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。

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。

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。

考虑暂态稳定约束的电力系统最优潮流算法

将模糊集理论应用于暂态稳定约束最优潮流问题,结合电力系统实际特性,对传统暂态稳定约束最优潮流模型进行改进,将功角约束、电压约束及目标函数模糊化处理,采用最大最小算子建立了以求解满意度最大化的暂态稳定约束最优潮流模糊新模型。构建了适于大规模非线性优化问题的协同进化粒子群算法,用于TSCOPF模糊优化问题的求解。为提高算法求解效率,结合模型特点采用提前终止暂态稳定仿真的加速策略。并利用Matlab并行工具箱对算法进行主从并行化改造,显著提高了算法运行效率。最后利用新英格兰10机系统仿真测试,证明了方法有效可行。

基于数据挖掘的文本分类算法

文本分类是网络数据管理研究中的难点,本文运用支持向量机非线性分类能力和协同进化粒子群算法全局搜索能力,提出一种基于数据挖掘的文本分类算法。首先对网络文本样本进行相关预处理,提取文本的特征向量,然后将训练样本输入到支持量机进行训练,采用协同进化粒子群优化算法优化分类器参数,最后采用Reuters21578数据集对模型性能进行分析。研究结果表明,运用协同进化粒子群算法可以快速找到支持向量机的最优参数,提高文本分类的正确率,分类速度可以满足文本分类在线应用要求。

机械臂运动的智能自适应模糊控制策略

为了提高机械臂轨迹跟踪控制精度同时节省驱动能量,提出了机械臂运动的智能自适应模糊控制策略。介绍了双连杆机械臂结构并建立了其动力学模型;设计了机械臂系统控制方案和智能自适应模糊控制器的实现方案;在粒子群算法基础上增加了多策略进化方法和多子群协同搜索方法,提出了多策略协同进化粒子群算法;以机械臂轨迹跟踪误差和驱动力矩最小为目标,以多策略协同进化算法为寻优算法,设计了具有智能自适应调节能力的模糊控制器。经仿真验证,自适应模糊控制器的跟踪误差幅值为PID控制误差幅值的26%左右,同时模糊控制器驱动力矩的平均振动幅值不足PID控制器力矩振动幅值的17%,充分证明了智能自适应模糊控制器能够以更小的力矩实现更小的跟踪误差。