Q学习差分进化算法求解热电动态经济排放调度

热电联产动态经济排放调度同时考虑了燃料成本花费和污染气体排放两个目标值,且下一时间段的热电产量受当前时间段热电产量的影响,这是近年来电力系统运行中的一个重要问题。文中提出一种基于Q学习强化多目标差分进化(Q Learning Multi-Objective Differential Evolution,QLMODE)算法,以此求解热电联产动态经济排放调度(Combined Heat and Power Dynamic Economic Emission Dispatch,CHPDEED)问题。在QLMODE中,采用Q学习技术调整算法的比例因子参数,即在迭代过程中利用子代解和父代解之间的支配关系确定动作奖励和惩罚,并通过Q学习调整参数值,以获得最适合环境模型的算法参数。文中将所提QLMODE用于求解11机组和33机组的热电联产动态经济排放调度问题。仿真结果表明,与4种成熟的多目标优化算法相比,QLMODE算法燃料成本最小,污染气体排放最少,收敛性和多样性指标优于其他4种算法,且QLMODE在两组问题上都获得了更好的Pareto最优前沿。

基于改进差分进化算法的动态防空资源分配优化

面对动态防空资源分配问题中存在的空袭目标突现和雷达、发射车等资源受干扰现象,在综合考虑雷达、发射车和导弹等武器装备性能的基础上,基于目标集、资源集建立了最小化目标总拦截价值与生存概率的混合整数决策模型。提出了一种新的改进差分进化算法进行求解,采用反向学习策略生成初始解,确保初始种群的质量,设计了一种快速修复与重构的启发式规则作用于多阶段,以提升算法的搜索能力。仿真实验验证了该算法具有求解时间和求解精度上的优越性。该研究能使武器系统在动态事件的随机影响下,保持高效的作战能力和决策效果。

基于双种群小生境差分进化算法的动态经济调度

当计及阀点效应和爬坡率后,动态经济调度(dynamic economic dispatch,DED)问题呈现出非凸、非平滑、非线性等特性。针对此类复杂的工程优化问题,提出将小生境技术与差分进化(differential evolution,DE)算法相结合,利用小生境共享机制和双种群进化策略增加种群的多样性,从而避免了DE算法的早熟现象。将双种群小生境DE算法(niche differential evolution,NDE)应用到10机组24时段的DED经典模型中,并与粒子群算法(particle swarm optimization,PSO)、标准DE算法、增强自适应PSO算法、改进DE算法、混沌差分蜂群优化算法、基本生物地理学优化算法、空间扩张算法进行对比,仿真结果证明NDE算法的有效性和可行性,为解决DED问题提供了一种新思路。

水火电力系统短期优化调度小生境混合差分进化算法研究

以求解水火电力系统短期优化调度这一复杂约束优化问题为背景,对其进行了数学建模,并依据模型求解的特点提出一种小生境混合差分进化算法(HNDE)。该算法将小生境技术纳入差分进化的优化框架,并依据极小欧式距离设计了小生境的排挤机制以维持求解空间的多样性。在此基础上,采用一种随机二次搜索算子实现了小生境淘汰个体的修复机制,从而进一步提升算法的求解精度。同时,考虑到水火电力系统短期优化调度问题约束条件复杂且难以处理,依据不同类型约束的特点,提出一种启发式的约束处理方法。实例计算表明,此方法是可行且实用的,具有优化效率好、鲁棒性高、计算迅速等特点。

改进小生境差分进化算法在配网无功优化中的应用

配网无功优化是一类非线性的整数规划问题,通过调整变压器的变比,改变发电机的端电压和连接补偿电容来改变电力网络中的无功,减小系统网损。差分进化算法是一种收敛速度快,收敛精度高的智能进化算法,针对无功优化模型对差分进化算法做出改进,引入小生境思想。通过实例验证了小生境粒子群算法(NPSO)和改进小生境差分进化算法(FERDE)对无功补偿装置布点优化规划的有效性。结果表明,增强算法的局部搜索能力和扩宽搜索范围,在收敛速度和精度上都有不同程度的提高。

基于参数动态调整的控制工程多目标差分进化算法设计

本文介绍了控制工程、差分进化算法、多目标差分进化算法以及多目标优化控制问题。在此基础上,提出一种基于参数动态调整的多目标差分进化算法设计,包括算法设计流程、实现细节和性能评估指标,并进行算法实验及结果分析,包括实验设置和数据收集、实验结果展示及分析、实验结果与其他算法结果比较。结果表明,基于参数动态调整的多目标差分进化算法在多目标优化控制问题上表现出良好性能,可以为解决实际工程问题提供有力支持。

动态小生境人工鱼群算法的图像分割

为了克服传统基于聚类的图像分割算法需要指定聚类数目以及依赖初始值等缺点,提出了一种基于动态小生境的人工鱼群算法的图象分割方法。该算法将图像分割问题转化为根据图像像素特征对像素的自动聚类问题。采用更为简单的个体描述方式,每条人工鱼表示一个分割区域的一个可行解,并对进化过程中的人工鱼进行动态的划分小生境,每个小生境对应了图像分割问题中一个分割区域。通过对鱼群行为的模拟及种群的动态划分实现了对图像分割问题的分割区域中心和区域数的同时进化,实现了一种新的聚类算法,并实现了对图像的自动分割。实验结果表明:该算法可以自动地估计分割的区域数,并获得较好的分割性能。

