基于自适应惯性权重混沌粒子群算法的多机系统低频减载整定算法

电力负荷的不断增加给电力系统的安全运行带来严重威胁,由此低频减载技术逐渐应用到电力系统保护中。当系统的频率降低到某一值时,按照低频减载方案切除系统中的负荷并进行多轮减载以维持系统安全稳定运行。在多机系统低频减载整定计算表达式的基础上,明确优化目标,结合自适应混沌粒子群算法提出了一种低频减载整定算法。既有效阻止频率下降防止系统故障扩大,还可以减少因传统整定方法过量或无选择切负荷而引起的经济损失。通过算例验证了算法的有效性。

一种混沌粒子群算法

针对传统的粒子群算法易陷入局部最小,且算法后期的粒子速度下降过快而失去搜索能力等缺陷,本文提出了一种基于混沌思想的新型粒子群算法。该算法通过生成混沌序列的方式产生惯性权重取代传统惯性权重线性递减的方案,使粒子速度呈现多样性的特点,从而提高算法的全局搜索能力;根据算法中粒子群体的平均粒子速度调节惯性权重,防止粒子速度过早降低而造成的搜索能力下降的问题;最后通过引入粒子群算法系统模型稳定时惯性权重和加速系数之间的约束关系,增强了粒子群算法的局部搜索能力。对比仿真实验表明,本文所提改进的混沌粒子群算法较传统粒子群算法具有更好的搜索性能。

基于遗传交叉和多混沌策略改进的粒子群优化算法

为有效改进基本PSO算法的搜索能力,提出了一种基于遗传交叉和多混沌方式改进的粒子群算法。该算法为获得比当前群体更优的最优解,采用了以下四种措施:其一,对当前群体中的最优解和每个粒子最优解进行遗传交叉操作;其二,用混沌系统动态地调整PSO算法的惯性权重;其三,对整个解空间进行混沌全局搜索;最后,对当前群体中最优解进行多维和单维的混沌局部搜索。仿真实验结果表明:与其他三种算法相比,提出的算法在解决八个整数和混合整数非线性规划问题时不仅收敛速度最快,而且具有100%的成功率。

基于改进蝙蝠算法的最小区域法圆度误差评定

圆度是轴类机械产品几何精度评价的核心指标之一,其直接影响到产品的性能和寿命,准确、快速、规范的进行零件圆度误差评定一直是计量领域研究的热点。因此,提出了一种基于改进蝙蝠算法的最小区域法圆度误差评定方法,该方法利用蝙蝠算法的种群寻优能力,结合最小区域法对圆度误差模型中的目标圆心进行快速寻优,进而计算求解出圆度误差值。改进的蝙蝠算法通过增加混沌惯性权重、自适应参数等方法来有效避免算法在圆度误差评定中陷入局部最优,并改善评定准确性和稳定性。通过对实测数据进行实验验证和分析对比,结果表明提出的方法在圆度误差评定中寻优速度明显优于遗传算法,评定精度和稳定性较最小二乘法有较大提升,验证了该方法在最小区域法圆度误差评定应用中的可行性。

给水管网混沌粒子群优化算法及模型实验研究

针对传统管网优化模型存在的优化目标局限、优化效率低等问题,提出了基于混沌粒子群算法的改进管网多目标优化模型,选取给水管网经济性、可靠性进行数学表征,以此为目标函数,将水力约束和节点压力限制作为约束条件。改进传统PSO,使其适用于对管网系统的多目标约束问题求解,并引入混动权重,对管网进行深度遍历,提高了管网优化效率。最后引入实例,通过MATLAB模拟实验,实验表明该模型具有较好的稳定性,提高了优化效率。

基于改进的群居蜘蛛优化云计算任务调度算法

针对当前任务调度算法在异构云计算环境中完成时间长、资源利用率低以及任务分配不平衡等问题,提出了一种基于改进的群居蜘蛛优化的任务调度算法,该算法通过基于混沌惯性权重的随机选择对群居蜘蛛群体进行智能建模,在保证有效负载均衡的情况下,使得总体完工时间最小化。该算法避免了局部收敛,在最小完成时间和均衡资源利用率的虚拟机集合中寻找用户任务的最优虚拟机,探索了全局智能搜索。实验结果表明,提出的算法性能明显优于其他智能调度算法。

基于多种群蜻蜓算法的四旋翼自抗扰姿态优化控制

针对四旋翼自抗扰控制器耦合参数较多,依靠人工经验难以整定,导致控制效果和抗扰动能力不佳的问题,提出一种多种群蜻蜓算法的四旋翼自抗扰控制参数整定策略。针对传统蜻蜓算法全局搜索能力和局部勘探能力不平衡、易陷入局部最优早熟收敛的问题,提出一种动态混沌惯性权重,平衡算法的全局搜索能力和局部勘探能力,并通过引入位置遗弃策略和多种群策略提高算法的搜索精度,避免算法陷入局部最优。将改进后的蜻蜓算法在线整定自抗扰参数。实验结果表明,对比其他控制策略,该方法具有更高的控制精度和更好的抗扰动能力。

基于自适应粒子群算法的楼宇智能用电策略

考虑楼宇拥有光伏发电、储能电池、微型燃气轮机、可控负荷和不可控负荷等电源和负荷,以最小化电费支出,同时保证用户用电舒适度为目标,提出一种楼宇智能用电策略的数学模型。采用基于成功率的自适应混沌惯性权重粒子群算法求解建立的智能用电数学模型,对比于标准粒子群算法表现出更高的收敛精度和收敛速度。成功率计算包含的混沌性和自适应性,在搜索过程中提供更多的状态信息,改善粒子趋优运动。仿真结果证明了智能用电策略的有效性,可以帮助楼宇用户根据自我需求,优化运行电源设备和用电设备,降低电费支出,并提高用电舒适度。

采用混合搜索策略的阿奎拉优化算法

针对阿奎拉优化算法(AO)存在的不足,提出一种采用混合搜索策略的阿奎拉优化算法(HAO)。首先,利用动态调整函数平衡算法的全局探索与局部开发;其次,利用混沌自适应权重来增强算法的全局搜索能力、加快算法的收敛速度;最后,设计新的个体变异概率系数,采用改进型差分变异策略,利用适应度值较优个体引领群体中其他个体开展搜索活动,保持了种群的多样性,增强了算法跳出局部最优的能力。通过八个基准测试函数和10个CEC2019测试函数,以及一个工程应用问题的数值实验仿真对所提算法进行实验验证。实验结果表明,所提算法的全局收敛速度和优化精度均得到了明显地改善,跳出局部最优的能力得到了增强。

改进型神经网络在室内三维定位中的应用研究

针对室内复杂环境下无线信号反射、折射、多径效应、噪声等干扰,传统的对数距离路径损耗模型无法精确求出信号接收距离d的问题进行研究,提出一种改进的多策略粒子群神经网络模型。该网络采用反向学习策略、混沌惯性权重策略以及扰动策略对神经网络的拓扑结构和连接权值阈值进行优化,从而捕获Wi-Fi信号接收强度RSSI与接收距离d之间的非线性关系,然后结合修正的三维加权交点质心算法求解出未知节点坐标。实验结果表明,对比BP神经网络和遗传神经网络,该网络对RSSI-d的拟合曲线更光滑,拟合结果更加接近于真实值,对比定位精度分别提高了79%和73%,网络定位误差更低,抗干扰能力更强。