无惯性自适应精英变异反向粒子群优化算法

为解决反向粒子群优化算法计算开销大、易陷入局部最优的不足,提出一种无惯性的自适应精英变异反向粒子群优化算法(NOPSO)。NOPSO算法在反向学习方法的基础上,广泛获取环境信息,提出一种无惯性的速度(NIV)更新式来引导粒子飞行轨迹,从而有效加快算法的收敛过程。同时,为避免早熟现象的发生,引入了自适应精英变异策略(AEM),该策略在扩大种群搜索范围的同时,帮助粒子跳出局部最优。NIV与AEM这2种机制的结合,有效增加了种群多样性,平衡了反向粒子群算法中探索与开发的矛盾。实验结果表明,与主流反向粒子群优化算法相比,NOPSO算法无论是在计算精度还是计算开销上均具有较强的竞争能力。

自适应精英变异粒子群算法在风电场无功优化中的应用

为提升含风电场的电力系统无功优化效果,基于含风电场多目标无功优化模型进行归一化处理并采用层次分析法确定各优化目标权重构建目标函数,提出一种自适应精英变异粒子群算法对目标函数进行求解。该算法根据粒子在每次迭代进化的实时位置并融合精英粒子变异策略以克服早熟收敛,通过测试函数和含风电场IEEE14测试系统无功优化的仿真实验表明,该算法具有收敛精度高和稳定性好等优点,对含风电场的电力系统多目标无功优化具有良好的无功优化效果。

基于自适应变惯性权重精英变异粒子群算法的微电网优化调度研究

为优化并网型微电网经济运行,编制合理的日运行计划,构建含购电费用、燃料费用和环境成本的多目标调度模型。提出一种自适应变惯性权重精英变异粒子群算法求解模型,该算法根据粒子间距动态调整惯性权重并融合精英变异策略以克服早熟收敛。通过测试函数和微电网调度运行算例仿真实验表明,该算法具有较高的精度且编制发电计划的费用最低。

基于精英选择自适应变异遗传算法的膜系优化设计

将改进的遗传算法——精英选择自适应变异遗传算法(EGAAM)用于光学薄膜的膜系优化设计。EGAAM采用了独特的自适应变异操作,该操作既使得群体保持了多样性,防止过早收敛,又加快了群体收敛速度。EGGAM对初始条件不敏感,并且可以确定膜层厚度边界,确保了设计结果的制备方便。通过减反膜、分光膜的实例优化设计表明,在相同设计条件下,用EGAAM可以得到比传统遗传算法更好的设计结果。理论与实例表明EGAAM用于膜系优化设计是高效和可靠的。

带自适应精英扰动及惯性权重的反向粒子群优化算法

针对反向粒子群优化算法存在的易陷入局部最优、计算开销大等问题,提出了一种带自适应精英粒子变异及非线性惯性权重的反向粒子群优化算法(OPSO-AEM&NIW),来克服该算法的不足。OPSO-AEM&NIW算法在一般性反向学习方法的基础上,利用粒子适应度比重等信息,引入了非线性的自适应惯性权重(NIW)调整各个粒子的活跃程度,继而加速算法的收敛过程。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,提出了自适应精英变异策略(AEM)来增大搜索范围,结合精英粒子的反向搜索能力,达到跳出局部最优解的目的。上述2种机制的结合,可以有效克服反向粒子群算法的探索与开发的矛盾。实验结果表明,与主流反向粒子群优化算法相比,OPSO-AEM&NIW算法无论是在计算精度还是计算开销上均具有较强的竞争能力。