基于改进均值聚类随机粒子群算法的变电站LCC规划

基于设备全寿命周期成本(LCC)建立了配电网变电站选址定容新模型,模型统筹考虑了规划方案的初始投资成本、运行维护成本、故障成本、废弃成本,在满足安全、效能的前提下使得规划模型在全寿命周期内经济性最优。提出一种将均值聚类与随机粒子群算法相结合的改进粒子群算法对上述规划模型进行求解,该算法克服了粒子群优化算法(PSO)的早熟现象。通过规划实例验证了该文所提模型和方法正确性和有效性,其规划结果科学、可行,具有更高的实用价值。

多目标分解随机粒子群优化算法及其在直线电机优化设计中的应用

本文提出了一种多目标分解随机粒子群优化算法(MDSPSO).该算法优化过程中,所有粒子按各自固定的权重向量,采用改进Tchebycheff分解方法,将求解多目标非支配解问题转化为求解多个单目标最优解问题;而后每个粒子在以自身位置、个体历史最优参考位置及群体最优参考位置的几何中心为中心,以中心到自身位置为半径的区域内,随机生成一个新的起始位置,并参考当前的速度更新下一时刻的位置.通过对测试函数多次计算得到的数据进行统计分析,表明MDSPSO的收敛性和多样性均优于另外3种对比算法.最后针对直线电机磁路复杂、有限元计算费时的问题,使用神经网络拟合直线电机结构参数与性能的关系作为优化设计的模型,应用MDSPSO算法,优化结构参数.实际测试结果表明,优化后的直线电机推力大、效率高,同时有效控制了其推力波动和生产成本.

保证全局收敛的随机粒子群新算法

针对粒子群算法未成熟收敛的弱点进行了改进。给出了保证算法全局收敛的充分条件,即全局性假设条件和单调性假设条件,进而依据提出的全局收敛的充分条件,设计了具有柯西随机和高斯随机性质的粒子群算法。实验结果表明,本文提出的具有全局收敛性的粒子群算法能够有效地求解全局优化问题。

基于随机粒子群的Newton-SVD方法的电测井反演

提出一种基于随机粒子群的Newton-SVD方法对双侧向测井进行双参数反演(原状地层电阻率,侵入带半径),运用随机粒子群方法得到双侧向测井反演的一个较为合理的初始值,结合Newton-SVD方法进行双侧向测井反演,提高测井反演的稳定性、可靠性,给出一种设定测井反演初始值的方法,通过对加入噪声的理想模型和实际资料进行处理表明,该方法可有效、准确地消除复杂测井环境的影响,得到真实的地层参数.

一种随机粒子群算法及应用

为提高粒子群算法的优化效率,在分析量子粒子群优化算法的基础上,提出了一种随机粒子群优化算法。该算法只有一个控制参数,搜索步长由一个随机变量的取值动态决定,通过合理设计控制参数的取值,实现对目标位置的跟踪。标准测试函数极值优化和聚类优化的实验结果表明,与量子粒子群和普通粒子群算法相比,该算法在优化能力和优化效率两方面都有改进。

一种基于随机粒子群的变差函数优化方法

变差函数是克里格法中反映区域化变量空间变化特征的有效数学模型,其在克里格插值算法中是重要的环节,由其确定的拟合模型参数直接影响插值精度。由于变差函数采用非线性模型,导致拟合误差曲面存在很多局部极值点。因此传统的最小二乘法不易达到满意的结果。基于这一问题,提出了基于随机粒子群优化(RPSO)算法的变差函数设计方法。实验结果验证了该方法的有效性。

基于粒子群-随机森林模型的采样布局优化

采样设计是获取土壤有机质空间分布信息的关键环节,直接影响有机质预测空间分布的精度。目前常用的采样设计方法大多存在样本量大、效率低的问题。因此采用最少数量和最优空间布局的采样方案对于长时序准确监测土壤有机质的时空变化至关重要。以北京市延庆区耕层土壤有机质为研究对象,基于525个原始样点采用变异系数和相对偏差计算确定合理样本数量。通过植被指数、土壤质地类型、土壤母质类型、地形湿度指数、坡度、年均降水量等辅助变量建立随机森林模型,利用粒子群算法收敛随机森林预测误差,对各样点的空间布局进行优化,确定监测点最小数据集的最优空间分布格局。结果表明,利用粒子群-随机森林模型制定的土壤采样方案是可行的。优化后的样本数量减少至37个,减幅达92.95%;粒子群-随机森林均方根误差和模型拟合效果均优于随机抽样和粒子群-地统计抽样方法,R^(2)为0.51,RMSE达到10.66g·kg^(-1);优化后生成的空间分布图与原始数据接近,相对误差为4.71%,估计较为准确。采用的粒子群-随机森林模型较为准确的反映区域耕层土壤有机质的空间格局,且兼顾抽样精度和抽样成本,能为后续采样方案提供科学建议。

