基于社会学习多目标粒子群优化的中长期负荷组合预测方法

精准的负荷预测对提高电网规划水平和准确指导投资具有重要意义。针对经验风险最小化的组合预测模型存在过拟合的缺点,提出了一种基于社会学习多目标粒子群优化算法,并利用偏最小二乘回归模型、支持向量回归模型、灰色预测GM(1,1)模型,引入权重的不确定性函数信息熵来表征期望风险,综合考虑经验风险和期望风险的组合预测模型。仿真结果表明,相比于单一预测模型和其他两种组合预测模型,所提方法具有更高的预测精度,社会学习多目标粒子群优化算法具有更强的全局搜索能力和优化性能。

基于精英引导的社会学习粒子群优化算法

为了改进经典粒子群算法(PSO)过早收敛和全局搜索能力不足的缺点,提出了一种基于精英引导的社会学习粒子群优化算法(ESLPSO)。在ESLPSO中,提出了一种分层拓扑结构的搜索方法。这一策略根据粒子的适应度表现将粒子分化为最优的精英粒子和其余的平民粒子,革新了传统种群迭代搜索的更新样本,由此加强了整个种群演化信息的引导作用。采用Cubic混沌初始化赋予了初始粒子群体在搜索空间内的广域覆盖能力。设计了精英粒子引导的社会学习策略,通过增加态叠加的不确定性更好地利用了种群演化的多维信息。在此基础上,结合极值扰动迁移机制激励粒子经历新的搜索路径和区域,增加种群的多样性,平衡种群在搜索过程中的探索和开发能力。基于12个涵盖单峰、多峰以及旋转多峰的基准测试函数集对所提算法的性能进行了验证。此外,ESLPSO与其他8种PSO改进算法的比较结果表明,ESLPSO在解决不同类型函数方面表现出了优秀的搜索性能,具有高效的求解稳定性和优异的求解结果。

采用改进多目标粒子群算法的斜拉桥阻尼器参数优化

为克服大跨度斜拉桥黏滞阻尼器优化设计效率低、多个相互制约的减震控制目标的问题难以权衡,基于遗传算法的“变异”方法,提出了改进多目标粒子群算法来进行阻尼器参数优化设计。建立大跨度斜拉桥的有限元模型,开展了全桥地震响应分析,根据抗震需求在桥梁纵向设置黏滞阻尼器;分别建立了塔底弯矩、阻尼力和梁端位移的减震响应与阻尼器参数之间的响应面数学模型;以减震响应面模型为研究对象,通过该算法进行阻尼器参数全局自动寻优分析,确定了阻尼器的最优参数,并与采用参数敏感性分析方法确定的一组阻尼参数进行对比分析。研究结果表明:该优化方法具有计算精度好、优化效率高和更好地权衡多个相互制约的减震控制目标的优点;通过优化算法获得的阻尼器参数组合相比采用参数敏感性分析方法获得的阻尼参数组合的减震响应,塔底弯矩增大1.73%,阻尼力减小5.97%,梁端位移减小1.66%;在无需多次有限元试算的基础上确定了更高精度的阻尼器优化参数组合,在提高减震效果的同时大大提升了计算效率。

基于多目标粒子群优化算法的某轻型商用车操纵稳定性优化研究

针对某轻型商用车稳态回转时侧倾度偏大的问题对其悬架进行优化改进。基于ADAMS/car搭建整车多体动力学模型,通过前悬架反向平行轮跳试验、后悬架理论计算验证了悬架仿真模型的准确性。进行整车稳态回转工况和转向盘中间位置转向工况仿真分析,结果表明,车身侧倾度偏高。为实现操纵稳定性优化分析的流程自动化,提出了基于modeFRONTIER的联合仿真方法。以悬架设计参数为优化变量,以汽车的侧倾度与横摆角速度响应滞后时间为优化目标,采用拉丁超立方试验设计方法拟合得到混合代理模型,并结合多目标粒子群优化算法对悬架系统进行多目标优化,获得了悬架系统优化方案。优化结果显示,在不影响平顺性的前提下,汽车车身侧倾度降低了13.93%,横摆角速度响应滞后时间降低了2.75%,整车操纵稳定性得到了提升。

