基于混沌遗传算法的水电站优化调度模型及应用

利用混沌运动的遍历性、随机性和规律性等特点,提出了一种求解水电站水库优化调度问题的基于浮点数编码的混沌遗传(CGA)算法。该算法的思想是采用混沌优化进行改善初始种群质量和利用混沌退化变异算子代替常规算法中的变异算子,避免搜索过程陷入局部极值。与动态规划、常规遗传算法进行比较,文中实例计算结果表明,该算法计算速度快、收敛性好,提高了常规遗传算法的收敛速度和优化效果。     

自适应混沌整体退火遗传算法在水电站群优化调度中的应用

提出了一种基于标准遗传算法(SGA)的自适应混沌整体退火遗传算法(SCWAGA)求解梯级水电站群长期发电优化调度问题。该算法通过混沌优化生成初始解,提高初始解的质量;采用父代参与竞争的整体退火选择方式,避免种群早熟及过早收敛;利用参数自适应函数调整交叉算子和变异算子,提高算法的收敛速度以及避免算法陷入局部最优。以红水河流域水电站群为计算实例的研究结果表明,SCWAGA比SGA具有更快的收敛速度,且搜索到的全局最优解优于SGA与逐步优化算法(POA),为大规模水电系统优化调度求解提供了一种新的有效途径。     

基于混沌遗传算法的电力系统无功优化

针对遗传算法在求解大规模电力系统无功优化问题中存在的收敛速度慢、易早熟的缺点,提出了一种新的无功优化算法——混沌遗传算法CGA。该方法结合混沌优化所具有的遍历性、随机性和规律性的特点,在遗传进化过程中引入混沌移民算子,通过混沌移民操作维持群体中染色体的多样性,以克服传统遗传算法中由于近亲繁殖所导致的早熟问题,确保算法的全局收敛性,加快计算速度。通过对某地区42节点系统进行仿真计算,该方法相比于简单遗传算法,计算速度提高了45%,收敛到全局最优的概率提高了1.25倍。     

一种基于退化混沌变异算子的改进遗传算法及其应用

针对标准遗传算法收敛性较差的缺点，利用混沌变量优化中的随机遍历性，构造出一种随进化代数而退化的变异因子，代替标准算法中的变异算子，以克服标准遗传算法在多峰函数优化中的早熟现象，对三个测试函数的仿真试验表明，改进的算法收敛性优于标准遗传算法．     

基于模糊自适应模拟退火遗传算法的配电网故障定位

对于配电网故障定位系统的不足与遗传算法存在易早熟、收敛速度慢等问题,结合模糊推理和自适应模拟退火遗传算法,提出一种模糊自适应模拟退火遗传算法(FASAGA)。该算法对评价函数做了容错性改进,在遗传选择时采用自适应机制与最佳个体保留策略,并结合模糊推理与自适应机制求取模糊自适应交叉算子、模糊自适应变异算子,引入模拟退火算法提高收敛速度与局部搜索能力。仿真结果说明该算法应用在配电网故障定位中的准确性、快速性与高容错性。     

一种新的求解配电网重构问题的免疫遗传算法

针对遗传算法求解配电网重构问题存在的不足,建立了以网损最小为目标函数的配电网重构数学模型,提出了一种新的免疫遗传算法。该算法的关键在于疫苗库的构建和免疫算子的设计。疫苗库可自动建立和更新,免疫算子由接种疫苗和免疫检测组成。另外,采用了基于基本环路的编码方法、高频变异和大选择压的锦标赛选择算子。IEEE 33和IEEE 69系统的仿真测试结果表明：该算法符合配电网重构问题的特点,能有效抑制进化中的退化和波动现象,在确保解的质量的同时,具有很快的收敛速度;与传统遗传算法和相关文献中的同类算法相比,该算法在效率和性能方面具有优越性。     

