改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子群算法优化组合预测模型的权值,并与单个预测模型进行比较.预测结果表明,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

基于小世界邻域结构的微粒群算法研究

分析了邻域结构对微粒群算法的影响，针对收敛速度慢，早熟收敛等缺点，结合小世界网络的基本特性，提出了一种基于小世界邻域结构的微粒群算法。在该模型中，邻域内部的高聚集性有利于微粒的细致搜索，而邻域间少量的长程连接又能保证微粒在进化过程中更加全面、快捷地实现信息的有效共享，从而在提高收敛速度的同时防止陷入局部最优。将本模型与Gbest模型及环形结构进行比较，发现该算法不仅具有更快的收敛速度，而且能够获得更好的收敛效果。     

利用有效信息的粒子群优化算法

为了进一步提高粒子群优化(PSO)算法的性能,分析了PSO算法的信息共享机制及由个体最优位置构成的平衡点的作用,探讨了一个好的平衡点应满足的条件.在此分析基础上,根据对粒子邻域个体最优位置的不同利用方式,提出了两种利用有效信息的PSO(EIPSO)算法形式:EIPSO-1与EIPSO-2.EIPSO1算法中粒子的平衡点由性能不差于粒子当前位置的邻域个体最优位置组成,EIPSO-2中粒子的平衡点由粒子群中性能不差于当前粒子个体最优位置的粒子个体最优位置组成.EIPSO既充分利用了优秀邻域个体的信息,又避免了较差邻域个体的负面影响.5个测试函数的仿真结果及与其他PSO算法的比较结果验证了新算法的有效性.     

AISPSO算法在电网无功优化的应用

针对粒子群算法搜索后期的局部收敛问题,提出加入邻域空间和择优替换粒子改进方法的自适应信息选择粒子群优化(AISPSO)算法.将AISPSO算法应用于电网无功优化,选取发电机节点电压、变压器、无功补偿容量为控制变量,代入粒子编码机制寻优,在连续5次迭代无法跳出时,加入邻域空间,替换粒子后再次搜索.通过AISPSO算法优化调度,搜索电网网损最优值,达到电网无功优化目标.根据研究数据对比,AISPSO算法寻优所得网损比基本粒子群算法降低了4.43个百分点.     

一种高维多模态优化的量子粒子群优化算法

为求解实际工程中的高维多模态优化问题,提出了基于动态邻域的多策略进化的量子粒子群优化算法(QPSO).针对QPSO算法存在的粒子"早熟"问题,首先定义了一种动态邻域选择机制以保持种群的"活跃性";然后结合动态邻域机制,定义了三个不同策略的局部吸引子更新方程以保持种群进化的"多样性".为了防止算法的进化方向不发散,对收敛到全局最优解的局部吸引子更新策略赋予了较大权重;最后为了拓展最优解空间引入了狼群优化算法中的综合评价方法.通过对不同类型的高维多模态基准测试函数的仿真实验结果表明:相比于其余四种优化算法,本文提出的优化算法在收敛精度和稳定性方面具有明显优势,并且随着测试维度的增加,这种优势更加凸显,展现出了较好的解决高维多模态优化问题的性能.文中引入的综合评价方法在所有的测试函数中均具有较高的生效次数,综合评价生效意味着为下一次的进化找到一个更加有利的进化方向,这样能够减少算法找到最优解的次数,也能进一步提升算法的收敛精度.     

一种粒子群优化的用户优先级虚拟网络映射算法

以底层网络资源利用率最大化为目标,对控制转发分离网络建立基于"资源抢占+重映射"的用户优先级虚拟网络映射整数线性规划模型,并提出了一种改进离散粒子群算法来解决虚拟网络映射问题.该算法的粒子进化更具方向性,同时引进不同粒子位置互斥因子,解决粒子群算法易早熟陷入局部最优解的缺陷.最后通过仿真实验从节点资源利用率、链路资源利用率、一般虚拟网络接受率、平均跳数和长期运营收益成本比等方面,将改进离散粒子群算法与贪婪算法和二进制离散粒子群算法对比,验证了改进离散粒子群算法的高性能.     

一种求解Job Shop调度问题的混合粒子群优化算法

目的 解决单一粒子群算法求解Job Shop调度问题存在的不足,提高这类问题的求解质量.方法 采用粒子群算法进行全局搜索,将禁忌搜索算法用于并行局部搜索,禁忌搜索在找到改进解的邻域时采用动态记忆的方式.结果 在较短时间内,找到了LA21,LA24等典型benchmarks问题的最优解.十次求解的平均值的平均相对误差百分比比并行遗传算法和禁忌搜索算法分别小了2.94%和0.56%.结论 提出一种混合粒子群算法,增强了粒子群算法的局部搜索能力,说明该混合粒子群优化算法是有效的.     

