基于融合遗传原理的蚁群算法在配电网故障恢复中的应用

本文对配电网的故障恢复问题进行了研究,提出了结合实际的配电网故障恢复目标函数,在分析了遗传算法和蚁群算法的基础上,结合遗传算法和蚁群算法的各自优点,提出了一种将遗传算法融入到蚁群算法的新策略,利用遗传算法的交叉操作产生蚁群算法的新的旅行路径,以此提高蚁群算法的全局搜索能力,构造了基于遗传算法的混合蚁群算法。实例分析表明,该算法具有较快的收敛速度和较强的全局搜索能力,避免了不成熟收敛,有效地提高了故障恢复的速度和精度。     

基于改进蚁群算法的物流配送路径优化

建立了带约束条件的物流配送问题的数学模型,运用蚁群算法解决物流配送路径优化问题,将遗传算法的复制、交叉和变异等遗传算子引入蚁群算法,以提高算法的收敛速度和全局搜索能力;改进了信息素的更新方式,以提高蚁群算法的自适应性,使得算法在执行过程中能根据收敛和进展情况,相应地调整信息残留程度,从而提高收敛速度或全局搜索能力;引入了一种确定性搜索方法,加快启发式搜索的收敛速度.经过多次对比实验表明,使用改进的蚁群算法优化物流配送线路,可以有效而快速地求得问题的最优解或近似最优解     

基于人工免疫-蚁群算法的平面QoS路由模型

人工免疫算法具有快速随机的全局搜索能力,但系统中的反馈信息利用不足且有大量无为的冗余迭代。蚁群算法具有分布式并行全局搜索能力,但初期信息素匮乏。本文提出一种基于人工免疫-蚁群算法的混合算法,采用人工免疫算法生成信息素分布,利用蚁群算法求优化解。将该算法用于求解包含带宽、时延和最小代价约束条件在内的平面QoS路由模型问题,进行计算机仿真。结果表明,该算法是一种收敛速度和寻优能力都比较好的优化方法。     

基于混合智能算法的无功优化研究

根据电力系统中负荷不断变化的情况,提出了目标为全天网损最小的动态无功优化数学模型。以序列二次规划法作为遗传算法的一个局部搜索算子,嵌入到实数编码遗传算法中,构成一种基于序列二次规划法和实数编码的遗传算法的高效的混合智能算法。这样既保留了遗传算法具有收敛快,全局搜索能力强的优点,又克服了容易陷入局部最优点的缺陷。 IEEE9节点系统算例分析表明,混合智能算法能有效降低系统网损。     

一种基于云环境下蚁群优化算法的改进研究

在对标准蚁群优化算法深入分析的基础上,结合云环境下的资源调度特性和遗传算法所具有的全局收敛快速的优点,引入了逆转变异策略,科学地将遗传算法融入到标准蚁群优化算法的每一次迭代过程中,很好地解决了标准蚁群优化算法容易陷入搜索速度慢和局部最优的缺陷．云环境下的模拟仿真对比实验结果表明,改进的蚁群优化算法不但能使云环境下的寻优能力大幅度提高,而且能够缩短系统任务平均运行时间,提升云计算环境下资源的效用．     

基于改进双种群蚁群算法的无功优化研究

针对电力系统无功优化多变量、多约束、非线性的特点,提出一种新的改进双种群蚁群算法。基本蚁群算法在众多优点之外也存在着搜索时间长,容易出现停滞等缺点。因此在基本蚁群算法的基础之上,引入双种群独立搜索,进行信息交流,较大概率的打破了单一蚁群搜索的停滞状态,保证了算法中解的多样性,提高了全局收敛能力。并在蚁群算法的信息素更新策略和参数上做出进一步的改进应用于无功优化。通过对IEEE30节点算例进行仿真计算以及与现有算法进行比较,验证算法的有效性。     

基于新型两阶段混合算法的电力系统无功优化

针对电力系统无功优化领域现有的人工智能算法易早熟和收敛精度不佳的缺点,将萤火虫算法和量子粒子群算法相结合,形成一种新型两阶段混合优化算法。该混合算法采用串联的方法将GSO算法与QPSO算法混合,使两种算法优势互补。在算法迭代前期充分利用萤火虫算法可同时搜索全部局部最优解的特性,保证了寻优的全面性。在迭代中后期,利用量子粒子群算法收敛速度快、解的精度高的特点进行寻优,保证了算法的收敛精度。同时基于黄金分割点理论,引入了群体替代算子,避免了迭代后期算法陷入局部最优。经过算法在IEEE30节点算例中的对比仿真,结果表明:在无功优化领域中,两阶段混合算法的全局搜索能力,收敛速度及精度均优于对比算法。     

基于混合连续蚁群算法的最优潮流研究

提出了基于混合连续蚁群(HCACO)的最优潮流(OPF)计算方法;该方法将蚁群优化算法(ACO)的正反馈特性与实数遗传算法(GA)的进化策略相结合,克服了基本蚁群算法只适用于离散问题的局限性,并提高了寻优的效率,同时采用动态调整罚函数策略,有效提高了算法的全局收敛能力和计算精度,采用优进策略,提高了算法的收敛速度.应用此算法对标准IEEE-30节点测试系统进行最优潮流计算,该算法能够更好地获得全局最优解,仿真结果表明了该算法的合理性和有效性.     