基于改进遗传算法的继电器优化设计

为解决二进制编码遗传算法(GAs)处理连续优化问题时需解码、编码操作,算法计算精度不高等问题,提出了一种基于实数编码的改进遗传算法(IFGA),采用非均匀交叉和非均匀变异算子进化产生下一代种群。针对继电器产品体积最小优化设计受机、电、磁、热、几何尺寸等制约条件下的非线性约束优化问题,其目标函数和约束函数均呈高度非线性,应用改进的遗传算法结合自适应约束处理技术求解该优化问题。通过数值试验与传统设计、已有文献设计的对比,该算法满足所有约束条件,且目标函数值下降51.6%,验证了该算法的有效性。     

一种求解大规模机组组合问题的混合智能遗传算法

针对传统的采用二进制编码的遗传算法在求解大规模机组组合问题时收敛速度慢、易早熟等问题,作者结合机组组合问题的特点,提出了一种混合智能遗传算法.该算法以机组状态作为个体编码,结合启发式方法的自适应智能变异算子求解目标函数,显著缩小了求解问题的规模,保证了群体多样性,提高了算法的搜索效率,改善了算法的收敛性.仿真计算结果表明了该算法的有效性和实用性.     

量子免疫算法在电网故障诊断中的应用

针对电网故障模型中原有故障目标函数存在多解的问题,综合考虑了重合闸、不同保护以及主后备保护之间的相互关系对目标函数的影响,建立了新的目标函数。同时,针对遗传算法所需种群多,收敛速度慢等缺点,提出了一种基于量子免疫算法的故障诊断方法。该算法采用量子比特编码染色体,利用克隆算子和量子门来引导变异,使得当前最优个体的信息能够很容易扩大到下一代,具有种群规模小,收敛速度快,全局寻优能力强的特点。实验表明,改进的模型是合理的,量子免疫算法综合性能优于传统的遗传算法,说明该算法是可行的。     

量子免疫算法在电网故障诊断中的应用

针对电网故障模型中原有故障目标函数存在多解的问题,综合考虑了重合闸、不同保护以及主后备保护之间的相互关系对目标函数的影响,建立了新的目标函数.同时,针对遗传算法所需种群多,收敛速度慢等缺点,提出了一种基于量子免疫算法的故障诊断方法.该算法采用量子比特编码染色体,利用克隆算子和量子门来引导变异,使得当前最优个体的信息能够很容易扩大到下一代,具有种群规模小,收敛速度快,全局寻优能力强的特点.实验表明,改进的模型是合理的,量子免疫算法综合性能优于传统的遗传算法,说明该算法是可行的.     

基于改进PSO算法的电力系统负荷经济分配

电力系统负荷经济分配(ED)是一个高维、非凸、非线性问题,其求解过程比较复杂.对粒子群优化(PSO)算法进行改进,在目标函数中加入惩罚项来满足火电机组的约束条件,引入非线性权值递减略和惩罚因子的动态改进,并结合遗传算法(GA)中变异的思想,用来解决负荷经济分配的问题.将该方法的可行性在10台机组系统中多次检验,模拟结果表明文章所改进PSO算法具有良好的收敛性和鲁棒性.     

Atavistic genetic algorithm for economic dispatch with valve point effect

This paper presents a new approach on using genetic algorithms for economic dispatch problem for valve point discontinuities. The proposed approach in this paper on genetic algorithms improves the performance to solve economic dispatch problem through combination of penalty function with death penalty, generation-apart elitism, atavism and heuristic crossover. Numerical results on a test system consisting of 13 thermal units show that the proposed approach has an ability to find the better solutions than the conventional genetic algorithm.     

用遗传算法求解广义系统最优同时镇定问题

研究了用改进的遗传算法（简称GA）求解同时镇定一族线性定常广义系统的最优输出反馈控制律问题。在满足稳定性的条件,将最优同时镇定转化为一个受约束的非线性最小问题。引入了自适应机制和惩罚函数变换,对传统的GA进行改造。并用于受约束非线性问题的全局优化。计算结果和数值仿真说明GA是求解同时镇定问题的一种有效的数值方法。     

