V2G模式下基于SaDE-BBO算法的有源配电网优化

为了解决大规模电动汽车入网难以实现个体调度以及集群调度存在“维数灾”的问题,建立基于车辆到电网(vehicle-to-grid,V2G)模式的有源配电网分层分区优化运行模型。其中,上层优化模型对电动汽车集控中心(electric vehicle agent,EVA)进行调度,优化各区域EVA的充放电功率并作为下层优化模型的输入;下层优化模型调整各调压方式。在优化算法方面,提出一种自适应差分进化-生物地理学优化(self-adaptive differential evolution-biogeography-based optimization,SaDE-BBO)算法,并在改进的IEEE 33节点配电系统中进行仿真分析。结果表明:在不同充电控制策略下,V2G模式与各调压方式的协调互动在降低各区域EVA运营成本、平抑负荷波动以及保证有源配电网的安全和经济运行方面优势显著,与其他优化算法相比,SaDE-BBO算法具有更优质的解和更好的收敛性。

A Hybrid Differential Evolution Algorithm Integrated with Particle Swarm Optimization

To implement self-adaptive control parameters,a hybrid differential evolution algorithm integrated with particle swarm optimization( PSODE) is proposed. In the PSODE, control parameters are encoded to be a symbiotic individual of original individual,and each original individual has its own symbiotic individual. Differential evolution( DE) operators are used to evolve the original population. And,particle swarm optimization( PSO) is applied to co-evolving the symbiotic population. Thus,with the evolution of the original population in PSODE, the symbiotic population is dynamically and self-adaptively adjusted and the realtime optimum control parameters are obtained. The proposed algorithm is compared with some DE variants on nine functions. The results show that the average performance of PSODE is the best.

Covariance Matrix Learning Differential Evolution Algorithm Based on Correlation

Differential evolution algorithm based on the covariance matrix learning can adjust the coordinate system according to the characteristics of the population, which makes the search move in a more favorable direction. In order to obtain more accurate information about the function shape, this paper proposes covariance matrix learning differential evolution algorithm based on correlation (denoted as RCLDE) to improve the search efficiency of the algorithm. First, a hybrid mutation strategy is designed to balance the diversity and convergence of the population;secondly, the covariance learning matrix is constructed by selecting the individual with the less correlation;then, a comprehensive learning mechanism is comprehensively designed by two covariance matrix learning mechanisms based on the principle of probability. Finally, the algorithm is tested on the CEC2005, and the experimental results are compared with other effective differential evolution algorithms. The experimental results show that the algorithm proposed in this paper is an effective algorithm.

Chemical process dynamic optimization based on hybrid differential evolution algorithm integrated with Alopex

To solve dynamic optimization problem of chemical process (CPDOP), a hybrid differential evolution algorithm, which is integrated with Alopex and named as Alopex-DE, was proposed. In Alopex-DE, each original individual has its own symbiotic individual, which consists of control parameters. Differential evolution operator is applied for the original individuals to search the global optimization solution. Alopex algorithm is used to co-evolve the symbiotic individuals during the original individual evolution and enhance the fitness of the original individuals. Thus, control parameters are self-adaptively adjusted by Alopex to obtain the real-time optimum values for the original population. To illustrate the whole performance of Alopex-DE, several varietal DEs were applied to optimize 13 benchmark functions. The results show that the whole performance of Alopex-DE is the best. Further, Alopex-DE was applied to solve 4 typical CPDOPs, and the effect of the discrete time degree on the optimization solution was analyzed. The satisfactory result is obtained.

