基于改进二阶粒子群算法的微电网群优化调度

分布式电源（distributed generators,DG）在电网中渗透率不断提高,微电网群（multi-microgrid,MMG）作为就地消纳DG的小型电力系统,能有效解决DG出力不确定性带来的问题。针对MMG优化调度问题,建立了基于运行经济性的协同优化调度模型。为提高模型求解的精度与速度,提出了一种改进的二阶振荡粒子群算法。该算法首先通过Logistic映射初始化种群,然后采用自适应动态方法改变惯性权重,并引入4个振荡变量增加粒子群的多样性,仿照微分方程根的特性确定振荡变量范围,使算法前期全局振荡收敛,后期局部渐近收敛。最后利用仿真案例验证了所提算法求解MMG协同优化调度模型的有效性。     

基于改进粒子群算法的整流供电智能优化调度

针对粒子群算法易早熟收敛的局限性，提出了一种带变异的改进自适应粒子群优化(PSO)算法.该算法根据群体适应度变化率自动调整惯性权值，根据当前种群的平均粒距确定种群中部分粒子的变异概率.对于大型锌电解过程中的整流供电调度问题，建立了以用电费用及耗电量最少为目标的整流供电优化调度模型，并应用改进算法进行优化求解，获得最优调度方案.仿真结果证明了该算法的有效性.工业应用效果表明，按最优调度方案组织生产显著降低了用电费用，同时有利于电网负荷的平衡运行.     

约束自适应粒子群优化算法及水厂调度

针对粒子群优化算法应用于约束优化问题时易陷入局部极小值的问题,提出了一种改进的粒子群优化算法. 该算法综合了约束优化问题的目标函数值和约束函数的违反度值作为粒子群优化算法的双适应度值, 采用了双适应值动态判断粒子群优化算法中粒子的优劣. 违反度值的计算引入了自适应加权系数,相应地提出了调整各权系数的自适应策略, 并改进了粒子群优化算法的粒子竞争选择策略,拓展了粒子群优化算法的单适应值的应用范围.应用约束自适应粒子群优化算法实现了城市水厂的节能优化调度. 结果表明, 该算法收敛速度快且结果可靠. 粒子群优化算法为解决工程约束优化问题提供了一条可行途径.     

基于混合粒子群算法的梯级泵站优化调度

针对不同时段电价差异,以流量平衡为基础,建立以梯级泵站耗电电费最小为目标的优化调度模型,并采用粒子群算法求解.为克服粒子群优化算法易早熟、迭代后期收敛速度慢的缺点,引入免疫思想,以粒子适应度为标准,通过克隆变异算子、疫苗接种算子和优胜劣汰算子,构建双粒子群,增强了粒子群搜索精度和搜索范围,并将其应用于广东某供水工程.优化调度仿真对比分析表明:免疫粒子群算法(IAPSO)能够有效地解决梯级泵站优化调度问题,降低了泵站运行成本,与基本粒子群算法(PSO)和自适应惯性权重粒子群算法(APSO)相比,收敛速度更快,搜索精度更高.     

基于粒子群算法的太子河水量优化调度研究

基于粒子群算法,构建了太子河水量优化调度模型,用于解决太子河水量优化调度的问题。应用结果表明,通过采用该模型对观音阁与葠窝两座水库的库容进行优化,提高了两座水库分别对本溪市与辽阳市的总供水量,由调度前的83 131万m3增加至101 052万m3,两市综合供水保证率提高了17.1%,解决了两市综合供水保证率低的问题。运用该方法可有效地提高太子河水量优化调度问题的执行效率,计算结果合理可行,具有较高的灵活性和广泛的应用前景。     

基于协调粒子群算法的水电站水库优化调度

提出了一种协调粒子群算法,利用多粒子群的信息协调和扰动策略的方法,较好地克服了基本粒子群算法易于早熟和陷入局部最优的缺点,具有良好的收敛速度和计算精度。实例计算表明,协调粒子群算法能够求解水电站优化调度这样的非线性、强约束组合优化问题,原理简单,易于编程,占用内存少,为水电站优化调度问题提供了一种具有较高应用价值的方法。     

