基于NW小世界的量子进化算法在无功优化中的研究

针对量子进化算法的早熟问题,提出了一种适于电力系统无功优化的NW(newman-watts)小世界量子进化算法。该算法引入了NW小世界网络模型,以一种新颖的随机加边方式动态改变种群个体的邻域拓扑结构,从而保证了整个优化过程中的种群多样性,提高了算法的全局搜索能力。应用该算法对IEEE-14节点和IEEE-57节点系统进行无功优化的仿真分析,结果表明,NW小世界量子进化算法在电网无功优化计算中具有较强的全局寻优能力和较高的收敛精度。

基于NW小世界邻居的粒子群多阈值分割算法

针对多阈值分割问题,提出了一种新的多阈值分割算法。此算法采用相对类内方差代替传统Otsu算法中的绝对类内方差,改善了传统Otsu对小对象分割不理想的弱点;采用NW小世界模型作为粒子群优化的社会认知拓扑结构,具有较好的全局寻优能力和较快的收敛速度。实验结果显示此算法具有好的性能。

基于动态NW小世界量子粒子群算法的电力系统无功规划优化

为了解决电力系统无功规划优化问题,提出一种动态NW小世界量子粒子群算法(NWQPSO),改善了传统量子粒子群算法易陷入局部最优的缺点。将NW小世界的动态拓扑结构应用到粒子进化公式中,增加了迭代过程中粒子多样性,使其多局部搜索和全局性搜索。利用电压稳定裕度指标,寻找系统电压稳定性较薄弱节点,将其作为无功补偿安装点,以无功补偿装置投资和网损综合费用为目标函数,通过IEEE30节点系统的仿真,验证了该规划方法和算法的有效性。

基于NW型小世界人工神经网络的污水出水水质预测

为了预测污水处理出水水质,针对污水处理过程具有多变量、非线性、时变性、严重滞后的特点,提出了基于NW型小世界人工神经网络的污水处理出水水质预测模型;首先根据污水处理系统确定模型输入输出变量个数,然后建立了多层前向小世界神经网络模型,并对网络模型的隐层结构进行了优化研究;借助污水处理过程的历史数据进行了仿真研究,结果表明:和同规模的多层前向人工神经网络相比,小世界神经网络对污水出水水质预测具有较高精度和收敛速度,为污水出水水质的实时预测提供了一种有效的新方法。

基于小世界网络的Hopfield联想记忆模型

针对基于Watts-Strogatz小世界网络的联想记忆(WSAM)模型中存在的信息丢失和产生孤立节点的问题,引入Newman-Watts小世界网络,提出了基于NW小世界网络的联想记忆(NWAM)模型,并给出生成方法以及相应的理论算法。与WSAM相比,该模型节点连接数有少量增加,而网络性能却得到极大的改善。对比实验结果表明,在重连概率和全局连接度相同的情况下,NWAM对加噪模式回想的能力要高于WSAM;在噪音干扰不断增加的情况下,NWAM抗噪联想性能始终优于WSAM。最终,利用NWAM模型对加入噪音的交通图像进行识别时,获得了比WSAM更好的识别效果,表现出良好的容错性和对含噪信息的鲁棒处理能力。

基于增广链修复的最大流求解算法

NW小世界网络及BA无标度网络是现实中常见的两种网络,这两种网络中任意两点之间有极大可能存在多条路径,若舍弃饱和增广链并重新寻找增广链,则效率不高,因此针对网络的这一特性提出了一种增广链修复的最大流求解算法。该算法沿最短增广链调整流量后,保留路径上残余的非饱和弧,并用贪心法则选择合适的中继节点修复断开的增广链,提高增广链使用效率。通过对NW小世界网络和BA无标度网络建模仿真,得到并验证了所提算法在这两种网络上的运行速度数倍于Ford-Fulkerson算法且其空间复杂度仅有Dinic算法的一半,因此所提算法能够高效处理更大规模网络流问题,以适应日益膨胀的通信网络和交通运输网络。

复杂动力网络的单变量替换互耦合同步

通过单变量替换使两个混沌系统达到混沌同步.以Lorenz系统为例进行研究,发现在一定的耦合强度范围内,该方法使Lorenz系统迅速实现了混沌的精确同步,同步误差趋于零.应用单变量替换互耦合混沌同步方法对复杂动力网络进行研究,对NW小世界网络模型进行数值模拟,发现此方法使网络各个节点很快达到同步,且同步状态具有鲁棒性.