基于后随机非线性动态粒子群算法的地震模拟振动台参数优化设计

地震模拟振动台系统控制参数的质量影响着台面波形复现精度,进而影响试验效果。为实现对系统控制参数的高效校调与智能化寻优,提高系统对台面的控制效果,在标准粒子群算法的基础上提出了一种基于后随机非线性动态粒子群算法的三参量控制参数寻优方法,用于地震模拟振动台系统控制参数的优化整定。仿真结果表明,改进算法寻优参数控制下复现波形的相关系数比理论参数控制时提高了25%以上;与试验反馈数据波形仿真结果相比,寻优参数控制下的系统仿真波形相关度均提升至0.95以上,绝对峰值误差降至10%以内;对比结果证明了改进算法可行有效,优化参数控制下系统对不同输入波形具有更好的适应性,系统受控效果良好。

基于随机聚焦粒子群算法的电力系统无功优化

随机聚焦粒子群优化算法(stochastic focusing particle swarm optimization,SFPSO)是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的群体智能优化算法。该方法以最优控制原理为基础,以网损最小为目标函数。在IEEE30节点系统上进行了测试,仿真结果表明SFPSO算法在计算精度、收敛稳定性、寻优时间等方面都具有优势,能有效地应用于电力系统无功优化。

基于随机聚焦粒子群算法的多机系统PSS参数优化

随机聚焦粒子群算法(SFPSO)是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的群体智能优化算法。通过采用SFPSO算法,对多机系统的PSS参数进行优化。该方法是以最优控制原理为基础,综合考虑PSS与励磁系统的性能,将PSS参数优化协调转化为带有不等式约束的优化问题,控制目标为系统输出按照最小误差跟踪给定值的能力。通过仿真测试以及不同算法优化结果的对比,表明基于SFPSO算法优化的PSS在不同的干扰下都具有良好的性能,能够抑制低频振荡,并保持系统稳定,同时证明了SFPSO算法的有效性和优越性。

随机漂移粒子群算法的RZWQM替代模型参数优化

根区水质量模型(Root Zone Water Quality Model,RZWQM)被广泛应用于刻画土壤水文循环过程对作物生长的影响,并通过模型率定模拟指导农业生产管理。然而RZWQM模型的一次率定需要较长时间,在可接受时间范围内找到一组合适的模型参数是一件较困难的工作;同时传统的模型参数试错法依赖于使用者的专业知识和经验,也需要多次尝试才能达到较满意的模拟效果。提出使用稀疏网格方法建立RZWQM模型的近似替代模型,并使用随机漂移粒子群优化算法对替代模型进行自动参数优化,将优化后的参数用于RZWQM模型的实际应用模拟。替代模型近似精度高,率定速度快,大大节省了模型参数优化的计算开销。最后将提出的稀疏网格近似替代模型方法结合随机漂移粒子群优化算法使用美国爱荷华州5年玉米-大豆间中的作物产量、排水流量、NO-3-N流失量田间实测数据进行了验证分析。结果显示该方法能够极大地提高模型参数优化效率和节省人力;同时,通过模型性能评价指标PBIAS、NSE和RSR的数值比较也表明该方法优化后的RZWQM模型性能要好于传统试错法的模型性能。

随机权重粒子群算法优化磁轴承系统

为了提高单自由度主动磁悬浮轴承系统的稳定性,采用随机权重粒子群算法与传统PID控制相结合的方法,将随机权重粒子群算法与线性递减权重粒子群算法进行函数测试对比,结果表明,随机权重粒子群算法能够更快、更准确地找出优化函数的最优值。通过MATLAB/Simulink构建系统模型并进行仿真对比,证明随机权重粒子群算法可以更好地提高系统的稳定性。

基于随机漂移粒子群算法的WSNs节点定位

提出了随机漂移粒子群优化(RDPSO)算法,并将该算法应用于接收信号强度指示(RSSI)定位算法中,以降低由RSSI测距产生的定位误差。在仿真实验中,分别比较了基于RDPSO和PSO的RSSI定位算法。实验结果表明:RDPSO算法是在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法收敛速度快,稳定性能好,精度高,适用于WSNs节点定位问题。

基于量子行为粒子群优化方法的随机规划算法

在不断变化的金融市场中,多阶段投资组合优化通过周期性地重组投资对象来追求回报最大,风险最小。提出了使用基于量子化行为的粒子群优化算法(Quantum-behaved Particle Swarm Optimization,QPSO)解决多阶段投资优化问题,并使用经典的利润风险函数作为目标函数,通过算法对标准普尔指数100的不同股票和现金进行投资组合的优化研究。根据实验得出的期望收益率与方差表明,QPSO算法在寻找全局最优解方面要优于粒子群算法(Particle Swarm Optimization,PSO)和遗传算法(Genetic Al-gorithm,GA)。

