基于自适应罚函数的城轨列车惰行节能方法

建立城轨列车牵引能耗、列车停车误差、运行延误时间多目标优化模型,将列车停车误差、运行延误时间设为目标函数中的自适应惩罚项,并采用基于混沌扰动和模拟退火机制的混沌退火混合粒子群算法(Chaos and Annealing Hybrid Particle Swarm Optimization,CAHPSO)求解优化模型,以广州地铁8号线中大—晓港区间为例,研究多次惰行驾驶对列车牵引能耗的影响。结果显示,采用CAHPSO算法求解区间最小运行时间,比粒子群(Particle Swarm Optimization,PSO)算法所得结果缩短了2.3 s以上;采用多次惰行驾驶可比传统模式节省3.9%以上的能耗。

基于自适应多目标指数罚函数的NSGA-Ⅱ算法

为求解多目标优化问题,将快速非支配进化算法(NSGA-Ⅱ)进行了推广,构造了一种新的多目标指数罚函数,将其作为NSGA-Ⅱ算法的适应度函数,通过每次自适应更新罚因子,以此获得多目标规划问题的有效解(Pareto解).仿真结果表明,该算法在快速收敛的情况下,能够获得更加均匀的Pareto前沿.

基于自适应罚函数优化粒子群的WSN定位算法

针对无线传感器网络节点定位问题,提出了一种自适应罚函数优化粒子群的算法。算法在定位过程中,首先运用极大似然估计法进行粗略定位,然后通过对计算误差和测距误差之间差值进行加权处理,限制搜索区域,根据群体中可行解比例的大小,自适应调节罚因子的大小进行迭代寻优,最终得到节点坐标。仿真结果表明:算法较好地克服了传统粒子群算法收敛速度慢,易陷入局部极小点等问题,对比同类算法,算法具有更高的定位精度和较快的收敛速,且稳定性更高。

基于改进遗传算法的配电网无功优化

对配电网无功优化问题进行了研究。针对无功优化问题的特点,提出了一种应用于电力系统无功优化问题的改进遗传算法。该算法将迭代群体分为一般组和精英组,对一般组进行交叉和变异操作,而对精英组只进行变异操作,实现分组进化。在该算法中利用整数和浮点数混合编码,并对遗传算法的选择、交叉、变异算子进行改进,采用自适应罚因子、交叉率和变异率,提高了收敛速度和解的质量。采用IEEE6节点系统验证了所提算法的有效性和实用性。

基于内点法和改进粒子群算法的无功优化混合策略

基于内点法与粒子群算法,提出了一种混合策略来求解电力系统无功优化问题。根据优化变量的不同性质将无功优化问题分解为离散优化和连续优化两个子问题,采用改进的粒子群优化算法和内点法交替求解,使两者的优化结果互为基础,提高了混合策略的整体寻优效率;根据粒子运动趋势及目标函数中网损与节点电压无功的相关性,对基本粒子群算法进行改进,自适应调整惯性权重和罚因子;以IEEE30节点系统和某实际地区电网作为试验系统,验证了该算法的正确性和有效性。