基于模拟退火的粒子群算法的配电网区间故障定位研究

目前配电网的区间故障定位技术,已有少部分应用于市场上,但是仍然有着很多技术问题,其中比较重要的一个问题就是由于现场设备上传至控制中心的故障信息出现信息丢失时造成的矩阵法无法准确判断的问题,虽然使用人工智能算法可以解决此类问题,但是在配电网故障定位算法中以粒子群为代表的人工智能算法存在容易陷入局部最优陷阱等问题。针对此问题,提出基于模拟退火的粒子群算法的配电网区间故障定位算法,并通过仿真验证了该算法的可行性,结果表明该算法能够精确判断出在配电网中出现的单点及多点故障时的区间位置,并且在现场设备上传信息有缺失的情况下仍然可以得出正确的结果,容错性能和收敛性能优越。

基于模拟退火的粒子群优化算法

粒子群优化算法是一类简单有效的随机全局优化技术。该文把模拟退火思想引入到具有杂交和高斯变异的粒子群优化算法中,给出了一种基于模拟退火的粒子群优化算法。该算法基本保持了粒子群优化算法简单容易实现的特点,但改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。四个基准测试函数的仿真对比结果表明,该算法不仅增强了全局收敛性,而且收敛速度和精度均优于粒子群优化算法。

基于模拟退火的粒子群算法求解约束优化问题

针对复杂约束优化问题,提出一种基于模拟退火(SA)的粒子群(PSO)算法(SAPSO)。该算法使粒子的飞行无记忆性,结合模拟退火算法重新生成停止进化粒子的位置,增强了全局搜索能力。同时采用双群体搜索机制,一个群体保存具有可行解的粒子,用SAPSO算法使粒子逐步搜索到最优可行解;另一个群体保存具有不可行解的粒子,并且可行解群体以一定的概率接受具有不可行解的粒子,有效地维持了群体的多样性。仿真结果表明:该算法能够快速准确地找到位于约束边界上(或附近)的最优解,具有较好的稳定性。

基于模拟退火的粒子群算法优化的二次回归在混凝土抗压强度预测中的应用

混凝土抗压强度与其影响因素之间存在着很强的非线性关系,精确预测混凝土抗压强度对提高工程质量和施工进度等具有重要意义。为了提高预测值的精确度,建立了二次回归预测模型,利用基于模拟退火的粒子群算法对模型系数进行了优化和求解。实例仿真表明这种经智能算法优化后的二次回归预测模型优于传统神经网络预测模型,预测精度得到了较大提高。

一种新的基于模拟退火的粒子群算法

鉴于标准粒子群优化算法易陷入局部最优、收敛精度低,我们提出了一种改进的基于模拟退火的粒子群算法(NPSO)。将模拟退火算法的思想引入粒子群算法中,并对更新公式进行简化;提出了一种自适应随机惯性权重,实现了自适应平衡局部搜索和全局搜索的能力;提出了"优胜劣汰"的更新机制,加快了算法的收敛速度。与其它几种粒子群算法在4个基准测试函数上的实验比较,实验研究表明,NPSO算法的性能很好。

基于模拟退火的粒子群算法优化的二次回归在矿井通风机故障诊断中的应用

针对矿井通风机故障诊断过程中样本数据有限的特点,提出了一种经模拟退火的粒子群算法优化的二次回归诊断方法。将样本数据分为建模数据和测试数据,测试结果表明该方法具有适用性强、操作简单、精准度高,且无需太多样本数据等特点,值得推广。

基于模拟退火的粒子群算法在函数优化中的应用

为了克服标准粒子群搜索算法在函数优化中出现的迭代速度慢、精度低且易陷入局部最优等缺点,提出了一种基于模拟退火的粒子群优化算法.该混合算法利用模拟退火算法中的概率突变能力,在接受新解时既能接受好解也能以一定的概率接受坏解,能够跳出算法的局部最优解,不仅提高了算法的灵活性与多样性,还能提高粒子的多样性,从而获得了较强的全局与局部优化能力.对5个非线性基准函数进行仿真实验对比后发现,混合算法在非线性复杂函数优化中具有更好的寻优能力,表现出调节精度高,收敛速度快等优点,同时避免了"早熟"现象和陷入局部最优的问题.

