基于混沌多目标粒子群算法的综合能源调度

目的针对当前综合能源系统中资源协同优化效率不足、微网运行经济性和环保性差的问题,提出了一种计及风电储能及不稳定因素的微网优化调度方法。方法该方法在微网负荷侧需求响应对新能源消纳影响的基础上,以消纳新能源和削峰填谷为目的,提出了优化负荷曲线的方案;然后,考虑微网调度侧风电出力的不稳定性以及微网内部设备的耦合,进行优化调度以降低微网运行成本、减少环境惩罚费用并提高风电消纳平稳性;最后,采用混沌多目标粒子群算法对优化问题进行求解,并在风电不稳定度占比0%、5%、10%和15%时进行了算例仿真分析。结果当风电不稳定度为10%和加入风电储能,系统运行成本和环境治理费用最少,比方案1和无风电储能少6919.4元,风电平稳量也提高38 kWh。在电热冷网中,负荷侧加入需求响应后,系统得到稳定运行和能源合理利用,可以很好地满足负荷侧用能需求。从算法对比中,混沌多目标粒子群算法加入自适应权重和变异率后,具有较强的全局搜索能力和更好的准确性。结论该方法通过合理设置风电不稳定度能够有效降低运行成本和环境惩罚费用,提高风电稳定性,其次,负荷侧的需求响应可以一定程度地削峰填谷和消纳新能源。

基于混沌粒子群的双馈风电机组LVRT实测建模及暂态参数辨识

高准确度仿真模型是进行大规模风电并网暂态稳定分析的基础,然而双馈风电机组(DFIG)控制策略与参数属于技术秘密难以获取,模型仿真准确性难以保证。针对DFIG故障暂态精确建模难题,提出了基于实测数据的DFIG建模及参数辨识方法。首先,基于电力系统综合稳定程序(PSASP)中DFIG模型及控制结构,建立低电压穿越(LVRT)控制数学模型并分析故障暂态过程,明确LVRT暂态控制核心参数。其次,基于DFIG的LVRT部分现场实测工况数据,利用混沌粒子群算法实现了DFIG故障暂态控制参数辨识。最后,基于剩余实测工况数据进行辨识参数准确性分析与校验,仿真验证了所提参数辨识方法的有效性及准确性。所提方法辨识结果泛化能力强、准确度高,具有较高的工程应用价值。

基于粒子群算法的正交条件非线性最优扰动求解

在已有的条件非线性最优扰动计算方法中,利用粒子群智能优化算法设计了求解正交条件非线性最优扰动的算法,并在Lorenz96模式中求解了正交条件非线性最优扰动。与传统方法进行对比,求解出了2类具有负相关性的条件非线性最优扰动,并且求解了全局条件非线性最优扰动所对应的正交条件非线性最优扰动。

基于混沌粒子群优化算法的电力大规模应急物资管控领域本体模型研究

针对评价指标关系丰富性和可解释性低,不能满足管控领域本体建模需求的问题,提出基于混沌粒子群优化算法的电力大规模应急物资管控领域本体模型。采用混沌粒子群优化算法,设计映射实体对集合。通过评价适应度和稀疏度,更新粒子位置并判断是否停止迭代。计算得到最优映射结果,并使用全局DEA评估模型是否符合要求。实验结果表明,综合考虑关系丰富性和可解释性指标,研究模型在整体上表现相对较好。

双种群协同演化的改进蜜獾算法

针对蜜獾算法存在的局部搜索能力不足、易陷入局部最优值等问题,提出一种双种群协同演化的改进蜜獾算法。在初始化阶段采用Cubic混沌映射对种群进行初始化,扩大可行解的搜索范围并提高种群的分布均衡性;引入融合黏菌算法和蜜獾算法的双种群优化机制,依托两者的更新优势协同推进个体逼近目标位置,进而提高整个算法的搜索效率和优化性能;采用柯西随机反向扰动策略对蜜獾种群最优位置进行扰动,以提高算法跳出局部最优的能力。通过评估单一策略的改进有效性实验、与七种对比算法的不同高维实验以及Wilcoxon秩和检验,结果表明该算法具有良好的收敛精度和求解速度。最后将改进算法应用于压缩弹簧设计和压力容器设计问题,进一步验证了改进策略的有效性及该算法的工程实用性。

