基于改进蚁群算法的配电网重构

配电网重构可以提高配电网运行的安全性、经济性和供电质量,对于当前国内配电自动化系统的建设和应用具有重要意义。以网络损耗最小为目标,提出了一种改进的蚁群算法来求解正常运行条件下配电网络的重构问题。针对基于蚁群算法在求解过程中存在搜索易陷入局部最优解和收敛到全局最优解的时间较长的缺点,从蚁群算法的转移概率和信息素动态更新2方面进行了改进,提高了蚁群算法全局搜索能力与收敛到最优解的速度。最后通过对69节点配电系统算例的仿真,取得了较好的效果,证明了该算法的有效性和可行性。     

基于改进帝国竞争算法的AUV三维路径规划

针对传统蚁群算法在自主式水下机器人的三维路径规划中收敛速度慢、搜索效率低、求解质量差等问题,提出一种基于改进帝国竞争算法的三维路径规划方法。该方法以传统帝国竞争算法为框架,首先,在国家初始化部分引入蚁群思想来搜索初始路径,提高可行解的质量;其次,为确保算法在提高种群多样性的同时不会丢失优秀个体,在殖民地革命部分加入差分进化思想;最后,在三个不同规模的地图上进行仿真比对。仿真结果表明,改进后的帝国竞争算法充分利用传统帝国竞争算法收敛速度快、收敛精度高、具有较强的全局搜索能力的特点,提高了寻优过程的精度,加强了全局的寻优性,有效解决了传统帝国竞争算法容易陷入局部最优解的问题,最优路径的长度缩短了11%。     

基于改进蚁群算法的输电网络扩展规划

针对基本蚁群算法在求解过程中经常出现搜索陷入局部最优解和收敛到全局最优解的时间较长这2个问题,对蚁群算法的转移概率和信息量全局更新进行了改进,提高了蚁群算法搜索全局最优解的能力与收敛到最优解的速度.将改进后的算法应用于单阶段输电网络扩展规划问题,建立了单阶段输电网络扩展规划的数学模型,设计了相应的算法.实例计算结果表明该方法的可行性和有效性.     

改进蚁群算法在配电网规划中的应用

为了克服蚁群算法解决配电网规划问题时存在容易陷入局部最优解的缺点,在蚁群算法和云模型基础上,提出了一种改进蚁群算法。该算法利用云模型对蚁群算法的信息素强度参数和信息素挥发系数进行调整,提高配电网规划过程中的收敛速度和全局搜索能力,并利用分层前推回代算法进行潮流计算。通过算例分析,证明了该方法的可行性和有效性。     

改进蚁群算法在配电网规划中的应用

为了克服蚁群算法解决配电网规划问题时存在容易陷入局部最优解的缺点,在蚁群算法和云模型基础上,提出了一种改进蚁群算法.该算法利用云模型对蚁群算法的信息素强度参数和信息素挥发系数进行调整,提高配电网规划过程中的收敛速度和全局搜索能力,并利用分层前推回代算法进行潮流计算.通过算例分析,证明了该方法的可行性和有效性.     

基于混沌理论和排序选择的蚁群无功优化算法

在基本蚁群算法的基础上,引入排序选择策略,使用一定的线性或非线性关系将信息素的差别转化为次序,通过改变选择压力控制个体被选中的概率,具有很好的整体优化性,能有效抑制非成熟收敛。为提高算法的局部搜索性能,在每次迭代后全局更新以前采用的混沌搜索方法,以求在当前最优蚂蚁附近搜索到更好的解。IEEE 14、IEEE 30和IEEE 57系统的仿真分析验证了该算法的有效性,指出了混沌搜索对算法稳定的作用。     

基于改进蚁群算法的无功优化研究

建立了网损最小的数学模型,对蚁群算法的缺陷进行改进,包括对蚁群搜索到的路径进行排序,自适应调节路径上释放的信息素.同时又在信息素更新机制里引入微分进化算法的发散项,提高算法的收敛速度和全局寻优能力.通过IEEE-30节点的仿真计算,验证了改进蚁群算法在电力系统无功优化领域的可行性和有效性.     

基于搜索集中度和动态信息素更新的蚁群算法

蚁群算法是一种启发式搜索算法，被广泛应用于求解复杂的组合优化问题。基本蚁群算法存在收敛速度慢和早熟停滞等问题，针对这些问题，提出了一种基于搜索集中度和动态信息素更新的蚁群算法。通过在选择策略中引入“搜索集中度”因子，让算法可以自适应的调节蚂蚁选择城市的范围，在此基础上采用动态改变信息素增量和信息素回滚的机制，缩短了搜索时间，也使算法更容易跳出局部极值。仿真实验结果表明，改进后的算法算法具有较快的收敛速度，提高了解的全局性，有效避免了算法陷入局部最优。     

一种具有确定偏好和随机权重的改进蚂蚁系统

提出一种多阶段,多偏好的改进蚁群算法(MP2AS),包括4种蚁型,对信息素、能见度与节约值有不同的重视程度。常态时,所有蚂蚁遵循同一转移规则,同时更新公共和私有信息素;一旦陷入局部最优,4种蚁型将根据各自确定的偏好类型,运用随机的偏好权重,计算转移概率,并只更新其私有信息素。偏好类型的互异性使蚁群得以沿不同方向独立进化;而偏好权重的随机性进一步提高了改善当前最优解的概率。为避免某种蚁型因长期孤立进化而积累病态,定期用全局最优解更新公共及私有信息素,增强蚁型间的交流,指导蚁群的进化方向。车辆路径问题标准算例的数值实验结果说明该算法具有很强的全局搜索和局部开发能力。     