基于模拟退火的粒子群算法寻优

粒子群算法是一种基于群体智能的随机寻优算法,特别是针对复杂的工程问题,通过迭代寻优计算,能迅速找到近似解,因此粒子群算法在工程计算机中被广泛应用,但是粒子群优化算法容易陷入局部最优,收敛精度低且不易收敛。因此,针对粒子群优化算法的不足,通过同步改变学习因子以及将模拟退火算法与粒子群算法相结合的方法对函数进行极值寻优。结果表明,同步改变学习因子以及将模拟退火算法与粒子群算法结合后的算法提高了全局寻优能力,其中模拟退火与粒子群结合算法具有最好的收敛性和鲁棒性,求解结果更为精确。

基于模拟退火的粒子群算法的船舶空调系统能耗优化研究

结合粒子群算法与模拟退火算法各自的优点,文章提出一种基于模拟退火的粒子群优化算法。基于全局优化的思想,以中央空调系统总能耗的最低为优化目标,将各设备运行参数的变化范围以及设备之间的热交换作为约束条件,建立中央空调系统的全局优化模型。运用基于模拟退火的粒子群算法对空调系统运行参数进行动态优化,确定最佳工况点,仿真结果表明,优化之后的系统节能效果明显。

基于改进模拟退火-粒子群的配电网分布式光伏承载力评估

大规模分布式光伏并网给中压配电网带来严重功率反送,导致中压配电网出现节点电压越限和配电变压器反向过载问题.以系统潮流平衡、节点电压偏差、配电变压器反向负载率和线路载流量为约束条件,以分布式光伏并网容量与系统网络损耗之差的分布式光伏等效并网容量为目标函数,建立中压配电网分布式光伏承载力评估模型,并提出改进模拟退火-粒子群(SA-PSO)算法.对IEEE33系统和实际中压配电网进行分布式光伏承载力计算,结果表明,所建立的分布式光伏承载力评估模型适用于中压配电网节点电压稳定性与配电变压器安全运行问题评估;相较于其他算法,改进SA-PSO算法提高了评估模型计算的收敛速度与寻优能力,在相同约束条件限值下,所得线路分布式光伏承载力更高,且系统网络损耗更低.

基于模拟退火粒子群算法与小冲杆试验确定材料塑性性能的方法

为了能够准确合理地从小冲杆试验曲线中获取材料的塑性参数,提出了一种基于模拟退火粒子群算法和有限元模拟获得材料断后伸长率及断面收缩率的方法。首先通过小冲杆试验获取X65、X70管线钢的载荷-位移曲线;其次利用模拟退火粒子群算法和有限元模拟相结合的方法,使得小冲杆模拟曲线逼近试验曲线,进而识别Johnson-Cook(J-C)本构模型参数;最后将识别的参数用于模拟单轴拉伸试验,从而获取材料断后伸长率和断面收缩率。该方法所获得的两种管线钢的断后伸长率、断面收缩率与单轴拉伸试验结果的最大相对误差分别为23.58%、3.70%。

基于模拟退火粒子群算法的永磁同步电机参数辨识方法

针对常规粒子群算法在参数辨识中精度和效率较低的问题,提出一种自适应模拟退火粒子群优化算法,用于辨识永磁同步电机的参数。在常规粒子群优化算法中引入模拟退火算法中的Metropolis准则,构造了每个粒子的位置矢量退火算法适应度函数,以扩大搜索范围,避免粒子陷入局部最优。仿真结果表明,相比于常规粒子群算法,模拟退火粒子群算法具有更高的辨识效率和辨识精度。

基于模拟退火粒子群算法的甚高频台站补盲

目前中国西藏地区甚高频(very high frequency,VHF)通信台站在7000 m及以上高空航路通信信号覆盖存在覆盖盲区,但是并没有针对VHF通信信号盲区补盲方面的研究及对应的解决办法。为了解决以上问题,提出了一种以西藏地区的实际地形为优化算法搜索对象,以拉萨管制区管辖范围内航路通信信号的单重覆盖率、双重覆盖率及管制区的冗余度为指标的补盲部署数学模型。接着,在不改变西藏地区原有VHF通信台站数量和位置的基础上,利用模拟退火粒子群算法,采用最小频率最少台站个数寻找一个最优台站对未覆盖的一段航路进行VHF通信信号覆盖研究。仿真结果表明,该算法不仅实现了采用最小频率最少台站个数解决航路通信信号覆盖盲区的目标,而且克服了粒子群算法在寻优过程中易陷入局部最优解的缺点,同时也证明了提出的补盲部署数学模型的正确性及改进的粒子群算法的高效性。该算法和模型可以为航线网路规划、台站部署优化及最终通过该方法解决频谱资源匮乏问题提供理论支撑和技术支持。

