基于改进磷虾群算法的风-光-水-火联合系统优化调度

为了提高可再生能源的利用率,减少弃风弃光量,提出了一种基于改进磷虾群算法的风-光-水-火联合系统优化调度方法。以综合成本最小为目标函数,综合考虑各种约束条件,建立了风-光-水-火联合系统优化调度模型。利用Logistic混沌映射、余弦控制因子和柯西变异等3种策略对磷虾群算法进行改进,提高了其全局搜索性能。采用改进磷虾群算法对风-光-水-火联合系统优化调度模型进行求解。通过算例证明,改进磷虾群算法的迭代次数、收敛时间和求解精度均优于磷虾群算法和PSO算法。

运用改进磷虾群算法的自抗扰控制方法

为了提升自抗扰控制效果,提出了基于改进磷虾群算法的自抗扰控制方法.利用线性自抗扰控制技术,设计电力系统自抗扰控制器;利用扩张状态观测器估计系统总扰动,在系统控制量内加入前馈微分信号,通过该控制器的线性误差反馈律自抗扰控制电力系统,采用改进磷虾群算法优化该控制器的反馈比例增益与反馈微分增益,提升自抗扰控制效果.实验结果表明,在不同扰动时,应用本文方法自抗扰控制后,可有效降低电力系统稳态误差有效值与谐波畸变率.

基于磷虾群-和声混合算法与响应面法的隧道围岩力学参数反演分析方法研究

为提高围岩力学参数反演分析效率,提出了一种基于磷虾群-和声混合算法与响应面法的反演分析方法。该方法将诱导权重与觅食权重自适应调整的磷虾群算法与微调带宽动态变化的和声搜索算法进行种群分化与融合,提出了磷虾群-和声混合算法以扩大搜索空间和提高收敛速度;利用响应面法构建了反演参数与有限元计算位移值之间的关系从而避免了大量的有限元计算以节省计算时间。将本文方法用于反演青岛地铁4号线大河东站折返线区间断面Z(Y)DK30+665.91的围岩参数,对比分析发现:磷虾群-和声混合算法较之磷虾群算法与和声搜索算法具有较高的搜索效率;其计算位移值与设定位移值基本吻合,平均相对误差为3.78%,验证了本文方法的有效性。

一种量子磷虾群融合算法及其应用

针对磷虾群算法和量子进化算法的缺陷,提出了一种量子磷虾群融合算法(quantum krill herd fusion algorithm,QKH)。该算法通过采用双链实数编码量子磷虾位置,加快收敛速度,避免量子观测的随机性和复杂性;通过利用动态调整的量子磷虾群旋转门更新磷虾位置,提升收敛精度,提高量子旋转相位的确定效率;通过改进的量子全干扰交叉策略,避免算法陷入局部最优,提升优化效率。通过经典测试函数验证了所提算法的优势。建立了QKH-BPNN空调负荷预测模型,仿真结果表明:该模型具有更好的准确性和稳定性。

磷虾群算法优化支持向量机的威胁估计

为提高目标威胁估计的预测精度,在传统支持向量机优化方法的基础上,提出了采用磷虾群算法优化支持向量机的威胁估计方法。介绍了磷虾群算法和支持向量机的原理,并基于此采用磷虾群算法对支持向量机中的惩罚参数和核函数参数进行优化,寻找最优的惩罚参数和核函数参数;建立磷虾群优化支持向量机的目标威胁估计模型,并实现基于该模型的目标威胁估计算法。采集90组原始数据组成训练集、30组数据组成测试集,对该目标威胁估计算法进行仿真实验。实验结果显示,磷虾群算法优化支持向量机的预测误差为0.002 91,小于采用粒子群算法或萤火虫算法优化的支持向量机。结果表明,磷虾群优化支持向量机的目标威胁估计方法可以有效地完成目标威胁估计。

基于改进的磷虾群优化算法的汽轮机初压优化研究

以求解汽轮机变工况运行时的最优主蒸汽压力为目标,首先根据汽轮机运行数据,利用回声状态网络(ESNs)建立热耗率预测模型,然后利用改进的磷虾群优化(I-KH)算法的全局搜索能力,在可行的主蒸汽压力范围内对所建预测模型进行主蒸汽压力寻优,并将优化后的汽轮机滑压运行曲线与厂家设计压力曲线进行对比.结果表明:优化后机组各个负荷下对应的热耗率均有所下降;按照优化后的汽轮机滑压运行曲线运行可有效降低机组热耗率.

