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。     

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。     

动态差分进化算法在梯级水库优化问题中的应用

采用标准差分进化算法在求解梯级水库优化问题时,随着解链长度的增加,算法求解性能下降,进化后期种群多样性降低,算法极易陷入局部最优解。为此,定义了个体差异参数来动态控制差分进化算法的缩放因子,即定义算法可进化度参数来动态控制算法的选择机制。通过对比标准差分进化算法、逐步优化算法和动态差分进化算法求解2个标准测试函数和某梯级水库优化调度的模拟仿真结果,发现后者较前者的全局搜索能力有了显著提高。     

混沌差分算法在确定河流水质模型参数中的应用

将混沌寻优思想引入到差分优化算法形成混沌差分算法,并将其应用于确定河流水质模型参数的函数优化问题.数值实验结果表明:应用混沌差分算法求解此参数问题无论是在精度还是时间上都优于差分优化算法.它将混沌寻优的遍历性和随机性思想引入到差分优化算法中,在每次差分进化寻得的最优位置附近进行混沌细搜索,并配合特殊的迭代终止准则进行寻优.其明显缩短了混沌搜索计算时间和克服了差分优化算法后期早熟的缺陷,提高模型求解的收敛速度和精度.     

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。     

水电站水库优化调度的改进混沌遗传算法

针对水电站水库优化调度问题,提出了将改进遗传算法和混沌优化相耦合的改进混沌遗传算法。该算法将混沌变量映射到优化变量的取值范围中,对混沌变量进行编码,表示成染色体,然后对其进行选择、交叉和变异,通过增加混沌扰动,不断进化收敛得到最优解。实例计算并与其他方法比较表明,该算法在求解水电站优化调度这样的复杂非线性优化问题时,搜索效率高,收敛性能好,能以较快的速度收敛于全局最优解,为水电站水库优化调度模型求解提供了一种新方法。     

改进的多目标差分进化算法在水库优化调度中的应用

水库多目标优化调度是一个复杂的系统优化问题,属于高维、多约束、非线性问题的优化领域。智能优化算法在求解水库多目标优化调度时,存在非劣解较少、分布不均匀及不收敛等问题,基于上述问题,提出一种求解新思路,通过加入精英保留机制并用拥挤距离来维持外部精英集改进多目标差分进化算法。建立了多目标水库优化调度模型,并以综合利用的漳河水库多目标优化调度为例进行了求解,结果表明该算法能够得到分布较为均匀的非劣解集,证明方法在水库多目标优化调度中是有效的。     

梯级电站优化调度模型中全局寻优策略

针对梯级电站优化调度问题,结合现代优化方法与传统优化方法的优势,提出了一种遗传算法(Genetic Algorithms,GA)与离散微分动态规划(Discrete Differential Dynamic Programming,DDDP)相结合的全局寻优算法.该算法在实现过程中应用两级协调结构,第1级应用GA全局算法协调器进行计算,得到近似解并构成梯级调度问题的初始解;第2级应用DDDP局部算法微调器,将GA所得解推向全局最优解或全局最优解域.将其用于典型考题Rosenbrock函数以及三峡梯级电站进行仿真计算,结果表明该算法是稳定和有效的.     

梯级水库生态调度多目标混合蛙跳差分算法研究

提出多目标混合蛙跳差分算法求解梯级水库多目标生态调度模型。该算法结合混沌理论生成初始解以提高初始解群体质量,构建基于动态更新机制的外部归档集引导种群进化,提高算法的收敛性与非劣解的多样性,引入自适应差分算法加快子种群个体寻优,提高算法收敛速度。对L河梯级水库多目标生态调度进行实例研究,计算结果表明:本文所提出的算法能够计算得到收敛性与分布性较好的调度方案集,对比典型调度方案下泄径流与物种生态适宜径流,表明生态调度能够较好满足物种的生态需水,生态效益显著。     

