基于自适应粒子群优化算法的串联复合涡轮储能优化策略

针对发动机串联复合涡轮发电系统储能困难等问题,提出了一种基于自适应粒子群优化(SAPSO)算法的最大功率点追踪(MPPT)方法,增强发电系统功率的捕获能力。此外,采用混合储能系统(HESS)替代单一蓄电池储能,实现电能的高效、稳定存储。通过Matlab/Simulink软件,建立了基于发动机串联复合涡轮发电的储能优化控制仿真模型,对比分析了不同控制方法在设定工况下的功率追踪性能以及混合储能系统的储能特性。仿真结果表明,相较于传统扰动观测法(P&O)控制方法,在所提的SAPSO-MPPT方法下,发电功率提高了190 W,响应时间缩短了0.15 s。同时,HESS能够有效追踪母线上的需求功率,电能回收效率高达95.3%。最后,基于Y24型改装发动机台架搭建了串联复合涡轮发电系统实验平台,对所提储能优化控制策略的节油潜力进行了实验验证。结果表明,SAPSO-MPPT+HESS储能优化策略能够有效提高排气能量回收效率,优化后系统总热效率比原发动机提高了提高0.53个百分点。

自适应策略优化的粒子群优化算法在神经网络架构搜索中的应用

针对神经网络架构搜索(NAS)任务,提出一种自适应重启策略驱动的协作学习粒子群优化(ARCLPSO)算法。算法核心流程包括协作学习与信息共享、策略切换和参数自适应,以改进传统粒子群优化(PSO)算法在NAS中的性能。ARCLPSO算法结合了全局与局部信息的协同作用和智能切换学习策略。具体地,ARCLPSO利用全局和局部信息的协同作用令粒子向更优的方向移动,通过智能的切换粒子学习策略平衡粒子的搜索性能和收敛速度,提高搜索速度和搜索质量。在NAS-Bench-101数据集上的实验结果表明,ARCLPSO的收敛时间相较于传统进化算法(REA)和随机搜索(RS),分别减少了40.9%和55.2%。

邻域自适应粒子群算法求解地源热泵区域能源系统鲁棒优化调度问题

针对地源热泵区域能源系统中冷热负荷和机组效能的不确定性,本文提出了一种考虑双重不确定性的鲁棒优化调度方法.首先,基于多面体不确定模型描述调度模型中的鲁棒变量.然后,针对建筑冷热负荷不确定性,采用对偶原理将双层优化模型等价为单层优化模型;对于机组效能不确定性,采用场景法进行分析.最后,采用多目标优化约束处理方法处理鲁棒优化调度模型中的约束条件.同时,为更加高效、准确求解所构建的优化调度模型,提出了一种邻域自适应粒子群优化算法(NAPSO).实验结果表明,在制冷和制热工况下,与经验运行策略相比,本文所提方法可分别减少7.22%和5.55%的系统运行成本,是一种解决地源热泵区域能源系统鲁棒优化调度的有效方法.

基于自适应混合粒子群算法优化支持向量机的乳腺癌预测

使用粒子群算法优化支持向量机的惩罚因子和核参数,提高分类的精度。粒子群算法收敛速度快,但是容易陷入局部最优。引入鲸鱼算法的包围运动和螺旋运动机制,形成参数自适应的混合粒子群优化算法,提升了算法的精度。在对数据进行预处理之后,80%的数据用于模型的训练,剩余20%用于模型的测试。每次实验分别按照比例随机生成的训练集和测试集进行20次预测,计算平均正确率。实验表明,自适应混合粒子群算法优化精度高于标准粒子群算法和鲸鱼算法。

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。

基于改进粒子群算法的阻尼惯量自适应控制策略

针对传统虚拟同步发电机控制策略存在暂态调节时间长及稳定性差等问题,提出一种基于改进粒子群算法的阻尼惯量自适应控制策略。首先,通过分析系统受扰动后功角特性,提出阻尼惯量自适应控制策略;然后,利用改进粒子群算法选择控制策略初始值,给出关键参数的选取原则及具体范围;最后,通过与现有控制策略进行对比,分析不同惯量及阻尼下对系统影响并验证控制策略的优越性。结果表明,该策略可有效提高系统稳定性及动态响应性能。

