基于改进粒子群优化算法的BOD-DO水质模型参数确定

【目的】将改进的粒子群优化算法应用于BOD-DO水质模型参数求解,为水质模型参数求解提供支持。【方法】通过差异演化算法对各个体历史最佳位置进行变异,以保持种群多样性,并在搜索后期加入局部搜索能力强的单纯形算法,建立改进的粒子群优化算法,并用该算法对BOD-DO水质模型参数进行求解。【结果】改进的粒子群优化算法能有效地确定BOD-DO水质模型参数;参数取值范围的放宽对算法的收敛性影响较小,但迭代次数有所增加;均匀分布法生成的初始种群可以有效地提高算法的收敛率,加快收敛速度;交叉概率和缩放因子的随机选取策略,可以有效地提高算法的收敛率并加快收敛速度;比较计算结果可知,改进的粒子群优化算法的收敛精度有所提高,收敛率可达到100%,收敛速度可提高5倍以上,标准差约是粒子群优化算法的10%。【结论】改进的粒子群优化算法有效地避免了原算法的早熟或停滞,为不同类型的水质模型参数求解提供了一个可靠的方法。     

基于量化正交免疫克隆粒子群算法的水电站水库优化调度研究

【目的】解决传统粒子群算法在求解水库优化调度问题中存在的早熟、收敛速度慢和易陷入局部最优的问题。【方法】基于抗体克隆选择学说理论,提出了一种量化正交免疫克隆粒子群算法(OICPSO/Q)。采用正交交叉策略来增强子代个体解分布的均匀性;通过接种疫苗和计算亲合度等操作,对算法的进化过程进行有目的、有选择地指导,使得算法快速收敛,同时保持一定的多样性,抑制了早熟现象。提出一种自学习算子,避免个体邻域内最优解的丢失。建立了基于量化正交免疫克隆粒子群算法的水库优化调度数学模型,并给出其具体的求解步骤。最后应用该方法与标准粒子群算法(SPSO)及动态规划方法进行比较。【结果】与SPSO算法和动态规划方法计算结果相比,OICPSO/Q算法计算时间明显降低,但发电量明显增加,说明OICPSO/Q算法可提高解的精度,加快其收敛速度,其性能优于标准粒子群算法和动态规划方法。【结论】OICPSO/Q算法为求解水库优化调度问题提供了一条新的有效求解途径。     

DP-ADPSO算法在机组负荷优化组合分配问题中的应用

针对离散粒子群应用于机组负荷优化问题中存在早熟收敛的难题,提出了动态规划-自适应离散粒子群算法求解机组负荷优化组合问题.该方法首先保证所有随机生成的粒子均为满足基本约束条件的可行解,使整个算法只在可行解区域内进行动态优化搜索,缩短了计算时间.计算实例表明:动态规划-自适应离散粒子群算法能较好地收敛到最优解,而且该方法得出的解具有精度高、收敛速度快的优点,应用效果优于动态规划法和离散粒子群算法,说明该方法是有效的、合理的,具有较好的应用前景.     

基于动态维度交叉的粒子群高维函数优化

提出一种优化高维函数的改进粒子群算法.粒子群算法在高维函数优化方面精度比较低,种群容易陷入停滞,分析粒子群算法在针对高维函数方面难以优化的原因,提出一种基于动态维度交又的改进粒子群算法,通过对五个典型测试函数的仿真,说明该算法具有摆脱较快的收敛能力和较高的收敛精度.     

求解TSP问题的混合离散粒子群算法

重新定义了离散粒子群算法DPSO的速度和位置公式,使其适宜求解离散问题.针对DPSO易早熟、收敛慢的缺陷,建立局部极小区域的扰动机制,在结合局部搜索算法PSEC后,提出了一种混合离散粒子群算法HDPSO.     

一种基于双子群的改进粒子群优化算法

针对粒子群优化算法易于陷入局部最优解并存在早熟收敛的问题，提出了一种基于双子群的改进粒子群优化算法（TS IPSO)，通过2组搜索方向相反的主、辅子群之间的相互协同，扩大搜索范围，借鉴遗传算法的杂交机制，并采用惯性权值的非线性递减策略，加快算法的收敛速度和提高粒子的搜索能力，降低了算法陷入局部极值的风险.实验结果表明该算法较标准PSO算法提高了全局搜索能力和收敛速度，改善了优化性能.     

基于改进粒子群算法的烧结配料预测模型

针对烧结配料系统中的非线性、复杂性和相关性，基于BP神经网络建立烧结配料的预测模型，并采用粒子群算法对预测模型参数进行优化。为了克服粒子群算法的局部收敛性，在迭代过程中，根据迭代次数对惯性权重进行动态非线性调整，从而提高算法的搜索能力。仿真结果表明，所提出的改进粒子群算法与传统的粒子群算法比较，收敛速度快、迭代次数少、具有较强的全局寻优能力。     

基于引导策略自适应粒子群算法的农村电网无功优化

粒子群优化算法在农村电网无功优化领域已有广泛应用,但算法存在不足,易陷入局部极值。算法中粒子更新方式和惯性权重是影响搜索能力的关键因素,提出了一种基于引导策略的自适应粒子群算法(adaptive particle swarm optimization algorithm with guiding strategy,GSAPSO),该算法在种群中引入4种粒子,即主体粒子、双中心粒子、协同粒子和混沌粒子对粒子位置更新进行引导来克服算法的随机性,从而提高搜索效率;为进一步克服粒子群优化算法进化后期易陷入早熟收敛的缺点,引入聚焦距离变化率的概念,通过聚焦距离变化率的大小动态调整惯性权重,以提高算法的收敛速度和精度,粒子更新方式和惯性权重的改进极大地提高了搜索到全局最优解的有效性。以IEEE 30节点测试系统为例进行仿真计算,采用GSAPSO算法无功优化计算后最优降损率可达到18.966%,节点最低电压为1.0091p.u.,最优解迭代次数45次,平均迭代次数64.6次,相比标准粒子群算法(PSO)、随机权重粒子群算法(wPSO)和惯性权重线性递减的粒子群算法(LDWPSO)均有很大提升。仿真结果表明:应用GSAPSO算法求得的解质量更高,收敛速度和精度明显高于其他3种算法,说明该算法具有更好的寻优能力和收敛性能。     

求解TSP问题的混合离散粒子群算法

重新定义了离散粒子群算法DPSO的速度和位置公式,使其适宜求解离散问题．针对DPSO易早熟、收敛慢的缺陷,建立局部极小区域的扰动机制,在结合局部搜索算法PSEC后,提出了一种混合离散粒子群算法HDPSO．     

结合混沌搜索的自适应混沌粒子群算法

针对基于群体适应度方差的自适应混沌粒子群算法存在的局部搜索能力较弱的不足,在该算法中引入了混沌变异以及混沌搜索操作。使用An混沌映射对部分粒子进行混沌变异,对全局最优粒子进行混沌搜索,提出了一种综合考虑粒子位置、寻优空间的自适应变尺度规则。数值仿真结果表明,改进算法的收敛性、全局和局部搜索能力都有所提高,能有效避免早熟收敛。