基于改进的LDW粒子群算法的风-火电力系统联合优化调度策略

风-火电力系统联合优化调度是一个极其复杂的NP问题,不易求解。改进粒子群算法,并将其应用于风-火电力系统联合优化调度,提出了一种改进的惯性权重线性递减的粒子群算法。针对粒子群算法容易局部收敛的缺陷。首先,本文在惯性权重线性递减(LDW)的基础上,加入常数扰动,使惯性权重大幅增大,以便于跳出局部搜索,进行全局搜索,从而防止局部收敛;其次,为尽可能的避免粒子群算法出现粒子高度聚集在最优粒子的周围的情况,使得粒子趋于相同以致于大大损失粒子群的多样性,一定概率的自适应的改变惯性权重并混入随机个体,以便于更好的保持种群多样性。最后,在Matlab2010a GUI平台下采用几种不同的粒子群算法进行仿真试验。仿真结果表明,在相同条件下改进的粒子群算法能够寻到更精确的解。

基于改进PSO的LLC谐振变换器自抗扰控制优化

针对传统比例积分微分(PID)控制LLC谐振变换器存在抗干扰能力差、动态性能不佳等问题,提出采用改进粒子群算法优化(PSO)自抗扰控制(ADRC)模型参数,达到优化LLC谐振变换器控制目的。为解耦自抗扰系统参数,对LLC谐振变换器进行小信号建模,将拟建ADRC模型视为二自由度系统,利用PID与ADRC传递函数存在的等效关系,使用频域法获得ADRC模型参数初始值。针对传统粒子易在全局最优位置周边产生振荡现象,采用线性递减惯性权重(LDIW)的粒子群在扩展范围内对ADRC模型参数进行优选重组,提升整定效度。实验证明优化后LLC谐振变换器ADRC动态性能明显改善。启动时电压到达标值减少5 ms,负载突变时电压恢复稳态减少2 ms。

粒子群优化算法惯量权重控制方法的研究

粒子群优化算法(PSO)是一类随机全局优化技术,算法简单、容易实现而功能强大,目前已成为国际进化计算界研究的热点.粒子群算法的性能受到参数惯量权重ω的影响,大量研究表明,较小的ω具有较好的局部搜索能力,可提高求解精度;较大的ω具有较好的全局搜索能力,在一定程度上可以避免陷入局部最优.很多研究者提出了多种动态调整惯量权重的方法.本文系统地介绍和分析比较了目前动态调整惯量权重的4种典型方法,即线性递减惯量权重、随机惯量权重、凹函数递减惯量权重和凸函数递减惯量权重.为了调查这些控制方法对PSO性能的影响,本文在10个不同的单峰和多峰函数上系统地对这4种方法进行了测试和比较,完整的实验结果比较分析对选择合适的参数控制方法以求解单峰函数和多峰函数具有一定的指导作用.

基于遗传算子的粒子群优化算法的比较分析

为了深入分析探讨改进的粒子群优化算法的性能,针对典型的函数优化问题,设计了3种方案:(1)采用线性递减惯性权重的PSO;(2)基于遗传算子的PSO;(3)在方案(2)基础上,加入收缩因子χ。在MATLAB7.0中对常用的测试函数进行优化仿真,发现当融合遗传算子和收缩因子时,算法性能最优。

基于雁群启示的粒子群优化算法

粒子群优化(PSO)算法是一类新兴的随机优化技术,其思想来源于人工生命和演化计算理论。PSO通过粒子追随个体极值和全局极值来完成优化。本文借鉴生物界中雁群的飞行特征,给出了一种改进的PSO算法。该算法一方面将粒子排序,每个粒子跟随其前面那个较优粒子飞行,保持了多样性;另一方面使每个粒子利用更多其他粒子的有用信息,加强粒子之间的合作与竞争。用3个基准函数对新算法进行实验,结果表明,新算法不仅具有更好的收敛精度和更快的收敛速度,而且能更有效地进行全局搜索。