遗传算法的研究和改进

从原理及应用2个方面对遗传算法、蚁群算法、混洗蛙跳算法做了对比分析.针对遗传算法的不足之处,提出了相应的改进方法,并对改进后的遗传算法和经典的遗传算法做了应用比较.结果表明,改进后的遗传算法不仅提高了其收敛概率和收敛速度,而且具有更强的全局搜索能力,适用于求解复杂多峰值函数优化问题.     

一种求解连续优化的蚁群混合算法

针对蚁群优化算法和Alopex算法的特性，将Alopex算法嵌入到改进的蚁群优化算法中．提出一种求解连续空间优化问题的混合算法（ACOAL），ACOAL算法定义了新的蚁群信息素更新规则、蚁群在解空间的寻优方式和蚁群行进策略；同时，结合Alopex算法以加强搜索能力，该算法充分发挥了Alopex算法的快速搜索能力和蚁群算法寻优性质优良的特性，提高了算法的收敛速度，避免了优化算法陷入局部最优。     

混合遗传算法的电力系统无功优化

针对遗传算法（GA）的局限性，提出了一种应用于电力系统无功优化问题的混合遗传算法（GASA）。实施了最优保留策略，改进交叉和变异操作，并结合模拟退火算法（SA）的Metropolis判别准则的复制策略，使寻优过程能够跳出局部最优解，从而形成了混合遗传算法。优化过程中考虑了电力系统无功优化自身特点，提高了计算效率。对IEEE30节点系统的仿真表明：该算法能够有效地提高收敛速度，避免早熟收敛。     

基于蚁群算法的智能交通最优路径研究

针对车辆智能交通最优路径问题,提出一种实时规划的蚁群算法。在该算法搜索过程中加入针对具体问题的局部搜索寻优算法,在启发函数中引入搜索方向,改进信息素更新策略,限制信息素轨迹量。利用智能交通道路模型对改进算法进行比较分析。实验结果表明,改进后的蚁群算法能够有效地解决车辆实时路径诱导问题,实现车辆实时路径诱导,具有良好的收敛性和寻优性。     

基于智能混合算法的车辆配送路径优化

为提高车辆配送效率,节约配送成本,建立了以配送路径和成本综合最优为目标的车辆配送路径问题数学模型.设计并实现了一种智能混合算法,首先利用具有自适应交叉率和变异率的改进遗传算法生成全局较优解,再将较优解转换为初始信息素进行蚁群算法,并结合2-opt算法对解进一步迭代优化,最终获得了车辆最优配送路径.实验结果表明,该算法优化后的目标值比蚁群算法减少了15.0%,比遗传算法减少了10.4%,验证了该算法的有效性和优越性.     

多处理机调度问题的蚁群优化算法

传统蚁群算法存在收敛速度慢、计算时间长、易陷入局部最优解等方面的缺陷。通过对蚁群信息素更新、策略选择、参数选择等各方面进行改进,提出一种更加高效的多处理机调度蚁群优化算法。实验证明：与其他优化算法相比,该算法能在较短的时间内找到更好的调度策略,具有较好的收敛性和有效性及优良的全局优化性能。     

基于FA-IACS算法的车辆路径问题优化

针对传统蚁群系统算法在解决有容量约束的普适性车辆路径优化中易陷入局部最优和收敛速度慢等问题,提出了一种改进的蚁群系统算法.采用改进的距离启发函数因子调整蚂蚁状态转移概率,利用改进编码方式的萤火虫算法作为搜索机制,改善蚁群系统的全局搜索能力,应用信息素震荡程序探索新路径的信息素,避免陷入局部最优.结果表明,该算法提高了全局搜索能力,能够节约寻找最优路径的时间,加快收敛速度,具有更好的鲁棒性.     

一种求解TSP的自适应蚁群优化算法

针对标准蚁群算法在求解旅行商问题（TSP）时存在收敛速度慢,易陷入局部最优等缺陷,提出一种自适应蚁群优化算法．该算法设计了一种实时监测机制和一种新的搜索方向,实时监测机制可以让算法跳出局部最优值,并且当算法跳出局部最优值时,沿着新的搜索方向搜索,可以加快算法收敛到全局最优．通过对典型的TSP实例仿真实验,与基本蚁群算法、MMAS算法相对比,结果显示该算法在克服早熟现象和收敛速度方面有很大的优越性．     

免疫蚁群算法在电力系统无功优化中的应用

将人工免疫算法和蚁群算法相结合形成免疫蚁群算法,运用免疫机理提取疫苗获得初始解,通过免疫操作加快算法收敛速度,并用基于浓度的选择机制抑制算法的＂早熟＂.将该算法用于求解电力系统无功优化问题进行仿真,结果表明它的收敛速度和计算精度都有较大提高.     

基于改进细菌觅食算法的无功优化

采用改进的细菌觅食(MBFO)算法求解电力系统无功优化问题,引入了步长递减的控制策略,改善了算法前期的全局搜索能力和后期的局部搜索能力;引入了SA-PSO变异算子,从而使个体可以相互交流,并从精英那里得到经验;引入遗传算法的交叉和赌盘选择,保护了精英个体,同时降低了解劣化的概率.以IEEE-30节点为例的算例结果表明,较其他几种优化方法而言,M BFO具有更快的收敛速度和更好的优化效果,故该算法在解决无功优化问题上可行且有效.