基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测

智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求。为了克服支持向量回归机(support vector regression machine,SVR)依赖人为经验选择学习参数的弊端,在量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法中加入自适应早熟判定准则、混合扰动算子和动态扩张收缩系数,提出了自适应扰动量子粒子群优化算法(adaptive disturbance quantum-behaved particle swarm optimization,ADQPSO),并使用ADQPSO优化选择SVR的学习参数。实例研究表明,ADQPSO算法全局寻优能力强、鲁棒性好、计算耗时短,利用ADQPSO优化得到的SVR参数,可有效提高模型的预测精度;与反向传播神经网络(back propagation neural network,BPNN)和径向基神经网络(radial basis functionneural network,RBFNN)相比,提出的ADQPSO-SVR能够提高短期风电功率预测的准确性和稳定性。

基于个体最优位置的自适应变异扰动粒子群算法

针对粒子群算法在寻优时容易陷入局部最优的不足,提出了一种基于个体最优位置的自适应变异扰动粒子群算法AMDPSO(adaptive mutation disturbance particle swarm optimization).该算法以粒子群算法为基础,加入扰动,当满足自适应条件时,粒子以个体最优位置为依据进行变异操作.将该算法运用于6个测试函数,并与惯性权重粒子群算法、收缩因子粒子群算法以及差分进化算法进行了比较,结果表明:AMDPSO能在寻优过程中让粒子跳出局部最优,保持种群多样性,具有更好的收敛速度和优化性能.

基于自适应扰动的粒子群优化算法

为了避免粒子群优化算法(PSO)早熟收敛,提出了一种自适应扰动的PSO算法(ADPSO),以帮助停滞的粒子跳出局部最优。为了验证算法的有效性,实验测试了九个多峰函数,包括四个旋转函数。仿真结果表明,该算法优于其他五种PSO算法。

基于突变策略的自适应骨干粒子群算法

骨干粒子群算法是由标准粒子群算法演变而来的,其在粒子位置更新方面采用了高斯采样策略。针对骨干粒子群算法在解决高维优化问题时存在的易陷入局部最优的问题,文中引入了具有下降趋势的时变因子,提出了一种基于突变策略的带有自适应扰动值的骨干粒子群算法。该算法在高斯分布的均值项中引入两个服从均匀分布的随机数,在高斯分布的标准差中引入了一个自适应扰动值,且给出了突变策略进一步保证粒子收敛到全局最优解。改进后的算法与其他5种粒子群算法在9个经典测试函数上进行仿真实验,结果表明改进的算法在收敛速度和收敛精度方面的综合表现都优于其它算法。

一种基于自适应模糊支配的高维多目标粒子群算法

高维多目标优化问题由于具有巨大的目标空间使得一些经典的多目标优化算法面临挑战.提出一种基于自适应模糊支配的高维多目标粒子群算法MAPSOAF,该算法定义了一种自适应的模糊支配关系,通过对模糊支配的阈值自适应变化若干步长,在加强个体间支配能力的同时实现对种群选择压力的精细化控制,以改善算法的收敛性;其次,通过从外部档案集中选取扰动粒子,并在粒子速度更新公式中新增一扰动项以克服粒子群早熟收敛并改善个体分布的均匀性;另外,算法利用简化的Harmonic归一化距离评估个体的密度,在改善种群分布性的同时降低算法的计算代价.该算法与另外五种高性能的多目标进化算法在标准测试函数集DTLZ{1, 2, 4, 5}上进行对比实验,结果表明该算法在收敛性和多样性方面总体上具有较显著的性能优势.

带扰动因子的布尔型粒子群优化算法

对二进制布尔型粒子群优化算法提出改进,通过在其速度更新公式中引入扰动因子避免粒子过早的陷入局部极值,提出两种调整惯性权重和学习因子取1的概率的策略以平衡算法的收敛和发散,分别是按照粒子相似性自适应调整和线性调整,由此得到两种带扰动因子的布尔型粒子群优化算法。4个基准测试函数的对比,实验结果表明了两种改进算法的有效性和优良性能。

基于距离代价的自适应惯性权重粒子群优化算法

由于不同等级种群的学习能力不一样,其步长大小也会不一样,该文提出了一种新的基于距离代价的自适应惯性权重粒子群优化算法。该算法在运行过程中根据粒子位置的距离代价,将种群分为三个等级,对不同等级的种群采用不同的惯性权重策略更新粒子的速度和位置,并在每次迭代的过程中对全局最优加入一个扰动因子来增加粒子的多样性。通过仿真实验,将该文提出的PSO算法与其他几种粒子群优化算法进行对比,实验结果表明:在相同条件下该算法能以较少的迭代次数得到最优解,同时兼具好的收敛速度和高的收敛精度。