基于模拟退火粒子群优化算法的ECT图像重建方法研究

电容层析成像系统中,其反问题的“病态性”特点,导致传统图像重建算法的重建结果伪影现象严重。粒子群算法(Particles Swarm Optimization,PSO)作为智能算法的一种,具有易实现,收敛快等显著优点,缺点也很明显,即粒子易收敛于局部最优解。将模拟退火算法与粒子群搜索算法相结合,利用模拟退火算法中的概率突变能力,能够有一定概率跳出算法的局部最优解。设计了五种不同的典型流型并进行了仿真实验,利用所提算法与LBP算法、Tikhonov算法、Landweber迭代算法以及标准PSO算法分别对其进行了图像重建。仿真实验所得到的主观结果和客观数据均表明,所提算法可以有效减少重建图像中的伪影,明确图像形状,提高重建图像质量,使得图像重建结果更加接近原始流型。

基于模拟退火粒子群算法的配电网分布式储能布局规划研究

储能系统可缓解大规模分布式新能源接入配电网所产生的不良影响,而储能系统在配电网中合理配置是其有效应用的前提。构建了一种考虑在配电网中全寿命周期成本的分布式储能布局规划模型,并以分布式储能接入配电网后安全稳定运行校核为约束条件,采用引入退火机制的粒子群算法对布局规划模型进行优化求解,提高算法迭代时寻找全局最优解的收敛速度和准确性。在IEEE 14节点配电系统上进行仿真分析,仿真结果表明该算法具有较好的收敛性和准确性,该规划方法可有效提高新能源发电就近消纳水平,可用于指导分布式储能在配电网中的规划布局。

混沌模拟退火粒子群优化算法研究及应用

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,提出混沌模拟退火粒子群优化(PSO)算法.引入混沌理论对粒子群优化算法的参数进行自适应调整,提高了算法的全局收敛性能;采用模拟退火(SA)算法,依据概率性的劣向转移,以一定概率接受劣解,使算法具有跳出局部最优而实现全局最优的能力.引入自适应温度衰变系数,使模拟退火算法能够根据当前环境自动调整搜索条件,从而提高算法的搜索效率.通过7个经典函数测试混沌模拟退火粒子群优化算法的性能,并将其应用于Job Shop调度问题.仿真实验结果表明,采用新算法有效地克服了停滞现象,增强了全局搜索能力,与遗传算法、粒子群优化算法相比寻优性能更佳.

基于模拟退火算法思想的粒子群优化算法

粒子群优化是由Eberhart博士和Kennedy博士于 1995年根据鸟或鱼群居社会行为而提出的。本文提出了 4种改进的算法 ,特别推荐结合模拟退火算法思想提出的一种新算法。经过与基本粒子群算法比较测试 ,证实它是一种简单有效的算法。

一种自适应模拟退火粒子群优化算法

为了提高粒子群算法的寻优速度和精度,避免陷入局部优解,提出一种自适应模拟退火粒子群优化算法。采用双曲正切函数来控制惯性权重系数,进行非线性自适应变化;利用线性变化策略控制社会学习因子和自我学习因子,达到改变不同阶段寻优重点的目的;引入模拟退火操作,根据种群的初始状态设置一个温度,根据米特罗波利斯准则和温度指导种群以一定的概率接受差解,保证了算法跳出局部最优解的能力。为验证这种算法的效果,选择7种典型测试函数与已有文献中提出的5种粒子优化算法进行对比实验,根据寻优结果的平均值、标准差以及迭代次数等数据,证明文中所提算法在迭代精度、收敛速度以及稳定性上都有很大的提升,有效地弥补了经典粒子群算法的缺陷。

基于模拟退火的粒子群算法在水电站水库优化调度中的应用

介绍了一种基于模拟退火的粒子群算法,并用其求解以水电站年发电量最大建立的优化调度的数学模型。考虑到基本的粒子群算法(PSO)后期粒子趋向同一化,使其进化速度变慢,精度较差,本文将模拟退火的思想应用到具有杂交和变异的粒子群算法当中,通过模拟退火的降温过程来提高算法后期的进化速度和精度。最后,以普定水电站的优化调度为例进行了计算,结果表明,该算法的性能较基本粒子群算法有了较大改善,且明显优于常规调度方法和动态规划。

基于粒子群优化和模拟退火的混合调度算法

提出了一种离散粒子群调度算法,采用基于工序的编码方式及相应的位置和速度更新方法,使具有连续本质的粒子群算法直接适用于调度问题。针对粒子群算法容易陷入局部最优的缺陷,将其与模拟退火算法结合,得到了粒子群-模拟退火算法、改进的粒子群算法、粒子群-模拟退火交替算法以及粒子群-模拟退火协同算法等4种混合调度算法。仿真结果表明,混合算法均具有较高的求解质量。