基于双向并行灾变粒子群优化算法的城市环路交通协调控制系统

根据我国部分城市道路网包含多条环路的特点,设计了一种双向并行灾变粒子群优化算法的城市环路交通协调控制系统。该系统以路网中的闭合环路作为控制子区,采用三层递阶分布式结构和双向并行灾变粒子群优化,分阶段优化控制周期、相位差和绿信比,并对不同闭合环路进行协调控制形成预选方案。通过系统设定的面控率进行判断、选择,最终确定信号控制方案。示例验证结果表明该控制系统能有效减少区域车辆总延误,减少停车次数。

基于双向并行灾变粒子群算法的区域交通控制

针对基本粒子群优化算法易陷入局部极值点、搜索精度低等缺点,引入灾变模型,采用双向并行策略,提出一种双向并行灾变粒子群优化算法(BPC-PSO),并将其成功应用于城市区域交通控制信号参数配时优化。仿真结果表明:双向并行灾变粒子群算法相对于基本粒子群算法大大提高了寻找全局最优解的能力,使车辆平均延误和平均停车率都比基本粒子群算法有明显地降低。

基于嵌套粒子群结构的复杂系统维修决策优化方法

针对复杂系统的多维修人员定期检修策略,考虑维修人员数量对系统维修成本及停机时间的影响,提出一种两层嵌套粒子群结构的复杂系统多目标维修决策优化方法。该方法利用底层粒子群算法求解维修任务排序的并行调度问题,得出检修节点的最小化最大维修时间,再通过顶层多目标粒子群算法,对系统可靠度、可用度及维修成本模型进行搜索优化,得到该三目标模型的Pareto前沿解集,并分析前沿粒子在三个目标的平衡关系,推荐出最优的维修方案,通过算例验证了该方法的可行性。所提方法在有效地提高系统可靠度和可用度、降低维修成本的同时,还可以为决策者对组件维修等级的确定、维修人员任务的分配等问题提供决策支持。

基于权参数优化的并行深度学习光伏功率预测

针对不同应用场景下光伏数据波动模式差异较大时,现有的光伏发电功率预测模型存在精度及适应性不足的问题,提出了一种具有权参数自适应性的并行深度学习光伏发电功率预测框架。该框架包含2种可以并行预测的深度学习算法单元(Attention-Seq2Seq单元、Transformer单元)以及一个权参数自适应优化单元。基于所提出的并行深度学习框架,对光伏发电功率进行预测,并分别与Attention-Seq2Seq、Transformer模型的预测结果进行了对比验证。结果表明:基于权参数优化的并行深度学习光伏功率预测框架弥补了不同数据波动模式下单一算法预测精度和适应性不足的问题,也可以有效解决时间序列预测中的长距离依赖问题,较单一算法预测精度更高,其平均绝对误差和均方根误差在夏季典型日最大降幅分别是41.18%和45.59%,在冬季典型日最大降幅分别是81.13%和82.86%。

一种新的求解复杂函数优化问题的并行粒子群算法

并行计算能够有效地缩减大规模问题求解的时间需求。文章先简要介绍了粒子群算法的标准版本,对比细粒度的粒子群算法的简单并行,引入种群和移民的思想,提出了一种基于多种群的粒子群算法的并行版本。算法在曙光3000超级服务器上完成,利用MPI处理各个进程间的通讯。使用BUMP函数的数值实验表明了该算法的有效性。

灾变粒子群优化算法及其在交通控制中的应用

城市交通系统是一个随机性很强的、复杂的巨型系统。为了获得良好的通行效率,必须对城市区域交通协调控制信号进行整体优化,但是到目前为止还没有一个能较好完成此项任务的、实用的实时智能优化方法。在粒子群优化算法中引入灾变策略和模型,开发了灾变粒子群优化算法,解决了基本粒子群算法易陷入局部极小点的缺陷,并将其应用于城市区域交通协调控制信号配时优化。仿真结果表明:与基本粒子群算法(在陷入局部极小点时)、固定周期法和遗传算法等配时方法相比,采用所开发的灾变粒子群优化算法对区域交通协调控制信号进行智能优化配时,被控区域的车辆平均延误可以分别平均减少25.2%、41%和11.5%,并可以大大提高路口的通行效率。开发的灾变粒子群优化算法也可以应用于其他许多对象的优化。

