混合粒子群优化算法在电网规划中的应用

在含被动聚集因子的粒子群优化(particle swarm optimization with passive congregation,PSOPC)算法和和谐搜索(harmony search,HS)的基础上,构建了一种新的混合粒子群优化(heuristic particle swarm optimization,HPSO)算法。该算法根据电网规划的特点,采用"飞回机制"处理变量的约束条件,利用和谐搜索处理规划问题的约束条件,使粒子群在迭代过程中始终保持在可行域内,同时该算法中引入了被动聚集因子,有效改善了粒子的进化机制,提高了粒子的自由搜索能力。18节点算例验证了该算法应用于电网规划的正确性和有效性,HPSO算法、粒子群优化算法和PSOPC算法的比较结果表明该HPSO算法具有较好的收敛性能。

粒子群算法在航空发动机部件模型求解中的应用

将粒子群算法引入发动机部件模型的求解中,利用粒子群优化算法的群体智能和记忆功能,克服了插值法和N+1残量法在求解发动机模型时对初值的敏感性。针对发动机部件模型中非线性方程和共同工作方程组的特点,对基本粒子群算法采用不同的改进措施,得到两种改进粒子群算法HPSO1和HPSO2。仿真结果表明,改进粒子群算法求解发动机部件模型具有更好的收敛性和更快的收敛速度。

基于粒子群算法的发动机部件模型求解

传统求解航空发动机部件模型中的非线性方程和共同工作方程组的方法因对初值的依赖使得模型并不总能收敛。首先针对模型中的非线性方程求解的特点,在带邻域的粒子群算法的基础上,将收敛因子、被动聚集压力因子和自适应惯性权重引入算法,提出一种混合粒子群算法HPSO1。而对模型中的共同工作方程组的求解,则是在基本粒子群算法的基础上,将收敛因子和被动聚集压力因子引入基本粒子群算法,提出另一种混合粒子群算法HPSO2。实验仿真表明HPSO1和HPSO2均克服了对初值的依赖性,因而对发动机部件模型求解是有效的。

基于粒子群算法的发动机共同工作方程组求解

寻求一组能使共同工作方程组收敛的试给参数是确定航空发动机设计点的难点,为克服传统求解方法中,因试给参数与经验密切相关造成方程组收敛率和收敛速度较低的问题,在基本粒子群算法的基础上,综合能加速收敛的收敛因子和具有明确社会性定义的被动聚集压力因子,提出一种新的用于求解发动机共同工作方程组的粒子群算法,并称之为CPCPSO。前者能增加粒子的振幅,减少无效迭代,从而加速算法运行速度;后者能在不增加种群规模的前提下增加种群多样性。经仿真验证,针对两个不同的初始试给参数,CPCPSO算法均能使共同工作方程组收敛,且达到收敛时的总迭代次数更少。结果表明,CPCPSO算法克服了N+1残量法对共同工作方程组初值的依赖性,收敛速度快,试给参数确定更加有效。

基于改进粒子群算法的ICPT配电系统规划

针对城市电气化交通的供电解决方案提出一种新型的感应耦合电能接入模式.针对粒子群优化算法全局搜索的高效性与易'早熟'收敛之间的矛盾,提出一种基于非线性单纯体法的改进粒子群算法,保证了具有一定代表性的粒子在解空间的合理分布.该算法结构上增加的被动聚集项,使得粒子在寻优过程中不仅受到个体极值点和全局极值点的影响,还受被动聚集项的扰动.感应耦合电能传输配电系统规划问题的仿真结果表明,改进算法的年综合费用比粒子群优化算法少1.40%,改进算法既有效又稳定.