蚁群算法求解梯级电站短期优化调度改进研究

本文提出一种改进蚁群算法(Improved ant Colony Optimization Algorithm)求解梯级水库群短期优化调度问题。该算法的改进主要包括嵌入邻域搜索的单库轮换寻优、基于出力反推的初始解生成技术和约束优先的目标函数比较方法。以四川某中型流域梯级三级电站联合运行为背景,对蚁群算法和改进蚁群算法的求解质量和收敛性进行比较,实例验证表明,改进蚁群算法可以获得较好的优化调度结果。     

基于改进逐步优化算法的水库防洪优化调度

通过分析水库防洪优化调度模型以及逐步优化算法(POA)在运算中常收敛于局部最优的缺陷,提出了一种基于水量平衡的改进算法,避免总决策序列在复杂的约束条件下被分隔成若干不相互作用的子序列,使得算法更具跳跃性,不易陷入局部最优。实例分析表明:在水库防洪优化调度中,改进后的算法基本上能够解决传统POA过于依赖初始解的问题,提高了全局搜索能力,并且加快了收敛速度,具有良好的实用价值和借鉴意义。     

基于蚁群算法的环网方向保护配合最小断点集计算

利用复杂环网方向保护最优配合中最小断点集（MBPS）的启发性知识，将MBPS的计算问题等价为0-1整数规划问题。基于蚁群优化算法基本原理，构造了适用于MBPS问题的启发信息计算公式，改进了更新信息素浓度的计算方法，提出了计算MBPS的新方法。相对于其他计算MBPS的算法，所述算法所需迭代次数较少，通过一次计算即可同时获得多组最优解。     

自适应混沌差分进化算法在梯级水库优化调度中的应用

介绍了一种基于自适应混沌映射的差分进化算法,该算法采用混沌映射的方式产生初始种群,并综合考虑算法迭代进度和个体进化程度两个因素,对缩放因子进行动态调整以促进算法全局搜索和局部寻优的平衡。同时,在算法进化的不同阶段采取不同尺度的扰动策略,进一步提高算法的再搜索能力。将该算法应用于某梯级水库发电调度的研究中,通过实例计算,并与基本差分进化算法、模拟退火算法相比,得到了更优的全局最优解,验证了该算法的可靠性和实用性。     

基于改进萤火虫算法的水库多目标调度决策研究

水库不同调度目标之间既非完全协调也非完全对立,如何快速获取多目标调度方案集,科学进行调度方案决策优选,是实现水库水资源高效利用的重要问题。以年发电量最大和生态效益最优作为目标函数,建立水库发电-生态多目标优化调度模型,进而提出该模型优化求解的改进多目标萤火虫算法,并结合组合权重改进的多准则妥协解排序法进行调度方案决策,最后将其应用于三峡水库调度实例。研究结果表明：改进算法能够获得更高质量的非劣解集,方案集优选方法能够在折中最大化群体效益和最小化个体遗憾的基础上寻求最优解,且能够同时体现决策者偏好以及各个决策指标客观特征。研究成果可为水库多目标调度决策提供科学依据。     

改进的蚁群算法在溶质运移参数识别问题中的应用

非饱和土壤水分和溶质运移参数(扩散率、导水率和水动力弥散系数)取值范围较大,往往跨越几个数量级。采用传统离散化蚁群算法求解此类问题,所需节点较多,这会造成算法收敛时间较长。该文在传统蚁群算法基础上,对蚂蚁搜索路径进行改进,改进后的蚁群算法寻优路径由参数精度位数(整数位和小数位)、参数个数以及0–9十个数字构成,并将路径解码公式修改为具有判别参数正负功能的解码公式。采用改进的连续蚁群算法对非饱和溶质运移参数识别优化模型进行求解。数值模拟表明相同迭代次数下改进的蚁群算法比传统蚁群算法耗时少,算法计算时间与迭代次数满足线性关系,含水率和溶质浓度实测值与计算值吻合较好、相关性较高。     