DSP并行系统的并行粒子群优化目标跟踪

针对串行粒子群优化(Particle Swarm Optimizer,PSO)算法存在计算量大、速度慢的问题,给出了一种基于数字信号处理(DSP)并行系统的并行PSO跟踪算法。在研制的4DSP并行系统上,采用基于消息传递模型及单种群的Master-Slave模式设计实现了并行PSO跟踪算法。用DSP-A实现初始化设置,其它3个DSP并行计算每个粒子的适应值。最后,由DSP-A比较每个粒子的适应值与其个体极值的优劣,选择较好的个体极值和整个种群的最优解,更新每个粒子的位置与速度。利用该系统采集实际序列图像进行了算法仿真验证,其加速比为2.525,效率为63.13%,该算法为全局优化大规模目标跟踪工程的实现提供了一个新的选择。

并行自适应粒子群算法在电力系统无功优化中的应用

针对传统粒子群优化算法"早熟"与后期收敛速度慢的缺点,提出了一种基于并行自适应粒子群优化算法的电力系统无功优化方法。该方法首先将初始种群随机划分成N个子群,然后分别在各子群中以所提方法寻优,从而实现了算法的并行计算。为避免各子群陷入局部最优解,采用二值交叉算子使各子群间的信息共享并更新相关粒子位置,保证了算法的全局搜索能力并维持了种群的多样性。同时,各子群寻优过程中,根据利己、利他及自主3个方向对当前搜索方向自适应更新,提高了算法的收敛速度。将所提出算法在IEEE 30节点系统上进行了仿真验证,结果证明了并行自适应粒子群算法用于无功优化的可行性和有效性。

基于CUDA的并行粒子群优化算法的设计与实现

针对处理大量数据和求解大规模复杂问题时粒子群优化(PSO)算法计算时间过长的问题,进行了在显卡(GPU)上实现细粒度并行粒子群算法的研究。通过对传统PSO算法的分析,结合目前被广泛使用的基于GPU的并行计算技术,设计实现了一种并行PSO方法。本方法的执行基于统一计算架构(CUDA),使用大量的GPU线程并行处理各个粒子的搜索过程来加速整个粒子群的收敛速度。程序充分使用CUDA自带的各种数学计算库,从而保证了程序的稳定性和易写性。通过对多个基准优化测试函数的求解证明,相对于基于CPU的串行计算方法,在求解收敛性一致的前提下,基于CUDA架构的并行PSO求解方法可以取得高达90倍的计算加速比。

基于改进粒子群优化的并行极限学习机

为了提高极限学习机(ELM)网络的稳定性,提出基于改进粒子群优化的极限学习机(IPSO-ELM).结合改进的粒子群优化算法寻找ELM网络中最优的输入权值、隐层偏置及隐层节点数.通过引入变异算子,增强种群的多样性,并提高收敛速度.为了处理大规模电力负荷数据,提出基于Spark并行计算框架的并行化算法(PIPSO-ELM).基于真实电力负荷数据的实验表明,PIPSO-ELM具有更高的稳定性及可扩展性,适合处理大规模的电力负荷数据.

基于并行协同粒子群优化算法和PC集群的无功优化

针对大规模电力系统无功优化高维度、非线性、不连续的问题,提出一种并行协同粒子群优化算法。该算法基于消息传递接口技术,采用二级并行的方案求解无功优化问题。第1级并行是通过控制变量分组,将原优化问题分解成几个相互关联的子优化问题,每一个子优化问题对应一个子粒子群,各子粒子群相互协同,共同求取最优解。第2级并行是指用粒子群优化算法求解子优化问题时使用多个进程并行求解,进程间采用对等模式分配计算任务,提高了优化效率。此外,为了增强粒子群优化算法的全局寻优能力,在优化过程中对其参数进行了动态调整。通过在PC集群上对IEEE118节点系统和IEEE300节点系统进行仿真计算,验证了该算法能取得较好的优化结果,具有较高的加速比和可扩展性,能满足大规模电力系统无功优化的需要。

基于岛屿群体模型的并行粒子群优化算法

为改善粒子群优化算法对大规模多变量求解的性能,提出了基于岛屿群体模型的并行粒子群优化算法.对粒子群优化算法机理和本质并行性进行分析,设计和实现了一种并行粒子群优化算法.实验结果表明,基于岛屿群体模型的并行粒子群优化算法不仅提高了求解效率,而且改善了早收敛现象,算法的性能比经典粒子群优化算法有了很大提高.

基于模拟退火的并行粒子群优化研究

针对粒子群优化(PSO)容易陷入局部极小,提出将模拟退火(SA)引入并行PSO算法.这种模拟退火并行粒子群算法,结合了并行粒子群算法的快速寻优能力和SA的概率突跳特性,保持了群体多样性,从而避免了种群退化.针对转炉提钒过程是一个复杂非线性反应过程而难以建立终点控制模型的问题,提出了基于模拟退火的并行粒子群RBF网络的辨识模型,优化了RBF核中心个数,从而克服了随机性选择.将该模型用于预测提钒吹氧时间,仿真结果表明预测误差不超过真实值的20%.