基于改进多目标粒子群的大型设备群检测策略优化方法

在大型履带起重机群(大型设备群)检验检测中,存在检测工期紧、检测质量和人员安全要求高、经济效益最大化等多目标约束下的最优检测策略制定问题,为此,提出了一种基于改进多目标粒子群的大型设备群检测策略优化方法(MOPSO)。首先,利用变异算子对传统的多目标粒子群算法优化方法进行了改进;然后,根据大型设备群检测项目的实际需求构建了检测工期、检测成本、检测质量与安全的多目标优化模型,并确定了各子目标的约束条件;最后,将该优化算法和构建的模型应用于大型履带起重机群的检测项目中,对该方法的有效性进行了验证。研究结果表明:与传统检测策略相比,在保证质量和安全的前提下,利用该方法得到最优的检测策略,其检测周期仅需3/4,检测单位成本节省了14%,受检单位成本节约了32.8%,极大地提升了检测效率,降低了企业和检验单位人力、经济和时间成本。因此,该方法具有良好的实用性和推广应用价值。

多目标粒子群优化算法及其应用研究综述

现有研究较少涵盖最先进的多目标粒子群优化(MOPSO)算法.本研究介绍了多目标优化问题(MOPs)的研究背景,阐述了MOPSO的基本理论.根据特征将其分为基于Pareto支配、基于分解和基于指标的3类MOPSO算法,介绍了现有的经典算法.介绍相关评价指标,并选取7个有代表性的算法进行性能分析.实验结果展示了传统MOPSO和3类改进的MOPSO算法各自的优势与不足,其中,基于指标的MOPSO在收敛性和多样性方面表现较优.对MOPSO算法在生产调度、图像处理和电力系统等领域的应用进行简要介绍.并探讨了MOPSO算法用于求解复杂优化问题的局限性及未来的研究方向.

基于响应面法和粒子群算法的电机轴多目标优化

为满足新能源汽车电机轴的轻量化设计需求,文中提出了一种基于响应面法和粒子群算法相结合的多目标优化方法。以电机轴的内径为设计变量,在满足强度约束的条件下,将电机轴质量、多危险截面处等效应力和1阶临界转速作为设计目标构建了多目标优化模型。建立Box-Behnken试验设计得到4因素3水平的有限元分析试验方案,采用最小二乘法拟合了各子目标的高精度响应面方程,并根据各子目标的重要程度引入影响因子,建立了统一的全局优化目标函数。最后,结合惯性权重线性递减的粒子群算法对全局目标函数进行了寻优。优化结果表明:电机轴的质量减小了4.8%,1阶临界转速提升了8%,且两处危险截面的等效应力分别减小了2.9%,2.5%。

基于Deform仿真和粒子群多目标算法的微结构刀具优化设计

合理的刀具微结构在铣削过程中能够有效降低铣削力与铣削温度,提高刀具服役寿命。为了得到理论最优的硬质合金刀具微结构参数,需解决铣削H13模具钢过程中存在的大铣削力与高铣削温度等问题。借助Deform软件构建理想状态下的硬质合金铣削模型,进行正交仿真实验研究微结构关键参数对铣削力与铣削温度的影响;以刀具微结构作为优化自变量,最小铣削力与最低铣削温度作为目标函数,构建基于粒子群算法下的多目标优化模型,通过铣削仿真实验进行验证。结果显示,经粒子群多目标算法优化后的刀具微结构参数为R1=300μm, R7=822μm, R22=607μm,理论计算与仿真的最大铣削力和最高铣削温度之间的误差分别为22.93%和5.64%;与原刀相比,最大铣削力与最高铣削温度分别优化了53.15%和4.91%。

基于多目标粒子群优化算法的动力电池仿生冷板结构优化设计

为了提高锂离子电池的冷却效果,提出一种高度对称的仿生网状流道冷板。首先,利用单因子分析法分析了冷板结构参数对其性能的影响,然后,以冷板的平均温度、温度标准差和冷却液压力损失为性能指标,采用多目标粒子群优化(MOPSO)算法对冷板的结构参数进行了优化,得到性能最优时的流道宽度、流道深度和冷板壁厚分别为9.0 mm、1.5 mm和1.4 mm,对应的平均温度、温度标准差和压力损失分别为33.20℃、1.33℃和65.63 Pa,相比于初始结构参数,优化后的平均温度和温度标准差分别下降1.92℃和0.02℃,但压力损失增大27.10 Pa。最后,在电池模组层面验证了优化结果。

改进粒子群优化多拦截器目标分配方法研究

为提高多拦截器拦截对抗场景下的目标分配效能,对多拦截器目标分配算法展开研究。首先提出了目标分配问题的离散优化模型,其次设计了一种改进粒子群优化算法,引入变邻域搜索算法解决传统粒子群优化算法容易陷入局部收敛的问题,设计目标分配矩阵以及适应度函数模型解决带约束离散优化问题,同时避免了编解码算法造成的精度损失;再次设计局部跳出算法的启动准则,提高了算法的效率;最后仿真分析表明:改进粒子群优化算法相对传统算法分配效能可提高9.4%,且收敛结果与全局最优偏差不超过0.1%。

