基于差分进化算法的数控机床进给系统加速试验优化模型

为了进一步提高数控机床进给系统工作性能及效率,该研究引入差分进化算法,基于差分进化算法的原理和应用流程,自动寻找最佳的参数配置,提高加速过程的效率。通过差分进化算法的迭代优化,寻找最佳的参数组合,以实现更快速、更平稳的加速过程。模型运行试验结果表明,优化后的数控机床进给系统在加速阶段具有更高的性能和更短的加速时间。研究结果能对提高数控机床的加工效率和性能提供有力支持,对于制造业具有重要的实际应用意义。

基于差分进化算法的电力系统负荷控制方法

传统的负荷控制方法在处理问题时耗时较长,导致系统供电能力弱。为解决该问题,文章提出了基于差分进化算法的电力系统负荷控制方法。使用该方法对电力系统负荷数据时间序列进行分析并选取序列的最优解,将其用于负荷控制问题,有助于寻找最优控制策略。基于此,通过制定具体的控制指令,可实现对电力系统负荷的有效控制。实验证明,基于差分进化算法的负荷控制方法能够提高供电能力,从而实现对电力系统负荷的有效控制。

基于变时段设计改进多目标差分进化算法的风/光/火/储日前优化调度

在高比例新能源馈入的新型电力系统中,新能源出力的不确定性导致火电难以满足调度计划的精度需求,风/光/火/储系统的经济调度求解算法面临严峻挑战。为此,提出一种基于变时段设计的多目标差分进化算法。首先按各时段负荷特征构建风/光/火/储系统的变时段日前调度规则。进而以系统运行经济成本与污染排放量为目标,基于多目标差分进化算法求解变时段系统日前调度模型的Pareto解集。最后,用IEEE 39节点系统进行测试。结果表明在风、光、储与火电的约束条件均符合校验的情形下,相较于其他算法,该方法使计算结果更加优化,火电机组出力跟踪调度计划效果显著提高,验证了所提方法的有效性。

Q学习差分进化算法求解热电动态经济排放调度

热电联产动态经济排放调度同时考虑了燃料成本花费和污染气体排放两个目标值,且下一时间段的热电产量受当前时间段热电产量的影响,这是近年来电力系统运行中的一个重要问题。文中提出一种基于Q学习强化多目标差分进化(Q Learning Multi-Objective Differential Evolution,QLMODE)算法,以此求解热电联产动态经济排放调度(Combined Heat and Power Dynamic Economic Emission Dispatch,CHPDEED)问题。在QLMODE中,采用Q学习技术调整算法的比例因子参数,即在迭代过程中利用子代解和父代解之间的支配关系确定动作奖励和惩罚,并通过Q学习调整参数值,以获得最适合环境模型的算法参数。文中将所提QLMODE用于求解11机组和33机组的热电联产动态经济排放调度问题。仿真结果表明,与4种成熟的多目标优化算法相比,QLMODE算法燃料成本最小,污染气体排放最少,收敛性和多样性指标优于其他4种算法,且QLMODE在两组问题上都获得了更好的Pareto最优前沿。

基于改进的差分进化算法求解SWMP问题

需求侧响应可以为电网带来可观的收益,计及需求响应的电力系统经济调度优化方法研究成为国内外学者的关注的课题。提出了一种可以用于解决计及需求侧响应的电力系统经济调度问题的基于随机黑洞模型的差分进化算法(sequence-based differential evolution hole,S-DEH),该算法基于原始的差分进化算法结合随机黑洞模型,对初始序列敏感性高,稳定可靠,计算量小,能够针对不同的问题选择最佳的控制参数,能够减少人为的操作失误和调整优化算法参数所需要的时间,具有很高的求解效率。同时所采用的演算模型为计及需求侧响应的求解电力系统的单时段的社会效益最大化问题(social welfare maximization problem,SWMP),以验证算法的性能,并通过求解多时段的SWMP优化调度问题验证了算法在处理高维度复杂优化问题时仍能保持高效的性能。

基于改进差分进化算法的起重机防摆控制技术

起重机运行过程中的加速和减速以及负载的变化会导致起重机负载摆动,影响起重机的运行效率。为保证起重机能够精准工作,减少意外事故发生,提出基于改进差分进化算法的起重机防摆控制技术。构建起重机系统的拉格朗日方程,利用非线性转换构建起重机状态模型;设置起重机运行限制条件,令系统功能指标函数达到理想状态;制定改进差分进化算法种群大小和个体矢量维数,增加群体的多样性,提高控制技术的收敛性,在适应度函数内加入系统超调量,控制起重机运行不发生碰撞。通过实验证明所提技术能够较好地控制起重机稳定运行,减少摆动情况出现。