Multiairport Capacity Management: Genetic Algorithm With Receding Horizon

The inability of airport capacity to meet the growing air traffic demand is a major cause of congestion and costly delays. Airport capacity management (ACM) in a dynamic environment is crucial for the optimal operation of an airport. This paper reports on a novel method to attack this dynamic problem by integrating the concept of receding horizon control (RHC) into a genetic algorithm (GA). A mathematical model is set up for the dynamic ACM problem in a multiairport system where flights can be redirected between airports. A GA is then designed from an RHC point of view. Special attention is paid on how to choose those parameters related to the receding horizon and terminal penalty. A simulation study shows that the new RHC-based GA proposed in this paper is effective and efficient to solve the ACM problem in a dynamic multiairport environment     

Unit commitment by genetic algorithm with specialized search operators

An approach for solving the unit commitment problem based on genetic algorithm with new search operators is presented. These operators, specific to the problem, are mutation with a probability of bit change depending on load demand, production and start-up costs of the generating units and transposition. The method incorporates time-dependent start-up costs, demand and reserve constraints, minimum up and down time constraints and units power generation limits. Repair algorithms or penalty factors in the objective function are applied to the infeasible solutions. Numerical results showed an improvement in the solution cost compared to the results obtained from genetic algorithm with standard operators and other techniques.     

电力系统动态经济调度优化问题的膜计算方法

将膜计算方法用于求解电力系统动态经济调度优化问题。首先利用二次罚函数将多约束经济调度问题转化为无约束优化问题,对于膜计算的3个基本要素——膜内对象、膜结构和进化规则,该方法以各发电机组24时段的出力值作为膜内对象;采用具有嵌套结构的类细胞膜型膜结构,包含并行基本膜和拟高尔基体膜;在基本膜内执行交叉规则、变异规则、修正规则和保留规则,拟高尔基体被激活后执行移位规则、提取规则和目标导向规则。通过膜内对象不断进化择优,从而实现对动态经济调度问题的求解。基于IEEE 39和IEEE 118节点测试系统的算例,表明该文所提方法能够有效求解电力系统动态经济调度优化问题,与遗传算法和粒子群算法相比,该方法的计算结果和稳定性均更优,具有很好的应用前景。     

基于双适应度微粒群优化算法的最优潮流计算

在分析最优潮流(0PF)理论及其算法的基础上,引入微粒群优化算法(PSO).考虑到传统PSO算法应用罚函数处理OPF约束条件时容易造成对优良个体的湮灭,提出双适应度概念对微粒进行评估.利用双适应度PSO算法对算例进行分析并与其他算法比较,结果表明双适应度微粒群优化算法可较好处理最优潮流约束条件,在处理最优潮流问题上具有一定的有效性和优越性.     

基于空间自适应收缩策略的混合遗传算法及其应用

将简单遗传算法与单纯形法相杂合,设计了一种实数编码的混合遗传算法(HGA),用于求解无约束优化问题。算法采用了最优保留策略,同时在变异操作中采用了搜索空间的自适应收缩策略,以提高全局和局部搜索能力,加快收敛速度,避免退化。在求解约束优化问题时,利用罚函数处理约束条件,由HGA对增广目标函数寻优。HGA的有效性通过3个典型测试函数得到验证,并应用于拍合式继电器电磁系统的体积优化。     

A new genetic-based tabu search algorithm for unit commitment problem

This paper presents a new algorithm based on integrating the use of genetic algorithms and tabu search methods to solve the unit commitment problem. The proposed algorithm, which is mainly based on genetic algorithms incorporates tabu search method to generate new population members in the reproduction phase of the genetic algorithm. In the proposed algorithm, genetic algorithm solution is coded as a mix between binary and decimal representation. A fitness function is constructed from the total operating cost of the generating units without penalty terms. In the tabu search part of the algorithm, a simple short term memory procedure is used to counter the danger of entrapment at a local optimum by preventing cycling of solutions, and the premature convergence of the genetic algorithm. A significant improvement of the proposed algorithm results, over those obtained by either genetic algorithm or tabu search, has been achieved. Numerical examples also showed the superiority of the proposed algorithm compared with two classical methods in the literature.