基于混沌粒子群算法的机器人动力学参数辨识

文中提出了一种改进的混沌粒子群算法以优化机器人的激励轨迹,提高动力学参数辨识精度。首先,构建简化的SCARA机器人的动力学模型,选用改进的傅里叶级数作为激励轨迹并建立其优化目标和约束条件的数学模型;其次,在粒子群算法中引入动态控制参数策略和混沌搜索增强机制以优化调整算法参数和早熟粒子;最后,评估改进算法的寻优效果并利用其优化机器人的激励轨迹,进行基于神经网络的动力学参数辨识。仿真结果表明,所求的激励轨迹曲线平滑,机器人动力学参数辨识精度较高。

混沌映射的粒子群算法分析比较

为解决粒子群算法(Particle Swarm Optimization, PSO)易受初值影响、迭代后期早熟收敛、局部寻优结果不稳定等问题,提出混沌映射粒子种群初始化的方案。即在算法前期根据混沌映射初值敏感性、随机性等特征,基于6种混沌映射对粒子群算法分别进行初始化,进而增加种群多样性和解的覆盖。引入动态惯性权重系数,提高算法收敛速度。通过6个测试函数进行仿真实验,对比不同混沌映射数据结果,实验证明该算法能在不改变原有时间复杂度的基础上较好地提高算法的收敛速度和寻优精度。

ACCQPSO:一种改进的量子粒子群优化算法及其应用

针对量子粒子群优化算法前期易陷入局部极值点、后期寻优精度不高等问题,文章提出一种自适应交叉算子的混沌量子粒子群优化算法,并将其应用于BP神经网络超参数寻优。首先,利用Logistics映射初始种群为混沌序列进行最优解搜索,增强初始种群的随机性与遍历性,提高算法寻优能力;然后,通过纵向交叉操作进行种群中个体的信息交换,并引入自适应交叉概率公式,增加种群多样性,提高算法的寻优精度;最后,在实验中,一方面,选取8个函数在高低两个维度进行验证,同时进行Wilcoxon秩和检验分析以及消融实验,验证该算法相较其他算法的有效性;另一方面,通过算法优化BP神经网络应用到网络安全态势预测任务中,实验结果表明该算法收敛速度相较于对比算法有大幅度提升。

基于带约束粒子群的电容层析成像图像重建算法

粒子群工作时系统的鲁棒性很高,有助于解决图像重建的病态问题。但是,重建图像的像素较大,导致粒子维度较大,粒子在寻优过程中很难达到最优解。为了解决这一问题,对粒子的位置加入约束条件,以Tikhonov正则化图像重建算法成像作为粒子位置参考,约束粒子在Tikhonov正则化算法重建图像的一定范围内搜索,并用罚函数求解,提高粒子搜索速度;粒子群的惯性权重采用线性递减权值,从而实现惯性权值的自适应动态调整,提高算法的灵活性;将混沌算子加入粒子群位置搜索过程中,当粒子陷入局部最优时,混沌变量在一定范围内波动,降低最优解的错失率。仿真实验结果表明,与传统的LBP算法和Tikhonov算法相比,改进的粒子群算法的电容层析成像图像重建更精确,效率更高。

基于改进粒子群算法的工业机器人轨迹规划

针对传统工业机器人轨迹规划工作效率低的问题,提出一种多约束条件下的改进粒子群轨迹优化算法。采用4-3-4分段多项式对工业机器人的路径点进行轨迹拟合,运用改进粒子群算法对工业机器人进行时间最优轨迹规划。该方法引入基于混沌映射的惯性权重更新策略、终端弹性机制和交叉机制,使粒子在迭代后期跳出局部最优,平衡了粒子的全局探索能力和局部开发能力。实验结果表明:采用改进粒子群算法对机器人进行轨迹优化,能够使目标函数快速收敛,并获得满足各关节位置、速度和加速度约束的全局最优时间轨迹。与传统方法相比,该方法使得机器人在约束条件下工作时间最短、运行速度最快,在保证运行平稳的前提下较为明显地提升了机器人的工作效率。