复杂网络上多智能体系统的一致性研究

如何有效提高多智能体系统的一致性收敛速度是一致性问题中的一个重要研究内容。一致性收敛速度可通过拉普拉斯矩阵的最小非零特征值来衡量,文中通过计算机仿真发现,对于不同的复杂网络模型,影响其一致性收敛速度的因素也不同。提高网络一致性收敛速度的具体方法是:在最近邻耦合网络中,减少节点数N或增大耦合数K;在NW小世界网络中,增加节点数N或者增大随机化加边概率p,因为收敛速度与二者具有良好的线性关系;在Waxman随机图网络中,增加节点数N或增大其模型中的参数α和β,当β增大时,收敛速度整体上呈线性增长,但会出现较小的波动。该研究结果对优化多智能体网络的一致性收敛速度有一定的指导作用。

基于改进差分纵横交叉算法的多区域动态经济调度

多区域电力系统动态经济调度(mutlti-area dynamic economic dispatch,MADED)需要满足各个区域在各个时段的功率平衡约束和每个发电机组的爬坡率约束,同时要考虑阀点效应和多燃料因素,使得费用函数变得非凸、非线性,求解更加复杂。为解决这一问题,提出一种改进的混合算法——NW小世界差分纵横交叉优化算法,该算法需要的收敛次数少,并具有较高的收敛精度。采用该算法解决同时考虑爬坡率、阀点效应和多燃料因素的10机组3区域系统的MADED问题,并将调度结果和其他算法进行比较,比较结果说明该算法具有明显的优越性。

复杂网络的研究进展综述

网络由节点与连接节点之间的边组成。现实世界中存在大量的复杂系统可以用网络来描述。描述这些系统的网络既非完全规则又非完全随机,而是介于两者之间的。因此,介于规则网和随机网之间的复杂网能很好地刻画现实世界。本文介绍了复杂网络的发展史,研究现状及未来发展方向的展望。

考虑多约束的多区域动态经济调度

电力系统动态优化调度在实际的电力系统运行调度中发挥着至关重要的作用。针对目前电力用户的负荷分散性的特点,提出了多区域电力系统的概念。其实质在于:将发电机组划分为多个区域,通过联络线将各个区域之间联系起来。引入NW小世界网络改进混合DEPSO算法,并将其用于求解多约束的多区域动态优化调度问题,改进后的算法具有收敛速度快、精度高等特点。为验证该算法的有效性,对考虑爬坡率、阀点效应和多燃料特性的10机组3区域的算例进行仿真试验。结果表明,NWDEPSO算法在解决多约束多区域的动态经济调度问题方面具备明显的优越性。

基于可变模式分解和NWCSO优化极限学习机的短期风速预测

针对风速时间序列的非线性特征导致其难以准确预测的问题,提出一种基于可变模式分解(variational mode decomposition,VM D)和动态NW小世界纵横交叉算法(dynamic NW small w orld crisscross optimization,NWCSO)优化极限学习机的短期风速组合预测模型。采用一种新型的可变模式分解技术,将原始风速时间序列分解为一系列不同带宽的模式分量以降低其非线性,然后对全部分量分别建立极限学习机模型进行预测,并采用小世界纵横交叉算法对极限学习机的输入权值和隐含层偏置进行优化,以获得最佳的预测效果。实验结果表明,基于VMD的组合预测模型较采用其他常规分解方式时预测精度明显提高。

基于差异性的集群知识管理策略

根据集群知识扩散过程特征及其影响要素的不同,提出了绝对差异、分布差异、丰裕度差异等五种集群知识差异类型,在此基础上构建了集群NW小世界知识扩散过程模型,并利用仿真技术对比分析了各类知识差异对集群知识扩散绩效的影响作用,进而提出了最优集群知识管理策略。研究结果表明:(1)开放性程度越高的集群具有越高的知识扩散绩效,其更适合于向专业型产业集群发展;(2)分布差异越大知识扩散绩效越高,集群应形成高、中、低知识水平企业的梯度分布;(3)具有较高知识内生增长速度且相对封闭的集群在其发展阶段更应重视知识互补性企业的引入,向混业型产业集群发展;(4)知识内生增长速度较快的集群发展到成熟阶段后,应适当控制知识的多元化,向专、精、尖方向发展。