邻域退火粒子群算法在配电网重构中的应用

为求解多目标非线性整数组合优化的配电网络重构问题,建立了以电压均衡指数和网损为目标的配电网重构数学模型。为了克服粒子群算法容易局部收敛的不足,提出了一种基于正态分布的局优邻域闭锁方法的退火技术的粒子群算法(LA-PSO),改进了扰动机制,设计了自适应退火策略,对邻域内的粒子执行并行化退火操作,从而弥补粒子群算法爬山能力的不足,提高了算法的全局寻优能力。用3个不同规模的算例测试提出的算法并与基本算法的性能进行了比较。结果表明,该算法有效改进了粒子群优化算法的局部收敛问题,与单一算法相比,在收敛特性、全局寻优能力和稳定性等方面都有所提高。

中长期电力负荷预测的改进免疫粒子群算法

针对免疫粒子群算法收敛速度慢,精确度相对较低的缺点,采用平衡理论和自适应调整两项策略加以改进,提出改进的免疫粒子群算法。一方面在新的粒子种群产生过程中引入扰动变量,使粒子群在遵守秩序和随机行为之间达到平衡;另一方面在粒子搜索复杂解空间过程中,通过计算个体适应值划分粒子的优劣等级,提出粒子速度自适应可调机制。实例证明,将改进的免疫粒子算法应用到中长期电力负荷组合预测是可行的,具有较高的精度及收敛速度。

基于直觉模糊熵的混合粒子群优化算法

为了提升粒子群算法的全局寻优与局部精细搜索能力并加快收敛速度,提出了基于直觉模糊熵的混合粒子群优化算法.该算法采用粒子的历史最优解信息构造直觉模糊熵的自适应函数,并将熵值作为扰动因子动态调节惯性权重,同时建立自适应全局最优粒子学习策略对扰动后的粒子进行训练,在保持多样性传播的基础上选择学习对象,使粒子探索更多新区域,实现种群间的协作与并行进化.通过仿真实验,将本文算法与两种衍生算法以及其他改进粒子群算法在11个测试函数上进行比较,结果表明,本算法在求解精度、收敛速度和寻优效率上均有更好表现.

一种改进的新颖的粒子群优化算法

针对PSO在寻优过程容易出现"早熟"现象,提出了一种基于Sobol序列的自适应变异PSO算法(SAPSO)。该算法以积分控制粒子群算法(ICPSO)为基础,使用准随机Sobol序列初始化种群个体,并在算法过程中引入基于多样性反馈的Beta分布自适应变异来保持种群的多样性,避免陷入局部最优。仿真结果表明,SAPSO算法在求解复杂优化问题时优势明显,可以有效地避免算法陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力。

基于改进粒子群算法的孪生支持向量机

为解决粒子群搜索算法局部最优解和收敛效率低的问题,提出一种改进型的粒子群搜索算法(IPSO)。为速度惯性权重引入自适应增益反馈率,提高收敛速度;引入渐变随机扰动,利用局部不确定性,跳出局部最小;利用IPSO对TWSVM的参数实现寻优。4种基准函数对IPSO的搜索性能的分析结果表明,IPSO有着更好的搜索能力和收敛速度,IPSO-TWSVM在不同数据集分类中的收敛速度和分类准确率上均优于其它算法。

遗传粒子群算法在水电机组优化中的应用

针对水电站机组组合中机组启停和负荷优化分配问题,提出一种改进型遗传粒子群混合算法。首先,提出自适应惯性权重和正弦混沌扰动策略改进粒子群算法;其次,将遗传算法作为外层算法求解机组最佳启停组合,改进型粒子群算法作为内层算法求解机组间的负荷优化分配,并以总耗水量最低为目标;最后,将改进型混合算法应用于三峡水电站26台机组日负荷优化分配问题的求解,结果表明,此算法能在满足负荷要求的前提条件下,优化机组启停,并在启动机组间优化负荷分配,耗水量比实际降低了1.68%。

基于改进随机移动算子的人工鱼群算法

人工鱼群基本算法在求解多峰函数最优值时,存在计算精度有限,易陷入局部最优,鲁棒性较差以及收敛速率较慢和搜索效率较低的缺点,而随机移动算子的随机性是造成这些缺点的重要因素。通过引入粒子群算法思想和自适应扰动的思想对随机移动算子进行改进,进而提出了基于粒子群算法的人工鱼群算法(PSO-AFSA)和包含自适应扰动项的改进人工鱼群算法(ADI-AFSA),并证明了两种改进算法的收敛性。利用公认测试函数集进行仿真实验,结果表明两种改进算法与人工鱼群基本算法及其传统改进算法相比,提高了计算精度、收敛速率、搜索效率并且具有更好的鲁棒性。

基于APSO-BP耦合算法的岩体力学参数反馈研究

提出了基于自适应粒子群优化(APSO)与误差反向传播(BP)神经网络耦合反馈分析模型(APSO-BP).模型实现对网络结构、权重、阈值的同时优化,借助自适应粒子群算法全局优化能力强、收敛速度快的特点,提高了模型运算效率.采用Schaffer基准函数对该模型和传统遗传算法、BP神经网络、粒子群与BP神经网络组合算法进行测试对比.结果表明该模型更为优越.应用该模型对索风营水电站地下岩体力学参数进行反馈分析,计算位移值与实测值吻合较好,平均误差0.22 mm.