基于改进粒子群算法的地铁隧道维护策略优化

[目的]维护策略是影响地铁隧道全寿命期服役性能和维护成本的关键因素,因此需研究更适宜的维护策略优化算法。[方法]建立了基于Gamma过程的隧道服役性能退化模型,并对检查计划和维修行为进行了参数化假设;针对维护策略优化数学模型中的随机性问题,提出了一种改进粒子群算法,并与网格枚举法对比验证了该算法的有效性;分析了不同预防性维修阈值和初始检查时间间隔对维护成本的影响。[结果及结论]改进粒子群算法可提升地铁隧道维护策略优化的计算效率;与初始检查时间间隔相比,地铁隧道全寿命周期维护成本对预防性维修阈值更加敏感。

面向配电网的自适应粒子群故障恢复策略

针对分布式电源接入的配电网故障恢复可靠性和高效性低的问题,提出采用自适应粒子群优化算法的配电网故障恢复策略。首先,在常见的粒子群优化算法的基础上提出自适应学习因子混沌二进制粒子群优化算法(Adaptive Learning Factor Chaotic Binary Particle Swarm Optimization Algorithm,ALFCBPSO),提高了算法的精度和稳定性;其次,综合考虑重要负荷恢复、网络损失、开关动作次数等因素,构建多目标故障恢复目标函数;然后,采用改进的粒子群算法对故障恢复模型进行求解,得到故障恢复的实施方案;最后,通过IEEE33节点仿真为例,验证了方法的有效性和优越性。

基于改进自适应粒子群优化的高压设备检修计划自适应优化

为了保证电网在高压设备检修过程中的稳定运行,提出基于改进自适应粒子群优化算法的高压设备检修计划自适应优化方法。采用模糊推理规则算法评估高压设备运行状态,依据评估结果确定电网运行风险最小化为高压设备检修优化的目标函数,并确定同时约束、检修资源约束等5个约束条件,采用改进自适应粒子群优化求解目标函数,输出优化后的高压设备检修计划结果。测试结果显示,该方法检修时电压最大和最小结果之间的差距为0.105 pu,较为平稳。

基于粒子群算法的6.6 kV核电厂中性点接地方式优化策略

随着地区经济发展,某核电厂中压系统的规模不断扩大,系统电容电流快速增长,重要负荷日渐增多,对供电可靠性的要求也日益提高,传统的中性点接地方式可能跟当前的运行需求无法匹配,需要进行优化。因此提出了评价中性点电阻阻值优劣的多维度指标,以接地方式的安全性评价指数最大为目标建立目标函数及隶属度函数,根据某核电厂的实际运行设置指标权重,利用粒子群算法求解目标函数最大值及对应的中性点电阻阻值,优化了中性点接地方式。

智能算法的亚群优化策略综述

群智能算法的优化是提升群智能算法性能的一个主要途径,随着群智能算法越来越广泛地运用到各类模型优化、生产调度、路径规划等问题中,对智能算法性能的要求也越来越高。亚群策略作为一种优化群智能算法的重要手段,能够灵活地平衡算法的全局勘探能力和局部开发能力,已经成为群智能算法的研究热点之一。为了促进亚群优化策略的发展和应用,对动态亚群策略、基于主从范式的亚群策略和基于网络结构的亚群策略进行了详细调查,阐述了各类亚群策略的结构特点、改进方式和应用场景。最后,总结了亚群策略目前存在的问题以及未来的研究趋势和发展方向。

混合策略改进的粒子群算法

针对粒子群算法易陷入局部最优、收敛精度低、收敛速度慢等缺陷,提出了基于混合策略的改进粒子群算法。使用融合Circle映射与精英反向学习的策略初始化种群,提升初始种群的质量,同时加快收敛速度;在粒子速度更新方式中引入蜘蛛移动策略平衡算法的全局搜索与局部搜索;提出了基于自适应t分布的变异策略,增强算法全局搜索和跳出局部最优能力;对15个单峰和多峰函数进行仿真实验,与其他3种算法进行了对比分析,结果表明:所提出的改进算法具有很强的寻优能力与稳定性。