求解多目标社区发现问题的离散化随机漂移粒子群优化算法

针对求解复杂网络的多目标社区发现问题,提出了一种离散化随机漂移粒子群优化(DRDPSO)算法。首先,通过对社区进行随机化编码操作和针对随机漂移算法的离散化操作,来改善局部网络结构并逐渐增强全局模块度值;其次,根据核K均值(KKM)和比例割(RC)两个目标函数来控制网络中的社区规模、缓解模块度分辨率限制;最后,根据多目标求解策略逐步更新Pareto非劣解集,从Pareto非劣解集选取满足需求的目标社区结构。为了验证所提算法的有效性,将DRDPSO算法与其他社区发现算法在三种具有10个不同参数设置的生成网络及三种真实网络上进行对比实验,并采用两个最佳社区评价指标对各算法获得的社区发现结果进行对比分析。实验结果表明,使用DRDPSO算法求解复杂网络的多目标社区发现问题时,获得的社区发现评价指标(归一化互信息和模块度)最高的概率达到95%以上。可见DRDPSO算法在真实网络进行应用能进一步地提高网络社区划分的精确度和鲁棒性。

基于随机漂移粒子群优化的随机森林预测模型及水文应用实例

提出一种基于随机漂移粒子群(RDPSO)算法优化的随机森林(RF)预测方法,利用RDPSO算法优化RF决策树数量和分裂属性个数两个关键参数,构建RDPSO-RF预测模型,并与基于RDPSO算法优化的支持向量机(SVM)、BP神经网络预测模型作对比,以某水文站枯水期1～3月月径流预测为例,利用实例前43年和后10年资料对3种模型进行训练和预测.结果表明,RDPSO-RF模型对实例1～3月月径流训练、预测的平均相对误差绝对值分别为4.28%、3.88%、5.67%和3.74%、4.57%、4.88%,训练、预测精度均优于RDPSO-SVM、RDPSO-BP模型,具较好的预测精度和泛化能力,可为相关预测研究提供参考和借鉴.

基于随机漂移粒子群优化算法的三维脑部磁共振图像分割

设计并验证了一种应用于马尔科夫随机场的脑部磁共振图像的分类模型。该模型是基于随机漂移粒子群优化算法。它相对于标准粒子群算法在收敛速度和优化性能方面都有显著提升。针对模拟和临床脑部磁共振图像的实验结果表明,该模型与模拟退火、标准粒子群算法相比,具有更好的收敛性能和分割精度,是一种有效的图像分类模型。

基于改进随机漂移粒子群算法的微电网优化运行

微电网的运行优化对其发展有着重要意义,通常是通过优化其可靠性与经济性来实现这一目标。本文提出了并网模式下考虑经济性、可靠性的微电网多目标优化调度模型,为了有效地解决所提出的模型,利用改进的随机漂移粒子群算法对模型进行了求解。并以17节点微电网仿真系统为例进行了仿真计算,并与其他方法进行了对比,进一步验证了所提方法在提高可靠性和经济性上有着明显的优越性和有效性。

基于GIS空间分析与改进粒子群算法的变电站全寿命周期成本规划

市场环境下,变电站设计方案的全寿命周期经济性是变电站规划的重要因素之一。建立基于设备全寿命周期成本的配电网变电站选址定容新模型,该模型考虑了规划变电站上级输电网、下级配电网及变电站的初始投资、运行成本、维护成本、故障成本和废弃成本,使得规划方案在满足可靠性要求的同时达到经济性最优。利用ArcGIS的空间分析功能来处理选址定容过程中地理因素的限制,提高了规划效率。提出将k均值聚类分析与多种群随机粒子群算法相结合的改进算法对上述模型进行求解,该算法克服了传统粒子群优化算法的早熟现象,全局寻优能力得到显著提高。最后规划实例证明了所提出的模型和方法是正确和有效的,其具有很高的实用价值。

基于LCC和改进粒子群算法的配电网多阶段网架规划优化

市场环境下,配电网规划方案全寿命周期经济性变得越来越重要。基于设备全寿命周期成本建立了配电网多阶段网架及开关布置规划新模型,模型同时考虑了规划方案初始投资、运行维护成本、停电成本、报废成本;在满足各阶段负荷发展需求的条件下,以规划项目全寿命周期经济性最优为目标函数确定不同支路的建设时间;建立了配电网停电成本计算模型,该模型反映了停电频率、停电持续时间及停电电量对停电成本的综合影响。提出一种将均值聚类与随机粒子群算法相结合的改进离散粒子群算法对上述模型进行求解,该算法克服了基本粒子群算法的"早熟"问题。该规划方法使得规划方案不仅满足全寿命周期经济性最优,而且兼顾一定的可靠性水平。规划实例验证了上述模型和方法的正确性和有效性。