改进粒子群算法在光伏多峰值MPPT中的应用

光伏阵列在局部遮阴的情况下会呈现多峰值的特性,传统的最大功率点跟踪（MPPT）算法会陷入局部最优点,从而导致算法实效。粒子群算法较其他智能算法具有参数少、控制简单的优点,但存在收敛速度慢以及容易早熟收敛的缺点。针对这些问题,提出了改进的粒子群算法,将自适应的惯性权重法与异步变化的学习因子相结合来改善存在的问题。通过MATLAB将传统粒子群算法与改进的粒子群算法仿真对比来验证改进后算法的优越性。     

基于自适应粒子群算法在光伏阵列多峰值系统MPPT的控制

在局部阴影的条件下,由于光伏阵列的P-U曲线会存在多个峰值点,传统的扰动观测方法不能快速追踪到最大功率点。本文对粒子群算法的设计参数、执行流程等方面进行优化,提出了一种基于自适应粒子群算法对光伏并网系统MPPT的控制策略,最后进行了Matlab/Simulink仿真。结果表明,该控制策略可以快速、准确地搜寻到最大功率点,能够抑制复杂条件下环境因素的影响,提高算法的跟踪精度和光伏电池的整体工作效率。     

粒子群算法在多目标优化中的应用综述

粒子群优化算法是一种基于群体智能的全局随机寻优算法。它通过粒子搜寻自身的个体最优解和粒子群体的全局最优解来完成更新优化。粒子群算法在很多领域得到了广泛的应用。本文主要论述了多目标PSO约束优化的基本思想、实现情况,并展望了PSO算法在多目标优化中的未来发展方向。     

粒子群优化算法在电网规划中的应用

粒子群算法适合求解连续变量优化问题,本文提出了粒子群算法的新离散化方法。常规粒子群算法在电力系统优化问题中取得了成功,但有“趋同性”。本文提出了改进多粒子群优化算法（IPPSO）,IPPSO是两层结构：底层用多个粒子群相互独立地搜索解空间以扩大搜索范围;上层用1个粒子群追逐当前全局最优解以加快收敛。粒子群以及粒子状态更新策略不要求相同。     

多目标粒子群算法在医院床位安排中的优化应用

针对医院病床安排问题,将病床周转率等效为病人总住院时间,将患者满意度等效为病人等待时间,以入住病人总住院时间和病人等待时间为目标函数,创立多目标优化模型,给出算法求解的具体流程,然后利用多目标粒子群算法进行求解,得出关于病床安排问题的非劣解集。最后,结合实例对算法性能进行了仿真分析,结果表明多目标粒子群能给出多种病床安排方案,实现了多目标之间的折中权衡,是医院床位安排问题的一种有效解决途径。     

粒子群优化算法在多参数拟合中的应用

提出一种新的自适应粒子群优化算法,以解决梯度法为基础的算法在进行多参数拟合时因各参数之间相关性较高而带来的拟合上的问题．该粒子群优化算法采用自适应变异和动态自适应调整搜索范围、惯性权重相结合的改进策略,数值模拟了将该算法应用于测量薄膜热物性时的多参数拟合,结果表明该算法是可行和有效的．     

粒子群算法在求解优化问题中的应用

粒子群优化(PSO:Particle Swarm Optimization)算法是一种新兴的优化技术,其思想来源于人工生命和进化计算理论.PSO算法通过粒子追随自己找到的最好解和整个群体的最好解完成优化.为了避免PSO算法在求解最优化问题时陷入在局部最优及提高PSO算法的收敛速度,提出了对PSO算法增加更新概率.对无约束和有约束最优化问题分别设计了基于PSO算法的不同的求解方法和测试函数,并对PSO算法求解多目标优化问题进行了研究.仿真实验表明了改进的PSO算法求解最优化问题时的有效性.     

多目标粒子群优化算法研究

在过去的十多年,粒子群算法对多目标优化问题的应用研究取得了较大的进展．本文首先描述多目标粒子群优化算法（MOPSO）的基本流程,然后从算法设计与应用等方面回顾MOPSO的研究进展,最后对该算法未来的研究进行了分析和展望.     

基于混合算法的光伏MPPT优化

在对比分析CVT-INC结合算法、PSO算法和PSO-BFA结合算法3种传统MPPT算法跟踪性能的基础上,提出适用于光伏阵列的CVT-PSO-BFA混合算法.MATLAB仿真结果表明:CVT-PSO-BFA混合算法在实现多峰值MPPT过程中,具有启动速度快、震荡幅度小、跟踪精度高等优点,可实现全局最优搜索.     

改进的粒子群算法在印刷业优化管理中的应用

从印制质量及生产计划两个方面综合考虑,讨论印刷业优化管理的问题．首先对印刷品优先权的确定、印刷错误的研究,建立了印刷业多目标最优化的管理模型;其次通过改进的粒子群算法对该多目标问题进行优化．数值实例表明,该模型在印刷业优化管理中是有效可行的．     

基于粒子群算法的MPPT控制策略研究

获取光伏电池板最大功率跟踪点的方法较多.常规算法存在控制精度差、最大功率点附近震荡、响应速度过慢、或成本过高等问题.将粒子群算法与光伏发电的最大功率点跟踪结合,提出利用粒子群算法来找光伏电池特性曲线中P-U的最高点,并且用算例证实了此方法的可行性.     

