基于GSO-GPR算法的岩层移动角预测模型及其应用

为快速准确获取金属矿地下开采岩层移动角,提出基于群搜索优化(GSO)算法的改进高斯过程回归(GPR)理论。以矿体上下盘围岩性质、上下盘围岩稳固程度、地下水情况、矿体走向长度、矿体倾角、开采厚度及深度9个影响因素作为判别指标,结合35组实测数据建立金属矿充填开采岩层移动角学习预测模型。将该模型应用于三山岛金矿岩层移动角预测,利用UDEC数值模拟结果进行对比验证,同时分析三山岛金矿海下开采对上盘竖井的影响。研究结果表明:(1)GSO-GPR预测模型对地下开采岩层移动角的预测效果良好,预测精度在5%以内;(2)三山岛金矿上、下盘岩层移动角分别为72°和68°;(3)当前矿山开采未对竖井造成影响,但随着开采深入至-658 m水平,竖井将进入塌陷范围。

求解大规模全局优化问题的新型三层递归差分分组方法

协同进化算法在求解大规模全局优化问题上具有较好的效果,其核心思想是利用分而治之的策略将一个高维问题分解成若干个子问题,然后分别优化每个子问题.然而,现有的分解方法通常需要花费大量的计算成本来获得精确的变量分组.通过采用递归交互检测中的历史信息简化分组过程,能够避免检测某些集合的相互关系,本文提出了一种新型三层递归差分分组策略(NTRDG).与其他4种现有的分组方法相比,NTRDG在不影响分组精度的情况下计算成本消耗较低.仿真结果表明,NTRDG在求解大规模全局优化问题时具有很强的竞争力.

快速群搜索优化算法及其在电力系统经济调度中的应用

经济调度(economic dispatch,ED)是电力系统优化的一项重要工作。为得到一个更加精确且实用的ED模型,在模型中考虑了机组阀点效应和多燃料。该ED模型具有非凸、高维、非线性和不可微的特性,求解较为困难。为更好地求解该ED模型,提出一种快速群搜索优化算法(fast groupsearch optimizer,FGSO),该算法能以更少的计算资源得到更高的收敛精度。对3个测试系统的ED模型进行求解,结果表明,FGSO比其他算法收敛速度更快,计算时间更短,能得到更小的发电费用值,且在高维的、具有多局部最优点的复杂优化问题中具有更加突出的优势。因此,FGSO用于求解该复杂ED模型是可行的、快速的和有效的。

基于群搜索优化算法的配电网重构

提出了基于群搜索优化算法的配电网重构方法,以系统有功网损最小为目标建立了配电网重构模型,选择种群中网损最小的个体为发现者,剩余个体分别作为加入者和游荡者。在寻优过程中,应用快速支路交换法对发现者进行局部物理寻优,加入者向发现者逐步靠近执行追随搜索,游荡者在解空间中随机搜索。该方法实现了全局搜索与局部寻优的良好配合,提高了搜索效率,具有较好的全局收敛性。算例结果验证了该方法的有效性。

一种基于差分策略的群搜索优化算法

针对群搜索优化(Group Search Optimizer,GSO)算法易陷入局部最优、收敛速度较慢、收敛精度较低等问题,提出一种基于差分策略的群搜索优化(Differential Ranking-based Group Search Optimizer,DRGSO)算法。主要进行两方面改进:1)按照适应度值的大小对种群进行排序,适当增加发现者的数目,使种群能够获得更好的启发式信息,加快了算法的收敛速度,有效地避免了算法陷入局部最优;2)在发现者搜索过程中,引入4种不同的差分变异策略,提高了算法的收敛精度,增强了算法的群体多样性在。11组国际标准测试函数上的实验测试结果显示,与GA,GSO,PSO算法相比,DRGSO算法具有较强的全局搜索能力以及局部资源勘探能力,算法整体收敛性能明显提高。

新的基于混沌搜索的组优化算法

为提高组搜索优化(GSO)算法的性能,结合混沌方法的全局搜索特性,提出一种新的基于混沌搜索的组搜索优化(CGSO)算法。此方法中,生产者利用混沌搜索方法不断寻找较好的位置;占领者结合当前生产者的位置和自己运动到目前为止的最好位置对自己当前的位置进行更新;徘徊者采用混沌变异方法探索新的位置。该算法运用Logistic映射的初值敏感性扩大搜索范围,利用其全局遍历性进行位置搜索,有效地提高了算法的全局收敛性。采用CGSO、GSO算法对四个典型的函数优化问题进行了仿真实验,仿真结果验证了方法的有效性。

