基于差分进化粒子群混合算法的多无人机协同区域搜索策略

为提高无人机群在未知环境中的区域搜索效率,提出一种多无人机协同区域搜索策略。首先,根据区域搜索任务需求,建立包含区域覆盖率、区域不确定度、目标存在概率三种属性的区域信息地图;其次,以最大化搜索效率、同时最小化无人机搜索过程中的能耗为目标,建立无人机区域搜索滚动时域优化目标函数,指导无人机在线决策搜索路线;然后针对传统群智能优化算法易陷入局部最优的缺陷,设计差分进化粒子群混合算法在线求解该多目标优化问题,提高算法的寻优性能,从而提高无人机的搜索效率。最后,通过数值仿真实验,对所提算法进行验证,仿真结果表明,文中设计的基于差分进化粒子群混合算法的多无人机协同区域搜索策略与传统的群智能优化算法相比具有更高的区域搜索效率。

新型多群体协同进化粒子群优化算法

在基本的MCPSO算法中除了主群与从群的信息交流,从群之间没有信息交流。为了解决这一问题,提出了一种具有中心交流机制的改进MCPSO算法,该策略可以实现各个从群之间的信息交流,从而加快算法收敛。仿真实验结果表明改进后的算法具有较好的求解精度和较快的收敛速度。

基于进化粒子群优化的非线性系统辨识

为解决复杂非线性系统的辨识问题,提出了一种基于进化粒子群优化算法的非线性系统辨识方法。在标准粒子群优化算法的基础上引入一种进化策略,增加粒子的多样性。在算法迭代寻优的过程中,通过对群体中的粒子进行选择、变异等进化操作,构造进化粒子群优化算法,提高算法的全局搜索能力。将非线性系统辨识问题转化为非线性连续域优化问题,利用进化粒子群优化算法进行并行、高效搜索,以获得该优化问题的解。通过对多输入单输出的Wiener-Hammerstein模型进行辨识,验证了该方法的正确性和可行性。

基于协进化粒子群算法的齿轮传动优化

针对多约束条件下的行星齿轮传动方案,采取协进化粒子群算法进行优化,并结合其算法特点建立了特有的罚因子评价机制。实际算例表明:该方法合理、有效,计算效率高,为行星齿轮优化方案提供了一个新的求解途径。

协进化粒子群算法在含有风电的电力系统动态经济调度中的应用

为了解决电力系统中含有风电的动态经济调度问题,文章在考虑了实际运行中的机组爬坡率、运行约束和旋转备用约束等多种约束条件后,利用风速求出了风电24小时的功率曲线,将风电的投资和维护成本折算成风电的发电成本,提出了一个含有常规机组阀点效应的发电成本、风电发电成本和系统备用成本的目标函数和所有约束条件的罚函数,应用提出的协进化粒子群优化算法求解该问题,该算法通过两个种群的自主进化和交互信息,得到了全局最优解和最佳罚因子。最后通过实例的仿真结果验证了该算法具有良好的搜索性能和收敛特性,获得的解得质量明显好于其它算法。

基于差分进化粒子群算法的储能系统容量优化

合理的风光互补储能发电系统的容量配置,能够调高风光互补储能发电系统的经济性,提高电力系统运行的安全可靠性。本文以提高系统可靠性、降低系统运行成本为目标,以储能电池充放电功率限制以及系统最大装机容量等为约束条件,搭建了风光储互补发电系统容量优化配置模型。通过混合差分进化法和粒子群算法,得到了一种优化改进的算法,对系统容量进行优化。最后以宜昌某地区2017年度的风光实时数据为例,验证了该方法的优越性和合理性。算例结果表明,相比原始的差分进化法和粒子群算法,采用混合算法能够更快更好的得到优化结果,且仿真结果表明该算法有效降低了系统不满足电力负荷需求的概率以及系统电能的浪费率,在保证系统运行可靠性的同时,大大降低了系统的运行成本,使系统的经济性得以提升。

基于协同进化粒子群算法的水库优化调度与应用

水库供水优化调度中存在多个供水目标、多个决策变量和复杂多约束条件,从而呈现出高维度、非线性、强约束特性。针对传统粒子群算法求解此类问题容易出现的收敛速度慢、计算效率低及早熟问题,将合作型协同进化思想与粒子群算法相结合,提出一种基于种群停滞搜索技术的协同进化粒子群算法,一方面通过种群内部个体间的竞争进化模式来提高种群竞争力,另一方面通过种群之间的相互合作模式提升算法全域搜索能力,各种群依次实行进化过程和协同过程,以保持种群进化过程中的多样性,并从“种群进化过程监视”的角度出发,提出了防止算法早熟的种群停滞探测技术,提高算法收敛速度。将提出的算法应用于徐家河水库供水优化调度模型求解中,结果表明,相对于传统粒子群算法,本算法计算的生活、工业和灌溉累积缺水总量分别降低了47.2%、33.3%和14.4%,供水保证率分别提高了1.7%、1.9%和4.4%,缺水指数分别降低了0.064、0.071和0.076,年均弃水量减少了1.9%,水资源利用效率有所增加。算法性能方面,协同进化粒子群算法在迭代早期(约65次迭代)就开始收敛,并在一定程度上避免了粒子陷入局部最优,降低了算法的不确定。综上表明,本文提出的算法易于实现,求解效率高,为水库优化调度模型求解提供了新的思路。

