一种GMRES与GMERR的混和算法

近年来Krylov子空间类算法得到了很大的发展,其中GMRES算法已成为求解大型稀疏非对称线性系统的一种成熟并且很有效的解法。但该算法有时会出现停滞,并且它是以残量来判断收敛,并不能很好地衡量近似解的精确程度。而GMERR算法是最近几年出现的另一种Krylov子空间类算法,它和GMRES算法相比是各有千秋。文章结合两种算法的优点,提出了一种组合算法,它对求解大型稀疏非对称线性系统相当有效。

基于混合遗传蚁群算法的多Agent动态任务分配研究

在多Agent系统中,由于任务的复杂性和Agent之间的异构,Agent的动态任务分配问题实际上是一个NP难优化问题。针对MAS的任务分配问题的动态特性,首先建立任务分配数学模型,建立任务分配优化的目标函数;其次提出了一种混合遗传蚁群算法。利用遗传算法快速迭代和蚁群算法正反馈信息、分布式求解的特点实现任务分配的组合优化。实验仿真的结果分析表明,该算法具备较好的全局收敛效率和求解精度,可明显提升多Agent系统的性能。

大规模电力系统快速潮流计算方法研究

直接法和迭代法是求解线性方程组的两类常见方法,比较了多波前算法(MA)、GMRES算法、FGMRES算法在大规模电力系统潮流计算中的求解效率。经IEEE118节点、300节点和Poland共7个算例仿真测试表明,基于ILU分解法预条件子的FGMRES算法的内迭代次数较GMRES算法明显减少,但整体求解时间较GMRES算法长;多波前算法的求解速度较二者快。基于PQ分解法预条件子,提出一种GMRES-MA混合算法,在GMRES算法每步迭代过程生成Krylov子空间后,利用多波前算法(MA)直接求解辅助预处理方程组。算例测试结果表明,随着系统规模的增长,该方法的内迭代次数较GMRES算法有所减少,并且计算时间较GMRES算法和多波前算法(MA)均有所降低,适合于大规模电力系统潮流计算的快速求解。

大规模电力系统快速潮流计算方法

大规模电力系统正常运行，要保证系统的稳定性，对于大规模电力系统稳定性要通过电气计算来观察，常用的计算方法即是潮流计算方法，而方法常见有的直接法与迭代法，这两种方法在求解线方程组上经常运用到，在大规模电力系统中计算求解率较快的方法有GMRES算法、多波前算法（MA），传统的FGMRES算法虽然在算法内迭代次数上运用少，但是计算使用时间相对于GM—RES算法、多波前算法（MA）计算时间长。随着科技的发展一种新型的GMRES—MA混合算法兴起，在原来计算的基础上叠加了多波前算法（MA），降低了算法内迭代的次数，非常适用于电力系统的计算。

实时优化算法在汽车动力系统控制问题中的应用

本文介绍一种非线性实时优化算法及其在汽车动力系统控制中的应用.首先,回顾了求解线性代数方程的GMRES算法以及如何将其用于求满足Pontryagin条件的实时优化问题的解.该算法提供一种求解一般非线性滚动时域控制问题的数值方法.由于其计算量小,因此能够完成汽车动力系统控制中的快速暂态控制问题并保证实时性.随后介绍这种实时优化算法在内燃机扭矩跟踪控制问题和混合动力系统能源管理问题的应用实例,并且给出了其分别在发动机控制实验台架和GT-SUITE仿真器上完成的实验及仿真验证结果.