基于改进粒子群算法作业车间调度问题的优化

针对作业车间调度问题,提出一种基于自适应权重和混沌的改进粒子群优化算法。构建以机器加工时间最短为优化目标的多约束作业车间调度模型,采用基于工序排列的编码方式得到粒子参数与工序序列的映射关系;基于自适应权重改进粒子群算法中的惯性系数和加速因子,使得算法可以根据适应度值动态调整参数因子;采用反向学习策略改善种群初始解的质量;引入莱维飞行、变邻域搜索、混沌,增强了算法的搜索能力,避免陷入局部最优解。试验结果表明:改进粒子群算法可以有效地提高粒子利用率,平衡全局搜索与局部搜索能力,改善传统粒子群算法易早熟的缺点,得到更优的解。     

混沌粒子群优化算法在水库防洪优化调度中的应用

为改善粒子群优化算法的寻优性能,提出了一种新的算法——混沌粒子群算法。该算法将混沌搜索机制引入到粒子群算法中来增加粒子的多样性,采用自适应惯性权重因子模型来设置惯性权重因子,改善了算法的全局寻优能力,并将其用于水库防洪优化调度中。实例计算表明该算法能较好地克服了粒子群算法易早熟和陷入局部最优的缺点,为解决水库防洪优化调度问题提供一种新的有效途径。     

免疫粒子群优化算法在车间作业调度中的应用

针对标准粒子群优化(PSO)算法在迭代过程中容易出现粒子过早收敛从而降低其寻优能力的问题,分析了粒子在更新过程中早熟的原因,通过引入免疫系统的抗体浓度选择机制,构造了一种基于免疫机制的粒子群优化算法模型,并给出了免疫粒子群优化（IPSO）算法在车间作业调度问题（JSP）中的应用.抗体浓度选择机制使得粒子在更新迭代过程中保持了多样性,从而克服了过早收敛的缺陷.对43个JSP标准测试案例的仿真结果表明,与其他算法相比,IPSO算法能够获得更优的结果,求解时间更短,从而验证了免疫机制对算法寻优能力的改善.最后给出了LA36问题的调度结果的甘特图.     

基于改进量子粒子群算法的微网多目标优化调度

根据微网与主网之间不同的交互方式制定2种不同的优化策略,建立以微网经济成本和环境效益为目标的优化调度模型,采用蜂群搜索策略的改进量子粒子群(BQPSO)算法进行求解。该算法具有较强的全局搜索能力,能够提高计算精度,避免陷入局部最优解,有效改善多目标优化调度的Pareto前沿分布特性。最后,以典型的微型燃气轮机、柴油发电机和燃料电池组成的微网系统为例,验证了所建模型和所提方法的有效性。     

改进粒子群算法的动态空间调度方法

针对船体分段生产调度的多目标性和动态性,提出了一种改进粒子群算法的动态空间调度方法,确定船体分段在工作平台上的加工顺序和空间布局位置.算法以加工完成时间最短和空间利用率最高为目标,采用自适应惯性权重策略保证算法的收敛性,并引入遗传算法中的选择算子和变异算子增强算法的收敛速度和多样性,利用启发式定位策略确定分段的位置.最后,以船厂实际生产数据进行仿真验证.仿真结果表明,所提方法可以大大降低以手工方式制定调度计划的复杂度,并能有效地提高空间利用率达到70%,说明该方法是解决动态空间调度问题的一种有效方案.     

基于改进粒子群算法的配电网重构的研究

提出了基于改进二进制粒子群算法的配电网重构策略,在保证系统及用户供电质量的前提下,使得配电网重构的综合费用最低。从配电网重构实际应用出发,提出了综合考虑系统的电能损耗费用、开关运行维护及投切费用和停电损失费用四方面的目标函数。针对普通粒子群算法易陷入局部极值的缺点,采用改进的惯性权值策略,增强了算法的调节功能,克服了普通粒子群算法的早熟收敛现象。算法还对开关操作次数约束进行了处理使之不影响全局最优性。仿真结果表明,这种配电网策略可以明显降低系统网损和综合费用。改进的粒子群算法计算速度快,目标函数更贴近配电网重构的实际情况。     

基于粒子群优化算法的Hadoop调度算法研究

为提高Hadoop平台性能,提出一种基于粒子群优化算法的Hadoop调度算法。以粒子位置代表可行的资源调度方案,以任务完成时间及资源负载均衡度作为目标函数,通过粒子群优化算法,找到最优的资源调度方案。实验结果表明,该算法能够很好的平衡资源负载,减少任务完成时间,有效的提高了Hadoop平台的性能。     