基于DE的浮点数编码自适应进化算法研究

DE自问世以来,一直是进化计算研究的热点。DE有着良好的搜索特性、较强的鲁棒性和较高的微调能力。而浮点数编码在提高算法性能和运算质量,将进化算法应用于工程优化领域中有着其它编码所不能比拟的优势。本文将DE与浮点数编码的进化计算相结合,提出了基于DE的浮点数编码自适应进化算法。经过分析和实验,验证了本算法在搜索性能上是可靠的,方法是可行的,在工程优化中具有较强的实用性。

改进DE算法求解混合流水车间负荷平衡问题

为解决混合流水车间不相关并行机负荷平衡排产优化问题,建立了混合流水车间负荷平衡优化问题数学模型,以并行工位加工时间负荷平衡代价与总工位等待时间加权求和之值作为负荷平衡评价指标。全局优化算法采用双种群自适应差分进化算法,该算法设计了新的双种群结构和协同进化方式,并引入随停止代数自适应调整进化参数的策略,以增强跃出局部极值、保持进化活力的能力。为进一步提高算法搜索最优解效率,设计了一种基于负荷平衡选择概率的初始种群建立方法,以提高初始种群中初始解的质量、缩小有效解空间。基于汽车生产中的实例数据,将双种群自适应差分进化算法与遗传算法、差分进化算法、自适应差分进化算法进行仿真比较,结果表明,双种群自适应差分进化算法的负荷平衡评价指标有显著的降低。

SADE-ELM电容层析成像流型辨识算法

针对电容层析成像反问题流型识别较难的问题,提出了一种新的ECT流型辨识算法——差分演化优化极端学习机算法,进而提出了基于自适应差分演化优化极端学习机(Sa DEEML)的ECT辨识算法.在论述极端学习机算法的基础上,结合差分演化算法对极端学习机算法进行优化,自适应差分演化算法中的关键参数,通过训练得到各类流型的分类器的参数,构造分类器进行精准与快速分类.实验结果表明:该算法能有效克服极端学习机算法的缺点并提高了局部与全局收敛能力,通过与BP、SVM算法比较,该算法具有竞争力,并为电容层析成像流型辨识的研究提供了新算法.

Optimal Kinematics Design of MacPherson Suspension: Integrated Use of Grey Relational Analysis and Improved Entropy Weight Method

Selecting design variables and determining optimal hard⁃point coordinates are subjective in the traditional multiobjective optimization of geometric design of vehicle suspension,thereby usually resulting in poor overall suspension kinematic performance.To eliminate the subjectivity of selection,a method transferring multiobjective optimization function into a single⁃objective one through the integrated use of grey relational analysis(GRA)and improved entropy weight method(IEWM)is proposed.First,a comprehensive evaluation index of sensitivities was formulated to facilitate the objective selection of design variables by using GRA,in which IEWM was used to determine the weight of each subindex.Second,approximate models between the variations of the front wheel alignment parameters and the design variables were developed on the basis of support vector regression(SVR)and the fruit fly optimization algorithm(FOA).Subsequently,to eliminate the subjectivity and improve the computational efficiency of multiobjective optimization(MOO)of hard⁃point coordinates,the MOO functions were transformed into a single⁃objective optimization(SOO)function by using the GRA-IEWM method again.Finally,the SOO problem was solved by the self⁃adaptive differential evolution(jDE)algorithm.Simulation results indicate that the GRA⁃IEWM method outperforms the traditional multiobjective optimization method and the original coordinate scheme remarkably in terms of kinematic performance.

PSO-STDEA优化航天器引力辅助轨道发射机会

深空探测航天器多次引力辅助转移轨道设计中的发射时刻与行星间的转移时长等发射机会关键参数的优化会因行星的周期性运动而陷入局部最优解,传统方法不易求出全局最优解。为此,文中提出了基于粒子群算法的自适应两阶段差分演化算法(PSO-STDEA)对行星际多次引力辅助转移轨道的发射窗口及各行星间转移时长进行优化。将该算法优化得到的轨道参数数据输入轨道仿真平台进行轨道仿真分析,经验证所优化的轨道正确,同时与国际公认的优化解对比,该算法得到的数据更优。通过实验对比分析与仿真,验证了该算法的有效性。

