协同粒子群算法在电力市场ACE仿真中的应用

将协同粒子群算法应用到智能代理报价中,通过电力市场仿真试验,对协同粒子群算法在仿真中的代理过程进行了分析;通过不同的成本变化和供需水平变化试验,分析了协同粒子群算法在代理报价中对成本因素和供需水平因素的响应水平;与Q-learning算法代理结果进行了比较,结果表明,协同粒子群算法应用到基于代理的计算经济学电力市场仿真中是可行的。

基于协同粒子群算法的航天器集群动态路径规划算法研究

针对航天器集群在考虑障碍物规避前提下到达动态目标点的路径规划问题中,传统粒子群算法的搜索半径固定,会导致航天器在接近目标点时难以寻找到较优值的问题,将各成员航天器的轨道动力学问题转换为一种考虑约束下的最优化问题,提出了一种基于协同粒子群算法(CPSO)的路径规划方法:提出一种随着航天器与目标点之间距离变化而改变搜索半径的动态半径搜索法,并以此对CPSO算法进行改进。改进的CPSO算法通过动态搜索半径自主寻找当前时刻各成员航天器的最优路径,从而得到三维空间中航天器集群动态路径规划问题的最优解。仿真结果表明,采用改进的CPSO算法不仅可以得到航天器集群动态路径规划问题的最优解,还可以大大减少其路径规划中的燃料消耗量,提高各成员航天器路径的稳定性。

基于协同粒子群算法的PMSM在线参数辨识

在永磁同步电动机的参数辨识中,辨识算法过于复杂和待辨识参数相互耦合的问题始终未得到彻底的解决。在保持粒子群算法简单易实现优点的基础上,提出了一种基于协同粒子群算法在线辨识永磁同步电动机的电气参数Rs,L,Ψf和机械参数J,TL。仿真结果表明该算法能准确地在线辨识待辨识的5个电机参数,解决了5个参数相互耦合而造成的辨识不准问题,验证了算法的有效性。

协同粒子群算法下的火工品参数辨识

为解决火工品起爆过程中线性函数不能解决的不确定性、非线性强和火工品参数难获得的问题,文章采用Volterra模型与协同粒子群算法相结合的思想对火工品参数进行获取,从而对火工品进行合理分析,确保火工品的安全性和可靠性。通过对协同粒子群算法、递推最小二乘法的实验仿真结果进行对比可以看出,文章基于协同粒子群算法(CPSO)的Volterra模型参数辨识算法,对标准粒子群算法的过早收敛问题、遗传算法搜索速度慢的问题进行了有效的改善,对算法的辨识速度和辨识精度有很大的提升。

一种求解大规模问题的自学习协同粒子群算法

随着工程技术要求的提高,许多实际优化问题从低维问题发展成高维的大规模优化问题,自然计算算法在面对该类问题时容易陷入局部最优,而协同粒子群算法是解决大规模优化问题的重要手段之一。本文将子种群划分自学习策略和惯性权重自适应策略引入到协同粒子群算法中,增强了算法的自学习能力,提高了算法的全局寻优能力。实验结果表明,所提算法的性能超过了传统协同粒子群等算法,具有求解大规模问题的较大潜力。

铁路列车运行调整模型及三群协同粒子群算法的研究

列车运行调整问题是一类NP完全问题。根据列车运行调整的原则和基本方法,设计了双线铁路区段列车运行调整的数学模型,并利用三群协同粒子群算法进行求解,提高了模型求解的时效性,可为铁路行车调度调整起到很好的辅助决策作用。

新型多群体协同进化粒子群优化算法

在基本的MCPSO算法中除了主群与从群的信息交流,从群之间没有信息交流。为了解决这一问题,提出了一种具有中心交流机制的改进MCPSO算法,该策略可以实现各个从群之间的信息交流,从而加快算法收敛。仿真实验结果表明改进后的算法具有较好的求解精度和较快的收敛速度。

基于三群协同粒子群优化算法的区域交通控制

根据我国城市交通的特点,提出一种基于三群协同粒子群优化算法的城市区域交通自适应协调控制方法。采用两层递阶分布式结构,分阶段优化控制参数(周期、相位差和绿信比),每个阶段长10-3O分钟,周期、相位差由区域控制级每阶段优化一次,绿信比由交叉口控制级每周期优化一次。采用车辆延误为性能指标,周期、相位差和绿信比均采用三群协同粒子群算法进行优化。仿真结果表明该方法是可行而有效的。

