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%。

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。

自适应粒子群优化算法(APSO)在膜下滴灌优化灌溉中的应用

在考虑了灌溉水量、作物水分响应模型、降雨量、不同生育阶段缺水对产量敏感指数、作物市场价格、农业灌溉用水价格、膜下滴灌成本价格等因素下,建立了农作物经济效益最优的多约束、非线性灌溉模型。将APSO算法进行灌溉模型优化求解。利用新疆棉花膜下滴灌实验所得数据,得出了作物在不同范围有限灌水量下棉花各生育阶段间灌水量的最优效益分配,求解的结果显示该灌溉模型能很好地解决了作物非充分灌溉下优化灌溉问题。

基于自适应混沌粒子群优化算法的多目标无功优化

针对粒子群无功优化中由于随机生成代表控制变量值的粒子,使得在优化迭代过程中易陷入局部最优解,而且后期收敛速度慢等问题,将混沌优化算法融合到粒子群算法中,提出了混沌粒子群算法求解多目标无功优化问题。该算法在初始化粒子即无功优化控制变量值时,采用混沌思想,增加控制变量取值的多样性;通过粒子群无功优化算法计算各个粒子对应的适应值即无功优化目标函数值,并按照其大小择优选取控制变量值进行混沌优化以帮助无功优化控制变量跳出局部极值区域;并根据无功优化目标函数值自适应地调整其惯性权重系数以提高全局与局部搜索能力。通过算例分析表明,采用自适应混沌粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快。

基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高、搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术。仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能。

多目标无功优化的向量评价自适应粒子群算法

为了克服粒子群算法在高维复杂问题寻优时有相当可能陷入局部寻优的现象,提出了一种自适应粒子群算法。该算法利用种群多样性信息对惯性权重进行非线性的调整,并在算法的后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优点的束缚。对基于向量评价的粒子群算法进行了扩展,提出了基于向量评价的自适应粒子群算法(vector evaluated adaptive particle swarm optimization,VEAPSO)来解决多目标无功优化问题,求解出问题的Pareto最优解集。为帮助决策者从Pareto最优解集中选取合适的最优解,该文提出一种基于决策者偏好及投影寻踪模型的多属性决策法,使决策结果更加真实可靠。将该算法应用于多目标无功优化问题中,IEEE30和IEEE118节点系统算例仿真表明该方法用于解决多目标无功优化问题是有效可行的。

基于自适应变异粒子群算法的电动汽车换电池站充电调度多目标优化

大规模电动汽车用户的无序充电行为会对电网造成"峰上加峰"等影响,因此电动汽车规模化应用迫切要求实现对充电行为的引导和调度。电动汽车换电站具有受可调度时间约束影响小等特点,与个体电动汽车相比较易实现充电调度。根据换电站的特点以换电站各时刻的充电功率为控制对象,建立多目标的调度策略数学模型,并采用自适应变异的粒子群算法求解以减小标准粒子群容易早熟对优化结果的影响,得到次日优化充电计划。基于某地区负荷曲线进行算例仿真,验证了算法的有效性,比较了单目标优化和多目标优化的调度策略对负荷曲线的影响。结果表明,换电站充电调度策略采用多目标优化时能够克服单目标优化填充"最低谷"效果差的问题,有效地降低电网峰谷差,达到平稳负荷波动的效果。

基于反馈策略的自适应粒子群优化算法

为了克服常规粒子群优化(SPSO)算法在多峰函数寻优应用中容易出现早熟的缺点,提出了一种基于反馈策略的自适应粒子群优化(APSO)算法.考虑到进化过程中群体多样性损失过快,采用种群分布熵和平均粒距两个种群多样性参数,来均衡算法的勘探和开发能力.基于惯性权值随种群多样性变化而变化的动态分析,建立了惯性权值与平均粒距之间的线性函数关系,并将该函数关系融入到APSO算法中.测试结果表明,与常规粒子群优化算法相比,该算法在多峰雨数寻优时,成功率和精确度都有显著提高,且全局收敛速度快;在求解异或(XOR)分类问题时成功概率提高,收敛速度加快,APSO算法对神经网络的训练更加有效.