自适应子空间高斯学习的粒子群优化算法

为了克服粒子群优化算法在复杂优化问题上易出现早熟收敛、多样性缺失等问题,提出了自适应子空间高斯学习的粒子群优化算法。该方法提出了适应值离散度和子空间高斯学习的概念,以自适应地调整参数和搜索策略,帮助粒子逃离局部最优。同时,该方法还提出邻域学习策略,引入了邻域最优粒子。当前粒子的邻域在进化过程中通过动态构建,以增强种群的多样性。实验对19个常用的经典基准测试函数在30和100维进行了测试,结果表明该算法在收敛速度和寻优精度上优于一些知名的PSO算法。最后,将改进的算法应用于无线传感器网络覆盖优化问题,获得了较好的结果。     

基于粒子群脊波神经网络的飞机目标识别

针对传统的基于梯度的脊波神经网络训练算法存在效率低、网络规模大、后期容易震荡等缺点,提出了一种粒子群网络训练算法,网络结构采取逐步递增隐层神经元的方法加以确定,对粒子群个体参数取不同的位置边界,并对粒子飞行速度进行限制,在合理设定粒子群算法各参数值的情况下实现了网络快速而有效的训练.仿真试验将该网络用于6类空中飞机目标的识别,并与传统的识别手段进行了比较,结果表明粒子群算法训练的脊波神经网络具有规模小、学习和泛化能力强、网络可控性好等优点.     

基于粒子群优化算法的散乱数据光顺拟合

在散乱数据光顺拟合问题的计算中，引入了群体智能粒子群优化算法，增加了计算的自动程度以及客观性，优化中提出了优于传统罚函数法的模糊罚函数法，将模糊集合理论和粒子群优化算法有机地结合起来，并通过对节点序列内在关联性的分析，提出了适合邻域搜索类算法实施的邻域结构，以获得目标函数的全局解，最后给出了数值仿真实例。     

基于粒子群算法的配电网网架规划

针对配电网网架规划问题,提出了一种改进的混合粒子群算法,引入与以往的进化粒子群混合算法不同的动态邻域间极值粒子的交叉操作,提高了算法的收敛速度;提出一种“尽量满足辐射状约束”的方法,有效地解决了离散变量的处理和辐射网判断之间的矛盾。算例计算表明,该算法收敛速度快,具有很好的全局搜索能力,是可行且有效的,对于推广PSO在电力系统中的应用具有积极的意义。     

基于粒子群算法的倒立摆智能控制系统研究

为了控制倒立摆保持稳定状态,选取直线一级倒立摆为研究控制对象,建立直线一级倒立摆数学模型,将粒子群算法(PSO)实际应用到直线一级倒立摆智能控制系统的关键参数优化,仿真验证PSO算法优化直线一级倒立摆的动态稳定性。仿真结果表明,基于粒子群算法对直线一级倒立摆的优化控制具有更快的收敛性和更优的稳定性。     

基于粒子群优化算法的智能抽题策略研究

通过对智能抽题策略研究,建立了智能抽题数学模型,提出用于评价抽题效果的评价指标及其获取方法;在此基础上,考虑智能组卷过程对试卷质量的高要求以及优化参数的表示形式,文中将粒子群优化算法运用于智能抽题优化模型的求解中,取得了较好的效果.为证明该方法的有效性和优越性,与采用相同二进制编码方式的遗传算法进行比较,通过二者的适应度演变图可以表明粒子群算法(Particle Swarm Optimization,PSO)算法可以较早地达到目标的最优分配,在运行时间及抽卷优化结果上明显优于遗传算法(Genetic Algorithm,GA),能更好地适应智能抽题策略的要求.     