一种支持向量机的相干解调系统误码率模拟预测算法

针对信道中高斯加性噪声引起接收端相干解调系统的误码问题,提出了一种支持向量机的相干解调系统误码率模拟预测算法,为提高通信系统的抗噪特性提供研究基础。文中采用差分进化算法与支持向量机SVM算法相结合的方法,通过差分进化算法优化SVM算法中的惩罚因子与高斯径向基的核函数参数,并对模拟环境下相干解调系统受高斯加性噪声影响所产生的误码数据进行了预测。实验结果表明,基于差分进化的SVM算法预测模型相比经典遗传算法预测精度提高了3.7%,预测精度基本满足误码率数据的预测要求,并具有较强的泛化能力。

基于改进差分进化算法的非线性系统模型参数辨识

针对非线性模型的参数估计寻优较为困难的问题,提出一种基于改进的差分进化算法的非线性系统模型参数辨识新方法。通过引入一个自适应变异率,随着迭代的进行自适应调整缩放因子,从而在初期保持种群多样性以避免早熟,并在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏。交叉概率采用动态非线性增加的方法,提高了收敛速度。为了验证算法性能,针对几类典型的非线性模型参数辨识问题进行了仿真研究,并将其应用于一类发酵动力学模型参数的估计中。结果表明改进算法的参数辨识精度高,收敛速度也比较快,有效提高了模型建立的精度与效率,为解决实际系统中参数估计问题提供了一条可行的途径。

基于自适应混合差分进化算法的水火电力系统短期发电计划优化

针对水火电力系统发电计划优化问题,引入差分进化(differential evolution,DE)算法,提出了一种自适应混合差分进化算法(adaptive hybrid differential evolution,AHDE)。该算法在计算过程中自适应调整交叉算子,保持了种群的多样性,提高了算法的全局搜索能力,克服了DE在寻优过程中容易早熟收敛的缺点。同时针对AHDE难以处理实际工程中复杂约束条件问题,提出了一种适合AHDE的约束处理方法。将AHDE应用于求解某水火电力系统的发电计划优化问题,与其他求解方法的对比表明,AHDE求解精度高、计算速度快。

一种基于差分进化的Flash文件系统垃圾回收算法

垃圾回收算法对于Flash文件系统具有十分重要的意义.本文针对已有垃圾回收算法在存储容量剩余较小时垃圾回收性能急剧下降进而影响写入速率的问题,采用最优化方法,提出并实现了一种基于差分进化的垃圾回收算法.该算法能够使得垃圾回收的代价均匀化,在保证性能和损耗均衡的前提下,减少擦除次数,延长Flash寿命.实验结果验证了该算法的有效性.

电力系统无功优化的反向优化差分进化算法

电力系统无功优化问题是一个复杂的多目标、多约束、非线性的混合整数优化问题,针对基本差分进化算法易陷入局部最优解、收敛速度慢的缺点,首次引入反向优化差分进化算法应用于解决电力系统无功优化问题。反向优化差分进化算法利用基于反向的优化对种群进行初始化,可以获得适应度更优的个体,从而加快了收敛速度;根据一定的跳变率,对种群逐代进行动态跳变,增加了种群的多样性,可以避免算法陷入局部最优解。以系统的有功网损最小为目标函数同时兼顾电压的合理分布,对IEEE-14节点系统进行了无功优化仿真计算,并与其他优化算法进行了比较,结果表明该算法具有较强的全局寻优能力,且收敛速率较快,收敛精度高,鲁棒性好,可较好地解决电力系统无功优化问题。

多目标差分进化算法的电力系统无功优化

在传统电力系统无功优化(Reactive Power Optimization,RPO)模型中引入电压水平指标,建立了以网损最小,电压水平最好为目标的多目标差分进化算法(Differential Evolution Algorithm)的模型。针对基本差分进化算法易陷入局部最优解、收敛速度慢的缺点,提出一种具有自适应参数策略的改进差分进化算法并首次用于多目标电力系统无功优化问题。通过在算法进化过程中调整变异因子F和交叉因子CR,在初期增加种群的多样性、扩大全局搜索区域;从而可以避免算法陷入局部最优解;同时在后期也加快了收敛速度。将该算法用于电力系统无功优化并仿真计算了IEEE-14节点标准测试系统,结果验证模型和算法的有效性。

基于差分进化交叉验证SVM的飞控系统传感器故障预测学习算法研究

参考现代飞行器故障检测结构,利用支持向量回归建立了飞控系统传感器的故障预测框架。该方案包括作动器,操纵面的传感器故障诊断模块,以解决故障趋势预测的问题。指出了如何采用SVM/SVR进行权值估计。提出采用差分进化改进原有的交叉验证方式,并且对核参数寻优以减少模型误差和提高SVR模型的泛化能力。最后结合飞行控制系统实时故障仿真证实了这种预测方法的可行性。

