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。

改进的简化粒子群算法优化模糊神经网络建模

为了更准确地描述有记忆效应的射频功放特性,提出了一种改进的简化粒子群优化(PSO)算法,并结合自适应模糊推理系统(ANFIS)建立模糊神经网络功放模型。改进的简化PSO算法仅保留粒子的位置项,加入了随机的个体最优候选解,由粒子的当前位置、个体最优解、全局最优解和随机的个体最优候选解共同决定其位置项;采用线性递减惯性权重,并利用异步变化的动态学习因子,且新颖地引入拉普拉斯系数,从而增加了种群多样性,加快了收敛速度,避免陷入局部最优。由模型仿真对比可知,该方法建立的功放模型结构简单、收敛快、误差小、精度高,从而验证了建模方法的有效性和可靠性。

一种动态改变权值的简化粒子群算法

基本粒子群优化算法(bPSO)具有容易陷入局部极值、进化后期收敛速度慢、精度低等缺陷,而舍弃了速度项的简化粒子群算法(sPSO)在保证了收敛速度和精度的同时使算法更加简练。文中提出了一种动态改变权值的简化粒子群算法。并经实验证明,该算法在搜优精度和收敛速度上具有明显的优势。

一种混沌惯性权重的简化粒子群算法

惯性权值作为粒子群算法的一个全局参数,能够方便地控制算法的搜索能力和收敛速度,在算法运行过程中具有重要的作用。在分析惯性权值的作用基础上提出了一种混沌惯性权重的简化粒子群优化算法,利用混沌序列的内在随机性、遍历性和规则性,提高算法的寻优能力。测试结果表明,新算法具有更快的收敛速度和更强的全局寻优能力。

一种动态改变学习因子的简化粒子群算法

基本粒子群优化算法(basic particle swarm optimization,简称bPSO)具有容易陷入局部极值,进化后期熟练速度慢,精度低等缺陷,而简化粒子群算法(simple particle swarm optimization,简称sPSO)在保证了熟练速度和精度的同时舍弃了速度项,使算法更加简练。本文提出了一种动态改变学习因子的简化粒子群算法。经过实验证明,该算法在寻优精度和收敛速度上具有明显的优势。

混沌w的简化粒子群算法在机械设计中的应用

利用混沌序列的内在随机性、遍历性和规则性,提出了一种混沌惯性权重的简化粒子群优化算法。将该算法应用于机械设计,结果表明新算法具有更快的收敛速度和更强的全局寻优能力。

电压波动估计的混沌简化粒子群算法

针对粒子群算法(particle swarm optimization,PSO)估计电压波动频率收敛速度慢,采样频率和窗口长度选择不当算法易陷入局部最优的问题,采用简化进化公式和混沌理论两项策略加以改进,提出基于混沌简化粒子群(chaotic simple particle swarm optimization,CSPSO)算法的电压波动幅值和频率估计新方法。去掉粒子群算法进化公式的速度项,仅由粒子位置控制进化过程,避免由于速度项引起的粒子发散而导致算法收敛速度慢的问题;并引入混沌理论,利用其随机性、遍历性和规律性提高算法的全局寻优能力,避免简化粒子群算法陷入局部最优。仿真结果验证了该方法的有效性和准确性。

基于分组简化粒子群算法的盲源分离

传统盲源分离算法普遍存在收敛精度低和易陷入局部最优的缺点,针对上述问题,提出将蛙跳算法的分组思想应用到盲源分离算法中.该分组思想是将整个粒子群分为多组子群体,每组粒子在进行组内寻优的同时进行全局寻优,从而增加了粒子之间的差异性,可以有效避免早熟收敛.该算法以负熵为目标函数,通过对分离矩阵进行调整,使各个信号分量之间相互独立,从而完成对瞬时混合信号的盲源分离.实验仿真结果表明,提出的算法与基本的粒子群盲源分离算法相比,能有效避免早熟收敛并进一步提高收敛精度和算法的稳定性.

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。

基于改进的简化粒子群聚类算法

针对粒子群算法后期收敛速度慢、易陷入局部极值的缺点,提出一种基于粒密度和最大距离积法的简化粒子群聚类算法。通过采用线性递减与随机分布相结合的惯性权重策略、添加极值扰动算子、优化粒子个体最优位置,使粒子群算法能够快速收敛于全局最优。再把改进后的粒子群算法与K-means算法相结合,解决Kmeans算法因随机初始聚类中心而导致聚类效果差、不稳定等问题。通过实验分析,该算法的聚类结果准确率更高、收敛速度更快、稳定性更强。

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。

一种改进的粒子群算法在交通分配上的应用

针对粒子群算法收敛速度慢、求解精度低和算法在迭代后期容易陷入局部最优的问题,首先,采用仅以位置项来控制粒子进化方向的简化粒子群算法,以此避免粒子速度过大时导致的粒子发散的现象;其次,引入随迭代次数增加自适应改变的线性惯性权重来消除惯性分量的影响,同时引入莱维飞行策略来改变粒子位置以帮助粒子逃离局部最优;最后,通过四种测试函数对固定权重的粒子群算法、标准粒子群算法和改进算法的性能进行比较。实验证明,改进后的算法在收敛速度、精度和稳定性上都有所提升。在验证了改进算法的有效性后,使用改进后的算法求解单一OD对多路径路网的用户最优模型并与标准粒子群算法求解结果进行对比,改进后的算法求解结果更加稳定均衡,验证了算法的可行性。

