基于双种群交叉学习的粒子群优化算法

粒子群优化算法因其支配参数少、收敛速度快、易于实现等特点被广泛应用,但是粒子群优化算法存在精度低、容易陷入局部优化的问题。为此提出一种基于双种群交叉学习的粒子群优化算法。在该算法中,整个种群被分为普通子种群和精英子种群。普通子种群采用综合变异机制,该机制通过设置概率参数使普通子种群随机选择朝着优秀粒子的方向或者保持自身方向进行变异,以侧重寻找可能解区域。精英子种群则采用交叉学习机制,将粒子的历史最优和全局最优个体进行交叉生成范例,从而引导粒子对可能解区域进行局部搜索,还提出了一种非线性惯性权重来平衡粒子的全局勘探和局部开发能力。为了验证算法的有效性,在十六个基准问题上进行测试并与其他七种粒子群优化算法变体比较,实验结果表明该算法在求解精度和收敛速度总体排名第一,验证了该算法求解性能优于其他粒子群优化算法变体。

双种群变异粒子群算法

利用变异机制可以增加遗传算法全局寻优能力的特性,结合惯性权值线性递减PSO算法具有较快收敛速度的优点,提出了一种双种群变异PSO算法,对该算法与其他PSO算法进行了比较,仿真结果表明其性能优越。

基于自适应变异粒子群算法的双馈风电机组等值建模

风电机组等值建模是风电并网研究的基础,文中提出一种基于自适应变异粒子群(AMPSO)算法的双馈风电机组等值建模方法。首先依据风力机型号进行机群划分,通过简化双馈风电机组控制策略,建立了双馈风电机组等值模型。根据模型中各参数对双馈风电机组运行特性的影响特点,将其分为暂态参数和稳态参数,采用收敛速度快、通用性强的AMPSO算法对稳态参数寻优,采用试测法辨识暂态参数。通过仿真,验证了所述等值方法精确、简便,适用于大规模风电场接入电网的分析计算。

一种双种群遗传粒子群算法及在SMB优化中的应用

针对遗传算法和粒子群算法本身固有的局限,提出了基于Pareto非劣解集的多目标双种群遗传粒子群算法。设置两个独立种群分别进行寻优,每隔一定代数,按一定比例选取精英个体在两个种群间进行迁徙,接着继续在各自种群中寻优,最终两种群都将收敛于Pareto最优前端。通过两个测试函数和在模拟移动床(SMB)上的操作条件优化仿真试验验证,双种群遗传粒子群算法较单一种群的遗传算法或粒子群算法能在较少的进化代数上收敛,解集具有更好的分布性和多样性;并能有效地对模拟移动床操作条件进行优化。

基于双种群粒子群算法的分时段电力系统无功优化

提出了一种基于双种群粒子群算法的分时段无功优化算法,将复杂的动态无功优化问题转化为静态无功优化进行处理。文中把设备的调节代价和网损费用之和作为目标函数,考虑了包括设备相邻时段调节次数限制等约束条件。在该模型基础上,根据负荷的变化趋势,提出了一种考虑设备一天内调节次数限制的分时段算法。该方法简便,不需设置划分时段的门槛值,保证了分段的有效性和可操作性,且采用双种群粒子群算法对每个时段进行静态无功优化。该算法对离散变量进行了特殊编码,较好地解决了连续和离散变量的共同寻优,降低了网损,并减少了设备动作次数。IEEE30节点算例系统结果验证了所提算法的正确性和有效性。

基于动态双种群粒子群算法的柔性工作车间调度

针对标准粒子群优化算法存在易陷入局部最优点的缺点,提出了一种基于动态双种群的粒子群优化算法(DPSO).DPSO算法将种群划分成两个种群规模随进化过程不断变化的子种群,两个子种群分别采用不同的学习策略进行进化,并在进化过程中相互交换信息.该算法提高了全局寻优能力,有效地避免了早熟收敛的发生.将以DPSO算法为基础的排序算法和启发式分配算法(HA)相结合形成了解决柔性工作车间调度问题的新方法(DPSO-HA).通过对算例的研究和与其他方法的比较表明,该方法是有效可行的.

双种群粒子群算法的时间最优轨迹规划研究

针对以时间为目标的轨迹规划问题,提出一种工业机器人时间最优轨迹规划方法。将路径规划生成的关键点,两两之间通过3次多项式连接;以时间为优化目标,以运动学特征为约束,通过罚函数法构建适应度函数;提出双种群粒子群算法进行优化。以6自由度机械臂为例,仿真发现所提算法解的质量优于粒子群算法和量子粒子群算法,最优值分别减少43.83%和1.75%、平均值分别减少54.62%和17.05%、标准差分别减少91.38%和83.80%;结果表明所提方法能使机械臂各关节轨迹平滑,速度、加速度和加加速度最大值77.78%处于50%最大约束左右。所提方法在机器人最优时间轨迹规划中具有较强实用性,能够延长机器人使用寿命。