基于改进PSO算法在光伏阵列多峰MPPT的研究

针对传统的最大功率点跟踪算法在光伏阵列出现局部阴影时,其输出P-U特性曲线表现出的多峰现象,导致跟踪不能完成真正的最大功率点跟踪,从而造成系统的输出功率降低的问题;粒子群算法(PSO)在全局搜索具有很好的作用,把PSO应用在MPPT之中,但其收敛速度与精度方面具有一定的缺点,为了提高PSO算法的跟踪精度和收敛速度,提出了把非线性控制策略与PSO算法相结合;通过Matlab/Simulink进行仿真验证,结果表明:改进后的粒子群算法在有无阴影和环境发生变化的情况下均可快速且稳定准确地跟踪到最大功率点的有效性,提高了光伏系统的发电效率。     

一种改进的粒子群优化算法

粒子群算法是一种新型的进化计算方法,已在许多领域得到了广泛的应用,但基本粒子群算法在计算过程中易出现过早收敛现象.为此提出了一种改进的粒子群算法,利用差异演化的思想,当陷入局部极小点时,通过一定的策略迫使粒子群摆脱局部极小点.对经典函数的测试计算,验证了方法的正确性和有效性.     

一种改进的粒子群优化算法

针对粒子群优化算法早熟收敛现象,提出了一种改进的粒子群优化算法.该算法将模拟退火算法的"上山性"引入粒子群算法中,同时为了增加种群的多样性,将交叉和变异算子也结合进去,形成了一种新的改进粒子群算法.比较了高斯变异和柯西变异这两种变异算子对改进算法的影响.改进算法对典型函数的优化计算结果表明,与基本粒子群算法相比,改进算法能够更加快速有效的收敛到全局最优解,而且采用柯西变异算子的改进算法的效果比采用高斯变异算子的效果要好.     

改进的自适应多目标粒子群算法

边界处理和全局最优引导者选择操作对多目标粒子群算法的性能有重要影响,在考虑不同操作方法特征的基础上,提出了改进的自适应多目标粒子群(multiobjective particle swarm optimization,MOPSO)算法.当算法陷入局部最优时,启用交叉变异操作;当算法收敛性停滞时,轮换修剪边界处理和指数分布边界处理操作;当算法多样性停滞时,轮换反比于拥挤距离和反比于控制粒子数目的全局最优引导者概率选择操作.标准测试函数以及柔性交流输电系统(flexible AC transmission system,FACTS)装置优化配置问题的仿真结果验证了所提算法的有效性.     

一种改进的粒子群优化算法

提出一种改进的粒子群算法(EDAPSO).这种改进算法结合分布估计算法的探索能力和粒子群算法的开发能力.首先利用EDAPSO算法解决无约束的问题,并且比较EDAPSO算法与其他三种经典的粒子群算法的结果.无约束问题的实验结果表明:EDAPSO算法可以找到更好的解,并且稳定性更高.然后EDAPSO算法被用来解决含有13个单元的电力系统的负荷经济分配问题.实验结果表明:EDAPSO算法所获得的解比近期文献所报道的解好.     

改进的粒子群算法在分形天线中的应用

针对基本粒子群算法初始种群的盲目性、搜索过程中粒子多样性丧失的问题,提出了一种自适应混沌差分粒子群算法,该算法提高了种群粒子的多样性,具有更快的搜索速度和更高的求解精度。利用自适应混沌差分粒子群算法优化设计了一款小型化多频微带分形天线,这对于实际工程应用具有一定的指导作用。     

一种改进粒子群算法及其在风电场中的应用

针对传统粒子群寻优速度慢的缺点,引进了种群平均速度的定义。用平均速度表征粒子群的活跃程度,并作为粒子群惯性权重和学习因子调节的依据,加快了粒子群的寻优速度。针对粒子群容易陷入局部极值的缺点,提出将模拟退火算法引入粒子群算法,将粒子群的平行快速寻优能力和模拟退火的概率突跳特性相结合,保持了群体多样性,有效地避免了局部收敛。对2个典型测试函数的寻优问题进行仿真实验,实验结果验证了该算法的有效性。将改进的粒子群算法用于风电场风速概率分布模型的优化,与常规的统计方法相比,该方法具有更高的拟合精度。     

改进型耗散粒子群优化算法

通过对标准粒子群优化算法中惯性权重的分析和对耗散理论的研究,提出了一种惯性权重正弦调整的耗散粒子群优化算法(S-DPSO),并对该算法进行了深入的分析和研究.通过对4个典型函数的仿真测试,试验结果表明S-DPSO在收敛速度和全局收敛性方面都比标准粒子群优化算法、随机惯性权重粒子群优化算法、惯性权重正弦调整粒子群优化算法、耗散粒子群优化算法和随机惯性权重耗散粒子群优化算法有明显改进.理论分析和仿真试验验证了S-DPSO的正确性和有效性.     

一种新的改进粒子群算法

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法结构.通过构造单个粒子的多个进化方向和类似于蚂蚁群算法信息素表的选择机制,保留了粒子的多种可能进化方向,并对全局最优解进行变异.提高了粒子间的多样性差异,从而改善算法能力.改进后的粒子群算法的性能优于带线性递减权重的粒子群算法.