类搜索算法

提出利用类结构驱动的群体进化计算方法——类搜索算法(CSA).CSA在个体间构造簇类形态的虚拟连接关系,并通过对类组织的结构和类搜索过程进行动态调节来优化模拟进化系统的计算状态,提高群体的搜索效率.介绍了CSA的基本模型,并基于CSA融合进化算子与差分计算机制设计出数值优化算法CSA/DE.对多个典型高纬函数和复杂混合函数的仿真实验结果说明,CSA/DE是一种对高纬连续问题高效、稳定的搜索优化方法.该工作一方面验证了CSA的可行性和有效性;另一方面则显示:基于类搜索模型可有效融合异构且具有不同计算特性的搜索机制,形成对待求解问题更具针对性且协调性更佳的搜索计算方法.这为高性能优化算法的设计提供了一条新的途径.

类进化算法驱动的动态电力经济调度优化

动态电力经济调度(Dynamic Economic Dispatch,DED)属于一种在时间和空间上相互耦合的多阶段动态决策问题,一般被转化为一个高维的约束数值优化问题来求解.本文提出了一种新型全局优化算法--类进化算法(Cluster Evolutionary Algorithm,CEA),并将其应用于DED问题的计算.CEA通过聚类过程在进化个体间构建一定结构的连接关系,并利用这种虚拟的簇类化组织来协调和控制群体的优化计算过程,提高算法对高维问题空间的搜索效率和抗早熟能力.在仿真实验中2个DED测试系统被用于对CEA的性能进行检验,其所得最佳计算结果要好于目前已报道的最优解,而实验统计数据则显示CEA是一种求解DED问题可行且有效的方法.