基于混沌优化的双种群量子粒子群算法

提出了一种基于混沌优化的双种群量子粒子群算法(BCQPSO)。算法利用混沌序列随机生成两个种群,在子种群中惯性权重分别采用不同的更新策略,并通过种群间的融合和变异进行信息交互,提高了算法的收敛速度和解空间的遍历范围。仿真实验结果表明,所提算法具有很好的搜索能力和优化效率。

基于变异粒子群算法的产品模块划分研究

模块化设计能有效满足大批量定制生产的需要,模块划分是模块化设计的关键技术之一。在模块划分过程中使用智能优化算法,易于计算机编程实现且划分效率较高。首先在粒子群优化(Particle Swarm Optimization,PSO)算法中引入遗传算法(Genetic Algorithm,GA)的变异思想,通过C++语言将变异粒子群优化算法进行编程实现,并对粒子类编码、设计结构矩阵生成、适应度函数计算和变异策略技术进行了深入分析研究;然后在减速器的模块划分实例中进行了多次验证,并着重比较了2种变异PSO算法和标准PSO算法的划分效率,结果表明了变异粒子群算法的划分高效性;最后在模块划分过程中详细分析研究了种群规模和变异概率2个参数对模块划分效率的影响,找到了实现最优划分效率的参数组合范围,为产品模块数值划分方法以及关键参数的选取提供了一定的参考价值。

粒子置换的双种群综合学习PSO算法

针对粒子群算法(PSO)种群多样性低和易于陷入局部最优等问题,提出一种粒子置换的双种群综合学习PSO算法(PP-CLPSO)。根据PSO算法的收敛特性和Logistic映射的混沌思想,设计并行进化的PSO种群和混沌化种群,结合粒子编号机制,形成双种群系统中粒子的同号结构和同位结构,其中粒子的惯性权重根据适应度值自适应调节;当搜索过程陷入局部最优时,PSO种群同位结构下适应度值较差的粒子,根据与混沌化种群间的同号结构执行粒子置换操作,实现了双种群系统资源的合理调度,增加了种群的多样性;进而综合双向搜索的同位粒子学习策略和线性递减搜索步长的局部学习策略,进行全局探勘和局部搜索,提高了算法的求解精度。实验选取9个基准测试函数,同时与4个改进的粒子群算法和4个群智能算法进行对比验证,实验结果表明,PP-CLPSO算法在求解精度和收敛速度等方面具备较好的综合性能。

一种双种群协同多目标粒子群优化算法及应用

针对当前我国油田开采难度大、经济效益较低等问题,建立以利润最大化为优化指标,以年度增油目标、增液目标、增注目标为约束条件的多目标油田开采优化模型,并提出一种双种群协同多目标粒子群优化算法求解该优化模型.该算法通过双种群协同进化策略扩大搜索空间,提高算法的全局搜索能力,并结合Lévy飞行保证种群多样性,提高算法收敛效率.实验结果表明,该算法能有效求解油田开采优化模型,可优选出满足目标和约束条件的结果.

基于动态种群的双重学习粒子群优化算法

粒子群算法的全局勘探能力和局部开发能力的不协调往往会导致算法收敛不精、陷入早熟。针对上述问题,提出了基于动态种群的双重学习粒子群优化算法(DP-DLPSO)。首先将粒子种群划分为勘探子种群和开发子种群,让两个子种群以不同的学习机制引导粒子运动,粒子处于寻优期间时,子群体间无信息交流,如果开发种群陷入局部最优也不会影响到勘探种群的寻优能力;其次,采用动态种群思想,勘探种群将会把好的粒子输送到开发种群中去,增加开发种群中有效解的几率,提高粒子的收敛精度;最后,对开发种群采用高斯扰动策略以提高粒子跳出局部最优的能力。将DP-DLPSO与5个改进粒子群算法进行比较,实验结果表明DP-DLPSO在收敛精度和收敛速度上具有更大的优势。

双种群进化粒子群算法求解地下水管理模型

为避免粒子群算法(PSO)早熟的缺点,设计了一种双种群进化粒子群算法(DE-PSO)。DE-PSO是基于PSO,引入选择、交叉及差分变异操作,并结合合理有效的粒子评价方法及越界处理方法之后形成的。将DE-PSO应用于两个地下水管理模型算例,第一个算例DE-PSO解的总抽水量分别比遗传算法(GA)、模拟退火算法(SA)和PSO减少了64、256、207m3/d,第二个算例DE-PSO解的总治理成本分别比GA、SA和PSO减少了57.74、151.93、76.59万元。两个算例中DE-PSO都表现出稳定的进化趋势,寻优效率好于GA、SA和PSO,可以有效求解地下水管理模型问题。