基于离散粒子群算法的测试选择

本文将离散粒子群算法(BPSO)首次应用于测试选择,结合测试选择自身的特点,重新定义了粒子及其速度;通过定义带有测试选择指标的适应度函数对粒子进行优化,并根据其容易陷入局部最优的特点,引入了线性惯性权重因子;同时本文将故障发生的概率作为评价测试集优劣的一个重要指标,具有重要的应用价值。文中的实例验证了该算法的有效性,利用该算法不仅可以获得较高的故障检测率、故障隔离率及较小的测试矢量集,而且还可以很快地找到发生概率大的故障。

基于免疫进化粒子群优化的动态聚类算法

针对粒子群优化算法和传统聚类算法易产生"早熟"现象的不足,把人工免疫系统的免疫信息进化处理机制引入到粒子群优化算法,提出一种基于免疫进化粒子群的动态聚类算法。算法采用线性递减权策略为各个粒子选取适当惯性权值,利用免疫进化思想改进粒子群优化过程,同时利用聚类经验规则k≤n确定聚类数k的初始搜索范围,以性能代价函数为依据在聚类数目未知的情况下实现动态聚类。仿真实验表明,新算法有效提高聚类正确率,具有收敛精度高和聚类能力强等特点。

物流配送路线优化粒子群改进算法

物流运输中心配送路线优化是关系到物流企业核心竞争力的一个关键且复杂的优化问题,难以精确求解。为节省物流成本,提出了一种粒子群改进算法并将其应用于物流中心配送路线优化问题,即在惯性权重线性递减的基础上,加入了混沌随机数扰动,使惯性权重有概率的适度增加,以便进行全局搜索,从而防止局部收敛;并针对采用固定加速度系数容易使得粒子群算法陷入局部极值的缺点,提出了一种随机加速度系数的方法,具体实际算例的仿真结果表明,改进算法的优化性能更佳。

线性递减权重粒子群优化投影寻踪模型及应用

针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,为了有效地控制粒子群算法的全局搜索和局部搜索,提出了将线性递减权重引入到粒子群优化算法中.该算法是从随机解出发,通过追随当前搜索到的最优值来寻找全局最优解,增加了粒子群算法的局部搜索能力.将其算法优化投影寻踪模型,以此构建了线性递减权重粒子群优化投影寻踪模型,将该模型应用到土坝护坡模式优化评价中,选取9个指标作为评判因子,提出适合该地区的土坝护坡优化模式.结果表明:线性递减权重粒子群优化投影寻踪模型可以有效地找到最佳投影方向,计算投影值,根据投影指标值的大小可对方案进行优选.利用该模型对土坝护坡模式进行综合评价是切实可行的.该算法以其实现容易、精度高、收敛快等优点,并且在解决实际问题中展示的优越性,在工程优化领域具有广泛的应用前景.

基于粒子群算法的轨道车辆设备布局优化

轨道车辆车上设备布局是轨道车辆设计中一个重要的环节,开展轨道车辆设备布局优化设计对保证轨道车辆的安全运行具有重要作用。考虑轨道车辆设备外轮廓约束、设备干涉约束等,建立了以设备总重心相对于轨道车辆自身中心的距离最小化的轨道车辆布局优化数学模型。根据轨道车辆设备布局优化的特点设计了基于粒子群算法的轨道车辆设备布局数学模型。采用线性递减权值策略,通过改进惩罚因子,有效地引导粒子群算法向全局最优解方向收敛。以轨道工程车辆的设备布局问题为实例,采用本文算法进行了车上设备布局优化设计的实例分析,表明本文方法可有效解决轨道车辆设备布局优化问题。

