一种基于全局劣汰策略的混合粒子群优化算法

提出一种改进的粒子群优化算法——基于全局劣汰策略的混合粒子群优化算法(GTPSO)。GTPSO在保持PSO算法快速收敛的基础上,以郭涛算法(GuoA)的寻优机制确保种群的多样性和算法的坚韧性。数值计算结果表明,对于高维(维数≥10)复杂非凸多峰函数的数值优化问题,GTPSO算法的计算结果均优于GuoA算法和粒子群优化算法。

基于群体爬山策略的混合粒子群优化算法

针对粒子群优化算法(PSO)在求解高维复杂优化问题时存在搜索精度不高和易陷入局部最优解的缺陷,借鉴混合蛙跳算法(SFLA)的群体爬山思想,提出一种基于群体爬山策略的混合粒子群优化算法(CMCPSO),并证明了CMCPSO算法的全局收敛性。对四个典型高维连续优化函数的求解表明,该算法不仅保持了PSO算法的快速收敛能力,而且吸收了SFLA算法局部精细搜索和保持种群多样性的优点,具有良好的全局收敛性。

基于粒子群算法的插电式混合动力客车实时策略

插电式混合动力客车(Plug-in hybrid electric bus,PHEB)因其低能耗、低排放等特性,成为公交客车领域的研究热点。然而在应对复杂瞬变的城市公交工况时,如何设计实时高效的能量管理策略、实现PHEB全工况能耗最优仍然是当前亟待解决的难题。针对该问题,提出一种基于粒子群算法(Particle swarm optimization,PSO)优化的等效燃油消耗最小策略(Equivalent consumption minimization strategy,ECMS),建立基于等效因子优化的ECMS能量管理策略;考虑到汽车低速发动机频繁起动问题,引入发动机起动车速限制,并利用PSO离线优化特定工况下的等效因子和发动机起动车速,从而获得可在线应用的插电式混合动力客车实时控制策略。基于Matlab/Simulink软件,搭建整车仿真模型,并对所提出的方法进行仿真和硬件在环试验验证。结果表明,所研究策略可实现不同初始SOC条件下的PHEB能量管理策略的近似全局优化,与规则式能量管理策略相比,燃油经济性提升了8.5%。

一种新的双种群PSO-DE混合算法

给出一种新的粒子群算法和差分进化算法相结合的混合算法.该算法基于一种双种群进化策略,其中一个种群由粒子群算法进化,另一种群由差分进化算法进化.此外,采用一种信息分享机制,在算法的进化过程中2个种群中的个体可以实现协同进化.为了进一步提高混合算法的性能,在差分进化算法中融入一种线性递减加权策略的变异操作和指数递增交叉概率算子.通过4个标准测试函数的测试结果表明文中提出的混合算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法.

基于HSMOPSO算法的微电网经济与环保协同优化方法

将微电网运行的经济性和环保性作为目标进行优化调度,可促进两者的协同优化。在算法上,传统多目标粒子群算法(MOPSO)采用拥挤距离法寻找集群最优解,局部性强而全局性较差。为此,首先构造了引入模糊相似矩阵的多目标粒子群算法(FMOPSO),以提高算法的全局性;然后综合两算法的优点,提出了混合策略下的多目标粒子群算法(HSMOPSO)。结果表明:将一欧洲典型微电网作为优化调度对象,采用HSMOPSO算法求得的非劣解集不仅更贴近真实的Pareto最优前端,且分布广而均匀,并且具备良好的多样性;在微电网中引入储能技术后,优化结果更靠近坐标原点,实现了Pareto改善。研究结果验证了所提优化算法兼具良好的局部搜索能力与全局搜索能力,同时也论证了引入储能技术可显著促进微电网经济与环保的协同优化。

插电式混合动力客车能量管理策略研究

为了进一步挖掘插电式混合动力客车节能减排的潜力,对传统等效燃油消耗最小策略(Equivalent Consumption Minimization Strategy,ECMS)进行改进,提出了基于实际行驶工况和动力电池荷电状态(State of Charge,SOC)的变等效因子ECMS。首先,基于主成分分析法和K均值(K-means)聚类算法分别构建了4种典型行驶工况和工况识别模型;其次,利用粒子群优化(Particle Swarm Optimization,PSO)算法离线全局优化,以获得4种典型行驶工况类别和不同动力电池SOC下的最优等效因子,构建了离散化等效因子数值库;然后,将工况识别模型和离散化等效因子数值库嵌入传统ECMS,形成了根据当前行驶工况类别和动力电池SOC值自动调用最优等效因子的变等效因子ECMS;最后,在综合工况下将变等效因子ECMS与传统ECMS进行仿真对比,结果表明,提出的变等效因子ECMS使得整车燃油经济性提高了4.52%。