基于多目标粒子群协同算法的状态参数优化

针对铅锌烧结过程综合透气性、烧结终点的优化具有强非线性、计算复杂等特点,提出了一种有效的多目标粒子群协同优化算法。首先,建立了有综合透气性、烧结终点两个目标的优化模型。接着,通过改进的约束比较方法、粒子极值选取方法,以及利用不同的粒子群来分别优化相应的变量,提出了一种改进的多目标粒子群协同优化算法。最后,利用提出的多目标优化算法进行综合透气性、烧结终点的优化。仿真结果表明,所提出的多目标优化算法能较好地解决综合透气性、烧结终点的优化问题。

多粒子群协同优化算法的配电网网架规划

配电网网架规划是一个复杂的大规模组合优化问题。针对PSO易早熟、收敛慢的缺陷,本文提出一种基于粒子群算法的多粒子协同优化算法来求解配电网网架规划问题,以达到线路的规划年综合费用最小为目标函数。由于该算法在操作过程中不可避免产生不可行解,本文提出了一种将不可行解修复成满足辐射型要求的可行解的方法。该算法在求解配电网网架优化问题时,编码容易且能方便处理网络辐射性问题,求解效率高、速度快。最后,通过算例证明该方法的可行性和有效性。

基于粒子群遗传算法的多无人机协同路径搜索

为解决不确定环境中多无人机路径搜索针对性不强、效率低问题,提出一种基于粒子群遗传算法的多无人机协同路径搜索方法。建立区域栅格图环境和搜索概率图模型,采取滚动预测的方式,提出使用协同粒子群遗传算法生成预测路径,通过适应度函数确定最优搜索路径,该路径满足无人机最小转弯半径限制,并能实现威胁区域规避和重点区域加强搜索。仿真结果验证了所提算法的有效性。

基于协同进化粒子群算法的水库优化调度与应用

水库供水优化调度中存在多个供水目标、多个决策变量和复杂多约束条件,从而呈现出高维度、非线性、强约束特性。针对传统粒子群算法求解此类问题容易出现的收敛速度慢、计算效率低及早熟问题,将合作型协同进化思想与粒子群算法相结合,提出一种基于种群停滞搜索技术的协同进化粒子群算法,一方面通过种群内部个体间的竞争进化模式来提高种群竞争力,另一方面通过种群之间的相互合作模式提升算法全域搜索能力,各种群依次实行进化过程和协同过程,以保持种群进化过程中的多样性,并从“种群进化过程监视”的角度出发,提出了防止算法早熟的种群停滞探测技术,提高算法收敛速度。将提出的算法应用于徐家河水库供水优化调度模型求解中,结果表明,相对于传统粒子群算法,本算法计算的生活、工业和灌溉累积缺水总量分别降低了47.2%、33.3%和14.4%,供水保证率分别提高了1.7%、1.9%和4.4%,缺水指数分别降低了0.064、0.071和0.076,年均弃水量减少了1.9%,水资源利用效率有所增加。算法性能方面,协同进化粒子群算法在迭代早期(约65次迭代)就开始收敛,并在一定程度上避免了粒子陷入局部最优,降低了算法的不确定。综上表明,本文提出的算法易于实现,求解效率高,为水库优化调度模型求解提供了新的思路。

协同免疫量子粒子群算法求非合作博弈Nash均衡解

考虑n人非合作博弈Nash均衡求解问题。将混合策略意义下的Nash均衡转化为最优化问题;把免疫记忆、自我进化、信息共享机制加入量子粒子群算法,通过概率浓度选择公式来保持种群的多样性,提出协同免疫量子粒子群算法。4个经典的数值算例说明,该算法优于免疫粒子群算法,具有较强的寻优能力和收敛性能。

粒子群算法研究进展

粒子群算法(PSO)是一种仿鸟群觅食行为的智能优化算法,是目前解决组合优化问题的重要工具之一。为了扩展粒子群算法在工程实际中的应用范围,有助于针对工程应用进行算法选择,本文讨论了粒子群算法理论基础,详细阐述了该算法的实现步骤与特点,并分析讨论了几种典型粒子群算法的计算方法与特点,即杂交粒子群算法(HPSO)、离散二进制粒子群算法(BPSO与DPSO)、协同粒子群算法(CPSO)及免疫粒子群算法(IM-PSO)。最后,根据粒子群算法的研究现状,展望了该算法所面临的挑战与进一步研究方向。