基于磷虾群算法的汽轮机热耗率建模应用

为了准确建立汽轮机热耗率预测模型,以某热电厂600MW超临界汽轮机组为研究对象,采用基于反向学习自适应的磷虾群算法(OAKH)和快速学习网(FLN)进行综合建模,并将该模型的预测结果与基本快速学习网、粒子群算法、生物地理学优化算法和磷虾群算法优化的快速学习网模型的预测结果进行比较.结果表明:OAKH算法能够更好地优化FLN模型参数,使所建立的FLN汽轮机热耗率预测模型具有更高的预测精度和更强的泛化能力,能够准确、有效地预测热电厂的汽轮机热耗率.

一种改进离散磷虾群的复杂产品装配调度算法

针对复杂产品装配车间调度问题,提出了一种改进的离散磷虾群(IDKH)装配调度算法。以工期最小化为调度目标,通过分析复杂产品装配工艺流程特点,建立了复杂产品装配调度模型。基于排列的编码方式和启发式规则的改进解码方式实现了调度解与种群个体之间的转换,并通过局部搜索和重启操作对标准磷虾群(KH)算法进行了改进,增强了算法的局部开采能力和全局搜索能力。采用正交试验方法分析了不同参数设置对算法性能的影响,确定了IDKH算法的最佳参数组合。基于标准实例对不同算法性能进行了比较,对比结果表明,IDKH装配调度算法在求解质量和稳定性上均优于遗传算法、分布估计算法、引力搜索算法和标准KH算法。

基于改进磷虾群优化的中心极大化KFCM算法在IDS的应用

针对核模糊C-均值算法(kernel fuzzy C-means,KFCM)随机选择初始聚类中心而不能获得全局最优且在聚类中心较近或重合时易产生一致性聚类等问题,提出一种改进算法。改进算法在原目标函数中引入中心极大化约束项来调控簇间分离度,从而避免算法出现一致性聚类结果。利用磷虾群算法对基于新目标函数的KFCM算法进行优化,使算法不再依赖初始聚类中心,提高算法的稳定性。基于距离最大最小原则产生多组较优的聚类中心作为初始磷虾群体并在算法迭代过程中融合一种新的精英保留策略,从而确保算法收敛到全局极值;通过对个体随机扩散活动进行分段式Logistic混沌扰动,提高算法全局寻优能力。使用KDD Cup 99入侵检测数据进行仿真实验表明,改进算法具有更好的检测性能,解决了传统的聚类算法在入侵检测中稳定性差、检测准确率低的问题。

基于磷虾群算法的汽轮机组最优初压研究

为找到汽轮机变工况运行时的最优初压,利用改进的磷虾群算法(A-KH)和快速学习网(FLN)建立热耗率预测模型,然后利用A-KH算法的全局搜索能力,在可行的压力区间内对所建模型热耗率最低时对应的主蒸汽压力进行寻优,并将优化后的最优初压曲线与厂家设计压力曲线进行对比.结果表明:优化后的最优初压曲线能有效降低汽轮机组的热耗率,对汽轮机的安全经济运行更具有指导意义.

基于自然选择和随机扰动的改进磷虾群算法

针对磷虾群算法在求解高维复杂优化问题时容易陷入局部最优的缺点,提出一种基于自然选择和随机扰动的改进磷虾群算法.首先提出基于时变的非线性递减策略计算诱导权重和觅食权重,对磷虾群的诱导运动和觅食运动进行了改进;其次在产生新一代磷虾种群时加入随机扰动因子,并且借鉴自然选择中适者生存的进化机制提升磷虾种群中个体的质量,有效的提升了磷虾群算法的全局搜索和局部勘探能力.最后通过9个Benchmark标准测试函数的实验,将该算法与其他算法进行性能对比分析.实验表明,该算法能够有效地避免早熟收敛,在全局搜索和局部勘探能力上有着显著优势.