并行免疫离散粒子群优化算法求解背包问题

针对离散变量的优化问题,提出了一种改进的二进制混合粒子群优化算法(MHBPSO)。MHBPSO算法利用生物免疫机理和并行运算原理简化算法结构,并针对后期可能出现局部收敛、停滞的问题,从保持粒子群位置的多样性入手,引入了鲶鱼效应和交叉变异操作。仿真实验比较了几种成熟的离散优化算法在解决典型0-1背包问题时的性能。结果表明MHBPSO算法结构简单、收敛速度快、全局寻优能力强,是一种解决离散优化问题的有效方法。

具有量子行为粒子群优化算法的并行化研究

在研究了具有量子行为粒子群算法的基础上,受遗传算法并行化的启发,对具有量子行为的粒子群算法提出并实现了新的并行化策略。针对通信时间过长的问题,提出了改进方法。最后通过benchmark测试函数,将并行化量子粒子优化算法和二进制遗传算法、十进制遗传算法、粒子群优化算法的并行化方法进行了仿真比较,并对结果进行了分析。

改进并行粒子群算法用于冷却水系统节能优化

针对冷却水系统优化问题提出一种改进并行粒子群(IPPSO)算法,以系统能耗最小为优化目标,以系统中各设备的运行参数为优化变量进行求解.在该算法中,采用随机和混沌序列机制分别对两个种群的粒子进行初始化,使两种群在产生初期便具有不同特征;并根据两种群特点,采用不同惯性权重改进策略,提高算法搜索能力;同时利用一种新迁移算子对种群间个体进行交换,增强粒子多样性,使种群向更高层次进化;此外,考虑到系统设备运行数量为整数且受到系统设计总台数的限制,引入穷举法机制对系统中设备部分运行参数进行求解,减少最优解验证工作量,缩短优化时间.最后对某实际冷却水系统进行了详细测试,结果表明,使用IPPSO算法对设备运行参数优化后,冷却水系统总能耗降低12.49%,具有较好的节能效果.同时相比于其他算法,IPPSO能得到更好的优化策略,且在收敛性、计算复杂度和鲁棒性方面具有优势.

基于分层并行灾变粒子群算法的交通控制

提出了分层并行策略结合灾变模型的混合粒子群算法——分层并行灾变粒子群算法(HPCPSO),它能提高算法的收敛性和稳定性。同时通过对交叉口交通情况的研究,把车辆延误、车辆停车数和能源消耗都纳入性能指标值,建立了区域交通协调控制优化模型。在此模型的基础上,应用分层并行灾变粒子群算法实现了交通信号优化控制及验证算法。仿真结果表明,分层并行灾变粒子群算法相对于基本粒子群算法提高了寻找全局最优解的能力,能够有效实现交通信号优化控制。

基于最优值临近搜索的灾变粒子群算法在无功优化中的应用

粒子群算法在电力系统无功优化中容易出现局部收敛和早熟的现象,对传统粒子群算法进行了改进。改进算法对当前全局最优粒子进行临近搜索(NSGOP-PSO),加快了粒子群的搜索速度和搜索精度。并加入了仿生进化算法中的灾变算法(NSGOP-CPSO),按一定规律对群体全部粒子或部分粒子施行灾变,用于解决粒子群算法中的不收敛和早熟现象的问题。对该算法的作用原理进行了细致的分析和说明,并以IEEE-30节点系统的仿真图形及统计数据说明了该改进粒子群算法是有效的。

并行粒子群优化算法的设计与实现

对粒子群优化算法的并行实现进行了研究与讨论，在曙光3000大型计算机上采用MPI并行计算环境进行了测试。该算法采用了Master-Slave并行模式，主进程主要完成种群随机初始化、任务的分发和根据适应值进行粒子的选择，从进程主要完成粒子适应值的计算。实验结果表明算法具有较高的并行性，不仅提高了求解的速度和解的质量，而且得到了较满意的加速比。

具有粒子群特征的优化并行蚁群算法

针对蚁群算法在实际应用中存在的计算时间较长、容易陷入局部最优等问题,提出一种新的具有粒子群特征的优化并行蚁群算法,并将该算法与其他相关算法相结合,共同用于物流联盟车辆调度实例中。实验结果表明,该算法在减少计算时间以及避免早熟现象等方面具有较高的性能。