DV-Hop定位算法的混沌粒子群优化

针对距离矢量跳距(Distance Vector Hop,DV-Hop)定位算法通信半径选择不合理导致平均跳距和定位误差较大的问题,提出一种基于混沌粒子群改进的DV-Hop定位算法,利用混沌映射的遍历性和随机性实现粒子的局部深度搜索,避免粒子群算法陷入局部最优。通过混沌粒子群优化(Particle Swarm Optimization,PSO)算法迭代求解所有信标节点的通信半径,引入混沌理论调整非线性惯性权重优化搜索过程,通过混沌搜索和混沌扰动迭代求解信标节点的最佳通信半径;通过极大似然估计(Maximum Likelihood Estimate,MLE)法计算的平均定位误差作为混沌粒子群算法的适应值函数;使用费希尔矩阵求解的误差下限作为约束条件求解适应值函数,同时把平均通信半径作为节点能耗模型的阈值来降低节点能量消耗。仿真实验表明,提出的算法在不增加算法复杂度的前提下能够在定位精度方面提升近58%,节点能量消耗方面降低近24%。

融合改进Sine混沌映射的新型粒子群优化算法

为了应对传统粒子群算法(PSO)存在的初始位置不均匀、易达到局部最优、搜索精度不高等问题,提出了一种基于改进Sine混沌映射的新型PSO算法。采用一种改进的Sine混沌映射技术代替传统的伪随机数方法生成初始粒子种群,以丰富种群的多样性。在原始基本位置更新公式的基础上增加两种新的位置更新机制,并分别引入一个高斯变异算子,以实现算法勘探性能和开发性能之间的动态平衡,以及在迭代过程中使粒子有效跳出局部最优。在由7个单峰函数、6个多峰函数和10个固定维函数组成的基准测试函数和3个带约束经典工程优化设计问题上对所提出算法开展仿真实验,并与其他几种流行的PSO变体进行对比。仿真结果表明:与其他PSO变体相比,基于改进Sine混沌映射的新型PSO算法具有更快的收敛速度和更高的寻优精度,对于基准测试函数的寻优结果有20个排名第一,约为总测试函数的87%;该算法在压力容器和工字梁设计优化中,综合性能排在第一位,应可用于解决一些实际工程优化问题。

引入混沌干扰机制的变异天牛群搜索算法

针对天牛须搜索(Beetle Antennae Search,BAS)算法收敛慢、精度低且容易陷入局部最优等缺陷,提出了一种引入混沌干扰机制的变异天牛群搜索算法(Chaotic Interference Mechanism of Mutation Beetle Swarm Optimization Algorithm,CMBSOA)。首先,应用粒子群(Particle Swarm Optimization,PSO)策略将天牛须搜索算法中的天牛个体扩展为天牛群,扩大算法的搜索范围,提高算法的全局搜索能力;其次,引入Logistic混沌映射机制对天牛群进行混沌扰动,使初始化的种群以随机方式均匀分布,以加快算法的收敛速度;最后,提出变异因子策略进行位置更新,使该算法更易跳出局部最优,增强算法的稳定性与精度。为了验证CMBSOA算法的有效性,将其与天牛群算法(Beetle Swarm Antennae Search,BSAS)及PSO通过2组单峰和3组多峰测试函数进行测试和对比,结果表明,CMBSOA算法具有较强的稳定性,此外还具有更优的精度和较快的收敛速度,且能最大限度地避免产生局部最优解问题。

花粉授粉机制在改进粒子群算法研究

针对柔性作业中多目标优化问题,首先构建多目标任务满意度数学模型,该模型以最小加工时间、最低制造成本和最短运输时间为目标,去量纲操作后利用几何平均法求解综合满意度评价值。然后,提出一种改进的粒子群算法(LFPSO),该算法为平衡算法全局和局部搜索能力,惯性权重采用幂函数自适应调节,为改变粒子群前期的搜索性能,在惯性权重中加入了Logistic混沌映射丰富粒子多样性,为平衡全局搜索能力与局部搜索能力,引入花粉授粉机制作为全局搜索阈值。最后,将LFPSO算法与其他算法进行仿真对比,结果验证了LFPSO算法具有良好的性能及解决柔性作业多目标优化问题的有效性。