一种改进的群搜索优化方法

标准的群搜索优化(GSO)方法是一种适用于解决高维函数优化问题的群智能算法,且简单、高效,易于实现。为了进一步提高其收敛速度和精度,对该方法进行了改进。在保留其"发现者—追随者—游荡者"框架的同时,改进的GSO方法将最大下降方向策略引入发现者行为。在每轮迭代中,发现者不但按照自身方向进行搜索,同时也根据最大下降方向进行搜索。分别通过23个基准测试函数对2种优化方法进行测试,结果表明:改进的GSO方法优于标准群搜索方法。

基于改进群搜索算法的含光伏发电的配电网优化重构研究

配电网中光伏发电装机容量迅速上涨,针对其所带来的波动性和间歇性对配电网重构后的可靠性和经济性产生的影响,提出一种含光伏发电的配电网优化重构策略。首先。以网损最小化为目标函数,建立含光伏发电的配电网数学模型;其次,运用模糊理论对群搜索算法进行改进,并将改进群搜索算法应用到配电网重构路径的优化中;最后,通过算例对含光伏发电的配电网进行分析。结果表明,该方法收敛速度快、寻优时间短且动作次数少,有效提高了配电网的运行经济性。

水电站群联合调峰调度均匀逐步优化方法

由于受到系统规模逐年扩大、调度要求日趋精细和约束集合日渐庞杂等诸多因素影响,如何快速制定合理的发电调度计划是水电站群联合调度面临的关键科学难题,集中体现在初始解的快速生成机制、决策空间的科学辨识模式以及行之有效的优化调度方法等3个方面。为此,从工程实用化角度出发,提出求解水电站群联合调峰调度问题的均匀逐步优化方法。该方法首先依据水电系统相邻日运行工况估算各水电站可能发电能力,并由上游到下游依次采用切负荷方法来快速生成初始解;然后将多阶段决策问题分解为若干两阶段子问题进行求解,并将均匀试验设计耦入各阶段决策变量集合的构造工作,指导算法优选少数富有代表性的决策变量,大幅减少运算量与存储量,进而降低方法的计算复杂度;同时,在寻优过程中将多重复杂运行约束统一集成至指定约束,以动态辨识可行搜索空间,进而降低算法的计算消耗。工程应用结果表明,所提方法可快速获得满意调度结果,能够切实服务于水电调度运行工作的开展。

含分布式电源的配电网络重构

随着分布式电源在电力系统的逐步推广,考虑分布式电源的配电网重构具有广阔的发展前景。提出基于Metropolis准则的群搜索优化算法,并对含分布式电源的配电网进行重构。Metropolis准则能够有效解决发现者局部寻优时产生错误的搜索方向,从而跳出局部极值点,提高了优化的效果。算例结果表明分布式电源的引入提高了节点电压,降低了有功网损,并验证了算法的可行性。

多目标快速群搜索优化算法及在模型修正中的应用

为解决群搜索算法在求解多目标优化问题时易陷于局部最优或过早收敛,限制其在复杂结构模型修正中的应用问题,提出改进的群搜索优化算法-多目标快速群搜索优化算法(MQGSO)。采用LPS搜索方法对发现者进行迭代更新,能使发现者更快到达最优位置,提升寻优效率;对追随者增加速度更新机制,考虑其自身历史最优信息以保证收敛精度,并在算法后期采用交叉变异策略增加追随者个体多样性,避免陷入局部最优;在游荡者迭代更新中引入分量变异控制策略,增加其搜索的随机性,提高算法的全局寻优性能。通过7个典型多目标优化测试函数及某发射台有限元模型修正实例,对算法性能进行验证分析。结果表明,与已有MPSO(Multi-objective Particle Swarm Optimization)及MBFO(Multi-objective Bacterial Foraging Optimization)两种算法相比,所提MQGSO算法搜索性能更强、收敛速度更快、计算精度更高,不失为求解复杂多目标优化问题的有效方法。

基于全局最优值的群搜索优化算法

标准群搜索优化(group search optimizer,GSO)算法在搜索的前期易于陷入局部最优,造成收敛速度变缓甚至在搜索时停滞等问题。针对以上问题对GSO算法进行改进,提出一种基于全局最优值的群搜索优化(global optimal value-based group search optimizer,GGSO)算法,弥补标准群搜索优化算法在搜索的前期易于陷入局部最优的缺陷。通过在GSO算法搜索过程中加入全局最优值方式,改进"发现者–加入者"模型,从而加快算法收敛速度。11个国际标准测试函数的对比实验表明,GGSO算法无论在算法精度还是收敛速度上都优于标准GSO算法。

尺度可调的核函数模型在震荡信号表示中的应用

传统固定尺度的核函数模型不适合稀疏地表示震荡信号.为了提高震荡信号表示的稀疏性,提出了一种尺度可调的核函数模型的建立方法.该方法通过正交最小二乘算法进行逐步回归建模,选择每一个回归子时,利用群搜索算法优化残差目标函数,计算相应的核函数的尺度.实验结果表明,可调核函数模型比传统的固定尺度核函数模型具有更强的稀疏性和泛化能力.