混合自适应粒子群工作流调度优化算法

针对具有截止期的云工作流完成时间与执行成本冲突的问题,提出一种混合自适应粒子群工作流调度优化算法(HAPSO)。首先,基于截止期建立有向无环图(DAG)云工作流调度模型;然后,通过范数理想点与自适应权重的结合,将DAG调度模型转化为权衡DAG完成时间和执行成本的多目标优化问题;最后,在粒子群优化(PSO)算法的基础上引入自适应惯性权重、自适应学习因子、花朵授粉算法的概率切换机制、萤火虫算法(FA)和粒子越界处理方法,从而平衡粒子群的全局搜索与局部搜索能力,进而求解DAG完成时间与执行成本的目标优化问题。实验中对比分析了PSO、惯性权重粒子群算法(WPSO)、蚁群算法(ACO)和HAPSO的优化结果。实验结果表明,HAPSO在权衡工作流(30~300任务数)完成时间与执行成本的多目标函数值上降低了40.9%~81.1%,HAPSO在工作流截止期约束下有效权衡了完成时间与执行成本。此外,HAPSO在减少完成时间或降低执行成本的单目标上也有较好的效果,验证了HAPSO的普适性。

基于混合策略改进粒子群算法的配电网无功优化研究

无功优化问题需确定无功补偿点和补偿容量,针对无功优化的特点,首先在奇异值分解法的基础上,考虑多次潮流计算,依次选择无功补偿点,避免出现补偿重叠。其次以有功损耗最小、负荷电压平均偏离最小为目标函数,构建双目标无功优化模型,为解决算法收敛速度慢,粒子多样性差等问题,提出了多策略融合的改进粒子群(IPSO)算法,综合考虑了粒子在前、中、后期的特点对粒子寻优的影响,有效增强了算法局部寻优能力、种群粒子前期多样性以及后期收敛速度。最后采用IEEE30算例进行验证,相比传统方法,结果表明该方法能有效减少网损、补偿容量,提高电能质量,具有良好的优化效果。

面向动态公交的离散分层记忆粒子群优化算法

随着智慧城市、智慧交通的发展,移动互联网和公交智能基础设施以及相关数据的不断完善,通过用户手机预约公交服务的新型公交运营方式——动态公交,已经成为许多城市公交发展的重要探索方向。但目前,对动态公交问题的建模、算法研究不足。基于这一研究现状,提出动态公交问题模型和面向动态公交的离散分层记忆粒子群优化(PSO)算法。首先给出动态公交问题的目标函数和约束条件,给出动态公交问题的解的形式,并定义解的编辑距离;其次提出使用数据驱动的预计算路径集生成PSO算法的优质初始解的方法,给出基于解的编辑距离的PSO算法中粒子的变异概率和自适应收敛系数的计算方式;最后提出将粒子群分层求解的方法,其中低层粒子群可复用、可继承,从而减少单时间片内、时间片间复制和重初始化带来的性能损耗。基于重庆市北碚区蔡家岗街道的真实场景和亿级历史数据建立仿真环境进行实验,实验结果表明:相对于不分层PSO算法,分层PSO算法通过复用和继承能缩短超80%计算用时;自适应参数和变异机制能帮助算法更稳定地收敛到更优解;相对于传统公交系统,动态公交能在同等运力限制下,提高22%的乘客接单率,节省39.1%的乘客出行时间,所提算法能满足公交运营商在片区内进行动态公交调度的需求;相对于对比算法,所提算法平均缩短了85.3%的计算用时,并且在仅耗用80%里程的情况下提高了至少12%的接单率。

基于改进粒子群算法的PID控制参数优化

针对传统粒子群算法存在收敛速度慢,收敛精度低以及易陷入局部最优的问题,提出了一种融合中垂线策略的中垂线粒子群算法(MAPSO),同时引入惯性权重余弦调整策略,避免算法陷入局部最优。基于中垂线策略的游离粒子位置更新方法,能够加快粒子的收敛速度,从而增强算法的寻优速度和寻优精度。将改进的粒子群算法用于PID控制器参数优化,与Ziegler-Nichols(Z-N)公式法、线性递减惯性权重粒子群优化算法(MeanPSO)进行对比实验,结果表明中垂线粒子群算法精度更高,能够快速地整定PID参数,使控制系统响应函数性能指标更好。