基于差分进化粒子群算法的城市电动汽车充电站最优规划

针对如何确定电动汽车充电站的位置及充电机数量问题,分析了快速充电站的服务对象,建立了考虑建设成本、充电途中行驶成本、充电站等待成本的综合优化模型。模型考虑了城市地理信息,以充电便捷、等待时间为约束条件,以充电站固定成本、车主充电行驶成本和在充电站等待成本之和最小为目标函数。电动汽车充电站规划问题是非凸、非线性、组合优化问题。为此,对目标函数的求解,提出用差分进化混合粒子群算法,该算法增加了种群的多样性和全局寻优能力。算例分析验证了所提规划方法的有效性和实用性。

基于差分进化粒子群算法的PSS参数优化与整定

为了更好地解决电力系统稳定器(PSS)参数寻优的问题,将差分进化粒子群算法(DEPSO)应用到PSS参数优化中。DEPSO算法通过PSO种群和DE种群之间的信息交流机制以寻求全局最优位置,从而使算法具有动态自适应性,能够较容易地跳出局部最优。文中首先阐述了在低频范围(0.1~2.5Hz)内用差分进化粒子群算法对PSS超前—滞后环节及增益参数进行寻优的方法。然后利用Matlab软件构建单机无穷大系统模型并进行仿真研究,结果表明利用该方法设计的PSS稳定性有了较大的提高,且效果优于基本PSO算法。采用该方法,基于机组实测无补偿相位的特性,对安徽电网某机组PSS参数进行了整定,验证了该方法的有效性。

基于进化粒子群算法的联合火力打击任务规划方法

针对联合火力打击任务规划中对兵力、火力与目标动态分配优化困难的问题,提出一种基于粒子群算法的联合火力打击任务规划智能优化算法。该算法以粒子群算法为基础,模拟鸟群的觅食行为设计智能优化算法,并在标准算法基础上引入遗传算法中的生物优胜劣汰机制,提升算法的迭代效率和全局寻优精度,根据联合火力打击任务规划的内在制约条件设计了衡量任务规划各方面综合性能的评估指标模型,并通过熵权法和理想点法获取联合火力打击任务规划综合评分。仿真结果表明:进化粒子群算法较标准粒子群算法和遗传算法具有更优越的迭代收敛效率和全局寻优能力,具备解决联合火力打击任务规划智能优化问题的能力。

基于差分进化粒子群优化算法的多机励磁参数协调优化

多机励磁参数协调优化是抑制电网低频振荡最直接经济的措施,对提高电网的运行稳定性有重要的意义。针对传统粒子群优化算法后期粒子多样性降低导致算法早熟收敛且容易导致局部最优的缺点,采用新的差分进化粒子群算法(DEPSO)进行多机励磁参数协调优化,通过实际系统的仿真结果证明该算法对励磁参数协调优化的有效性。

进化粒子群算法在航空发动机模型求解中的应用

本文将智能算法——进化粒子群算法引入航空发动机建模求解中,对典型的非线性航空发动机模型进行求解。结果表明:进化粒子群算法能解决传统算法计算不收敛的问题,相比传统算法具有不依赖于初猜值、计算速度快等优点,具有很高的精度,具有一定的工程应用价值。

基于协同进化粒子群和Pareto最优解的卫星编队队形重构方法

针对卫星编队自主队形重构问题,提出了基于协同进化粒子群优化(CPSO)和Pareto最优解的求解方法。首先,使用Legendre伪谱法(LPM)将队形重构问题离散化为非线性规划(NLP)问题;其次,根据卫星编队的特点及碰撞规避的需要,使用CPSO算法对重构问题采用既独立又集中的求解方式,避免了传统优化方法对梯度的求解;然后,使用一种深度-广度优先搜索(D-BFS)算法,能够高效地找到CPSO进化中所有Pareto最优解,提升了算法的效率。仿真结果表明,该方法快速有效,能够满足实时性的要求,使得卫星编队的自主运行成为可能。