基于协同粒子群优化算法的电力系统无功优化

为了解决粒子算法应用在电力系统无功优化中存在的问题,提出了一种改进的协同粒子优化算法。笔者根据电力系统无功优化问题非线性、不连续、大范围以及电压等级增多、无功优化控制变量较多的特点,建立了改进的协同粒子优化算法无功优化的数学模型,并将协同粒子群算法在无功优化中进行了应用。算例结果表明,该算法有效地改善了粒子群算法的局部收敛问题,缩短了搜索时间,提高了准确性。

基于几何代数的粒子群协同实用化算法

粒子群协同实用化在web上具有众多的应用,需要聚类大量的代数矩阵才能获得足够的数据,当前研究侧重粒子群协同与矩阵的相关性而没有充分考虑到在几何性之间是具有显著的重叠关系的,这就导致了针对不同的矩阵会具有相同结果,引发重复计算问题。鉴于此,提出了一种基于几何代数的粒子群协同实用化算法,所选择的几何性矩阵具有较高的相关性,而且重叠性较低。实验结果表明,本文的方法能够显著提高粒子群协同实用化的精度和效率。

基于CPSO算法的海空跨域无人航行器集群协同作业路径规划

针对海空跨域无人航行器集群在复杂水域环境下协同作业以追踪水下目标的任务,提出一种基于协同粒子群(CPSO)的协同作业路径规划算法。考虑不同无人航行器集群特性优势,合理分解并分配远距离追踪水下目标任务过程,并利用CPSO算法进行路径规划。在CPSO算法中,首先为无人机(UAVs)集群规划飞行路径,UAV飞行过程中探测水面航行区域障碍物,进而为无人艇集群(USVs)生成完整的水面障碍分布图;然后,采用CPSO算法为USVs规划协同航行路径,无人艇集群航行过程中为无人潜航器(AUVs)生成水下航行环境图;最后,由CPSO算法为AUVs规划水下航行路径,AUV完成水下目标追踪任务。仿真结果表明,以合理的任务分配分解为基础,CPSO算法为海空跨域无人航行器集群协同作业规划了有效路径,实现了无人航行器集群协同作业追踪水下目标功能。

基于改进粒子群算法的初始排污权分配

实施排污权交易制度,在理论和实践中首先要解决的一个关键问题是初始排污权的分配,而在实践中以初始排污权的免费分配更具有操作性。针对电力行业火电机组的特点,从节能环保的角度出发进行初始排污权的分配,构建了基于节能环保的初始排污权的免费分配模型,并采用改进的粒子群算法——粒子群协同优化算法对该模型进行优化计算。算例表明该分配模型有利于燃煤总量最小化,且能够发挥排污权交易市场的作用,达到控制区域排污总量的目的;同时粒子群协同算法比普通的粒子群算法具有更好的收敛结果。

协同进化PSO算法在瓦斯含量预测中的应用研究

针对影响瓦斯含量的各种因素之间的复杂非线性关系,提出了利用协同进化粒子群优化(HCPSO)算法优化带开关权值的神经网络,来实现煤层瓦斯含量预测。通过使用二进制值0和1来表示神经网络的节点间有无连接,并用二进制编码来调节神经网络的结构;同时使用协同进化粒子群优化(PSO)算法优化神经网络权值,来获得精度较高、结构精简的神经网络模型。实验结果表明,该方法有效提高了瓦斯含量预测的精度,为煤矿瓦斯预测提供了一种新方法。

基于协同进化算法的配电网故障阶段式恢复策略

传统的配电网故障恢复算法难于同时兼顾恢复过程的快速性和恢复策略的最优化。文章提出一种将启发式搜索算法与优化算法相结合的配电网故障阶段式恢复策略:第一阶段采用启发式搜索方法恢复负荷供电;第二阶段利用优化算法处理过载的负荷转移;第三阶段按启发式搜索方法处理过载负荷的切除。为实现快速的网络拓扑分析,采用家族树结构表征配电网,并对传统的粒子群优化(particle swarm optimization,PSO)算法与模拟退火(simulated annealing,SA)优化算法进行改进,提出了协同进化算法(co-evolutionary algorithm of PSO and SA,CPSOSA),CPSOSA算法在求解故障恢复数学模型时具有较高的全局寻优能力。算例分析证明了本文所提恢复策略及算法的可行性和高效性。