水电站群中长期调度优化

比较了遗传算法和Tabu搜索两种算法的优缺点,针对水电站群中长期调度优化的复杂性、高维性和非线性特点,提出利用TS-GA组合算法的策略,应用于水电站群中长期调度优化中。计算机仿真结果表明:与单一优化算法相比较,TS-GA组合算法具有更强的全局寻优能力和更少的寻优时间,因而是一种很有应用前景的水电站群中长期调度优化方法。

基于模拟退火的差分变异群搜索优化算法

标准群搜索优化算法易陷入局部最优。为此,引入模拟退火策略和差分进化算子,使算法跳出局部极值点,变异和迭代同时进行,并保持前期搜索速度快的特性。测试结果证明,改进算法的全局收敛能力明显提高,个体具有良好的人工智能性,能够真实模拟群体行为。

基于交叉因子和模拟退火的群搜索优化算法

针对目前标准群搜索优化(GSO)算法存在的一些缺点,提出一种基于交叉因子和模拟退火群搜索优化(CMG-SO)算法,通过与模拟退火算法的结合来改善算法的收敛性能,并借鉴遗传算法中的选择交叉操作增加粒子多样性,通过引入交叉因子增强群体成员优良特性,减小了算法陷入局部极值的可能。经过4个常用测试函数测试及与粒子群优化(PSO)算法、群搜索优化(GSO)算法对比,表明了该算法有较好的全局搜索能力和收敛速度,提高了优化性能。

基于发现者预选择机制的自适应群搜索算法

为克服群搜索(GSO)算法早熟的缺点,提高算法收敛速度,提出一种基于发现者预选择机制的自适应群搜索(PSAGSO)算法。首先,依据发现者-追随者模型,采用预选择机制,用倒序变异算子产生新发现者,来引导追随者寻优的方向,有效地维持了群体中个体的多样性;其次,提出一种基于线性递减的动态自适应方法来调整游荡者的分布比例,以提高种群中个体的活力,有利于算法跳出局部最优。通过对12个基准函数进行测试。对于30维函数优化,PSAGSO算法的测试数据优于He等(HE S,WU Q H,SAUNDERS J R.Group search optimizer:an optimization algorithm inspired by animal searching behavior.IEEE Transactions on Evolutionary Computation,2009,13(5):973-990)提供的数据;对于300维函数优化问题,PSAGSO算法的性能更佳。实验结果表明,PSAGSO克服了群搜索优化算法的不足,在一定程度上提高了算法的收敛速度和收敛精度。

改进的群搜索优化算法在桁架结构形状优化设计中的应用

介绍了两种改进的群搜索优化算法IGSO(Improved Group Search Optimizer)——快速群搜索优化算法QGSO(Quick Group Search Optimizer)与快速被动群搜索优化算法QGSOPC(Quick Group Search Optimizer with Passive Congregation),并应用于离散变量桁架结构形状优化设计,包括平面和空间桁架结构.几个实例计算结果表明两种改进的群搜索优化算法(QGSO与QGSOPC)与GSO算法及已有文献方法相比具有较好的收敛精度和较快的收敛速度,只需较少的迭代次数就能寻找到最优解,并且QGSO与QGSOPC算法程序语句比GSO算法程序语句简略得多,易于编程实现,可应用于工程结构的优化设计.

城市大型商场火灾风险评价的投影寻踪模型与应用

根据城市大型商场火灾风险评价指标体系和5级风险评价标准,采用群搜索最优化方法,建立了投影寻踪分类模型,对15个待判定样本进行综合评价,得到了可靠、有效的评价结果。再应用基于信息熵权重的TOPSIS和灰色关联法进行评价,结果与投影寻踪模型分类结果一致。分析了现有的火灾风险神经网络评价模型文献存在的主要问题。研究结果表明:投影寻踪分类模型能很好地适用于城市大型商场火灾风险的综合评价与分类研究,数学意义清晰,后续应用方便。

考虑需求侧响应的园区综合能源系统优化配置

以园区综合能源系统(PIES)的优化配置为研究对象,考虑电力市场分时定价机制下的需求侧响应策略,以PIES的运行成本、污染排放和能耗为优化目标,建立主问题与子问题的迭代优化架构,最后采用多属性决策方法从待选方案中选出最优的系统配置。算例结果表明,可再生能源的接入可以有效地提高PIES的综合效益,引入价格型和替代型需求侧响应后可以进一步提升PIES的经济性,但同时降低了PIES的环保性。