基于粒子群进化算法的电力系统状态估计研究

加权最小二乘法是状态估计的常用方法,但在实际应用中经常会遇到算法发散的问题。为了解决这个问题,提出将改进的粒子群进化算法应用到状态估计当中,使加权最小二乘法的收敛性得到了很好的改善。结合IEEE5节点系统,给出了粒子群进化状态估计计算的三点注意事项。经试验得出,对量测点数为16的系统而言,计算时间在50s左右,量测点数为30的系统的计算时间在3min左右,量测点数为80的系统,其计算时间在15min左右。这种算法可以应用在离线状态估计上。

差分进化混合粒子群算法求解项目调度问题

针对求解资源受限项目调度问题(RCPSP),提出了基于差分进化(DE)的混合粒子群算法(PSODE)。通过在PSO种群和DE种群之间建立一种信息交流机制,使信息能够在两个种群中传递,以避免个体因错误的信息判断而陷入局部最优点。采用标准测试函数和具体算例进行检验,结果表明PSODE算法可以较好地解决RCPS问题。

基于坐标测量机和拟粒子群进化算法的圆柱度误差检测与评定

建立了任意位置下基于坐标测量机检测的圆柱度误差最小区域解的数学模型,提出了采用拟粒子群进化算法求解最小区域圆柱度误差新方法。该算法使用实数编码,由拟随机Halton序列产生粒子的初始位置和速度,基于浓缩因子法修改粒子的速度。为了验证算法的有效性,对文献中测量数据采用提出的方法进行圆柱度误差计算并将结果与多种算法计算结果进行比较,同时在加工中心加工大量轴类零件,使用三坐标测量机对零件进行实测,应用该进化算法计算最小区域圆柱度误差并与三坐标测量机给出的结果进行比较。实验结果均证实了提出的方法不仅优化速度快、计算精度高,而且算法简单,需设置参数少,便于推广应用。

混沌粒子群微分进化算法及其在水库发电优化调度中的应用

粒子群优化算法(PSO)与微分进化算法(DE)都是有效的基于群体智能的全局优化算法,但它们都容易过早收敛,陷入局部最优。针对以上问题,提出了混沌粒子群微分进化算法(CPSO-DE),该算法引入可变的惯性权重和学习因子,以基于logical映射的混沌序列代替标准PSO中的随机序列来对粒子群进行初始化,同时将微分进化算法(DE)中的变异、交叉和选择思想引入标准PSO算法中,改变标准PSO算法单一的进化策略,在全局范围内搜索最优解。作为实证的需要,通过对水库优化调度所存在问题的分析,建立了基于CPSO-DE算法的水库优化调度数学模型与求解算法,并以某水库实际运行数据进行计算,结果表明CPSO-DE算法具有较好的全局最优解,验证了CPSO-DE算法的可行性与健壮性。

基于粒子群进化算法的极限输电容量计算方法

针对N-1静态安全模型的电力系统可用输电容量(ATC)计算问题,提出一种基于粒子群进化算法的新方法。其基本思想是,对得到的某个ATC可能值,验证在该功率传输水平下系统是否满足静态安全约束。对群中每个粒子对应变量分为区域交换功率值和停运支路编号2部分,二者以不同方式分别进化。计算过程中,不可行粒子用于得到ATC的值并对其采取校正措施来加快得到ATC的速度,可行粒子用于判别严重支路。计算终止时得到区域间ATC、关键支路和对ATC影响较大的严重支路集。在IEEE118节点测试系统上,通过与其他计算ATC的方法相比较,表明该算法可以准确捕获严重支路集并得到ATC的值。

一种多粒子群协同进化算法

为进一步提高多粒子群协同进化算法的寻优精度,并有效改善粒子群易陷入局部极值及收敛速度慢的问题,结合遗传算法较强的全局搜索能力和极值优化算法的局部搜索能力,提出了一种改进的多粒子群协同进化算法.对粒子群优化算法提出改进策略,并在种群进化过程中,利用遗传算法增加粒子的多样性及优良性,经过一定次数的迭代,利用极值优化算法加快收敛速度.实验结果表明该算法具有较好的性能,能够摆脱陷入局部极值点的问题,并具有较快的收敛速度.

结合极值优化的多粒子群协同进化算法

多粒子群协同进化算法是一种群智能算法,具有智能性、通用性、并行性和全局搜索能力,能够很好地解决全局寻优问题,但其保持粒子多样性的机制和协同进化的机制有待做进一步的改进.为了进一步提高多粒子群协同进化算法的寻优效率,提出了一种结合极值优化的多粒子群协同进化算法,它将多粒子群协同进化算法的全局搜索能力与极值优化算法的局部搜索能力进行了结合.最后通过实验验证了该算法的有效性.