基于改进简化粒子群算法的含DG的配电网无功优化

分布式电源(Distributed Generation,DG)并网能够有效支撑电网,增加电网运行的灵活性,对含DG的配电网进行无功优化能够有效提高电能质量,降低网损,保证配电网安全、稳定、经济运行。为此,建立了以有功网损最小为目标函数的数学模型,同时,为保证节点电压和DG无功出力在各自允许范围内,分别建立了节点电压越限罚函数和DG无功出力越限罚函数。针对基本粒子群算法易早熟、收敛精度差、迭代后期收敛速度慢等问题,给出了一种惯性权重和学习因子动态变化的简化粒子群算法。该算法舍去粒子速度项,使惯性权重随迭代次数呈指数函数变化,学习因子随迭代次数呈正弦函数变化。以含DG的IEEE33节点配电系统为例进行无功优化分析,结果表明:DG能增强电网运行的稳定性,所提算法具有较好的优化性能。

基于随机惯性权重的简化粒子群优化算法

针对标准粒子群优化算法易出现早熟收敛、搜索速度慢及寻优精度低等缺陷,提出一种基于随机惯性权重的简化粒子群优化算法。算法采用去除速度项的粒子群简化结构,通过随机分布的方式获取惯性权重提高新算法的局部搜索和全局搜索能力,并且学习因子采用异步变化的策略来改善粒子的学习能力。考虑到个体之间的相互影响关系,每个粒子的个体极值用所有粒子个体极值的平均值代替。通过几个典型测试函数仿真及F-检验结果表明,提出的算法在搜索速度、收敛精度、鲁棒性方面较已有改进算法有了显著提高,并且具有摆脱陷入局部最优解的能力。

基于非线性函数和简化粒子群优化的盲源分离算法

针对现有盲源分离方法存在的源信号类型和高斯信号个数受限制问题,提出一种基于非线性函数和简化粒子群优化的盲源分离新算法.算法采用依据源信号类型选取的非线性函数作为目标函数,运用简化粒子群优化算法对目标函数进行优化,实现多类型源信号同时混合的盲源分离.仿真结果表明,本算法能够有效实现源信号为多类型和含有2路高斯信号的盲源分离.与其他算法相比,本算法收敛速度更快,分离精度更高.

关联规则挖掘结合简化粒子群优化的哈希回溯追踪协议

针对源路径隔离引擎(source path isolation engine,SPIE)不能回溯追踪早期经过路由器的攻击数据包问题,提出了一种IP回溯追踪协议(IP trace-back protocol,ITP),该协议根据压缩哈希表、Sinkhole路由算法和基于网络取证的数据挖掘技术抵抗网络攻击。其中包含简化粒子群优化(simplified particle swarm optimization,SPSO)关联算法的分析管理器(attack analysis manager,AAM)通过分析来自Sinkhole路由器和入侵检测系统(intrusion detection systems,IDS)的攻击包的关联性生成攻击模式和攻击包规则,并将该结果通知系统管理器,Sinkhole路由器和IDS通过数据挖掘技术分析攻击包之间的关联性。通过比较SPIE,概率包标记(probabilistic packet marking,PPM)和i Trace的性能可以看出,ITP不仅能实时追踪后向攻击,而且能定期使用压缩哈希表(compressed hash table,CHT)完成追踪任务。因此,在抵抗Do S攻击方面,ITP性能优于SPIE,PPM和i Trace,此外,在回溯执行时间方面,相同跳跃数下,ITP比iTrace低2-3 s。

基于简化粒子群优化的高铁钢轨智能检测技术

钢轨图像对比度低,光照不均匀,含有阴影、锈迹、斑痕等干扰区域,使得钢轨表面缺陷实时检测成为视觉检测的难点。针对此问题,提出一种基于粒子群优化的钢轨表面缺陷分割方法,针对传统的OTSU阈值分割方法受图像对比度、信噪比等因素影响较大的缺点,采用二维OTSU方法加以改进,提高缺陷分割的准确性,同时结合简化粒子群优化搜索方法,提高阈值分割速度,减少耗时。实验结果表明:本文方法可以有效地消除随机噪声,保留必要的缺陷信息,同时该方法具有较高的分割速度和精度,满足实时性要求。