生态系统简化粒子群算法的优化分析——基于大数据环境的研究

什么是大数据环境?大数据本身是一个比较抽象的概念,单从字面来看,它表示数据规模之大。但是仅仅数量上的大显然无法看出大数据这一概念和以往的海量数据、超大规模数据等概念有何区别。“定义多样、尚未统一”,对于大数据尚未有一个公认的定义。在这些定义中比较有代表性的是3V定义:即认为大数据需满足3个特点:规模性、多样性和高速性。除此之外还有提出4V定义的,即尝试在3V的基础上增加一个新的特性。关于第4个V的说法并不统一:国际数据公司认为大数据还应当具有价值性,大数据的价值往往呈现出稀疏性的特点。

一种简化的混合粒子群算法

针对粒子群算法收敛速率慢,多样性差的缺陷,文中提出了一种简化的混合粒子群算法。首先利用简化的粒子群算法和细菌群体趋药性算法共同优化粒子的个体最优位置,同时采用精英保留策略以保存粒子的最优位置,算法后期再添加全局扰动算子使得粒子跳出局部最优。经典测试函数的实验结果表明,与其他粒子群优化算法相比,此算法在寻找优化解的质量、收敛速度及鲁棒性等方面具有优异的性能。

基于动态调整简化粒子群优化的组合测试用例生成方法

优化的组合测试中的一个关键是生成的测试用例能够覆盖更多的组合,而粒子群算法在生成强组合覆盖用例方面有其独特的优势和能力。文中提出了一种基于动态调整简化粒子群优化的组合测试用例生成方法。该方法基于粒子群算法生成测试用例,结合混合的优先级one-test-at-a-time策略和基于动态调整的简化粒子群算法生成组合测试用例集,排除了速度因素对粒子优化过程的影响。定义了一个粒子收敛指标,以粒子群早熟收敛程度为依据来动态调整惯性权值,以防止粒子陷入局部最优和后期出现收敛速度慢的情况,从而提高粒子群算法所生成的覆盖表的覆盖组合能力。通过对比实验表明,基于动态调整的简化粒子群优化算法在用例规模和时间成本上具有一定的优势。

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.

基于改进粒子群算法的配电网重构策略

针对有源配电网对安全可靠性的要求较高,而现有的配电网重构算法精度低、速度低的问题,提出了基于蛙跳分组思想的自适应惯性权重的全信息简化粒子群算法。首先,从降低网络有功功率损耗、提高电压稳定性、均衡馈线负荷三个角度考虑,建立配电网多目标数学模型;然后,通过基于Pareto支配原则,采用模糊隶属函数的标准化满意度将多目标转化为相同量纲、同一属性、相同数量级的单目标,弥补加权法带有主观性、量纲不统一的弊端;最后,为保证种群多样性,避免随机初始化产生大量不可行解,结合蚁群优化(ACO)算法随机生成树和改进粒子群算法制定出一种针对含分布式电源(DG)的多目标配电网重构策略。通过对含DG的IEEE33节点配电网系统仿真验证,实验结果表明,与标准粒子群优化(PSO)算法相比,该重构策略寻优效率提高了41.0%,与重构前相比,该重构策略降低配电网有功损耗41.47%,降低电压偏移指数57.0%,改善系统负荷均衡度31.25%。该重构策略有效提高了寻优精度,提高了寻优速度,从而提高了配电网运行的安全可靠性。

基于Logistic映射的新型混沌简化PSO算法

针对基本粒子群算法易陷入局部最优、收敛速度慢、收敛精度差等问题,提出一种基于Logistic映射的新型混沌简化PSO算法(CIW-SPSO)。该算法引入混沌理论使惯性权重具有混沌搜索能力,同时使学习因子随寻优过程呈正弦函数变化,降低算法陷入局部最优的概率。使用6个经典测试函数进行仿真测试,结果表明:本算法收敛速度快,收敛精度高,能避免陷入局部最优,提升算法优化性能。

基于政府干预和主流情绪的突发事件网络舆情群体负面情绪演化研究

[目的/意义]探讨政府干预和主流情绪引导对突发事件网络舆情群体负面情绪转移和演化的影响,为政府舆情治理提供理论依据。[方法/过程]基于社会影响理论,分析政府干预和主流情绪引导对群体情绪转移的影响,提出一种基于政府干预-主流情绪的突发事件网络舆情群体情绪演化模型。采用EGM(1,1)作为基础演化模型,并运用简化粒子群算法(SPSO)描述群体情绪间的转移和演化。最后结合“东方之星”沉船事故、“8·12”天津滨海爆炸事故和“长春长生疫苗”事件验证模型可行性。[结果/结论]结果表明,该模型能够刻画主流情绪对负面情绪的引导能力,以及不同情绪和不同强度下政府干预对主流情绪引导能力的影响;能够很好地描述群体负面情绪向其他情绪转移的方向和程度,以及群体负面情绪的演化趋势。