基于权重向量聚类的动态多目标进化算法

实际生活中存在许多的动态多目标优化问题(DMOP)。对于此类问题,当环境发生改变时,就要求动态多目标进化算法(DMOEA)能快速和准确地跟踪新环境下的帕累托前沿(PF)或帕累托最优解集(PS)。针对现有算法的种群预测性能差的问题,提出一种基于权重向量聚类预测的动态多目标进化算法(WVCP)。该算法首先在目标空间中生成均匀的权重向量,并对种群中的个体进行聚类,再根据聚类情况分析种群的分布性。其次,对聚类个体的中心点建立时间序列。对同一权重向量,针对不同的聚类情况采取相应的应对策略对个体进行补充,若相邻时刻均存在聚类中心,则采用差分模型预测新环境下的个体;若某一时刻不存在聚类中心,则用相邻权重向量聚类中心的质心作为该时刻的聚类中心,再运用差分模型预测个体。这样不仅可以有效地解决种群分布性差的问题,还可以提高预测的准确性。最后,引入个体补充策略,以充分地利用历史信息。为验证WVCP算法的性能,把它与四种代表性算法进行了仿真对比。实验结果表明,所提算法能够很好地解决DMOP。

基于混合差分进化算法的作业车间动态调度

针对动态多变环境下的作业车间调度问题,在基于周期和事件驱动的滚动窗口再调度策略基础上,采用冻结时段思想,同时又允许再调度在冻结时段内的资源上的闲置时段安排任务,并由此建立了机器存在不可用时段约束的动态调度模型。借鉴量子进化算法中量子旋转门更新量子位的方法,设计了三段式交叉操作,并在算法框架中嵌入了局部搜索操作,提出了混合差分进化算法作为再调度的优化方法。通过算法性能与作业车间动态调度实验,验证了所提动态调度方法的有效性。

带局部搜索的动态多群体自适应差分进化算法及函数优化

提出将一种改进的差分进化算法——带局部搜索的动态多群体自适应差分进化算法(DMSDELS)应用于函数优化.该算法将种群中的个体随机动态分成多个子群体,以增强个体间的信息交换;变异操作中,选择最优个体为基向量,差分向量的方向选择有利于搜索的方向,以提高收敛速度;变异尺度因子F与交叉概率CR采用自适应机制,以平衡局部搜索与全局搜索;部分优秀个体搜索达到指定代数进入局部搜索,以加快收敛.通过对13个benchmark典型复杂函数进行测试,并与其他七种优化算法进行比较,仿真结果表明:DMSDELS算法具有较高的搜索精度和收敛性,且具有较强的跳出局部最优解能力.

基于亚群和差分进化的混合蜻蜓算法

针对蜻蜓算法(DA)存在开发能力弱、种群多样性低、易过早收敛至局部最优等问题,提出一种基于亚群和差分进化的混合蜻蜓算法(HDASDE)。首先,对基本蜻蜓算法进行改进:融入混沌因子和有目的的莱维飞行来提升蜻蜓算法的寻优能力,并提出混沌跃迁机制加强基本蜻蜓算法的勘探能力;其次,在差分进化(DE)算法的基础上引入反向学习加强DE算法的开发能力;再次,利用亚群策略提高算法跳出局部最优的能力,设计了一种动态双亚群策略将整个种群划分为动态变化的两个亚群;然后使用动态亚群结构将改进蜻蜓算法和改进DE算法进行融合,融合后的算法具有较好的全局勘探能力以及较强的局部开发能力。最后,将HDASDE应用于13个典型的复杂函数优化问题和三杆桁架的设计优化问题,并与原始的DA、DE算法以及其他元启发式优化算法进行对比。实验结果表明,HDASDE在所有13个测试函数中优于DA、DE、人工蜂群(ABC)算法;在12个测试函数中优于粒子群优化(PSO)算法;在10个测试函数中优于灰狼优化(GWO)算法。并且,在三杆桁架的设计优化问题中效果较好。

基于差分进化算法的动态环境经济电力系统调度优化

电力系统动态环境经济调度优化隶属于非线性优化问题范畴,并具有多目标、高维、多约束条件等特点。经典的数学规划方法无法处理此类复杂问题。为此,提出了新的方法来解决这个问题。首先,通过代价惩罚因子将双目标优化问题转化为单目标优化问题。然后,设计启发式搜索策略来解决调度问题中的爬坡约束、动态电力平衡约束。采用启发式策略修正解决方案,能够提高群体的多样性,拓展搜索空间。基于优先列表的启发式策略能够使能耗低的火力发电机拥有更高的优先级进行更多的电力输出,以得到更优的调度解决方案。最后,改进差分进化算法,以加快搜索的速度并提高解决方案的质量。