融合简化粒子群的教与学优化算法

教与学优化算法(teaching-learning-based optimization algorithm,TLBO)是一种基于班级"教师阶段"和"学生阶段"的新型群智能优化算法.针对算法求解高维非线性复杂优化问题时精度较低的缺点,提出一种混合的教与学优化算法(HTLBO).首先,对"教师阶段"中的学生平均水平重新定义,并采用一种自适应策略根据粒子的适应度值对学习因子动态取值;然后,在迭代的过程中,根据适应度值将种群分成两个子种群,对于适应度值好的子种群采用改进的教与学优化算法(ATLBO)更新以增加种群的多样性,对于适应度值差的子种群采用简化粒子群算法(SPSO)以提升子种群的收敛性;最后,通过10个无约束优化问题进行对比测试实验,结果显示,HTLBO在探索性能和收敛速度方面优于TLBO等其他4种类型的算法.

简化粒子群优化结合SOM的网络入侵检测方法

针对互联网规模的不断扩大,网络服务更容易向入侵者和攻击者暴露信息,且攻击手段日趋复杂,提出了简化粒子群优化(SPSO)结合自组织映射(SOM)的网络入侵检测方法。根据特征判别力,使用PCA方法进行选择特征,生成非相关性特征过滤数据集噪声和低方差值特征。通过SOM与高斯混合模型(GAMM)混合方法来模拟正常模式与异常模式,测量每个网络单元的激活概率以检测所有高频率攻击的精确值,并运用概率SOM均值对特征空间进行分类,在此过程中,运用简化粒子群优化(SPSO)算法从分类搜索当前解的邻域内找到更优的解。基于KDDCUP99数据集搭建仿真测试平台,实验结果表明,提出的方法对常见的网络攻击表现出了良好的性能,具有更高的入侵检测准确率(ACC)。

一种新型的简化群优化粒子滤波算法

针对粒子滤波的粒子退化和贫化问题,将新兴的简化群优化(SSO)算法引入到粒子滤波的重采样阶段.SSO算法结构简单,在保留优良粒子的基础上,增加一项粒子随机运动过程,以提供粒子多样性.实验结果表明,新算法不仅有效提高了对非线性系统状态的估计精度,而且具有更高的运算速度.

逃逸均值简化粒子群优化算法

为解决粒子群算法早熟收敛和收敛精度不高的问题,提出一种基于均值搜索策略与逃逸策略相结合的优化算法。舍弃速度更新项,在位置更新项中融入均值搜索策略,提高算法的收敛速度以及全局寻优能力;当种群处于进化停滞状态时,通过逃逸策略使种群在解空间的其它区域继续搜索全局最优解,避免早熟收敛问题,增大搜索到全局最优解的几率。将该优化算法应用于5个典型标准测试函数中,仿真结果表明,相比其它算法,优化算法的收敛速度、收敛精度和稳定度最优。

自适应简化粒子群优化算法及其应用

针对粒子群优化算法(Particle Swarm Optimization,PSO)寻优速度慢、收敛精度不高且搜索结果波动性较大的缺点,提出了一种自适应简化粒子群优化算法(Self-Adjusted Simplified Particle Swarm Optimization,SASPSO)。在每次迭代过程中,粒子只受全局最优解影响,且加入按一定规律分布的锁定因子,令粒子受影响的程度有规律性。同时,利用锁定因子和当前粒子位置令惯性权重自适应配置,更有效地利用惯性权重对粒子群优化算法的影响。引入4种近期提出的改进粒子群算法同时搜索不同维度时的18个基准函数,与SASPSO的搜索结果对比,并使用T-test进行差异性分析。为了进一步分析算法性能,统计5个改进算法搜索100维函数达到期望值时的成功率与平均迭代次数。实验结果证明,SASPSO在无约束问题寻优中的收敛速度、寻优精度有了明显提升,且搜索结果异常值较少,波动性弱。将SASPSO应用于机床主轴结构参数优化问题,结果显示SASPSO优化性能更好。

