族群进化算法的选择机制

针对改进族群进化算法(EGEA)中对族群模式的有效采样问题,提出以竞争指数为选择指标的常规选择、以族群为选择单位的常规选择以及基于竞争指数的模拟退火排序选择3种选择机制,并通过多维函数优化问题进行实验分析,结果表明3种选择机制都能够在一定程度上提高EGEA的搜索效率,且基于竞争指数的模拟退火排序选择算子的实现更简便,对EGEA综合性能的提高也更明显。

族群进化算法的经验学习机制

族群是依据个体编码特征的相似性对群体进行分类后形成的一种群体结构化组织,基于该机制形成了一种新的进化模型—族群进化算法(ethnic group evolution algorithm,EGEA)。族群机制可有效调控群体结构,协调算法的全局搜索和局部搜索时间,同时利用其所具有的分类能力也可方便地获取群体中的典型个体。设计了族群的经验学习机制来挖掘蕴含于群体中的进化经验知识,并利用这些知识来引导群体的搜索,提高EGEA的收敛速度。仿真实验表明族群的经验学习机制不仅是可行的而且是有效的,它显著提高了EGEA的搜索效率。

求解约束函数优化问题的族群进化算法

为提高族群进化算法对约束函数的优化性能,应用基于线性截取策略的大配子采样机制来提高群体进化过程中大配子筛选的稳定性。该机制可有效减少在进化过程中族群结构的大幅波动,提高族群进化算法的搜索效率。通过对六个典型约束函数的仿真实验显示,该机制使族群进化算法成为了一种有竞争力的约束函数优化算法。

Gray编码对族群进化算法性能的改进

族群进化算法(EGEA)利用族群机制进行群体结构调控。在基于二进制编码的群体中,个体间编码的差异性被作为族群聚类的标准。由于自然二进制编码所存在的Hamming悬崖问题易影响族群聚类的准确性,从而降低EGEA的搜索效率,因此提出利用Gray编码连续个体间编码只有一位不同的特点来改进族群聚类的精度。针对典型多维函数的仿真实验表明,基于Gray编码的族群聚类过程可显著提高EGEA的收敛速度和解的精度。

基于族群进化计算的多项式回归电力负荷预测

提出了1种基于族群进化计算的多项式回归电力负荷预测方法,该方法利用族群进化理论来有效优化多项式回归分析模型中的参数,取得了较好的效果。同时,选择某地区用电量历史数据进行预测分析,并与季节指数模型预测的结果进行了对比,从数据对比分析结果看,该文提出的预测值与实际值的平均误差和相对误差均小于季节指数模型,证明了该方法的可行性和有效性。

基于族群进化计算的多项式回归电力负荷预测

本文提出利用族群进化算法来有效优化多项式回归分析模型的参数以进行短期电力负荷预测。选择某地区2002年至2009年的用电量为训练数据,将本文提出方法的预测结果与季节指数模型的预测结果进行对比,本文提出方法的拟合值与实际值的平均相对误差较季节指数模型小0.66%。对2010年1月份到10月份的用电量,本文提出方法的预测值与实际值的平均误差仅为1.46%,比季节指数模型小2.3%。此实验结果显示基于族群进化算法优化的多项式回归分析模型不仅是可行的,而且是有效的,它显著提高了对短期负荷预测的准确性和可靠性。

基于择偶的族群繁殖机制

族群进化算法(EGEA)通过族群机制进行群体结构调控以保持群体的进化效率。在以族群为单位的群体繁殖过程中,EGEA使用一种基于择偶策略的族群繁殖机制,包括择偶算子、可对交叉点规模进行动态优化的多点交叉算子以及自适应变异算子。针对多维函数优化问题的仿真实验表明,上述3种算子的协作可有效提高族群的繁殖效率,与其他典型算法进行比较,证明基于择偶繁殖机制的EGEA是一种具有竞争力的函数优化算法。

电力系统经济负荷分配的族群优化方法

经济负荷分配(Economic Load Dispatch,ELD)是电力系统中一种重要的优化问题,它可归为一类高维、离散、非线性的多约束函数优化问题。针对这类问题,提出了一种基于线性截取策略的改进族群进化算法——EGEA/LT,并使用EGEA/LT对IEEE的3机、6机和15机3个仿真系统进行了优化实验,将实验结果与其他典型算法优化结果进行比较,说明了EGEA/LT是一种求解ELD问题的有效方法。

族群聚类的大配子采样策略

在族群进化算法中,相对于群体,针对大配子进行族群聚类不仅可以提高族群结构的合理性,而且可以大幅降低族群聚类的计算时间。提出了参数法和排队截取法两类大配子采样策略,并对六个典型测试函数进行了仿真实验。实验结果显示,在对无约束函数的优化中,自适应参数法可产生更有效的大配子群体,能够显著提高EGEA的收敛速度和解的精度。

基于竞争指数的模拟退火排序选择算子

提出基于竞争指数的模拟退火排序选择算子.竞争指数是对个体的适应度和编码差异度进行综合评估后产生的一种个体质量评价指标,代表了个体的绝对价值.依据竞争指数对群体及其后代个体进行排序,个体在队列中的位置代表了它的相对重要性.应用模拟退火过程产生个体在队列中的排序位置参数,作为个体相对价值的量化指标.将个体绝对价值和相对价值量化指标的加权平均数作为其生存的概率,这种选择方式可有效控制群体迭代过程的选择压力,保持群体结构的合理.通过对典型函数的优化实验表明,该算子在显著改善进化算法抗早熟能力的同时,可有效提高算法的搜索效率.