粒子群算法下阳泉市水资源多目标优化配置

为了确保阳泉市水资源得到有效利用,引入粒子群算法对阳泉市水资源多目标数据进行优化配置。以阳泉市水资源变化参数为基础,通过约束条件确定水资源优化配置数据,将决策变量作为水资源区域划分依据,完成子区分类、水源组成、用户组成。在分类情况下获取区域总缺水量,将区域最小缺水量作为目标函数,构建阳泉市水资源多目标优化配置模型。利用粒子群算法编码水资源二维式数据,根据适应度结果修正粒子群迭代,通过求解模型输出最优解,完成阳泉市水资源多目标优化配置。实验测试结果表明,采用所提方法能够有效实现阳泉市水资源综合配置。

基于多目标粒子群的电动汽车优化充电策略

居民区家用电动汽车充电具有较强的集中性,大规模电动汽车充电负荷会对配电网系统造成负荷峰谷差过大等问题。文中提出一种基于多目标粒子群(Multi-Objctive Particle Swarm Optimization,MPSO)算法的用户充电选择控制策略,通过分析预测电动汽车充电负荷建立以系统总负荷方差和调度成本最小为目标函数的多目标优化模型,同时考虑了电动汽车电池及系统功率等约束条件,采用多目标粒子群优化算法求解电动汽车最优起始充电时刻。仿真结果表明,相比居民区内电动汽车无序充电,文中所提电动汽车充电策略能有效降低负荷峰值和调度成本。

改进的粒子群算法对微电网多目标优化调度研究

成了太阳能机组大规模的使用,使得在保证电网电压稳定的前提下,如何提高可再生能源的利用率成了亟待解决的问题。针对由光伏电池、风力发电机、微型燃气轮机、柴油发电机和电池等构成的微电网,考虑运行成本、扰动负荷和污染治理成本等多指标,构建微电网多指标最优调度数学模型,进而提出改进的多目标粒子群算法。在满足约束条件下,提出一种改进惯性因子并引入自适应变异操作的方法对优化模型进行求解。仿真结果表明,微电网的运行得到了优化,并验证了改进的粒子群算法的优越性能,为优化调度的进一步研究奠定了基础。

极限学习决策网络指导的多目标粒子群算法

在求解多目标优化问题时,粒子群优化算法通常采用预设的榜样选择方法和搜索策略,无法根据具体的寻优状态进行调整。面对不同的优化问题,不合适的搜索策略难以有效指导种群的进化,导致种群的搜索性能降低。为了解决以上问题,提出一种极限学习决策网络指导的多目标粒子群优化算法(ELDN-PSO)。首先,将多目标优化问题分解成若干标量子问题,并构建一个极限学习决策网络。网络将粒子的位置作为输入,根据当前寻优状态为每个粒子选择合适的搜索动作。将粒子在子问题上的适应度值变化作为强化学习的样本用于训练网络,并通过极限学习机提升训练速度。在优化的过程中,网络会根据寻优状态自动调整,在不同的搜索阶段为粒子选择合适的搜索策略。其次,多目标优化问题中存在一系列难以比较的非支配解,将每个解的领导能力量化成可进行比较的数值,从而更明确地为粒子选择合适的学习榜样。此外,使用一个外部档案储存较好的粒子,用于维护解集质量并指导种群的进化。在ZDT和DTLZ测试函数上进行对比实验,结果表明ELDN-PSO能够有效应对不同形状的Pareto前沿,提升种群的寻优速度以及解集的收敛性和多样性。

基于社会学习粒子群的大规模多目标优化算法

现实世界中存在大量多目标优化问题,其中大规模多目标优化问题是目前研究的热点,然而现有多目标进化算法缺少有效进化算子来处理大规模优化问题。因此,本文提出了一种基于社会学习粒子群的大规模多目标优化算法(A largescale multi-objective algorithm based on a social learning particle swarm optimization algorithm,LMOSLPSO)。LMOSLPSO首先采用转换的密度估计策略求解每个粒子的适应值;然后基于社会学习粒子群思想,设计了一种有效的粒子进化的方法;最后执行多目标优化算法RVEA(a reference vector guided evolutionary algorithm)的环境选择操作来选择下一代个体。其中,转换的密度估计策略有利于平衡算法种群收敛性和多样性,新设计的粒子进化的方法有利于提高算法的搜索能力。在9个标准的大规模优化测试问题上,与多个近期提出的多目标优化算法进行对比。实验结果表明,该文所提出的LMOSLPSO算法具有较好的收敛性及分布多样性。