基于双混沌优化搜索的改进粒子群算法及应用

针对现有算法在智能电阻箱动态误差校正方面存在的收敛速度慢、计算精度低,且易进入“局部最优”的陷阱等缺点,展开对智能电阻箱动态示数校正过程的重构及设计,并对动态误差校正优化算法进行研究.在双混沌优化系统中添加扰动因子与指数自适应学习方式改进搜索策略;在粒子群算法中将惯性权重因子修正为自适应权重因子,将学习因子修正为异步线性学习因子以优化算法,进而提出一种改进的粒子群优化算法(AL-DCPSO).利用8个经典函数对算法性能进行测试后,将这种算法应用在某型号智能电阻箱动态误差校正的过程中,研究结果表明:改进后的算法具有更高的计算精度(达到0.001)与更强的寻优能力,且在优化过程中呈现出较强的自适应学习能力,计算过程较为稳定,鲁棒性有效提升,耗时在阈值范围内有所增加.其创新性在于将双混沌优化机制的优点与粒子群算法相结合,应用到智能电阻箱动态误差校正的过程中,对动态误差校正方法进行了一定拓展,为粒子群优化算法在具体实际优化过程中的关键参数选取与策略设计,有效提升算法优化性能提供了一些借鉴.

全阶状态观测器反馈自适应率参数优化

针对现有全阶状态观测器的反馈自适应率PI参数的设计中存在寻找最优解困难的问题,提出了一种基于改进粒子群算法的反馈自适应率PI参数优化算法。首先根据频域方法给出反馈自适应参数的设计准则及影响其参数设计的主要因素;然后将利用设计准则设计好的几组参数值编码后混入随机初始种群,增加初始种群中优良品质个体的数量,提高收敛速度和搜索效率;最后通过编码、初始化种群及参数设置、适应度评价、更新粒子速度和位置得到PI参数最优值。实验结果表明,在斜坡给定0.2,0.6pu转速时,无论空载启动还是负载运行,采用优化算法得到的PI参数进行速度估算时精度明显高于传统试凑法,能够满足矿井提升机的技术指标要求。

IPSO-AP&O算法在光伏系统MPPT控制中的应用研究

在不均匀光照条件下,光伏阵列输出特性呈现多峰现象,传统的最大功率点跟踪(maximum power point tracking,MPPT)方法容易陷入局部极值。为了提高复杂阴影下的跟踪速度和跟踪精度,结合改进粒子群算法(improved particle swarm optimization,IPSO)和自适应步长扰动观察法(adaptive perturbation and observation,AP&O)各自的特点,提出了基于IPSO-AP&O算法的改进MPPT控制方法。其中,IPSO算法采用自适应惯性权重因子,在不同搜索阶段能够充分搜索目标函数,然后与AP&O算法结合实现最大功率的稳定输出。仿真结果表明,所提出的IPSO-AP&O算法减少了传统智能算法的迭代过程,能快速跟踪到全局最大功率点,相比其余几种算法而言,在光照强度突变时均具备快速精准的双重跟踪能力,在4种场景下跟踪效率分别为99.86%、99.91%、87.63%、99.79%,能够更好地减小光伏阵列外部条件变化导致的功率损耗,所提出的MPPT控制方法能够较好地适用于光储混合系统,具备工程实用价值。

基于自适应惯性权重的混沌粒子群算法

针对粒子群优化(particle swarm optimization,PSO)算法易陷入早熟的缺陷,提出了一种基于自适应惯性权重的混沌粒子群算法。首先利用立方映射产生的混沌序列对粒子位置进行初始化,为全局搜索的多样性奠定基础;然后采用自适应惯性权重优化策略,提高收敛速度;最后如果判断算法陷入早熟,则对算法进行混沌扰动,使其跳出局部最优。仿真实验结果表明,改进算法的收敛速度及收敛精度都有明显提高,能有效地避免早熟。

基于并联自适应随机共振的微弱信号检测方法

针对传统大参数信号自适应随机共振方法存在的变换尺度变化范围选取缺乏固定标准、参数自适应效率低、检测到的目标信号不够明显等不足,提出一种基于并联自适应随机共振的微弱信号检测方法,实现强噪声背景下大参数微弱信号的快速、有效检测。推导出基于采样频率的变换尺度的最大变化范围,将该范围平均分段,以输出信噪比为适应度函数,在变换尺度各子搜索范围和共振系统参数搜索范围内,采用带极值扰动的简化粒子群算法对变换尺度及系统参数进行自适应优化选择;将优化得到的变换尺度和系统参数分别作为并联各子随机共振系统的输入信号变换尺度和系统参数;将各子系统的输出响应分别进行自相关处理后,合成为最终的系统输出响应。仿真及实际应用结果表明,该方法对强噪声背景中的微弱目标信号具有准确的检测能力,能够有效提高参数自适应效率,突出检测到的目标信号,增强强噪声背景下微弱信号的检测能力。