基于樽海鞘群优化差分进化算法的实验室预约模型

为了提高实验室预约工作的效率,采用动态差分进化算法进行预约方案生成,并通过樽海鞘群算法对动态差分进化算法进行改进,从而增强方案对不同预约规模的适应度。首先,输入实验室设备、实验室时间、预约者申请使用记录等样本特征,构建多个预约样本个体。然后,建立动态差分进化算法实验室预约模型,以实验项目满足度作为适应度。通过交叉和选择操作不断更新个体适应度,并采用樽海鞘群算法对差分进化算法的缩放因子进行优化求解。通过樽海鞘个体的领导者和跟随者在设定运动范围内的位置更新来获得最优缩放因子。最后,采用最优缩放因子对应的动态差分进化算法进行实验室预约方案求解,输出最优受益面指标预约解。实例仿真结果表明,通过合理设置樽海鞘群算法参数,在不同预约者规模情况下,基于樽海鞘群改进的动态差分进化算法均能够获得较高受益面指标的预约方案。

求解约束优化问题的动态目标迁移差分进化算法

针对约束优化问题的特点,给出一种改进差分进化算法.将差分进化算法做了适当修正,在初始化中加入迁移操作,依据违反约束度函数和原目标函数进行选择操作,当个体的违反约束度在容忍度以外时,通过违反约束度函数更新个体,当个体的违反约束度在容忍度以内时,通过原目标函数更新个体,实验研究结果表明该算法能有效求解约束优化问题.

一种改进的差分进化算法及其在补料分批式生化反应器动态优化中的应用

动态优化是生物化工过程中的重要课题,求解动态优化问题通常有两种方法:解析法和数值法。基于智能进化算法的数值方法在动态优化中的应用越来越广泛,但是这些方法局部寻优能力不强,容易陷入局部最优,并且求解速度相对较慢。针对这些方法的不足,提出了一种改进的差分进化算法,设计了新的局部寻优算子来增强算法的局部寻优能力,并且采用一种新的控制策略表示方法来求解动态优化问题。通过求解补料分批式生化反应器的动态优化实例,证明了算法的有效性和鲁棒性。通过与其他几种方法进行对比,实验结果表明,所提出的方法在优化结果和计算代价方面都有优势。

动态随机选择的差分进化算法研究

如何有效地均衡可行区域与不可行区域的搜索是约束优化中的关键问题。为使进化算法获得可行的全局最优解,分析了在进化过程中如何对待好的不可行解的问题,通过分析随机排序中比较概率对可行解最终位置的影响,提出一种动态随机选择策略,并以多个体差分进化为框架实现了相应算法。实验对比分析结果说明了这一策略的有效性。

带自适应动态变异和二次变异的差分进化算法

为解决差分进化算法在解决多目标优化问题时的多样性与收敛性之间的平衡维持难题,首先提出了一种基于自适应动态变异和非支配解二次变异的改进差分进化算法。该算法的核心是将前N代进化的群体多样性值作为多样性判别准则,根据群体多样性变化情况自适应地选择对应的变异算子产生新个体;其次提出通过对所存档Pareto非支配解进行二次变异来增加新个体解群的优解质量和数量,以同时改进算法的多样性和收敛速度。仿真结果表明,与标准差分进化算法和改进的基于分类排序的Pareto遗传算法相比,所提算法在收敛性、分布性与分散度性能指标上都有较好的表现,多样性和收敛性之间的平衡维持能力则远优于另两种算法。

基于改进动态差分进化算法的光伏阵列MPPT控制研究

针对部分阴影使光伏阵列的输出特性呈现多峰值的现象,提出了一种基于改进动态差分进化的全局MPPT寻优算法。该算法修改了变异策略,能够快速地收敛于系统的最大功率点,同时加入小步长扰动微调以增加算法精度。经Matlab/Simulink仿真工具验证基于改进动态差分进化的MPPT控制算法在控制速度和精度上都得到了有效改善。

外汇储备动态风险管理——基于随机场景和差分进化算法策略分析

外汇净流入的随机性以及汇率的不确定性,使得政府部门、金融监管机构等愈加关注对外汇储备收益风险,特别是对超额外汇储备的风险管理,以及如何制定合理有效的管理策略,成为当前亟待解决的问题。在外汇储备管理领域,通过引入随机场景序列,结合风险极大惩罚模型和风险约束模型,并采用具有容易搜索到多个Pareto最优解优点的差分进化算法,可以确立对超额外汇储备动态风险的管理策略。研究结果表明,动态风险管理策略能够更好地平衡期望收益和风险之间的关系,使得管理部门能够根据自身的风险承受能力,更好地实现风险最小化和收益最大化的一致性,从而达到由被动管理向积极管理平稳过渡的目的。

动态种群差分进化算法研究

针对标准差分进化算法易早熟的缺点,模拟人类社会民族融合的进化历程,提出了动态种群差分进化算法(DPDE)。算法中将种群分为多个独立的子种群,子种群之间采用相互移民来进行信息交换,设置种群分裂和融合的条件来动态控制子种群个数。通过数值实验用几种典型的测试函数对DPDE的搜索性能进行了测试,实验结果表明,该算法能有效地避免早熟,具有良好的全局收敛性。