基于改进多目标粒子群优化算法的长距离城乡输水管道优化

长距离输水管道在水资源配置中具有重要作用,其优化设计直接影响到水资源的输送效率。本文针对长距离城乡供水管道系统的优化问题,提出了一种基于改进多目标粒子群优化算法(MOPSO)的新方法。综合优化输水管段直径和输水线路,以费用投资最小和流量保证率最大为目标函。结果表明,所提方法相较于传统粒子群优化算法流量保证率提升了2.25%,管道费用减小了225.64万元,并且在多个性能指标上显著优于目前经典的多目标优化方法。研究结果为长距离输水管道设计提供参考。

注意力机制和多目标粒子群混合驱动的配电网无功优化

配电网安全稳定运行的关键之一是解决好配电网的无功功率平衡,尤其是高比例分布式光伏无序接入条件下,挑战巨大。为此,提出了一种注意力机制和多目标粒子群混合驱动的高比例分布式光伏配电网无功优化方法。首先,针对光伏出力强不确定性而预测难的问题,提出了基于Transformer的光伏预测模型,并与长短期记忆网络(long short-term memory,LSTM)以及卷积神经网络(convolutional neural networks,CNN)神经网络进行对比,验证了所提模型的精确性。进一步,针对强间歇性的分布式光伏高比例接入配电网的无功优化难题,提出了一种基于注意力机制的多目标粒子群算法(multi-objective particle swarm optimization algorithm based on attention mechanism,AMOPSO),将注意力机制应用于多目标粒子群算法,从而可减少粒子群算法本身不必要的搜索范围,有效地避免陷入局部最优,获得高比例分布式光伏配电网无功优化的调度策略。最后,在改进的IEEE33节点配电网系统中进行算例分析,验证了所提算法的有效性。

基于粒子群算法的内置式永磁同步发电机多目标优化

为了提高内置式永磁同步发电机(IPMSG)的效率并降低齿槽转矩,使发电机性能更加优越,介绍了一种在响应面方法(RSM)的基础上,融合了多目标粒子群优化算法(MOPSO)的优化设计策略。建立发电机计算模型,确立优化双目标,通过灵敏度分析将极弧系数、定子槽口宽度和槽底宽度三个变量作为优化参数。运用Box-Behnken设计(BBD)获得17组样本数据。根据RSM获得效率和齿槽转矩的回归方程,并且根据方差分析检验优化模型的可靠性。将提高效率和降低齿槽转矩为目标,借助RSM和MOPSO相结合进行寻优,使参数组合最优化。仿真结果表明,优化后发电机性能得到明显提升,验证了该优化方法的可行性。

基于多目标粒子群的景电二期梯级泵站优化调度研究

梯级泵站在调度运行过程中,设法降低工程运行成本、保障运行安全具有重要意义。针对大型梯级泵站运行特点,以甘肃景电二期工程总干渠一泵站至六泵站(PS1—PS6)为例,建立以运行费用最小和级间水位变幅最小为优化目标,水泵叶片角度为决策变量的多目标优化调度模型,提出梯级泵站优化调度方案,从而为灌区梯级泵站节能降耗运行提供技术支撑。结果表明:优化方案(M1—M6)在谷电价时段的抽水量比峰电价时段高73295~125733m^(3),而实际方案(M0)在两个时段的抽水量基本相同;与实际方案(M0)相比,优化方案(M1—M6)平均单位提水成本降低7.9%~27.15%;M0的平均水位变化量为0.09m,比M1—M6(0.071~0.036m)的平均水位变化量大0.019~0.054m;各优化方案中,降低梯级泵站平均单位提水成本的最有效途径是提升一泵站(PS1)效率。运行成本和安全性方面最佳方案分别为M1方案和M6方案,且大多数优化方案都优于实际方案。

基于改进粒子群算法和多目标优化算法的燃煤电站脱硫废水零排放综合评价

燃煤电站脱硫废水零排放要求较高,待优化目标较多,相关量化指标处理困难,对此,提出基于改进粒子群算法和多目标优化的燃煤电站脱硫废水零排放综合评价。依据燃煤电站脱硫废水零排放技术的工艺流程,选取影响评价结果的指标,设立评价指标体系;采用换阶函数、里昂惕夫逆矩阵以及指示函数量化叠加评价指标,从而获得综合评价指标;引入多目标优化算法构建以效益最大化为目标的评价模型,并利用改进粒子群算法采用弥漫性求解,由此求取综合评价值,实现对燃煤电站脱硫废水零排放的综合评价。以实际燃煤电站脱硫废水零排放工艺为研究背景,对所提方法的评价性能进行测试,结果显示,所提方法得到的评价结果具有较高的拟合系数,评价效果更好。