粒子群优化小波自适应阈值法用于局部放电去噪

为了提高局部放电在线监测中小波去噪的自适应能力,并降低去噪信号的畸变率,提出了一种用于电力设备局部放电信号去噪的粒子群优化小波自适应阈值方法。该方法采用小波对局部放电信号进行分解,在阈值选择时采用基于SURE无偏估计的最优阈值自适应选择方法,结合粒子群优化算法进行全局自适应搜索最优阈值,使最优阈值自适应寻优速度大大提高。为了验证其去噪效果,还引入遗传算法对小波自适应阈值法进行优化计算。对局部放电仿真信号与实测局部放电信号的去噪结果表明,本文与标准软阈值法和遗传算法优化小波自适应阈值法相比,能更好地去除局部放电信号中的白噪声,计算速度更快,具有良好的去噪效果和应用价值。

一种自适应粒子群优化算法及其仿真研究

分析了粒子群优化(PSO)算法易于发生早熟收敛的原因。在此基础上提出的自适应粒子群优化(APSO)算法根据群体早熟收敛程度和个体适应值自适应地调整粒子的惯性权重,使群体在进化过程中始终保持惯性权重的多样性,在算法的全局收敛性和收敛速度之间做了一个很好的折衷。对两个经典函数仿真的结果表明APSO算法能够有效地避免PSO算法的早熟收敛问题,而且具有较快的收敛速度。

基于自适应Tent混沌搜索的粒子群优化算法

为解决粒子群优化算法易于陷入局部最优问题,提出基于自适应Tent混沌搜索的粒子群优化算法。应用Tent映射初始化均匀分布的粒群,并以当前整个粒子群迄今为止搜索到的最优位置为基础产生Tent混沌序列,混沌序列的搜索范围采用自适应调整方法。该方法可以有效避免计算的盲目性,还能够快速搜寻到最优解。实验表明该算法在多个标准测试函数下都超越了同类改进算法。

自适应变异的粒子群优化算法

针对粒子群算法的早熟收敛问题,提出一种新的基于群体适应度变化率自适应变异的粒子群优化算法。该算法根据群体适应度变化率自适应调整惯性权重的取值,根据当前种群的平均粒距对种群中部分粒子进行变异操作。自适应调整与变异操作能增强算法跳出局部最优的能力,增大寻找全局最优的几率。对几种典型函数的测试结果表明,新算法的全局搜索能力有了明显的提高,有效避免了早熟收敛问题。

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。

一种自适应模拟退火粒子群优化算法

为了提高粒子群算法的寻优速度和精度,避免陷入局部优解,提出一种自适应模拟退火粒子群优化算法。采用双曲正切函数来控制惯性权重系数,进行非线性自适应变化;利用线性变化策略控制社会学习因子和自我学习因子,达到改变不同阶段寻优重点的目的;引入模拟退火操作,根据种群的初始状态设置一个温度,根据米特罗波利斯准则和温度指导种群以一定的概率接受差解,保证了算法跳出局部最优解的能力。为验证这种算法的效果,选择7种典型测试函数与已有文献中提出的5种粒子优化算法进行对比实验,根据寻优结果的平均值、标准差以及迭代次数等数据,证明文中所提算法在迭代精度、收敛速度以及稳定性上都有很大的提升,有效地弥补了经典粒子群算法的缺陷。

自适应粒子群优化的高压共轨燃油喷嘴多学科优化设计

为了确保高压共轨燃油喷嘴整体性能提高,以高压共轨燃油喷嘴雾化性能、压力损失为目标函数建立了多学科设计优化模型,并充分考虑各学科之间的耦合效应,采用自适应粒子群优化算法进行了多学科设计优化。结果表明:雾化性能提高了36.77%,压力损失下降了11.27%,整体性能提高了16.60%。

自适应粒子群优化灰色模型的负荷预测

针对传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果变差这一局限性,引入了比标准粒子群优化算法效率更高的自适应粒子群优化算法,并与GM(1,1)模型相结合,利用自适应粒子群算法求解GM(1,1)模型中的参数a和u,提出一种自适应粒子群优化灰色模型。通过对四个地区的用电量进行实例仿真,证明该模型具有较广的适用范围和较高的预测精度。