基于SAHDE-RVM的铁路短期风速预测研究

针对铁路短期风速预测方法中人工神经网络(ANN)易陷入局部最小值、支持向量机(SVM)核函数选择困难等缺陷,提出采用一种基于自适应混合差分进化相关向量机(SAHDE-RVM)对铁路短期风速进行预测研究。首先,改进自适应差分进化算法,引入模拟退火算法对种群的当前最优个体进行二次寻优,形成自适应混合差分进化算法,然后将自适应混合差分进化算法与相关向量机结合,建立自适应混合差分进化相关向量机模型,最后利用本文模型对国内某两段不同铁路沿线实测风速数据进行预测,预测结果表明,本文模型的预测指标均优于传统差分进化算法(DE)参数寻优的相关向量机模型及最小二乘支持向量机(LS-SVM)模型,具有更加出色的预测性能。

变风量末端装置的基于IPSA-DE算法室温PI~λD~μ-送风量PI串级控制器的数值仿真

目前,空调房间配用的变风量末端装置(Variable Air Volume Terminal,VAV-TMN)往往采用整数阶PID-P串级调节方式,这带来了室温控制误差和超调量较大以及调节时间较长等问题。鉴于此,提出了空调VAV-TMN的室温分数阶PID-送风量PI的串级调节器设计方法。首先,综合分析空调工艺和自动控制的相关要求,对室内温度对象、温度和风量测量变送单元、送风量执行单元分别进行建模,确定主控制器为室温分数阶PID控制器(Indoor Temperature Fractional Order Proportional Integral Derivative Controller,IT-FOPIDC)和副控制器为送风量PI控制器(Sending Air Volume Proportional Integral Controller,SAV-PIC)的控制策略。其次,基于改进的自适应差分进化(Improved Parameter Self-adaptive Differential Evolution,IPSA-DE)算法来分别整定出IT-FOPIDC和SAV-PIC的控制参数最佳值。最后,借助MATLAB/Simulink工具,对该空调VAV-TMN的室温PIλDμ-送风量PI串级调节系统进行组态和数值模拟相应的控制效果。结果表明,该串级控制系统在理论上是可行的,且室温的控制效果明显优于基于Ziegler-Nichols整定法和DE算法的整数阶室温PID-送风量PI串级调节系统。

融合SDE算法和双路加权门控循环神经网络的股价走势预测模型

关于股票价格走势的预测,传统的操作方法多是通过统计分析工具或者是单一的机器学习算法进行预测,很难准确把握股价这种时间序列数据的非线性和非平稳性等特征,从而使预测精度受限.融合SDE算法与加权BiGRU网络的优化预测模型,先使用SDE全局寻优网络的结构参数,求得最优初始权值、阈值以及权重系数,再将优化的参数应用到改良的加权BiGRU网络模型中进行预测.优化的预测模型能够有选择的考虑过去和未来时间点对当前时刻数据的影响,而且能有效避免局部最优值以及网络的长程依赖问题.实验结果表明,优化的预测模型与其他传统神经网络预测模型相比较,预测误差得到显著降低,预测准确度得到明显增强.

基于改进自适应DE算法的分数阶PI~λD~μ参数优化

通过实现变异算子F和交叉算子CR的自适应,改进差分进化算法。将改进后的算法用于优化直流电机位置伺服系统的分数阶PI~λD~μ控制器参数,并评价其位置阶跃响应性能。实验结果表明,对于分数阶PI~λD~μ参数的整定,相较于粒子群算法、遗传算法、传统差分进化算法,用改进差分进化算法优化后的控制系统具有响应速度快、超调量小等优点。

基于JADE-ELM的煤巷围岩稳定性预测

为了对煤巷围岩稳定性进行科学、准确的预测,提出了一种将自适应差分进化算法(JADE)与极限学习(ELM)结合的煤巷围岩稳定性预测新方法。基于ELM训练速度快、泛化能力好和易获取全局最优解的优点,采用JADE优化ELM的输入权值矩阵和隐含层偏差,减少随机性造成的误差,建立JADE-ELM煤巷围岩稳定性预测模型。利用霍州煤矿区煤巷实测数据进行实例分析,并将预测结果与ELM、BP、RBF神经网络比较。结果显示:JADE-ELM模型预测平均精度为97.85%,比ELM、BP、RBF模型分别高出4.05%、17.85%、22.85%,JADE-ELM模型具有更高的预测精度,能够更准确的对煤巷围岩稳定性进行预测。

