一种用于机组组合问题的改进双重粒子群算法

为了更经济快速地解决机组组合问题,提出一种改进双重粒子群优化(particle swarm optimization,PSO)算法,包含离散部分和连续部分。离散PSO分时段优化机组的启停状态,在种群更新时加入了临界算子,改进了可行解的判别条件,各机组出力最低值的和要在一定程度上低于负荷需求值,并考虑机组启停时间的向前继承和向后约束。连续PSO用于启停状态确定过程中和确定后的负荷分配,考虑功率平衡约束、热备用约束和机组的出力上下限约束。求解经济负荷分配时,利用罚函数的方法满足机组的爬坡速率约束,最后得到煤耗最小值。采用2个24时段的算例进行仿真,实验结果表明新算法减少了搜索量,提高了收敛速度,并为机组组合问题提出了新思路。

基于双重二元粒子群优化的高效用项集挖掘算法

高效用项集挖掘算法是关联分析中的重要组成部分,通过对基本二元粒子群算法进行改进,提出一种双重二元粒子群优化(DBPSO)算法。运用最小相对效用阈值和效用上界的乘积确定最小效用阈值。利用最小效用阈值和适应度函数分散候选子空间,挖掘高效用项集。实验结果表明,该算法的收敛速度较快,能够获得较多的高效用项集。

基于CAS理论的改进PSO算法

针对粒子群优化(PSO)算法易陷入局部最优,发生早熟这一问题,借鉴复杂适应系统(CAS)理论,将混沌和自适应引入到基本PSO中,形成一种双重自适应PSO算法(DAPSO)。该算法在初始化种群时,采用Logisitic方程产生混沌序列;在迭代过程中,通过非线性动态调整策略调整粒子个体学习因子和社会学习因子的大小,采用(0,1)随机均匀分布代替惯性权重递减的方法对w进行自适应取值来更新粒子的速度和位移,最终实现算法求解全局最优的目标。最后运用六个高维单模态和多模态Benchmark测试函数对该算法进行仿真,并与PSO,2PSO,KPSO算法进行对比。对比结果表明,该算法在求解全局最优解时,效果明显优于其他粒子群算法,在精确性和寻优效率上较其他算法表现尤为突出。