基于惩罚机制的自适应交叉粒子群算法

粒子群算法存在容易陷入局部收敛的问题,尤其在求解约束条件优化问题时。提出一种基于惩罚机制的自适应交叉粒子群算法,其分3个层次克服局部收敛,获得最优解。首先引入交叉操作,根据粒子群进化过程中的种群多样性模型得到全局最优解。其次为求解约束优化问题,提出了基于惩罚机制的交叉粒子群算法,改进了H策略和简化了P策略惩罚机制。验证了所提算法在算法复杂度没有明显增加的情况下,性能得到了提高。最后分析得出在解决约束条件优化问题时,根据问题本身单峰和多峰的不同特性,粒子群算法的参数对收敛速度和最优解有关键影响。提出用通用公式计算参数,使算法得到最优解,从而推广粒子群算法的应用。

基于自适应变异粒子群算法的风光储微网调度

为克服传统粒子群算法在求解时容易形成局部最优,求解精度低的不足,提出了一种基于自适应变异粒子群优化的微电网调度求解方法。惯性权重采用自适应正态分布递减,随着迭代次数的增加更新粒子位置的移动策略,并且在算法后期引入变异环节。为验证算法的有效性,文章与其他算法进行收敛性能对比,并对两种典型天气情况下的微网运行成本模型仿真求解,得到最优调度。算例结果表明,改进算法能够对粒子全局最优搜索优化,效果优于其他算法,可合理调配分布式电源出力时段,具有良好的可行性。

自适应免疫粒子群算法在光伏MPPT中的应用

光伏阵列在局部遮阴条件下,其P-U特性曲线呈多峰特性,传统的最大功率点跟踪(MPPT)算法容易陷入局部最优,而无法追踪到最大功率点。粒子群(PSO)算法适用于复杂多极值的寻优问题,因而在多峰值MPPT中得到广泛应用。针对粒子群算法寻优过程中易早熟收敛至局部最优、迭代后期收敛速度慢以及精度低等问题,提出了一种自适应免疫粒子群算法。该算法对惯性权重和学习因子进行自适应调整,并且与免疫算法相结合。仿真结果表明:该算法在静态局部遮阴以及动态局部遮阴条件下,均能追踪到最大功率点,并且收敛速度更快,精度更高,稳定性更好。

基于自适应变异粒子群算法的装配式建筑施工安全投入优化

针对装配式建筑施工安全投入问题,以实际工程项目为例,对装配式建筑施工风险因素进行了二级分解;基于数学规划理论建立了非线性规划模型,并引入3种函数关系进行拟合;采用自适应变异粒子群算法在Matlab中进行求解,得到了相对较优方案。结果表明:在安全风险主要因素中,物的风险因素对安全投入最为敏感;在二级风险因素中,预制构件吊装器具的选择最为敏感,该结论可为日后施工安全投入的方向提供参考依据。

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。

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自适应构网型变流器控制策略

构网型控制是一种改善新能源高渗透率下电力系统稳定性问题的技术手段。针对传统构网型变流器均采用固定参数控制而未能发挥出最佳调频效果这一问题,基于构网型变流器控制参数可调的特点,提出一种自适应控制策略,以优化构网型变流器的输出并改善电力系统的动态特性。首先,通过仿真实验得到典型构网型变流器虚拟惯量和阻尼系数在大功率事件下对系统动态特性的影响;其次,研究典型构网型变流器的频率曲线与功角曲线,提出包含频率偏差和频率变化率的自适应构网型变流器控制策略;然后,通过改进粒子群算法对自适应控制策略涉及参数进行整定;最后,基于MATLAB/Simulink搭建的微电网模型,验证所提控制策略的稳定性与鲁棒性。仿真结果表明,所提控制策略可以自适应改变控制参数,使构网型变流器的输出能够满足系统各个阶段的不同需求,优化电力系统的动态特性。

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%。

基于巴特沃斯幅频特性的自适应粒子群算法

针对传统粒子群算法存在求解精度低和易陷入局部最优等问题,提出一种基于巴特沃斯幅频特性的自适应粒子群算法(Butterworth amplitude-frequency characteristics based adaptive particle swarm optimization algorithm,BAC-PSO).一方面,借助巴特沃斯幅频特性设计一种惯性权重非线性递减策略,均衡算法中粒子的局部与全局搜索能力;另一方面,通过S型函数的粒子群优化策略和Sigmoid函数改进位置更新方法,进一步提升算法的求解精度.以5个经典的测试函数为基准,将BAC-PSO算法与5种经典粒子群算法的性能进行对比,并将其应用到求解压力容器模型的设计问题中.实验结果表明,相较于其他经典粒子群算法,BAC-PSO算法的求解精度更高,收敛速度更快,稳定性更好.

基于自适应粒子群算法的船舶机舱双层布局优化研究

为提高船舶机舱的智能设计水平,提出一种针对于船舶机舱设备布局的智能优化方法。以某船机舱为例,通过分析船舶机舱设备对于机舱内部温度的耐受性、通风需求、以及设备自重对于船舶重心位置的影响,建立船舶机舱设备的分层评分机制,实现设备在机舱内部的分层布置。从设备系统群关系、流通成本、倾斜力矩、吊装需求等6个角度出发对机舱双层布局进行分析并建立数学模型,运用罚函数法处理约束条件,运用自适应粒子群算法求解该数学模型,得出布局方案并进行合理性分析。使用该方法优化之后,同一系统或邻接性较强的设备紧密布置,非邻接性设备分散布置,设备之间的流通成本降低约12%,吊装距离减少约100%,倾斜力矩之和降低约130%。结果分析表明,该方法能有效地解决船舶机舱的布局优化问题,可为解决类似的布局优化问题提供参考。