基于CGA和PSO的双种群混合算法

针对粒子群算法(PSO)收敛速度慢、求解精度不高以及易陷入局部最优的缺点,结合云遗传算法(CGA)和粒子群优化算法,提出一种新型的双种群混合算法(CGA-PSO)。将整个种群平均分成2个子群,分别采用云遗传算法和加入自调整惯性权值策略的粒子群优化算法完成进化。通过引入一种新型的信息交流机制:两子群子代间信息交流以及子代与父代间信息交流,共享最优个体,淘汰最劣个体,实现共同进化,适时对粒子群适应度较差的个体进行云变异操作,该操作是基于云模型的随机性和稳定性,利用全局最优位置和最劣位置实现对部分粒子位置的变异过程。对5个经典测试函数进行测试,并与CGA和PSO算法及其优化算法进行比较,结果表明,CGA-PSO算法具有较高的搜索效率、求解精度和较快的收敛速度,鲁棒性也较强。

基于双种群算法的模拟移动床多目标操作优化

以有限元法求解模拟移动床的稳态TMB模型和动态SMB模型,提出基于Pareto非劣解集的多目标双种群遗传粒子群算法;利用动态SMB模型仿真模拟移动床色谱吸附分离过程,以分离纯度和性能指标分别作为约束条件和目标函数进行多目标操作优化设计。仿真结果表明,SMB模型较之TMB模型更真实可靠,双种群遗传粒子群算法也较单一种群的遗传算法或粒子群算法具有更好的收敛性和鲁棒性,能有效地对模拟移动床操作条件进行优化,提高其分离性能和经济效益。

基于种群替代的量子粒子群算法的含风电网无功优化

针对量子粒子群算法后期收敛速度慢,且易陷入局部最优解等问题,将粒子种群全局最优替代的思想和多种群并行搜索策略相结合,设计了一种基于含局部种群变异的多种群并行搜索替代的量子粒子群算法。该算法采用种群并行搜索替代的方式引入变异,增加了种群的多样性,同时在局部种群中利用全局最优替代平均最优,加快收敛速度。分别应用基本粒子群、量子粒子群和种群替代的量子粒子群算法对某含风电网进行仿真,验证了种群替代的量子粒子群算法在含风电网无功优化中的有效性和实用性。

基于q-高斯分布的自适应变异粒子群算法

针对粒子群算法易陷入局部极值和早熟收敛的缺陷,提出了基于q-高斯分布的自适应变异粒子群算法.采用q-高斯作为变异算子对粒子的全局最优位置进行q-高斯变异,克服了因种群遗失多样性所导致的早熟收敛缺陷,随着种群的进化,非广延熵指数q的自适应调整平衡了算法的全局搜索能力和局部开发能力.测试了4个标准复杂函数和优化BP神经网络参数,结果表明,基于q-高斯分布的自适应变异粒子群算法的优化性能最好,收敛速度快.

基于双粒子群算法的船舶电力系统网络重构

船舶电力系统网络重构是一个多目标、多约束的非线性组合优化问题。粒子群算法在解决这类问题具有独特的优势,但基本粒子群算法存在易早熟而陷入局部极值的缺陷。本文采用双粒子群算法解决船舶电网重构的问题,算法将粒子群分为主辅两个子群来协同进化,对主群引入伪变异策略,提高了算法的求解精度,减少陷入局部最优的危险。对辅助群采用基于爬山思想的位置更新策略,提高了算法的收敛速度。仿真结果表明双粒子群算法在解决船舶电力系统网络重构问题方面具有较好的效果。

双种群混合遗传算法的裁剪分床应用研究

为解决服装生产中的裁剪分床计划问题,结合生产过程的影响因素和订单需求,建立了裁剪分床的多目标数学模型进行优化,使用一种改进的双种群粒子群-遗传混合算法对模型进行求解。混合算法将进化种群划分为普通种群和精英种群,利用改进的遗传算法来全局搜索进化普通群体并筛选精英个体,同时结合粒子群优化算法进化精英群体。交叉和变异保证种群的多样性,粒子群寻优机制提升进化速度,两种群在进化时交叉影响不断寻找最优方案。实验结果表明:混合算法在解决多目标的生产订单裁剪分床问题上表现稳定,相比改进的遗传算法有更快的寻优速度,比手工计算方法减少1个裁床,裁剪时间缩短5 min且超裁数量降低60%,可以适应不同目标需求,针对实际生产中的裁剪分床有一定的应用价值。

基于空间距离的双种群粒子动态优化微网配置

为了降低含多微源多能互补微网的运行成本,解决在传统算法下微网系统优化速度慢、耗能大,稳定性差的问题,提出一种基于空间距离的双种群粒子动态优化微网方法。首先从系统运行经济性、稳定性和环保角度建立微网综合能源模型,结合基于空间距离的多种群权重下降改进粒子易陷入局部最优的情况且加快收敛速度,采用双种群动态粒子群算法进行优化。算例结果表明:该方法在优化结果中经济性及优化效率综合最优,为用户电力增容提供一种经济、安全、高效的控制策略,具有良好实用性。