Memetic算法在水电站负荷优化分配中的应用

针对求解水电站厂内经济运行中负荷优化分配问题时常出现的收敛性差、易早熟等问题,将基于全局搜索和局部启发式搜索相结合的Memetic算法应用于水电站厂内经济运行负荷优化分配模型,用有限制的初始种群生成法来克服水电站机组不稳定运行问题,采用育种算法作为局部搜索策略。三峡水电站厂内经济运行实例计算结果表明,有限制的初始种群生成法能够避开空蚀振动区的影响,保证机组的稳定安全运行;Memetic算法的全局搜索和局部启发式搜索策略能够扩大寻优范围,优化群体结构,提高算法的收敛能力。     

混沌差分进化算法在水库优化调度中的应用研究

针对差分进化算法在求解水库调度等复杂优化问题时,算法初始种群的随机性导致其在解空间中的代表性不足,算法的贪婪选择策略又极易导致种群迅速趋同而"早熟"收敛。提出初始种群的混沌生成策略,利用混沌因子的遍历性提高算法初始种群的代表性。同时,以动态概率接受适应值较差的个体作为子代个体参与进化,从而提高算法跳出局部最优解的能力。将改进的差分进化算法模拟乌江梯级电站优化调度问题,模拟计算结果表明,改进的差分进化算法具有较高全局搜索能力,大幅提高了求解的精度,适合求解水库优化调度等问题。     

跨流域调水条件下水库群联合调度图的多核并行计算研究

为提高跨流域调水条件下大规模复杂水库群优化调度的计算效率和求解精度,采用并行PSO算法进行联合调度图模型的多核并行求解。该算法充分利用PSO搜索速度快、天然并行性等特点,引入多种群思想保证种群的多样性,提高算法的全局收敛能力;采用基于分治策略的Fork/Join框架实现将子种群分配到不同CPU内核进行独立求解;利用Java并发过程中的同步和通信机制实现子种群间的信息交流,避免陷入局部最优。最后通过实例分析表明,多核并行PSO算法能够充分利用多核资源,有利于提高联合调度图模型的求解速度和精度,是解决大规模复杂水库群优化调度的一种高效实用的方法。     

混合粒子群算法在水库中长期发电优化调度中的应用

针对传统粒子群算法(PSO)早熟收敛、局部搜索能力不足等问题,提出一种混合粒子群算法(HPSO)求解水库优化调度问题。该算法引入混沌思想的遍历性特点生成初始解,提高初始种群质量;采用自适应惯性权重法平衡个体搜索行为,避免陷入局部最优。百色水库中长期发电优化调度实例研究表明,HPSO比PSO有更好的收敛性和优化结果,同时计算时间较传统动态规划方法大幅缩减,且优化结果相近,是一种水库优化调度可供选择的计算方法。     

水电站发电优化调度的综合改进差分进化算法

差分进化算法能够全局并行和高效搜索,在求解水电站发电优化调度问题中具备一定优势,但同时存在一些问题。本文针对差分进化算法初始种群代表性不足的问题,引入基于均匀设计的初始种群生成方式;针对差分进化算法两种常用变异模式侧重于不同搜索阶段的特点,引入了兼顾两种模式优点的"Rand-Best耦合模式的变异算子";针对算法局部搜索能力欠缺的问题,借鉴梯度寻优思想,构建了"梯度加速附加算子"。以三峡水电站为例,说明了综合改进差分进化算法UCG-MDE的有效性,该算法大幅提高了解的精度、稳定性和收敛率。     

改进差分进化算法在水库优化调度中的应用研究

差分进化算法在求解水库优化调度时,进化后期种群多样性急剧下降,导致算法无法跳出局部最优解而出现“早熟”收敛。针对该问题,该文对算法的贪婪选择策略进行改进,使其以一定的概率动态接受稍差解作为子代个体,从而提高算法的种群多样性;同时,提出种群基因重生策略,进一步改善种群进化的基因信息结构。将改进的差分进化算法应用于清江梯级发电调度问题,并与差分进化算法、模拟退火算法求解结果进行对比。模拟结果表明,改进算法具有更强的全局搜索能力,求解梯级水库优化调度问题更具有优势。     

改进粒子群算法求解水火电系统短期负荷分配问题

粒子群优化（PSO）算法是一种基于群体智能的启发式搜索方法，应用领域很广。文中将PSO算法用于求解水火电系统短期负荷的经济分配，属于高维、强约束工程问题。分析了算法参数设置对解的影响，发现算法的局部开发能力和粒子的多样性是影响解的优劣的关键因素;提出多子群辅助的PSO算法，兼顾了对解空间的全局搜索和局部开发。实际算例证明，改进的算法是有效的。     