一种基于改进的磷虾群和粒子群的混合算法

针对基本磷虾群(KH)算法在求解高位复杂优化问题时容易陷入局部最优、求解精度低等缺点,提出了一种基于改进的磷虾群和粒子群的混合算法(AIPSOKH).该算法首先对KH算法中的觅食权重和诱导权重采用非线性递减策略,然后将其与惯性权重线性递减的粒子群算法(LDWPSO)混合,采用双子种群同时计算的并行策略进行迭代计算,借鉴自然选择中适者生存的进化机制提升母种群中个体的质量,以此来避免算法陷入局部最优,并提升其求解精度.最后通过8个标准测试函数的对比实验表明,在全局搜索能力和求解精度上与提到的2种算法相比都有着显著优势.

一种自适应惯性权重的改进磷虾群算法

提出一种自适应惯性权重的磷虾群算法(AKH)。通过理论论证,得出在采用线性递减的磷虾群算法求解全局优化问题的迭代过程中,出现大量无效迭代是受到惯性权重的影响;进而提出相关改进策略:在以目标函数作为适应度值的基础上,将种群粒子动态分为适应度值变差粒子和适应度值变优粒子两类,令适应度值变差粒子的惯性权重重置为零,从而消除惯性权重对算法当前迭代的不良影响,适应度值变优粒子的惯性权重保持不变;对算法中的步长缩放因子作非线性递减处理,进一步提升算法的全局探索能力。通过9个具有代表性的测试函数进行实验,将该算法与线性递减的粒子群算法(LPSO)、标准磷虾群算法(KH)和线性递减的磷虾群算法(LKH)作性能对比分析。实验表明,该算法能够有效地减少无效迭代次数,在全局探索性能和收敛稳定性方面有着显著优势。

磷虾群免疫粒子滤波的机载单站无源定位算法

为了进一步提高机载单站无源定位的精度,将磷虾群优化思想引入到粒子滤波的重采样阶段,提出了一种磷虾群免疫粒子滤波算法。该算法利用磷虾的受诱导运动、觅食以及随机扩散行为,将粒子导向高似然区域,有效缓解了粒子退化问题。同时,其采用了人工免疫算法的变异操作,避免了早熟现象的出现,提高了粒子的多样性,克服了粒子贫化问题。仿真结果表明,新算法改善了机载单站无源定位的定位精度以及收敛速度。

基于DGA特征量优选与改进磷虾群算法优化支持向量机的变压器故障诊断模型

针对单一的特征气体或特征气体比值作为DGA特征量无法全面反映变压器故障分类的问题,文章从混合DGA特征量中优选出一组DGA新特征组合作为输入,建立改进磷虾群(Improved Krill Herd,IKH)算法优化支持向量机(Support Vector Machine,SVM)的变压器故障诊断模型对变压器进行故障诊断。将SVM的c和σ与11种候选特征量进行二进制编码,利用遗传算法结合支持向量机对DGA特征量进行优选,得到一组DGA新特征组合;利用IKH算法对SVM的参数进行优化,同时结合交叉验证原理构建IKH算法优化SVM的变压器故障诊断模型。基于IEC TC 10的诊断结果表明:与DGA全数据、三比值特征量相比,新DGA特征组合的故障诊断准确率分别高出10.14%和30.2%;IKHSVM准确率也要高于标准SVM和GASVM(分别为73.87%、81.13%和86.27%),说明该方法能有效诊断变压器故障。