基于GACO-BP-MC的大坝变形监控模型

建立相应的安全监控模型来分析大坝变形监测资料对保障大坝服役安全意义重大。BP神经网络模型在此方面得到了广泛应用,但采用蚁群算法(ACO)对BP神经网络参数寻优时存在因初期搜索完全随机导致收敛速度慢的问题。将具有快速随机的全局搜索能力的遗传算法(GA)引入蚁群算法中,利用遗传算法指导生成初始信息素分布,再由蚁群算法正反馈寻得最优解来训练BP神经网络,从而得到大坝变形预测值,2种算法优势互补,缩短了蚁群算法的搜索时间并避免陷入局部最优点。在此基础上,为进一步提高预测精度,采用马尔科夫链(MC)对预测结果进行改进,由此建立了应用于大坝变形监控的GACO-BP-MC模型。工程实例分析表明,该模型在参数优化方面具有较快的寻优速率,且具有较高的拟合和预报能力。     

基于改进差分进化算法的水火电短期优化调度

在处理具有复杂约束条件的水火电系统短期优化调度问题时,针对差分进化算法(DE)变异率控制难点和"早熟"问题,引入自适应变异算子,以距离方差校验,借正态分布生成种群,提出改进差分进化算法(EDE)。为使可行解在约束范围内收敛,运用双适应度函数对求解过程评价。以国际上通用4个水电站和3个火电站组成的系统仿真分析,EDE使水火电总燃料费用最小,为水火电力系统求解提供了有效手段。     

离散四水库问题基准下基于n步Q-learning的水库群优化调度

水库优化调度问题是一个具有马尔可夫性的优化问题。强化学习是目前解决马尔可夫决策过程问题的研究热点,其在解决单个水库优化调度问题上表现优异,但水库群系统的复杂性为强化学习的应用带来困难。针对复杂的水库群优化调度问题,提出一种离散四水库问题基准下基于n步Q-learning的水库群优化调度方法。该算法基于n步Q-learning算法,对离散四水库问题基准构建一种水库群优化调度的强化学习模型,通过探索经验优化,最终生成水库群最优调度方案。试验分析结果表明,当有足够的探索经验进行学习时,结合惩罚函数的一步Q-learning算法能够达到理论上的最优解。用可行方向法取代惩罚函数实现约束,依据离散四水库问题基准约束建立时刻可行状态表和时刻状态可选动作哈希表,有效的对状态动作空间进行降维,使算法大幅度缩短优化时间。不同的探索策略决定探索经验的有效性,从而决定优化效率,尤其对于复杂的水库群优化调度问题,提出了一种改进的ε-greedy策略,并与传统的ε-greedy、置信区间上限UCB、Boltzmann探索三种策略进行对比,验证了其有效性,在其基础上引入n步回报改进为n步Q-learning,确定合适的n步和学习率等超参数,进一步改进算法优化效率。     

POA改进算法在水库群优化调度中的应用

逐步优化算法(POA)的初始轨迹对能否收敛到最优解和计算时间有很大影响。如何选择合适的初始轨迹并对其进行改进,是水库优化调度的关键。本文从初始解集出发,在迭代过程中对初始轨迹进行逐步改进,通过保持解的多样性,有效避免了计算结果收敛于局部最优解。通过将改进的POA算法应用于梯级水电站中长期优化调度模型中,表明该方法计算速度快,能有效收敛到全局最优解。     

基于改进萤火虫算法的梯级水库优化调度研究

梯级水电站水库群联合调度问题具有复杂的约束条件,受到发电、供水、防洪等目标的制约。作为多目标非线性优化调度问题,为了解决传统算法中存在结果受初值参数影响较大、容易陷入局部最优解、收敛速度不理想等问题,首次尝试将萤火虫算法引入梯级水库优化调度研究中。在传统萤火虫算法模仿自然界萤火虫捕食求偶行为的基础上,对其进行优化与改进,引入目标空间中解的Pareto支配关系比较萤火虫荧光亮度,比较其优化解,采用轮盘赌法确定萤火虫每次更新过程中的移动路径,利用精英保留策略建立多目标萤火虫模型。通过典型的梯级水电站进行仿真计算,研究结果表明,改进的多目标萤火虫算法在优化过程中具有较强的寻优能力,能更好地进行全局搜索和局部搜索,计算过程中具有良好的稳定性,并且计算效率较高,优于遗传算法(GA)、粒子群算法(PSO)和蚁群算法(ACO),为多阶段、多约束的梯级水电站水库群中长期优化调度问题提供了新的途径和新方法。