基于混合粒子群算法的配电网故障重构研究

为了实现含分布式电源的配电网络故障时的恢复供电,在分析粒子群算法基本原理与配电网络结构模型的基础上,提出一种基于混沌映射改进的自适应混合粒子群算法。将压缩因子与自适应权重引入粒子群算法,并借鉴遗传算法中的杂交与自然选择思想,在每次迭代中根据杂交率选取一定粒子进行两两杂交,把每次迭代结果中优秀的一半替换差的一半,并对适应度值良好的粒子进行Logistic混沌优化。接入分布式电源的IEEE 33节点算例,模拟不同算法进行故障重构。仿真测试结果体现出了改进算法具有更快的收敛速度与更好的稳定性。

自适应混沌搜索的双粒子群优化算法

为改善粒子群算法容易早熟收敛和精度低等缺点,提出一种自适应混沌搜索的双粒子群优化算法。根据每个粒子的适应度值,自适应地调整粒子的搜索速度,适应当前搜索状态;将粒子种群分为两个子群,这两个子群分别从全局和局部搜索的角度出发,协调种群的搜索状态,利用Tent混沌模型进行更加精确地局部搜索。将该算法用于函数优化实验和支持向量机参数的优化实验,将其与其它算法进行比较,比较结果表明,该算法显著提高了收敛速度和精度。

一种混沌优化机制的双量子粒子群优化算法

针对量子粒子群优化算法(quantum delta Particle Swarm Optimization,PSO)在处理高维复杂函数时存在收敛速度慢、易陷入局部最优和算法通用性不强等缺点,提出了一种基于混沌优化机制的双量子粒子群优化算法。它借鉴群体位置方差的早熟判断机制,同时提出了一种逐步缩小搜索变量空间的新方法。典型数值实验表明,该算法效率高、优化性能好、对初始位置具有很强的鲁棒性。尤其是该算法具有很强的避免局部极小能力,其性能远远优于单一优化方法。

一种基于混沌优化机制的双粒子群优化算法

针对标准粒子群优化算法PSO(Particle Swarm Optimization)在处理高维复杂函数时存在收敛速度慢、易陷入局部最优和算法通用性不强等缺点,提出了一种基于混沌优化机制的双粒子群优化算法。它借鉴群体适应值方差的早熟判断机制,同时提出了一种逐步缩小搜索变量空间的新方法。典型数值实验表明,该算法效率高、优化性能好、对初值具有很强的鲁棒性。尤其是该算法具有很强的避免局部极小能力,其性能远远优于单一优化方法。

基于改进混沌粒子群优化算法的永磁同步电机参数辨识

针对永磁同步电机(PMSM)在参数辨识过程中由于粒子容易早熟和陷入局部最优而导致辨识精度不高的问题,提出了一种改进混沌粒子群优化(ICPSO)算法,并将其应用在PMSM多参数辨识中。该算法通过对混沌算法和粒子群优化(PSO)算法结合并优化,且在算法中融入精英免疫原理,处于中间的粒子进行免疫升级,此举不仅扩大了粒子在种群中的搜索范围,而且在一定程度上克服了粒子早熟、不易跳出局部最优的问题。该算法对标准测试函数进行试验,且与PSO算法和混沌粒子群优化(CPSO)算法在参数辨识中的效果相比较,得出定子电阻、dq轴电感和转子磁链电磁参数,从而证明该算法的有效性。

双档案粒子群算法求解柔性作业车间调度问题

针对最小化完工时间的柔性作业车间调度问题(FJSP),提出了双档案粒子群算法(DAPSO)。构建精英档案和进步档案分别存储具有较好适应值的精英粒子的个体历史最优位置(Pbest)和进步较快粒子的位置。利用精英档案中的粒子计算解可信度,并根据解可信度来判断当前群体所处的进化状态,粒子根据进化状态调整向两个档案中学习的力度以达到收敛性与多样性的平衡。在Kacem的5个测试问题和MK系列10个测试问题开展了广泛实验,通过与其他算法按照最小完工时间、平均完工时间进行了比较,证明了DAPSO在求解FJSP问题时的有效性。