自适应人工蜂群优化极限学习机在拉曼光谱血液定量分析中的应用

提出了一种基于自适应差分进化人工蜂群优化极限学习机预测血液各组分浓度的方法。首先应用人工蜂群算法对输入权值和隐含层阈值迭代寻优;其次结合差分进化进一步提高模型精度且避免后期易陷入局部最优等问题;由于差分进化算法交叉率和变异率存在凭经验给定的不确定性,最后引入了自适应调整的思想提出自适应差分进化人工蜂群算法优化极限学习机算法的模型,将其应用于血液成分定量分析中。实验表明,自适应差分进化人工蜂群算法优化的极限学习机模型具有较高的预测精度,模型具有较强的稳健性。

基于实数编码的自适应遗传算法及应用

为了解决遗传算法(GA)存在的早熟收敛、收敛速度慢等不足,从编码方式及遗传算子操作等几个方面对其作了改进,提出了一种基于实数编码的自适应遗传算法(RAGA)．基于典型复杂函数的优化仿真结果表明,该算法的全局收敛速度和命中全局最优值的几率相对标准遗传算法(SGA)有较大提高．

自适应遗传算法在环状管网水力计算中的优化设计

介绍了如何应用双重编码的自适应遗传算法对依靠重力供水的环状管网进行水力计算的优化设计。用遗传算法随机生成水头标高和管径,再由随机生成的水头标高和管径求出非线性的流量分配方案和管径组合方案,然后通过自适应遗传算法的交叉和变异操作,使不适应的个体通过交叉和变异成为满足的约束条件的个体,从而达到优化的目的。结果表明,遗传算法在水力计算中有着独特的优势,它能使管网的流量分配和管径选择同时完成。

改进的差分演化算法及其在函数优化中的应用

提出了一种改进的差分演化算法,该算法记录下了差分演化算法在对每个个体进行变异操作时的差向量,然后以被变异的个体作为邻域的中心,以所记录的差向量作为邻域的半径,再在这个邻域内进行一次挖掘式的搜索。这一改进增强了原差分演化算法的局部搜索能力。典型多峰函数优化的仿真结果表明,改进后的算法具有比原差分演化算法更快的收敛速度,同时新算法也保持了原差分演化算法良好的全局搜索能力。

带局部搜索的动态多群体自适应差分进化算法及函数优化

提出将一种改进的差分进化算法——带局部搜索的动态多群体自适应差分进化算法(DMSDELS)应用于函数优化.该算法将种群中的个体随机动态分成多个子群体,以增强个体间的信息交换;变异操作中,选择最优个体为基向量,差分向量的方向选择有利于搜索的方向,以提高收敛速度;变异尺度因子F与交叉概率CR采用自适应机制,以平衡局部搜索与全局搜索;部分优秀个体搜索达到指定代数进入局部搜索,以加快收敛.通过对13个benchmark典型复杂函数进行测试,并与其他七种优化算法进行比较,仿真结果表明:DMSDELS算法具有较高的搜索精度和收敛性,且具有较强的跳出局部最优解能力.

改进的模糊聚类算法在负荷预测中的应用

针对传统的c均值模糊聚类算法易陷入局部最优解、初始值c值的给定存在着很大的人为因素以及在整个计算过程中无法自我调节的缺陷,利用遗传算法的全局寻优能力并采用一种新式的双码染色体编码方法对传统的c均值模糊聚类算法进行了改进,同时将这一自适应的SFGO(SamplingFuzzyc-meanswithGeneticOptimization)算法运用到电力系统的中长期负荷预测中,得到了比较好的效果。