改进鲸鱼算法在多目标水资源优化配置中的应用

为了使鲸鱼优化算法(WOA)能更好地解决复杂多目标水资源优化配置问题,首先采用Logistic映射进行种群位置初始化,提高初始化种群位置的质量,并加入惯性权重增强局部搜索能力,从而实现对WOA的改进;其次,将改进后的鲸鱼算法(AWOA)应用于以经济效益和社会效益最大(缺水量最小)为目标的邯郸市水资源优化配置模型;最后,以求解所得Pareto前沿中缺水量最小为特殊偏好,将AWOA与WOA和粒子群算法(PSO)从迭代过程和求解结果上进行了对比分析。从迭代过程来看,AWOA比PSO和WOA能够以较快的速度收敛,WOA收敛速度最慢;从求解结果分析,由AWOA所得经济效益和社会效益均优于由WOA和PSO所得结果。因此,AWOA在收敛速度和收敛精度上均得到了较大幅度的提升,其应用于多目标水资源优化配置求解是可行和有效的。     

基于文化粒子群算法的水库防洪优化调度

针对水库防洪调度具有多约束、高维、非线性和不易求解的特点,在粒子群算法(PSO)的进化机制中引入文化算法(CA),利用文化算法的信仰空间对粒子群的进化进行指导,建立了文化粒子群算法(PSO-CA)。该算法在种群空间中采用PSO算法,在信仰空间中利用从种群空间中提炼出来的群体经验所形成的形势知识对群体的"早熟"现象进行监视,利用规范化知识对粒子加以限定,提高了算法计算效率。实例验证,该算法能较好地克服粒子群算法易陷入局部最优的缺点,并加快其收敛速度,可以有效解决水库防洪调度问题。     

黄金正弦算法在水文地质参数优化中的应用

为提高水文地质参数求解精度,利用黄金正弦算法(Gold-SA)优化求解泰斯(Theis)公式导水系数和储水系数2个关键参数。选取6个标准测试函数对Gold-SA算法进行仿真验证,并与粒子群优化(PSO)算法的仿真结果进行比较。以2个抽水试验资料为例,利用Gold-SA优化求解Theis公式导水系数和储水系数,求解结果与PSO算法、配线法和文献方法作对比。结果表明,Gold-SA算法对所选6个标准测试函数的寻优精度高于PSO算法,具有较好的寻优精度和全局搜索能力;对2个实例导水系数和储水系数参数的求解精度优于PSO算法、配线法和文献方法。将Gold-SA算法用于水文地质参数优化求解是可行和有效的。     

基于PSO与DE混合算法的水资源优化配置

基于公平性原则构建水资源优化配置模型,针对模型的特点,将模型的可行解进行粒子化处理。利用基于粒子群(PSO)和差分进化(DE)的混合算法(PSODE)对模型进行求解。该算法通过双种群间的信息共享机制,大大降低了求解陷入局部最优的风险。此外,还采用了一种粒子变异机制进一步提高PSODE算法的性能,并通过漳河流域四大灌区水资源配置实例表明PSODE算法比PSO和DE算法收敛速度更快、准确度更高。     

基于改进PSO算法的水轮机PID调速器的参数设计

为了提高水轮机PID调速器的控制质量,引入PSO算法优化PID控制器的部分参数,针对传统粒子群算法的不足,引入自适应惯性权重调整因子对粒子速率更新策略进行改进,同时结合微分进化算子提高种群多样性,扩大PSO算法搜索解空间的能力,仿真实例表明,改进后的PSO算法收敛速度快,稳定性好,复杂程度低,具有良好的全局搜索能力。经过该算法优化过的PID调速器对负荷扰动具有较强的鲁棒性。     

改进微粒群优化算法在水库防洪调度中的应用

微粒群算法(PSO)是一种新颖的智能计算优化方法,具有全局寻优、收敛速度快等优点。针对标准PSO搜索精度不高和易陷入局部最优的缺点,提出了一种在速度进化方程中引进收敛因子的方法,改进了标准微粒群算法的收敛性。将改进的微粒群优化算法用于水库优化调度计算,结果表明,改进的PSO计算结果合理、有效,可作为水库防洪优化调度的一种新方法。     

灰色模型结合微粒群算法的城市用水量预测

为了提高城市用水量的预测精度,基于灰色GM(2,1)模型,采用参数ρ进行数乘变换,利用参数λ修正其背景值,引入微粒群算法(PSO)寻求参数λ、ρ的最优解,构建PSO-GM(2,1,λ,ρ)模型,对某市1990—2001年用水量进行预测,并与灰色神经网络(GNNM)算法预测结果进行对比。结果表明:引入PSO算法,利用其全局搜索、局部搜索相结合的搜索模式确定λ、ρ,可以提高灰色模型的预测精度;参数λ、ρ的随机性、灵活性加上PSO算法的搜索性、寻优高效性使PSO-GM(2,1,λ,ρ)模型比GNNM模型预测精度更高。     