基于磷虾群算法优化的SVR-ARMA组合模型的ORP预测

为了实现生物氧化提金预处理过程中关键参数的准确预测,提出一种基于磷虾算法优化的SVR-ARMA组合预测模型。该改进的组合预测模型把具有较好连续空间非线性寻优性能的磷虾群算法用于SVR模型的参数优化过程,对原始数据进行预测,然后用ARMA模型对SVR模型产生的线性残差进行预测,将两部分的预测值几何相加得到最终预测值。仿真结果表明,与基本SVR模型、KH-SVR模型和SVR-ARMA组合预测模型相比,该改进模型具有更高的预测精度,能够满足对氧化还原电位(ORP)的精准预测。

基于改进磷虾群算法的主动配电网无功优化

随着分布式电源的不断发展,配电网中负荷也呈现多样化的趋势,传统的配电网的无功调控策略和算法已经不能满足现代配电网无功补偿的需求,为此,提出一种基于改进磷虾群算法的主动配电网动态无功优化策略。首先将无功优化过程分为日前调控与日内动态补偿两部分,日前考虑离散型无功补偿设备的无功补偿能力,日内充分考虑风光出力及其他连续调节设备对系统进行补偿,构建基于主动配电网的日前-日内多时间尺度动态无功优化模型。其次提出一种基于余弦控制因子和柯西因子的改进磷虾群算法对该模型进行求解。最后通过修正的IEEE33节点系统的实验,验证了该策略的可行性和有效性,在保证主动配电网平稳运行的同时,实现经济效益最大化。

基于改进磷虾群算法的水电站频率控制

针对复杂的水电站调速系统难以确立精确数学模型导致传统比例-积分-微分(PID)控制器控制精度低、自适应能力差等问题,提出了一种改进磷虾群算法对其PID控制器参数进行优化。对磷虾群算法引入进化因子α以及优化算子β以增加算法自适应调节能力。首先将频率误差以及频率误差变化率代入到改进的磷虾群算法控制器中,通过算法迭代得到一组使目标函数最小的PID参数,将这组参数赋给PID控制器对系统进行控制。仿真结果表明:经过该算法优化后的控制器相较于传统PID控制器超调量明显减小、调解时间大大缩短。

改进磷虾群算法在变电站选址中的应用

随着用电设备使用的增多,必需新建变电站来扩大电力负荷输出规模,针对如何快速并有效地确定候选变电站最优站址的问题,提出了一种新型改进磷虾—粒子群优化算法;在算法中,首先将随机产生的初始种群分为两个子种群,分别用于磷虾算法和粒子群算法,然后再将更新后的种群合并,通过种群的分离与合并,所有个体可以彼此交换位置信息,既能增加种群多样性又可避免陷入局部解,并且在保证找到全局最优解的情况下不添加任何附加操作;为了验证算法的有效性,将其用于变电站选址的工程问题中,由仿真结果可知:混合磷虾—粒子群优化算法寻优效率高,结果准确。

改进磷虾群与NBN联合优化神经网络的HPA预失真方法

为克服现有神经网络预失真方法复杂度高、易陷入局域最小等缺陷,提出一种正交差分进化磷虾群(ODEKH)与neuron-by-neuron(NBN)算法联合优化实数固定延时全连接级联神经网络(RVFTDFCCNN)的高功率放大器预失真方法。采用RVFTDFCCNN对预失真系统中的预失真器和逆估计器进行建模,通过ODEKH算法进行全局搜索获得RVFTDFCCNN的初始化参数,再用NBN算法对RVFTDFCCNN进行训练,同时根据复合函数求偏导数的链式规则,从2个层次对NBN算法中的Jacobian矩阵元素计算进行优化。采用宽带DTMB信号作为输入信号,对预失真系统进行仿真。结果表明:当训练误差和泛化误差均在同一数量级时,RVFTDFCCNN的NBN算法计算量比单隐层(SHL)神经网络明显降低;ODEKH算法比传统磷虾群算法具有更快的收敛速度,ODEKH-NBN联合算法的训练精度比Levenberg-Marquardt(LM)算法提高一个数量级,预失真后的邻道功率比(ACPR)比LM算法改善了2 d B。说明本文的预失真方法具有较低的复杂度和良好的预失真性能。