基于局部搜索增强策略的微分进化算法应用于换热网络优化

针对微分进化算法应用于换热网络优化时,局部搜索能力不强及易出现"早熟收敛"的现象,提出了一种兼顾局部搜索和全局寻优能力的改进策略。首先,对算法出现早熟的主要原因进行了机理分析;在此基础上,从动态更新角度引入局部增强算子,以当前解为中心进行邻域精细搜索,保证了局部搜索精度;最后,结合强制跳出机制,解决了算法易陷入局部极值的缺陷,对于非凸非线性问题较为严重的换热网络问题,实现了换热网络优化全局寻优能力和局部搜索精度的兼顾。算例结果表明,新的局部搜索增强策略能够进一步改善种群多样性和提高寻优效率及精度,获得比文献中结果更好的解,有效提高微分进化算法应用于与换热网络优化的能力。     

改进人工蜂群算法及在自抗扰控制上的应用

在分析基本人工蜂群算法优缺点的基础上,提出了一种基于混沌全局搜索策略和局部优化搜索策略的改进人工蜂群算法。采用6个标准测试函数,经过仿真测试,验证了该算法与基本蜂群算法相比具有收敛速度快、寻优效果好和寻优效率高的优点。最后针对自抗扰控制器的参数优化难度大、不易寻找的问题,将改进的人工蜂群算法应用到自抗扰控制器的参数优化中,并和串级PID控制系统进行仿真对比。仿真结果表明,改进蜂群算法的自抗扰控制器能以对控制对象进行更快更好的控制,使被控对象处于更好的控制状态下,从而解决了自抗扰控制器参数寻优难度大、不易寻找的问题。     

一种应用于换热网络综合的伴随优化策略

为解决强制进化随机游走算法(random walk algorithm with compulsive evolution,RWCE)应用于换热网络综合时进化停滞的问题,提出了一种伴随优化策略(CO-RWCE):对种群中各个体优化进程进行监控,当个体因接受差解陷入长期进化停滞时,将该个体历史最优解回代给个体以调整优化方向;若多次回代后个体仍未进化,则将全局最优解传给个体并摄动以实现重生。在回代或重生后,采用一种游走概率递减技术,控制游走变量个数以提升搜索精度。优化结果表明:改进策略增强了个体自身进化能力,有效提升了算法搜索能力。     

改进鸡群算法在光伏系统MPPT中的应用

鸡群算法本身存在高维度运算,易出现偏差,对其改进并应用到光伏系统的最大功率点跟踪(MPPT)控制中。引入混沌序列方法进行初始值的分配,可增强种群的均匀性和遍历性;引入自适应惯性权重改善母鸡个体部分寻优策略,可加快算法的全局搜索速度并改善局部搜索能力;将小鸡个体的跟随系数改进为随机量,可增加较差个体的随机性,避免算法因早熟收敛而陷入局部极值;上述改进既可增强算法的搜索速度和寻优精度,也利于避免早熟现象的发生,进一步曾强算法的寻优效率。与其他应用算法比较及在光伏系统最大功率点跟踪中的应用,验证其有效性。     

进化概率差异化策略优化有分流换热网络

强制进化随机游走算法优化换热网络时具有程序简单、全局搜索能力强等特点,但在优化过程中不同的进化阶段对进化概率需求不同,算法中设置单一的进化概率难以满足实际进化需求。因此,提出一种进化概率差异化策略,该策略的核心思想是智能识别流股的换热程度,动态调整进化概率,对存在公用工程的流股强制参与进化,使算法在前期具有较强的结构搜索能力;完全换热的流股通过降低进化概率,提升算法全局的精细搜索能力。采用15SP和39SP算例进行验证,所获年综合费用分别为1 494 690和1 894 477$/a,验证了该策略能够提升算法的优化效率与质量。     

采用个体进化能力实时评价和强制更新策略的换热网络优化方法

针对启发式方法在优化换热网络时出现个体进化停滞的现象,提出了一种采用个体进化能力实时评价和强制更新策略的进化算法。首先,建立个体进化能力评价机制,实时考察每个个体进化过程中的性能变化;其次,当个体进化能力退化时,建立强制更新策略,通过随机抽取当前结构中的换热单元,并给予其换热量以随机扰动,提高个体的结构变异能力,促进其整型变量的全局优化,改变个体原先的优化路径从而寻得更优的结构。将该算法应用于无分流换热网络实例中,取得了优于现有文献的结果,表明了该算法具有较强的全局搜索能力。     