基于C-PSO算法的混凝土面板堆石坝断面优化设计

针对基本粒子群算法(PSO)寻优过程中存在收敛速度慢、易陷入局部最优和计算精度差等缺陷,采用分簇思想和碰撞策略,提出了一种改进的粒子群算法(C-PSO),在该算法中,粒子通过分簇并行搜索,有效避免了群体过度集中现象,极大地增强粒子全局搜索能力。将C-PSO算法应用于混凝土面板堆石坝断面优化设计中,优化结果表明,该算法对解决复杂的多变量多约束非线性问题具有较好的适应性,为复杂的混凝土面板堆石坝断面优化设计问题提供了新的解决思路。     

自适应多策略粒子群优化算法的研究综述

粒子群优化(particle swarm optimization,PSO)算法模拟鸟群或鱼群中生物体的运动行为,是一类优秀的元启发式算法。PSO算法的研究现状是进行自适应多策略的探索。所谓多策略是指采用多种策略分别实现保持多样性、逃脱停滞/局部极值、加速收敛和局部搜索等目的,而自适应是指根据种群/粒子的演化状态动态地更新各策略中用到的关键参数以及恰当地进行策略的调用、转换和设置。通过对文献中各种自适应多策略PSO算法进行综述,分析得出PSO算法的发展趋势是结合维和更小尺度的搜索经验知识进行自适应多策略的研究。     

基于改进粒子群算法的重力坝断面优化设计

针对传统粒子群算法(PSO)存在局部收敛不稳定的缺陷,提出一种改进粒子群算法(D-PSO)。该算法通过提高平衡点的多样性,使其全局搜索能力得到明显增强,对求解多峰值优化问题具有较好的适应性。将D-PSO算法应用于重力坝断面优化设计中,优化结果表明,该算法具有易实现、鲁棒性强和精度高等优点,与其他算法相比更适合应用于重力坝断面的优化设计。     

重力坝可靠性分析的IPSO-Kriging模型

针对传统概率可靠性分析方法在重力坝可靠性分析方面因结构自身性能不确定性及功能函数高度非线性等影响,其解析过程中收敛性差、精度低且耗时较长等问题,结合改进粒子群算法(particle swarm optimization, PSO)、Kriging模型提出一种基于IPSO-Kriging模型的重力坝可靠性分析方法。借助PSO全局寻优能力强和鲁棒性强等优点,通过对算法本身加以变异操作、惯性权重和高斯加权等诸多方面进行重构(improved PSO,IPSO),依靠IPSO算法的群体搜索能力克服模式搜索法寻得参数θ~*易陷入局部最优值和对初始值较敏感的缺点,确保在任意初始值条件下都能获得极大似然条件下搜索到的最优参数θ~*,进而改善传统PSO收敛速度慢和早熟等问题。通过构建融合IPSO算法IPSO-Kriging数学模型,建立基于IPSO-Kriging模型的重力坝可靠性优化模型。经实例考证所建方法既能合理考量参数变异性,又能在提升精度基础上减少仿真计算次数以实现重力坝工程可靠性的高效计算。     

基于文化粒子群算法的水库防洪优化调度

针对水库防洪调度具有多约束、高维、非线性、不易求解的特点,在粒子群算法（PSO）的进化机制中引入文化算法（CA）,利用文化算法的信仰空间对粒子群的进化进行指导,建立了文化粒子群算法（PSO-CA）。该算法在种群空间中采用PSO算法,在信仰空间中利用从种群空间中提炼出来的群体经验所形成的形势知识对群体的“早熟”现象进行监视,利用规范化知识对粒子加以限定,提高了算法计算效率。实例验证,该算法能较好地克服粒子群算法易陷入局部最优的缺点,并加快其收敛速度,可以有效解决水库防洪调度问题。     

基于改进Tent映射的自适应变尺度混沌粒子群算法

为改善标准粒子群优化算法本身存在的缺陷,引入种群混沌初始化方法、参数自适应调整策略、早熟判断机制以及基于改进Tent映射的变尺度混沌局部搜索方法对原有算法进行改进,提出一种基于改进Tent映射的自适应变尺度混沌粒子群算法(Improved Adaptive Chaos PSO,IACPSO)。多种高维Benchmark函数的计算结果表明,IACPSO算法在计算精度、优化稳定性及收敛速度方面均明显优于其他改进粒子群优化算法。