多元优化算法及其收敛性分析

提出了一种搜索个体分工明确、协同合作的群智能优化算法,并从理论上证明了其收敛性.由于搜索个体(搜索元)具有分工不同的多元化特点,所以我们称该算法为多元优化算法(Multivariant optimization algorithm,MOA).多元优化算法中,全局搜索元和局部搜索元基于数据表高效的记录和分享信息以协同合作对解空间进行搜索.在一次迭代中,全局搜索元搜索整个解空间以寻找潜在解区域,然后具有不同种群大小的局部搜索元组对潜力不同的历史潜在解区域以及新发现的潜在解区域进行不同粒度的搜索.搜索元找到的较优解按照一定的规则保存在由队列和堆栈组成的结构体中以实现历史信息的高效记忆和共享.结构体中保存的候选解在迭代过程中不断更新逐渐接近最优解,最终找到优化问题的多个全局最优解以及局部次优解.基于马尔科夫过程的理论分析表明:多元优化算法以概率1收敛于全局最优解.为了评估多元优化算法的收敛性,本文利用多元优化算法以及其他五个常用的优化算法对十三个二维及十维标准测试函数进行了寻优测试.实验结果表明,多元优化算法在收敛成功率和收敛精度方面优于其他参与比较的算法.

多元优化算法可达性分析

提出了一种多元化群智能优化算法—多元优化算法。多元优化算法充分利用了现代计算机多核处理器,大内存的特点,通过多元化的搜索个体(元)对优化问题解空间进行搜索,并对历史信息进行选择记忆。该算法因搜索群具有分工不同的多元化特点而得名。搜索元按照职责不同而分为全局元和局部元,全局元负责在整个搜索空间进行全局搜索并找到潜在解区域,局部元负责在各个潜在解区间进行局部搜索以期望找到该区域更好的解。本文从理论上证明了该算法的可达性。基于标准函数的对比实验也验证了该方法在可达性方面优于其他几个参与比较的算法。

基于多元优化算法和DS证据理论的电力缺陷等级确定方法

当前由运维人员评判的电力缺陷等级,判别准确性和一致性无法保障,影响电网维护工作的开展及缺陷的及时消除。故此,本文提出了一种基于多元优化算法(multi-variant optimization algorithm,MOA)及DS证据理论的电力缺陷等级确定方法。此方法首先基于训练集建立的词向量表加权得到各缺陷描述的向量表达,同时根据灯色缺陷等级辨识对应权值表将实验数据中的红绿灯信息向量化;然后使用MOA算法寻找向量化训练集数据的最优搜索半径区间;最后使用DS证据理论决策融合测试集在最优搜索半径区间内的50次MOA判别结果。实验结果表明,本文所提方法的判别准确率、召回率和F值均优于传统的k-means模型,验证了本方法在电力缺陷等级确定中的有效性和可行性。

优化的SOA算法在MOA老化在线监测中的应用

为解决金属氧化物避雷器(MOA)老化在线监测问题,对人群搜索算法(SOA)进行了优化并将其应用于MOA老化状况在线监测.该算法通过适应度值的变化动态改变高斯函数的参数,从而自适应地确定搜索步长,进而通过求解MOA等效模型中能够反映其老化状况的参数C、k、α达到在线监测的目的.通过MATLAB仿真电网中的谐波电压、电网频率波动、电压波动研究该算法的性能.研究表明:本文所提出的优化的人群搜索算法(OSOA)具有更快的收敛速度,且该算法不受电网中谐波电压、频率波动、电压波动的影响;当电网中存在谐波电压、频率波动及电压波动时,本文所提出的算法求解出的C、k、α值最大相对误差分别为8.33×10^-4%、0、3.33×10^-3%.因此,该算法具有很好的抗干扰性,能够较好地应用在MOA的老化在线监测技术中.