一种求解过程动态优化问题的生物地理学习粒子群算法

智能优化算法具有适用性广泛、全局搜索能力强等优点,近年来在动态优化中的应用逐渐增多。通过混合生物地理优化与粒子群优化,提出了生物地理学习粒子群(biogeography-based learning particle swarm optimization,BLPSO)算法,并用于动态优化问题的求解。BLPSO采用了新型的生物地理学习方式,该方式根据粒子"排名",即粒子的优劣,以维度为单位构造学习粒子,提高了学习的效率。针对动态优化问题,首先通过控制向量参数化将其转化为非线性规划问题,然后采用BLPSO算法进行求解。最后,将BLPSO应用于非可微、多峰、多变量等典型动态优化问题的求解,计算结果表明BLPSO具有较好的搜索精度和收敛速度。

基于局部搜索BLPSO算法的动态经济调度优化

动态经济调度可以降低发电运行成本、节省能源,在电力系统运行过程中起着重要作用。针对含电动汽车负载的动态经济调度问题,提出一种基于局部搜索策略的生物地理粒子群算法(BLPSO-OBS)。该算法在生物地理粒子群算法中引入观察蜂局部搜索策略,从而提升了求解精度。该算法用于解决含电动汽车的动态经济调度问题,并考虑了电力平衡约束、禁止操作区域约束和爬坡约束等发电约束。统计实验结果表明,BLPSO-OBS是解决动态经济调度问题的一种有效方法。