基于改进鸡群优化算法的质子交换膜燃料电池模型参数辨识

针对当前大部分智能算法在求解质子交换膜燃料电池模型参数辨识问题时易陷入局部最优,导致参数辨识精度低、模型泛化能力差等问题,提出一种基于改进鸡群优化算法的质子交换膜燃料电池模型参数辨识方法。首先,引入Tent映射策略初始化种群,提高种群的均匀性和遍历性;其次,设计基于个体进食速度的自适应惯性权重,改善母鸡个体寻优效率,平衡算法的开发与探索能力;然后,利用Levy飞行策略的长短跳跃特点对小鸡位置进行随机更新,增强算法的全局最优搜索能力。最后,通过4组测试函数验证了该算法的优越性,并将算法应用于H-12电堆的参数辨识问题中。结果表明：相比于鲸鱼优化算法、花卉授粉算法等算法,该算法具有更高的参数辨识精度,所辨识出的模型具有更强的泛化能力。     

改进人工蜂群算法及其在反演分析中的应用

将人工蜂群算法用于混凝土坝参数反演,为提高算法的搜索效率、减少搜索过程中的停滞现象,引入了文化算法中的信仰空间和模拟退火的可控性概率突跳特性,提出一种具有知识引导功能的文化退火人工蜂群算法,采用上层知识进化空间和下层群体进化空间两个进化空间,在知识空间的引导下重新设计搜索算子并按一定的概率进行模拟退火搜索.算例分析表明,改进后算法的收敛性能优于原算法,为解决类似系统的优化和参数识别提供了一种新方法.     

基于人群搜索算法的波浪发电系统最优负载

为寻求以提高波浪发电系统的平均输出功率为目标的系统最优负载,针对遗传算法、粒子群算法等优化算法存在早熟收敛和全局搜索能力不足的问题引入人群搜索算法。该算法通过建立目标函数值与步长的关系式,根据个体当前位置的适应度值计算下一步搜索步长;采用利己、利他和预动3个方向随机加权几何平均方案,确定个体搜索方向,提高个体全局搜寻能力,使算法避免陷入局部最优解并可得到全局最优解。仿真结果表明,与传统粒子群优化算法相比,所提算法收敛速度快,可增加波浪发电系统的平均输出功率。     

基于改进蚁狮优化算法的太阳电池模型参数辨识

提出一种改进蚁狮优化算法,引入混沌序列进行初始值的分配,增强种群的均匀性和遍历性;在个体更新部分引入粒子群算法的思想,分别以当前的最优个体与全局最优个体为目标进行计算,同时提高算法的局部和全局搜索能力;参考当前最优个体位移进行动态空间收缩,可有效减小个体的搜索范围,缩短寻优时间。与粒子群算法、蝙蝠和原蚁狮算法进行仿真对比并应用到太阳电池模型参数辨识中,验证其有效性。     

基于多策略改进的遗传算法在配电网规划中的应用

针对电力电子化配电网规划复杂的优化问题,提出一种基于多策略改进的多目标遗传算法（简称遗传算法）。将遗传算法与配电网规划进行有效结合,研究了遗传算法在规划方案中的染色体组编码方式;对遗传算法进行具有针对性的多策略改进,涉及种群选择、交叉与变异算子以及自适应遗传算子的改进;通过种群修复提高算法的搜索能力,使染色体的决策变量在满足约束的同时,确保种群多样性启发式地进化为规划问题的最优解。通过Schaffer函数与Griewank函数对基于多策略改进的遗传算法进行性能测试,并对其组成内容、搜索特点与搜索寻优的过程分别进行了分析和讨论。结果表明,基于多策略改进的遗传算法在搜索精度与计算效率方面具有较大优势,对于配电网规划优化具有重要价值。     

基于连续蚁群算法的供水水库优化调度

针对供水水库优化调度问题,介绍了一种改进的连续蚁群算法。该算法借鉴蚁群算法的进化思想,主要包括局部搜索、全局搜索和信息素强度更新规则。在随机搜索过程中嵌入确定性搜索,以改善寻优性能,增加经验指导,从而加速收敛。将该算法与离散蚁群算法相比较,结果表明,该算法更优越,具有并行化和较强的全局寻优能力。     

基于自适应遗传算法的配电网络重构

针对目前配电网络重构基本遗传算法GA易发生早熟、非全局收敛及收敛速度慢等问题,提出了一种基于改进自适应GA配网重构方法,将最优保存策略和两两竞争相结合的方法作为新选择操作数,采用随最优个体相对保留代数自适应变化交叉和变异操作数,将最优个体最少保留代数作为算法终止条件.算例结果表明,该法全局搜索能力强、收敛速度快,为配电网络重构寻优奠定了理论基础.     