Particle swarm optimization and its application to seismic inversion of igneous rocks

In order to improve the fine structure inversion ability of igneous rocks for the exploration of underlying strata, based on particle swarm optimization(PSO), we have developed a method for seismic wave impedance inversion. Through numerical simulation, we tested the effects of different algorithm parameters and different model parameterization methods on PSO wave impedance inversion, and analyzed the characteristics of PSO method. Under the conclusions drawn from numerical simulation, we propose the scheme of combining a cross-moving strategy based on a divided block model and high-frequency filtering technology for PSO inversion. By analyzing the inversion results of a wedge model of a pitchout coal seam and a coal coking model with igneous rock intrusion, we discuss the vertical and horizontal resolution, stability and reliability of PSO inversion. Based on the actual seismic and logging data from an igneous area, by taking a seismic profile through wells as an example, we discuss the characteristics of three inversion methods, including model-based wave impedance inversion, multi-attribute seismic inversion based on probabilistic neural network(PNN) and wave impedance inversion based on PSO.And we draw the conclusion that the inversion based on PSO method has a better result for this igneous area.     

Trajectory Optimization Design for Morphing Wing Missile

This paper presents a new particle swarm optimization (PSO) algorithm to optimize the trajectory of morphing-wing missile so as to achieve the enlargement of the maximum range. Equations of motion for the two-dimensional dynamics are derived by treating the missile as an ideal controllable mass point. An investigation of aerodynamic characteristics of morphing-wing missile with varying geometries is performed. After deducing the optimizing trajectory model for maximizing range, a type of discrete method is put forward for taking optimization control problem into nonlinear dynamic programming problem. The optimal trajectory is solved by using PSO algorithm and penalty function method. The simulation results suggest that morphing-wing missile has the larger range than the fixed-shape missile when launched at supersonic speed, while morphing-wing missile has no obvious range increment than the fixed-shape missile at subsonic speed.     

基于改进PSO-BP网络的配电网故障选线与测距

针对人工智能算法在解决配电网故障选线和测距问题时容易陷入局部最优解并难以满足精确性和鲁棒性要求的问题,提出了一种基于改进粒子群优化神经网络的配电网故障选线与测距算法.该算法结合混沌优化算法和粒子群优化算法得到收敛能力更强的粒子群优化算法,通过提取配电网的零序电压与电流的暂态及稳态特征来构成特征向量,并分别使用训练集训练改进粒子群优化神经网络算法,从而能更精确地预测配电网的故障线路及其距离.仿真测试结果表明,所提出的算法能获得更精确的选线和测距结果,具有一定的实用性.     

基于粒子群算法的ANFIS模型参数优化

粒子群优化算法是一类全局随机进化算法,算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。根据粒子群算法对整个参数空间进行高效并行搜索的特点,提出了最小二乘法和粒子群优化算法相结合的混合学习算法对自适应神经-模糊推理系统网络结构参数进行优化设计。混合学习算法提高了网络参数辨识的收敛速度,仿真结果表明本算法的有效性。     

用PSO方法搜索基于MLE的ARMA模型参数

针对小样本条件下用矩估计(ME)方法获取ARMA模型参数粗略的缺点,将粒子群优化算法(PSO)用于小样本ARMA模型参数的极大似然估计(MLE),以获得概率上最优的数字解。在分析基于ARMA模型似然函数的基础上,详细分析了PSO的思想、方法和评价指标。以实际例证显示了联合PSO优化方法估计AMAR模型参数的优良特性,并从算法和似然函数角度分别阐释了形成利弊的原因。     

基于PSO-DE算法的分布式光伏优化配置研究

为解决分布式光伏电源接入配电网的优化配置问题,提出一种基于粒子群和差分进化的PSO-DE算法,同时构建了包含网损最小、投资成本最低、电压质量最优的无偏好多目标分布式光伏选址定容综合优化模型。首先对差分进化算法的变异过程进行改进,然后利用粒子群算法对差分进化算法中的缩放因子和杂交因子进行优化,采用标准测试函数对PSO-DE算法进行测试和参数敏感度分析,验证了算法的客观性和稳定性;并利用无偏好可变权重对多目标模型进行处理;最后以分布式光伏选址定容优化的实际应用为例,并与其他算法对比,验证了模型和算法的有效性和实用性。     

基于改进的粒子群和遗传算法的混合优化算法

分析粒子群算法在求解组合优化问题中的运行原理,对警车分布的优化问题建立了粒子群优化的数学模型,对基本粒子群优化算法中的速度范围、惯性权重等参数进行了改进,并通过仿真与基本粒子群算法比较,显示改进的粒子群算法,提高了优化结果.在改进的粒子群算法中引入遗传算法,将形成的新混合算法应用到求解警车最优执勤地点的分布问题,并与遗传算法和改进的粒子群算法仿真比较.结果表明,混合优化算法在收敛速度和精度上均有明显的提高.