基于连锁环网与改进离散粒子群算法的多目标配电网重构

配电网重构本质上是一个复杂的高维数非线性组合优化问题。为避免其不可行解的影响,同时实现快速寻优,提出了一种通过连锁环网矩阵快速判断粒子是否满足配电网拓扑约束的方法。采用基于Pareto准则的离散二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)以求解配电网重构多目标优化问题。从三方面对BPSO算法进行改进:改进粒子更新策略以提升新代粒子的可行概率;改进sigmoid函数同时提出邻域搜索机制以强化算法后期的收敛能力;提出基于次优解保留策略的小生境共享机制以改进群体最优粒子更新方式,进而强化算法的全局搜索能力。对IEEE33系统算例进行仿真,结果表明改进BPSO算法在求解含分布式电源(Distributed Generation,DG)的配电网重构多目标优化问题时,能够更加精确高效地收敛至Pareto最优前沿。

一种新的HMM/SVM混合语音识别模型

提出了一种新的基于隐藏马尔可夫(HMM)和支持向量机(SVM)的混合HMM/SVM模型。该模型利用HMM完成语音时间序列建模,计算得到信息输出概率,输入SVM中进行学习,输出语音分类信息,以完成识别决策。在此模型基础上,设计了一种基于并行结构蛙跳搜索算法(PSFL)优化SVM参数的方法以提升噪声环境下的语音识别效率。PSFL改进蛙跳搜索算法的循环主体,能够在寻优过程中维持个体多样性和提高收敛速度。实验结果表明,PSFL具有更优的收敛速度和优化性能,混合SVM/HMM模型在干净和噪声环境均能够获得很好的语音识别效率。