基于种群多样性的改进差分进化算法应用于换热网络优化

针对差分进化算法运用于换热网络优化时后期搜索效率低,容易出现早熟收敛而陷入局部最优的不足,以变量方差为种群多样性定量评价指标。分析了差分进化算法的控制参数对种群多样性的影响及种群多样性与算法寻优能力之间的关系,在此基础上建立缩放因子自适应调整和种群动态更新策略的改进差分进化算法并应用于两个换热网络实例,优化参数以年综合费用为目标,结果分别为5 606 985和2 928 032$/a,较改进前分别减少19 089和18 042$/a。改进后的差分进化算法能够在进化过程中提升种群多样性,增强算法搜索能力,抑制算法早熟收敛。     

基于区间建模的新能源电网无功优化策略

  目的  新能源发电具有间歇性和随机性,其功率为不确定性数据,会造成电网电压和频率的变化,对电力系统安全运行构成威胁。为保证大规模新能源并网后电网电压的安全,考虑新能源发电波动不确定性,提出一种基于区间建模的新能源电网无功优化策略。  方法  该策略采用区间数描述无功优化模型中的不确定参数,进而建立区间无功优化模型,采用基于优化场景的区间潮流算法求解区间潮流方程,获取状态变量区间,确定控制变量的可行性,在此基础上采用改进的粒子群优化算法求解区间无功优化模型,在粒子群算法中加入局部搜索环节和离散变量交叉处理操作以提高算法寻优能力。为了验证所提方法的有效性和优越性,分别采用IEEE 14节点和IEEE 30节点算例进行仿真计算,与自适应遗传算法和普通粒子群算法进行对比分析。  结果  仿真结果表明:与自适应遗传算法和普通粒子群算法相比,采用改进粒子群的区间无功优化策略具有更快的收敛速度,更强的寻优能力,并且可有效处理模型中离散变量。  结论  所提策略可有效解决区间无功优化问题,能保障大规模新能源并网后电网电压的运行安全。     

基于改进布谷鸟算法的电力系统最优潮流计算

针对电力系统最优潮流问题,提出一种融入量子计算和混沌局部搜索策略的改进布谷鸟算法(QCCS),即对布谷鸟算法的个体进行量子位编码,通过叠加态的量子位实现多样化种群,并在算法每次迭代的优化值附近进行混沌局部搜索进而增加布谷鸟算法的局部搜索能力,同时采用量子门变换使每个个体朝最优个体进化,从而提高算法的寻优能力。最后以IEEE 118节点系统的最优潮流计算问题为例,应用QCCS进行仿真计算。通过与其他方法(PSO、GA、CS)计算结果进行对比分析,验证了QCCS算法求解电力系统最优潮流问题的有效性,从而为电力系统最优潮流(OPF)问题的求解提供了一种新方法。     

人工蜂群算法在电网储能系统管理中的运用北大核心CSCD

人工蜂群算法是一种全局搜索的优化算法,对于电网储能系统管理具有重要作用。该优化算法能够更加精准地控制和管理电网储能设备,以缜密的搜索计算得到问题最优答案,而后将其应用在储能系统设备中,保证电网储能系统的高效、稳定和协同运行,提升整体工作效率。本文探讨了人工蜂群算法对电网储能系统管理的作用,提出具体化的实践策略。     

采用新单元换热量生成与分布概率协调策略优化换热网络

强制进化随机游走算法应用于换热网络优化,具有算法程序简单、结构进化能力强等特点,但种群个体进化后期依然很难找到使年综合费用再次降低的进化方向。鉴于此,分析新生成换热单元最大换热量(Q_(max))取值对优化过程及新生成换热单元换热量(Q_n)概率分布的影响,在此基础上采用换热单元换热量生成与分布概率协调的换热网络优化策略,摄动后小概率随机生成换热量较大的换热单元,同时改变Q_n的概率分布情况,用于增强结构进化能力。最后采用15SP和20SP算例验证该策略的可行性,较文献结果分别降低了435 498和42 253$/a,由此证明,该策略可有效提高算法的局部搜索精度和全局搜索能力。     

基于随机游走蜂群算法优化的RBF神经网络电动机故障诊断研究

为解决目前电动机故障诊断方法收敛慢、易陷入局部极小、准确性不足等缺点,提出了一种电动机故障诊断新方法,即将Levy Flight随机游走机制、人工蜂群算法和径向基神经网络结合的方法。首先通过改进的蜂群算法即随机游走蜂群算法(LFABC)对网络参数进行全局寻优,然后对网络进行监督训练,局部细化网络参数,最终得到故障诊断模型。经实例验证,本文所提方法能更快速、准确地实现电动机故障诊断,取得了较好的效果。     

基于改进蜜蜂进化型遗传算法的电力系统无功优化

文章采用改进蜜蜂进化型遗传算法求解电力系统无功优化问题,该算法引入了自适应调整选择算子的策略,使算法能及时开辟新的解空间,提高其搜索效率;引入了驱逐算子,增加了蜂群的生物多样性,提高了杂交效率,避免了算法过早收敛的问题。通过以IEEE-6节点和IEEE-30节点测试系统为例进行无功优化计算,并与其他优化算法进行了比较,结果表明了文章算法在求解电力系统无功优化问题的有效性,同时证明了该算法在收敛速度和优化效果上具有比其他优化算法更佳的性能。