选择背包问题最为复杂,传统的整数规划算法难以适用。另僻蹊径,采用数学上的罚函数法来求解。对罚函数法进行改进,使得能对多选择背包问题的数学模型进行求解。重点研究了如何把3种约束条件转化成目标函数的惩罚项。再从遗传算法的角度,来研究如何实现这种新的罚函数法。最终使用VisualC++6编程实现,并与前人的算法进行比较,取得了较好的效果。

二进制混合蛙跳算法求解0-1背包问题

为利用混合蛙跳算法(SFLA)求解具有二进制编码特点的组合优化问题,基于双重编码机制,提出了一种二进制混合蛙跳算法(记为BSFLA)。基于罚函数法和贪心变换策略,探讨了利用BSFLA求解背包问题(KP)的可行性与有效性。计算结果表明BSFLA与贪心策略相结合是求解KP问题的一种有效的新方法。

求解复杂背包问题的一种贪婪算法

给出了求解背包问题的一种贪婪算法,引用了模函数对算法进行了讨论,从理论上证明了这一算法的性能保证,最后用此算法求解了一个背包问题.

双背包约束下下模函数最大值的贪婪算法

给出求解双背包约束下非减下模集函数最大值的近似算法,证明了该算法的性能保证是1-e-1。该算法结合了部分穷举法与贪婪算法,是对贪婪算法的一种改进。算法的时间复杂性为O(n4)。

奇数元平衡对称布尔函数的计数

目的对奇数元平衡布尔函数的奇数进行研究。方法利用组合数学理论。结果给出奇数n(n+3为完全平方数)元平衡对称布尔函数的计数下界。结论得到n为奇数时此类背包问题的非平凡解的充要条件,可以用来研究其他的布尔函数的计数。

协同智能的蝙蝠差分混合算法

为解决差分进化算法后期收敛易陷入局部最优和早熟收敛的问题,提出一种群体智能优化算法,即协同智能的蝙蝠差分混合算法。利用蝙蝠个体脉冲回声定位的特点,与差分种群相互协作,在当前最优解gbest附近进行一次详细搜索,有效增加种群的多样性,跳出局部最优。通过蝙蝠种群和差分种群两个种群的相互协作,较好平衡全局搜索和局部开发之间的能力。为验证算法有效性,选用9个常用的基准测试函数和5个0-1背包问题,与标准粒子群算法、带高斯扰动的粒子群算法、蝙蝠算法、差分算法、烟花算法相对比,仿真实验表明,所提算法总体性能优于其它5种算法。