基于学习因子异步变化CPSO混合储能容量优化配置

为提升新能源发电储能系统的经济性,对风光互补发电混合储能系统(HESS)的容量配置模型进行研究,分析混沌粒子群算法(CPSO)及混合储能容量优化方法。首先,确立以HESS全生命周期费用为目标函数,负荷缺电率等为约束条件,构建HESS容量优化配置模型;其次,将混沌映射理论引入粒子群算法并应用于混合储能容量优化配置,相比于传统粒子群算法(PSO),CPSO体现了全局寻优的优越性;同时,在CPSO中提出学习因子随惯性权重异步变化的方法,使寻优过程中获得的最优解浮动范围减小;最后,利用算例进行仿真分析,结果表明,该方法不仅降低了混合储能系统的全生命周期费用,稳定了收敛速度;而且缩减了最优值寻优浮动范围,增强寻优稳定性。

改进的人工蜂群算法在函数优化问题中的应用

人工蜂群算法是近年来新提出的一种优化算法。针对标准人工蜂群算法的局部搜索能力差,精度低的缺点,提出了一个改进的人工蜂群算法,利用全局最优解和个体极值的信息来改进人工蜂群算法中的搜索模式,并引入异步变化学习因子,保持全局搜索和局部搜索的平衡。将改进的人工蜂群算法在函数优化问题上进行测试,结果表明改进的人工蜂群算法优于原算法。

采用改进人工蜂群算法实现基于MP的信号稀疏分解

针对匹配追踪信号稀疏分解的巨大计算量问题,在具有全局搜索能力的人工蜂群算法基础上,采用了一个改进的人工蜂群算法实现信号的稀疏分解。利用全局最优解和个体极值改善人工蜂群算法中的搜索方式,并引入异步变化学习因子,进一步平衡全局搜索和局部搜索的比重,改进后的算法可以快速搜寻匹配追踪过程中每一步分解的最佳原子,有效提高信号稀疏分解的速度。实验结果证明,基于改进人工蜂群的MP算法对信号稀疏分解的速度优于传统MP算法,并获得良好的重构效果。

基于粒子群优化算法的支持向量机参数选择

由于支持向量机的主要参数的选择能够在很大程度上影响分类性能和效果,并且目前参数优化缺乏理论指导,提出一种粒子群优化算法以优化支持向量机参数的方法.该方法通过引入非线性递减惯性权值和异步线性变化的学习因子策略来改善标准粒子群算法的后期收敛速度慢、易陷入局部最优的缺陷.实验结果表明,相对于标准粒子群算法,本方法在参数优化方面具有良好的鲁棒性、快速收敛和全局搜索能力,具有更高的分类精确度和效率.

改进粒子群算法在库存预测中的应用

针对自动化立体仓库库存预测结果存在不准确和时间滞后等问题,课题组提出一种基于改进粒子群算法并结合指数平滑法来构建库存预测模型。分析传统粒子群算法和指数平滑法的原理以及缺点,通过引入附加变量、非线性动态调整惯性权重以及异步变化学习因子的方式,提出一种改进的粒子群算法;并采用4种标准测试函数来验证算法的寻优能力;最后将改进后的算法与平滑指数算法相结合构建预测模型,以某公司生产的导流板实际库存数据为例进行仿真实验,并与常用的几种预测模型进行验证对比。结果表明改进的粒子群算法预测模型的精度更高。该模型能够解决传统预测模型精度不高、适用情况单一等问题,提高企业的库存利用率。

基于改进粒子群算法的机组负荷优化分配研究

为了降低火电厂煤耗,针对厂内机组负荷分配问题,本文提出模拟退火的粒子群算法进行优化。该方法采取异步变化的学习因子和模拟退火算法对标准粒子群算法进行改进。通过对比实验发现,改进的算法能有效进行负荷分配,具有较高的优化效率和精度。