基于改进简化粒子群优化的多目标跟踪算法

基于多目标跟踪中的遮挡问题与互动社会模型间的联系,提出利用具有群间相互动态信息的多群社会模型改进简化粒子群优化算法,并用于多目标跟踪。在粒子群的多样性基础上初始化新群,预测目标速度。结合多群的优化,在连续性信息和目标之间修改简化粒子群优化的更新方程式,即更新目标速度和目标位置。为了适应目标进入和离开现场,构建初始化新群和终止迭代的策略。CAVIAR数据集、PETS2009数据集和Oxford数据集上的实验结果表明,相比于颜色粒子滤波算法、基于直方图的算法、局部稀疏法和高斯密度函数法,提出的算法在多目标跟踪精度方面至少提高了10%,大多数跟踪轨迹的数量增加了约8%,能鲁棒跟踪多个目标。

自逃逸云简化粒子群优化算法

sPSO仍继承了bPSO易陷入局部极值点的缺陷,而且其进化后期收敛速度和精度也有待进一步改善.基于此,提出一种基于云理论的简化粒子群优化算法(简称cloud-sPSO):对不再进化的个体,借鉴复形法的思想,进行尽可能的进化逃逸;而当种群进化停滞时,由基本云发生器对当前群体最优粒子实行变异操作.对几个经典测试函数进行实验的结果表明,cloud-sP-SO不仅能够有效摆脱局部极值点,而且收敛速度和精度也有极大地提高.

一种新的简化粒子群优化算法

针对粒子群算法在寻优中存在早熟和收敛精度不高等问题,论文对粒子位置的更新策略以及更新公式进行改进,提出了一种新的简化粒子群优化算法(New Simple Particle Swarm Optimization,NSPSO),并将其在15个多极值基准函数进行全局最优化测试,实验结果表明,NSPSO算法收敛的精度大大提高了,而且算法收敛速度也很快,对于高、低维复杂函数的优化均适用.

基于简化粒子群优化的卷积混叠盲源分离算法

针对现有的卷积混叠盲源分离算法存在的算法复杂和分离精度低等问题,提出一种新的基于简化粒子群优化的卷积混叠盲源分离算法。算法将不同时间点分离信号的互累积量消失作为分离准则,将信号的四阶互累积量作为目标函数,采用简化粒子群优化算法代替基本粒子群算法对目标函数进行全局优化,解决了基本粒子群算法容易陷入局部极值的问题。Matlab仿真结果表明,新算法可以有效实现对卷积混叠信号的盲源分离。对比基本粒子群算法,新算法分离精度更高、收敛速度更快。

求解第Ⅰ类装配线平衡问题的离散粒子群优化算法

为求解具有NP难性质的第Ⅰ类装配线平衡问题,提出一类离散粒子群优化算法。该算法中所发展的排列数编码方法使得粒子解码后总满足装配作业间先后关系约束。针对排列数编码特点,提出一种基于位置交叉算子的粒子位置更新机制,确保了更新后粒子仍为排列数。为增强该算法的全局寻优能力,将简化变邻域搜索算法嵌入该算法中,对群体最佳粒子的邻域进行局部搜索,从而构建一种混合粒子群优化算法。通过将该算法和混合粒子群优化算法用于一系列测试算例并与遗传算法结果比较,验证了算法的有效性。计算结果对比表明,离散粒子群算法引入简化变邻域搜索可明显增强全局寻优能力,就综合解的质量和计算效率而言,混合粒子群优化算法优于现有遗传算法。

