基于含扰动的改进吸引排斥粒子群算法的电力系统无功优化

电力系统无功优化可以改善电网的无功分布,有效地降低网络有功损耗,保证经济效益。针对粒子群算法在电力系统无功优化问题中存在物种多样性下降和易于陷入局部最优的问题,提出含扰动的改进吸引排斥粒子群算法。该算法通过对物种多样性和迭代次数进行判断,优化速度更新公式和位置更新公式,较好地克服传统粒子群算法在电力系统无功优化问题中存在的不足,通过对IEEE-14节点系统进行仿真验证,验证提出的算法可以更好地降低有功损耗,证明该方法的有效性。

一种求解多车辆合乘匹配问题的适应性算法

车辆合乘匹配问题是研究如何通过优化车辆路线及车辆-乘客匹配来搭乘尽量多的乘客的问题。目前国内外的研究多存在模型单一、脱离实际、算法效率不高等问题。针对该问题,提出一种基于吸引粒子群算法的问题求解方法。通过吸引粒子群算法进行多车辆问题向单车辆问题的转化,形成车辆同乘客之间的初次匹配。根据初次匹配结果利用先验聚类的思想将初次匹配结果进行排序,寻找较优需求序列排序方式。最后,通过相应的匹配再优化策略将需求序列进行再优化。对比实验表明,基于吸引粒子群算法的问题求解方式能以较高的搭乘成功率以及较低的花费完成车辆合乘匹配问题。

CGAQPSO优化LSSVM短期风电预测

提出一种基于混沌高斯局部吸引点量子粒子群(CGAQPSO)优化最小二乘支持向量机(LSSVM)的短期风电功率预测模型。首先,混沌算法初始化粒子种群,提高初始粒子在搜寻空间遍历性,将局部吸引点改进为高斯分布局部吸引点,增强粒子全局搜索能力,从而得到混沌高斯局部吸引点量子粒子群优化算法。对基于不同类型核函数(Linear、POLY、Sigmoid及RBF)进行比较,选择RBF核函数来构建LSSVM风电预测模型。最后,以安徽某风电场实测风电、温度及湿度的历史数据作为CGAQPSO-LSSVM(RBF)模型的训练数据。实验表明,与GA、PSO和QPSO优化LSSVM预测模型相比,所提出的CGAQPSO-LSSVM模型能够有效提高风电功率预测精确度。

采用HC-MARPSO算法的软件测试数据生成方法

在吸引排斥粒子群算法(ARPSO)基础上,引入新的种群多样性度量指标和排斥操作,提出改进的吸引排斥粒子群算法(MARPSO)。结合爬山算法(HC)的局部收敛能力和改进的吸引排斥粒子群算法避免早熟的特点,提出基于爬山算法和改进吸引排斥粒子群算法(HC-MARPSO)的软件测试数据自动生成方法。实验结果表明,该算法在生成测试数据的效率上高于遗传算法、粒子群算法。