基于粒子群算法的物流配送车辆优化调度研究

应用粒子群算法求解物流配送系统的车辆优化调度问题,针对车辆调度问题中需要考虑车辆容量和车辆行驶路径的限制等要求,提出一种基于收货点、粒子位置次序和粒子位置取整操作的三维粒子编码方法,采用惯性权重线性递减粒子群算法对两个算例进行计算,并与遗传算法的计算结果进行了比较。结果表明,粒子群算法能够有效地对物流配送车辆调度问题进行优化。     

应用混合粒子群优化的检查点全局优化算法

针对容错实时系统存在的局部最优检查点间隔为单次故障情况下的最优检查点间隔及局部最优检查点间隔并不是任务集全局最优检查点间隔的缺陷,首先给出检查点间隔全局优化问题的多目标优化模型,然后基于混合粒子群优化算法,提出检查点间隔全局优化算法.该算法通过混合粒子群优化算法的交叉和变异操作,避免算法陷入局部极值的困境,且增强了算法搜索全局近优检查点间隔的能力.实验表明,与其他检查点间隔优化算法相比,本算法可进一步提升系统容错能力.检查点间隔全局优化能在故障多次发生情况下,对任务集的检查点间隔进行全局搜索,以减小检查点设置次数和故障检测次数、高优先级任务抢占时间及故障恢复时间,提高系统可调度性.     

An extended particle swarm optimization algorithm based on coarse-grained and fine-grained criteria and its application

In order to study the problem that particle swarm optimization （PSO） algorithm can easily trap into local mechanism when analyzing the high dimensional complex optimization problems, the optimization calculation using the information in the iterative process of more particles was analyzed and the optimal system of particle swarm algorithm was improved. The extended particle swarm optimization algorithm （EPSO） was proposed. The coarse-grained and fine-grained criteria that can control the selection were given to ensure the convergence of the algorithm. The two criteria considered the parameter selection mechanism under the situation of random probability. By adopting MATLAB7.1, the extended particle swarm optimization algorithm was demonstrated in the resource leveling of power project scheduling. EPSO was compared with genetic algorithm （GA） and common PSO, the result indicates that the variance of the objective function of resource leveling is decreased by 7.9%, 18.2%, respectively, certifying the effectiveness and stronger global convergence ability of the EPSO.     

求解调度问题的粒子群算法编码方法研究

利用粒子群算法求解调度问题的关键是建立有效的粒子编码结构。介绍了作业车间、流水车间和并行机调度等3类典型调度问题的特点,阐述了求解调度问题的粒子群算法结构,指出设计粒子群算法编码方法需要考虑的3个关键问题。提出3种求解不同调度问题的粒子群算法编码方法,并从生成调度解的可行性和有效性、粒子群计算模型的适用性和解码过程的复杂性等几个方面对粒子编码方法进行分析。以作业车间调度问题为例,验证了所提粒子编码方法的有效性。     

基于改进粒子群算法的组合测试数据生成

针对传统粒子群优化算法生成测试数据容易产生早熟收敛而陷入局部最优的问题,提出一种基于改进粒子群算法的组合测试数据生成算法。该算法在粒子群算法的基础上引入一种惯性权重自适应调整策略,根据粒子的适应度不同采用不同的惯性权重,从而有效的平衡算法的全局和局部搜索能力,增加种群的多样性并提高算法的搜索效率。仿真实验表明该算法与传统粒子群算法相比,所需迭代次数减少,生成组合测试数据速度快。     

An estimation method for direct maintenance cost of aircraft components based on particle swarm optimization with immunity algorithm

A particle swarm optimization (PSO) algorithm improved by immunity algorithm (IA) was presented. Memory and self-regulation mechanisms of IA were used to avoid PSO plunging into local optima. Vaccination and immune selection mechanisms were used to prevent the undulate phenomenon during the evolutionary process. The algorithm was introduced through an application in the direct maintenance cost (DMC) estimation of aircraft components. Experiments results show that the algorithm can compute simply and run quickly. It resolves the combinatorial optimization problem of component DMC estimation with simple and available parameters. And it has higher accuracy than individual methods, such as PLS, BP and v-SVM, and also has better performance than other combined methods, such as basic PSO and BP neural network.