基于混合二进制粒子群的Web系统优化算法

随着网络用户量的急剧增加,Web服务器被广泛应用于大型软件系统中,系统在运行前通常需要配置与性能相关的多个参数。人工配置参数的过程太繁琐且需要专业知识与经验,为了更便捷、更快速获取合理的系统配置参数,提出了一种基于混合二进制粒子群的Web系统优化算法。该算法加入了经验因子、爬山算法、线性递减惯性权重,对Web系统自动迭代寻找最优配置参数,解决了传统二进制粒子群算法寻优效率低、容易陷入局部最优解等问题。实验结果表明,该算法寻优效率高,能跳出局部最优解,可以获得效果更好的全局最优解。

DCW算法在智能交通系统中的应用研究

针对城市交通路网具有实时性的特点,为了快速高效地选择出最优路径,采用一种动态改变惯性的自适应粒子群算法(DCW).在DCW算法中引入参数粒子群简化速度因子和聚集度因子,在每次迭代时算法根据当前粒子群进化速度和聚集度动态改变惯性权值.最后用惯性权值线性递减粒子群算法(LDW)和DCW算法分别进行计算最优路径的仿真实验,得出结论,DCW算法更适合用作智能交通系统中最优路径的选择.

基于SA-PSO算法的主汽温控制系统参数优化研究

针对基本PSO算法本身存在着的对于离散的优化问题处理不佳,以及容易陷入局部最优等缺点,设计了一种引入线性递减权重机制与模拟退火算法(SA)思想的改进粒子群算法(SA-PSO),并将SA-PSO算法应用到火电厂主汽温控制系统的PID控制器参数整定中。MATLAB仿真实验结果表明:在62%,88%及100%3种不同负荷的工况下进行控制系统参数优化时,SA-PSO算法与基本PSO算法及传统Ziegler-Nichols参数整定法(Z-N法)相比,更加不容易陷入局部最优,提高了主汽温控制系统的控制品质。仿真实验的结果证明了SA-PSO算法的有效性以及在实际工业状况下的适用性。

提升光伏消纳的分布式储能系统控制方法

分布式储能具有分散灵活等特点,多分布式储能协同配合可以解决单一储能调节能力差、范围小的问题,可以进一步提高新能源消纳能力。提高新能源利用率。本工作通过建立一个光伏电站、两个分布式储能系统模型,并通过分析光伏电站出力,利用储能系统跟踪光伏出力的特点建立以分布式储能系统出力最小为目标的目标函数,结合发电系统的功率平衡要求、分布式储能系统的电池能量状态(state of energy,SOE)约束、分布式储能系统功率和容量约束,采用线性递减惯性权重粒子群优化算法,旨在在已有的约束条件下,寻求分布式储能系统的最佳效率。通过仿真分析该方法可以提高光伏消纳能力,减少储能系统动作次数,进一步增加储能系统的寿命。

云计算调度粒子群改进算法

云计算资源调度是云计算中一个关键且复杂的调度问题,需要考虑众多的因素.为减少任务完成时间,本文提出了一种云资源调度粒子群改进算法.首先,本文在惯性权重线性递减的基础上,加入了混沌随机数扰动,使惯性权重有概率的适度增加,以便于跳出局部搜索,进行全局搜索;其次,针对粒子群算法和蚁群算法都容易陷入局部最优的缺点,结合粒子群算法和蚁群算法的优化策略,提出了一种改进的混合优化策略.其仿真结果及实际算例测试结果表明,在相同条件下改进算法能够寻到更精确的解.

舰船大规模人群疏散惯性权重非线性递减粒子群优化算法分析

为了有效解决舰船大规模人群疏散问题,笔者基于人类行为心理学建立了危险状况人群疏散模型,并提出一种惯性权重非线性递减粒子群改进算法。通过采用惯性权重非线性递减策略,不仅能够有效降低其陷入局部收敛的风险,还能提高全局优化能力。仿真结果表明,该算法具有较强的全局优化性能,在危急情况下能够有效保障舰船大规模人群快速疏散。