基于差分进化算法的动态环境经济电力系统调度优化

电力系统动态环境经济调度优化隶属于非线性优化问题范畴,并具有多目标、高维、多约束条件等特点。经典的数学规划方法无法处理此类复杂问题。为此,提出了新的方法来解决这个问题。首先,通过代价惩罚因子将双目标优化问题转化为单目标优化问题。然后,设计启发式搜索策略来解决调度问题中的爬坡约束、动态电力平衡约束。采用启发式策略修正解决方案,能够提高群体的多样性,拓展搜索空间。基于优先列表的启发式策略能够使能耗低的火力发电机拥有更高的优先级进行更多的电力输出,以得到更优的调度解决方案。最后,改进差分进化算法,以加快搜索的速度并提高解决方案的质量。

基于烟花算法与差分进化算法的模糊分类系统设计

针对模糊分类问题,提出了一种基于烟花算法和差分进化算法的模糊系统建模方法,这是首次将烟花算法应用到模糊建模领域,目的是建立精确度高而且解释性好的模糊分类器.烟花算法是通过模拟烟花爆炸现象而提出的一种新的粒子智能算法,首先采用此方法对模型的结构和参数进行学习,结果表明该方法具有较好的收敛速度和搜索性能;其次,为了扩大搜索范围,避免过早地陷入局部最优,在每一次迭代中采用差分算法进一步优化模型;最后,对Iris数据样本进行仿真实验,在保证较高分类精度的前提下,构建了一个解释性良好的模糊分类系统.

基于混沌迁移及无参数变异差分进化算法的舰船电力系统网络重构

为更好地利用差分进化算法对舰船电力系统网络进行重构,提出一种基于混沌迁移及无参数变异的差分进化算法.针对差分进化算法寻找最优解容易陷入早熟的问题,引入一种基于混沌迁移的并行进化策略.该策略将原有种群分为多个子种群,进行并行进化.在优化过程中引入混沌迁移序列引导个体迁移,利用混沌的遍历性和随机性,保证子种群间能高效地进行信息交换.针对电力系统网络重构中的0,1,2编码方式在解码中信息丢失问题,提出一种无参数变异算子.这个算子能使算法结构简单、利于运算.最后利用混沌序列初始化种群和Pareto选择策略提高舰船重构效率.仿真实验表明,改进的算法具有更好的故障恢复方案,能有效避免差分进化算法在求解电力系统网络重构时的早熟问题.

基于混沌自适应差分进化算法的舰船电力系统网络重构

舰船电力系统的网络重构是保证舰船电网安全运行的重要手段,文中采用混沌自适应差分进化算法作为解决舰船电力系统网络重构的方法.采用混沌优化产生初始种群,保证了种群的多样性;引进自适应变异算子和交叉算子,加速算法的收敛速度.文中以一个特定的舰船电网模型为研究对象,证明了所提出方法可以高效、快速地解决网络重构问题,与其他优化方法相比,再开关操作次数更少,收敛速度更优.

改进差分进化算法在舰船电力系统网络重构中的应用

针对舰船电力系统的网络重构,建立了以负载恢复量、开关操作数和发电机效率均衡为多优化目标的舰船电力系统故障恢复模型,提出了一种带自适应离散断点算子和动态变异、交叉因子的改进离散差分进化算法进行求解。改进后的算法能有效地提高收敛速度,并克服传统差分进化算法收敛精度不高、易陷入局部最优的问题。舰船电力系统网络故障恢复算例表明,该方法能获得更好的系统重构方案,并具有较好的优化性能。

基于多目标文化差分进化算法的水火电力系统优化调度

为有效求解节能减排背景下水火电力系统的多目标优化调度问题,提出一种多目标文化差分进化算法(Multi-objective cultured differential evolution,MOCDE)。MOCDE以文化算法(Cultural algorithm,CA)为框架,以差分进化算法(Differential evolution,DE)为群体空间演化方法;同时,根据DE算子及多目标优化的特点,在信念空间中设计了三种知识结构,并利用这些知识结构指导种群演化,提高了算法的收敛速度并克服早熟收敛问题。此外,提出一种基于逐步调整策略的约束处理方法,可有效处理等式约束。研究结果表明,MOCDE可快速获得一组分布性好、收敛精度高的非劣调度方案集,是求解水火电力系统多目标优化调度问题的一种有效方法。

修正的差分进化算法在系统可靠性中的应用

提出了一种修正的差分进化算法(MDE)以解决4种系统可靠性问题,它们分别为串联系统、复杂(桥)系统、串并联系统和超速保护系统。MDE算法对DE算法的变异操作进行了一种有效的改进,使得所有解向量以递增的概率朝全局最优解方向移动。另外,罚函数法被用来处理目标函数值和资源约束之间的关系。相应地,通过结合MDE算法和罚函数法以获得令人满意的可行解。实验结果表明,MDE算法所获得的4种系统的可靠性都要好于文献中所报道的结果,分别为0.931682、0.999889 63、0.999976 65和0.999955。