一种改进的简化均值粒子群K-means聚类算法

针对粒子群优化算法容易陷入局部最优且K-means算法受聚类数及初始聚类中心的选取影响较大,提出了一种改进的简化均值粒子群K-means优化聚类算法(ISMPSO-AKM).一方面,在简化粒子群算法的基础上,加入邻域最优粒子,由个体最优位置、全局最优位置及邻域最优位置线性组合改进位置公式.另一方面,构造一种基于余弦函数和对数函数的惯性权重,实现对惯性权重的动态调整.此外,引入AKM聚类算法确定聚类数,动态获取初始中心,进一步提高算法的准确性.仿真实验表明,改进的ISMPSO-AKM算法具有更快的收敛速度,更高的求解精度及更稳定的聚类结果.

粒子群优化模拟电荷法在HGIS工频电场计算中的应用

近年来,复合型气体绝缘组合开关设备(HGIS)以其造价适中、占地面积小、运行安全可靠等优点,在我国超高压变电站的建设中得到越来越多的应用。研究分析HGIS配电装置区的工频电场分布规律,对智能变电站的设计与建设、电磁环境评估以及消除民众对电磁辐射问题的不必要担忧等方面具有重要意义。鉴于传统模拟电荷法(CSM)布点和校验环节过于繁琐,难以应对复杂场景。提出将粒子群优化算法(PSO)和传统模拟电荷法结合,形成粒子群优化模拟电荷法(PSO-CSM)。并将其应用到500 kV HGIS配电装置区工频电场的计算中,研究分析配电装置区内各主要设备对工频电场的影响以及整个配电装置区工频电场的分布状况,并提出变电站工频电场防护的相关建议和改进措施。

基于量子粒子群优化的网络拥塞控制新策略

为了改善网络拥塞控制系统的性能,基于流体流理论的网络简化模型,将量子空间中的粒子群优化算法(QDPSO)应用于PID控制器参数优化.定义了一个综合调节时间、上升时间、超调量、系统静态误差、正弦跟踪误差等动静态性能指标函数,在给定的参数空间进行组合优化搜索,迅速求得获取使性能指标优化函数极小化的一组PID控制器参数,将PID控制器应用于网络主动队列管理系统中.仿真结果表明,在大时滞和突发业务流的冲击2种情况下,该方法设计的控制器的动静态性能优于RED,PI算法,也优于GA,SPSO算法的优化结果,超调量均小于4%,调节时间均小于4s,稳态误差均小于2个数据包.

非线性递减惯性权重的简化粒子群算法

简化粒子群算法舍弃了标准粒子群算法中的速度项,使算法更加简练高效。但简化粒子群算法每个粒子都采用相同的迭代公式进行迭代,使得算法在进化后期粒子的差异性不强,算法容易出现早熟。提出非线性递减惯性权重的简化粒子群算法,每个粒子采用动态的公式进行迭代,提高粒子群的多样性,避免陷入局部最优,提高解的精度。最后在Matlab上进行数值模拟,发现改进后的算法在寻优精度和收敛速度上具有明显优势。

基于改进粒子群算法的天线索网预应力优化

为了解决天线反射面索网张拉时预应力求解问题,利用索网结构空间几何特性对其进行简化处理,从整体中提取部分索段并加设相应的边界条件.在平衡矩阵法的基础上,采用与禁忌搜索法相结合的混合粒子群算法,将简化后结构由形找力的问题转化为数学上的约束优化问题,同时改进粒子群进化算法来解这一优化问题.采用该算法对三向网格形式的天线抛物面索网结构进行了预应力的优化确定,并将优化的预应力值作为初始力导入索网结构有限元模型中进行非线性有限元分析,索网结构的节点位移量和相应的物理模型型面测量的精度均方根为0.219mm,验证了算法是可行和正确的.