ACCQPSO:一种改进的量子粒子群优化算法及其应用

针对量子粒子群优化算法前期易陷入局部极值点、后期寻优精度不高等问题,文章提出一种自适应交叉算子的混沌量子粒子群优化算法,并将其应用于BP神经网络超参数寻优。首先,利用Logistics映射初始种群为混沌序列进行最优解搜索,增强初始种群的随机性与遍历性,提高算法寻优能力;然后,通过纵向交叉操作进行种群中个体的信息交换,并引入自适应交叉概率公式,增加种群多样性,提高算法的寻优精度;最后,在实验中,一方面,选取8个函数在高低两个维度进行验证,同时进行Wilcoxon秩和检验分析以及消融实验,验证该算法相较其他算法的有效性;另一方面,通过算法优化BP神经网络应用到网络安全态势预测任务中,实验结果表明该算法收敛速度相较于对比算法有大幅度提升。

基于混合离散粒子群优化的控制模式分配算法

连续微流控生物芯片是生物化学实验自动化、微型化的革命性技术.多路复用器的控制模式分配作为连续微流控生物芯片自动化设计的关键环节之一,是难的NP(Non-deterministic Polynomial)优化问题.现有工作采用粒子群优化算法求解控制模式分配问题存在过早陷入局部最优解、收敛速度慢以及算法稳定性差的缺点.为此,本文提出一种连续微流控生物芯片下基于混合离散粒子群优化的控制模式分配算法.首先,为了加快算法收敛速度及避免过早陷入局部最优解,提出了离散的自适应区域搜索策略.其次,通过基于样例的社会学习机制提高了算法的稳定性.然后,采用等距抽值的方式筛选出自适应区域搜索策略中重要参数的最佳组合,以进一步提高分配方案的质量.最终实验结果表明,所提算法在多路复用器中阀门使用数量上平均优化了19.01%,在算法稳定性上提高了29.18%,且在现实的生化应用中有良好的性能表现.

基于竞争式协同进化的混合变量粒子群优化算法

现实工业生产应用中存在大量的混合变量优化问题,这类问题的决策变量既包含连续变量,又包含离散变量。由于决策变量为混合类型,导致问题的决策空间变得不规则,采用已有的方法很难进行有效求解。引入协同进化策略,提出一种基于竞争式协同进化的混合变量粒子群优化算法(competitive coevolution based PSO,CCPSO)。设计基于容忍度的搜索方向调整机制来判断粒子的进化状态,从而自适应地调整粒子的搜索方向,避免陷入局部最优,平衡了种群的收敛性和多样性;引入基于竞争式协同进化的学习对象生成机制,在检测到粒子进化停滞时为每个粒子生成新的学习对象,从而推动粒子的进一步搜索,提高了种群的多样性;采用基于竞争学习的预测策略为粒子选择合适的学习对象,充分利用了新旧学习对象的学习潜力,保证了算法的收敛速度。实验结果表明:相比其他主流的混合变量优化算法,CCPSO可以获得更优的结果。

海上风电场自适应多目标无功优化控制策略

针对传统固定权重多目标无功优化在应对新型电力系统复杂多变的工况时无法针对实时工况做出最合适的控制决策的问题,提出一种自适应多目标无功优化控制策略。该策略以系统有功网损和并网点电压偏离量的加权最小作为目标函数,目标函数的权重系数根据并网点电压的偏离情况自适应调节。首先,分析海上风电场并网点电压波动与有功、无功输出的关系,建立相应的无功分配模型,并针对风电机组及静止无功发生器(static var ge nerator,SVG)的输入输出特性,建立相应的无功控制模型。此外,考虑海上运行的功率约束、安全运行约束等,采用变惯性权重粒子群优化算法对无功控制策略进行求解。最后,在MATLAB中搭建海上风电场模型进行仿真验证,仿真算例表明:相较于传统固定权重多目标无功优化,自适应多目标无功优化控制策略可以根据电网实时工况,迅速调整各优化目标的优先级,较好地实现有功网损和并网点电压的协调优化。