改进蚁群算法在电厂入场煤选购中的应用研究

在求解电厂入场煤选购中的车辆路径最优解时,以基本的蚁群算法进行改进,以新的初始解算法快速求解初始解,加快搜索最优解的收敛速度,调整信息素更新规则防止陷入局部最优解,提高搜索速度,改善搜索结果。通过案例分析,且与Solomon100国际标准题库中问题的最优解进行比较,分析改进后蚁群算法的可行性。     

融合鱼群和微分进化的蚁群算法的无功优化

对于求解电力系统无功优化问题,提出了一种融合鱼群和微分进化的蚁群优化算法（FDEACO）。受人工鱼群觅食、聚群和追尾行为的启发,在基本蚁群算法的基础上,应用人工鱼群算法的追尾行为对蚁群在可行域上搜索到的解进行改进,加快了向最优解收敛的速度。在信息素更新机制里,通过引入微分进化算法的发散项,增加一个随机扰动,减小了算法陷入局部最优的可能性。在IEEE30测试系统上对新提出的算法进行校验,并与其它算法比较,证明FDEACO算法收敛速度快、全局寻优能力强。     

基于改进蚁群算法的无人机三维航迹规划

针对传统蚁群算法在无人机三维航迹规划中，存在早期盲目搜索、收敛速度慢、易陷入局部最优等问题，本文提出了一种改进蚁群算法。该算法利用空间位置初始化信息素分布并设定浓度阈值，增强了蚁群早期搜索的方向性，避免了算法陷入局部最优；设计兼顾距离因素和方向因素的启发函数，改善了航迹规划质量；采用自适应挥发因子控制信息素的挥发，提高了算法的收敛速度。通过两组实验表明，该算法相比传统算法规划的航迹平均长度均减少18.6%，平均迭代次数分别减少63.3%和78.7%，平均拐角次数分别减少62.5%和42.3%。     

多层优化蚁群算法的移动机器人路径规划研究

针对地图环境建模以及蚁群算法存在的问题,提出了一种移动机器人路径规划的多层优化方法.首先对U型陷阱栅格区域进行凸化处理,避免前期搜索混乱;设计新的状态转移规则,解决常规蚁群规划的路径过于紧贴障碍物的问题;改进距离启发式函数,有效提高算法收敛速度;设计平滑启发函数,增加蚂蚁局部探索时直行的机率,提升初始路径平滑性;提出按路程长度和平滑程度分配信息素的更新原则,利用优质蚂蚁进行全局信息素更新,进一步提高算法收敛速度;利用最大最小蚂蚁策略,防止蚁群陷入局部最优;通过二次路径优化策略,去除多余冗余点,进一步提升路径平滑性.仿真及实验结果表明,该方法能为移动机器人规划出一条安全且综合性能较好的路径,为路径规划的求解提供了一种切实可行的方法.     

面向业务优先级的宽带卫星ATDM前向链路资源调度算法

研究了宽带卫星通信系统中异步时分复用(ATDM)前向链路资源受限条件下的资源调度问题。以优先传输实时业务、兼顾用户优先级以及系统吞吐量为优化目标，以调制编码模式、复帧数量和优先级等为约束，建立了资源调度目标函数。提出了以初始解集构造、增强全局搜索为核心的改进蚁群优化算法(ACO),求解该资源调度问题，避免了传统的蚁群优化算法存在初始阶段信息素匮乏导致的搜索速度过慢、局部搜索能力较弱以及易陷入局部最优等缺点，提高了算法在实时性、高效性需求较强的卫星调度过程中的应用。仿真实验表明，所提算法可以准确求得最优解，准确率高达99.8%,其收敛速度较传统算法提高了55.6%,与传统算法相比，所提算法已调度业务的目标函数f、综合权重y、系统吞吐量分别提高了8.4%、6.6%、12.1%,在资源调度方面具有良好的准确性、敛散性和优化性能，且与同类型优化算法相比具有更高的调度效率，适用于ATDM卫星通信系统资源调度。     

基于改进蜂群算法的工业机器人路径规划研究

针对工业机器人在复杂环境中运动的避障及路径优化问题,提出基于改进人工蜂群算法的工业机器人避障路径规划策略。首先针对传统人工蜂群算法搜索能力不足且容易陷入局部最优的问题,将禁忌搜索思想引入到人工蜂群算法最优解搜索过程中,形成了基于禁忌搜索的改进型人工蜂群算法,然后将其应用到工业机器人的路径规划问题中,并进行了仿真实验。结果表明,改进后的方法能够得到最优的路径,且寻优速度快、过程稳定。该方法可用于解决工业机器人路径规划问题。     

水库群供水优化调度的免疫蚁群算法应用研究

针对水库群供水优化调度问题,本文介绍了一种基于免疫进化的蚁群算法。该算法充分利用了免疫进化算法的全局快速收敛性和蚁群算法的正反馈性,同时在蚁群算法中增加扰动策略,克服了蚁群算法在求解过程中出现初期信息素匮乏、易陷入局部最优解的问题,并将其应用在滦河下游六水库联合供水优化调度中。实例计算表明,该算法求解水库群供水优化调度问题时,结果可靠、合理,计算效率高,从而为求解高维,复杂的水库供水优化调度提供了新的思路。