自适应粒子群算法汽车传动系统参数优化匹配

为提高汽车的动力性,降低汽车的燃油消耗,提出一种传动系统参数多目标优化匹配方法。基于机械式传动系统,分别以百公里燃油消耗量和(0~100)km/h加速时间为优化分目标,构建整车动力性模型和经济性模型;通过设定不同的动力性约束指标,引入加权系数法和罚函数,建立了多工况下整车传动系统的参数优化模型。为提高传动系参数的匹配程度,提出一种基于动态学习因子和自适应调节惯性权重策略下的改进自适应粒子群优化算法,获得整车传动系统参数的最优集。仿真结果表明,改进后的算法收敛速度快,更具“活”性,很好地避免了算法的“早熟收敛”,较传统的自适应算法而言,在六循环工况下的百公里油耗减少了1.5%,(0~100)km/h加速时间缩短了2.3%,最高车速也提高了0.53%,这些结果都充分验证了改进的自适应粒子群算法的可靠性和有效性。

基于S型映射的自适应粒子群优化算法

针对粒子群算法搜索精度不高,易陷入局部最优解的不足,提出了一种基于S型映射的自适应粒子群优化算法.首先,通过群体适应度方差策略,设定种群收敛阈值;然后,根据阈值采用S型映射自适应变异搜索策略,以提高全局探索能力;最后,根据适应值排序,采用S型映射自适应步长梯度搜索策略,以提高局部搜索能力.通过四个测试函数实验表明,该算法在收敛速度、收敛精度方面均有较大提升.

双子群自适应变异多目标粒子群算法

多目标粒子群优化算法因其强大的搜索能力和简单的实现方式受到广泛关注,然而它在收敛性和多样性之间常常存在不平衡的问题。为了解决这一问题,作者提出了一种双子群自适应变异多目标粒子群算法(BAMOPSO),旨在更好地平衡收敛性和多样性。首先,采用一种新颖的双子群初始化方法,使粒子在目标空间中分布更均匀,从而提高算法的多样性。其次,设计了一种新的自适应变异策略,依据进化过程中目标函数值的变化来提升收敛性。最后,通过将BAMOPSO算法与六个经典多目标优化算法在十五个基准测试函数上进行比较实验,验证了该算法在平衡收敛性和多样性方面的显著提升。

基于改进粒子群算法的燃煤电厂经济调度自适应优化方法

经济调度优化关乎电厂的经济效益,为此,提出基于改进粒子群算法的燃煤电厂经济调度自适应优化方法,旨在最大化电厂经济效益、最小化发电成本,并设定相关约束条件,通过自适应调整粒子群算法参数,改进算法迭代求解模型,获得最优经济调度策略。实际应用显示,该方法有效提升了电厂经济收益,减少了污染物排放,具有良好的优化效果。

基于贪心粒子群算法的10kV 配电网负荷自适应调度方法

为满足10kV配电网负荷调度需求和优化目标,提高配电网的适应性与稳定性,基于贪心粒子群算法,本文提出了一种全新的10kV配电网负荷自适应调度方法。首先,对配电网负荷数据进行修正与离差归一化处理;其次,计算负荷偏度系数与负荷变异系数,提取负荷分布特征与波动特征;在此基础上,利用贪心粒子群算法,确定负荷当前粒子的位置和全局最优位置,自适应调度负荷。实验结果表明,提出的调度方法应用后,在适应度值上明显优于常规方法,能够更好地应对不同负荷变化情况,满足负荷需求和优化目标,自适应调度效果优势显著。

自适应变异粒子群算法的综合能源微电网系统调度

本文探讨了关于综合能源微电网系统调度的理论和实践问题,创建了一个模拟包括诸如天然气内燃机、燃气轮机、燃气锅炉、电制冷机及太阳能与风能等多种可再生资源的综合能源微电网体系,同时设定了相关的限制条件。本文的优化目标是减小微电网运营成本的同时减少温室气体排放。为了达到这个目的,本文采用了自我调整的变异粒子群算法作为优化工具,同时也考虑到基于时段电费的价格需求响应机制,这种机制能够根据价格的变化指导用户的行为,从而实现在微电网整体运营成本上的下降。最后,本文将使用具体案例对提出来的优化调度方案进行模拟实验,证明其有效地降低了微电网的开销,并让用户产生了平滑用电的效果。

基于交叉和自适应权重的混合粒子群优化算法

针对粒子群算法易陷入"局部最优解"和搜索精度逐渐降低的缺点,提出了基于交叉和自适应权重的混合粒子群优化算法。加入的交叉操作使得种群在粒子数目不变的情况下多样性得以维持,而自适应权重有效地平衡了整个算法的全局与局部搜索能力。通过函数测试实验表明,新的算法能够避免早熟收敛问题,有效地提高了其寻优能力。

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。

基于自适应变异粒子群的风光储微网调度

为克服传统粒子群算法(particle swarm optimization,PSO)在求解时容易形成局部最优,求解精度低的不足,提出了一种基于自适应变异粒子群优化(adaptive mutation particle swarm optimization,AMPSO)的微电网调度求解方法。AMPSO惯性权重采用自适应正态分布递减,随着迭代次数的增加更新粒子位置的移动策略,并且在算法后期引入变异环节。为验证算法的有效性,该算法与其他改进算法进行收敛性能对比,并对4种典型天气情况下的微网运行成本模型仿真求解,得到最优调度。算例仿真结果表明,AMPSO能够对粒子全局最优搜索优化,在解决微网经济性运行问题上效果优于其他算法,可合理调配各微电源出力时段,具有良好的灵活性和可行性。