煙花量粒子群算法水庫群聯(lián)合優(yōu)化調(diào)度

針對(duì)高維、復(fù)雜的梯級(jí)水庫優(yōu)化調(diào)度在求解時(shí)易出現(xiàn)\"維數(shù)災(zāi)\"或陷入局部最優(yōu)解的問題,本文提出了基于免疫進(jìn)化算法的粒子群優(yōu)化算法,該算法充分利用了免疫進(jìn)化算法的全局搜索特性和粒子群算法的局部搜索能力,克服了粒子群尋優(yōu)中對(duì)初始種群的依賴和易陷入局部最優(yōu)的不足。通過實(shí)例計(jì)算表明,應(yīng)用該算法求解梯級(jí)水庫優(yōu)化調(diào)度問題,結(jié)果可靠、合理,計(jì)算效率高,從而為求解高維,復(fù)雜的梯級(jí)水庫優(yōu)化調(diào)度提供了新的思路。

為了解決使用常規(guī)方法繪制水庫發(fā)電調(diào)度圖時(shí),典型水文年的樣本容量有限、水文特征的代表性具有局限性的問題,引入了文化粒子群算法,采用信仰空間吸收種群的知識(shí)經(jīng)驗(yàn),形成規(guī)則引導(dǎo)種群進(jìn)化,充分利用歷史實(shí)測資料繪制調(diào)度圖。通過實(shí)例研究,獲得了較常規(guī)方法更優(yōu)的結(jié)果,為優(yōu)化方法在水電站中長期調(diào)度中的應(yīng)用提供了一條新途徑。

基于改進(jìn)粒子群算法的水電站水庫優(yōu)化調(diào)度研究——針對(duì)粒子群優(yōu)化算法容易陷入局部最優(yōu)解的問題，提出一種基于模擬退火機(jī)制的改進(jìn)粒子群優(yōu)化算法，并將其引入水庫調(diào)度領(lǐng)域，設(shè)計(jì)了基于該算法的水電站水庫優(yōu)化調(diào)度問題的求解方法。計(jì)算實(shí)例表明，該方法采用并行搜...

為解決粒子群優(yōu)化算法存在的早熟和易陷入局部最優(yōu)的問題,提出了一種組織進(jìn)化粒子群算法(oepso)。該算法將進(jìn)化操作直接作用在組織上,通過組織間的相互競爭、協(xié)作,最終達(dá)到全局優(yōu)化的目的,較好地克服了基本粒子群算法易于早熟和陷入局部最優(yōu)的缺點(diǎn)。在分析水庫優(yōu)化調(diào)度的數(shù)學(xué)模型和oepso算法特點(diǎn)的基礎(chǔ)上,提出了基于oepso算法的水庫優(yōu)化調(diào)度的方法,建立了數(shù)學(xué)模型,并給出了具體求解步驟。實(shí)例驗(yàn)證表明,oepso算法具有良好的收斂速度和計(jì)算精度,為水庫優(yōu)化調(diào)度問題提供了一條新的有效求解途徑。

介紹了混沌粒子群算法,并將其用于水庫調(diào)度中,指出:混沌粒子群優(yōu)化算法引入了混沌搜索機(jī)制,增加了粒子的多樣性,擴(kuò)大了搜索的范圍,不僅保持了粒子群優(yōu)化算法收斂速度快的優(yōu)點(diǎn),而且還增強(qiáng)了全局收斂能力,能避免陷入局部最優(yōu)的情況,可以更好地解決水庫優(yōu)化調(diào)度的強(qiáng)約束、多階段、非線性組合問題。

針對(duì)粒子群優(yōu)化算法容易陷入局部最優(yōu)解的問題,提出一種基于模擬退火機(jī)制的改進(jìn)粒子群優(yōu)化算法,并將其引入水庫調(diào)度領(lǐng)域,設(shè)計(jì)了基于該算法的水電站水庫優(yōu)化調(diào)度問題的求解方法。計(jì)算實(shí)例表明,該方法采用并行搜索機(jī)制,計(jì)算速度快、全局尋優(yōu)的可靠性較高,具有較好的應(yīng)用前景。

文章提出了應(yīng)用改進(jìn)粒子群算法求解水電站優(yōu)化調(diào)度問題的方法,粒子群算法模擬了鳥類群體覓食的搜索過程來尋找水電站最優(yōu)調(diào)度計(jì)劃。對(duì)傳統(tǒng)粒子群算法進(jìn)行了改進(jìn),克服了早熟和陷入局部最優(yōu)的缺點(diǎn)。實(shí)例計(jì)算表明,粒子群算法可以求解具有復(fù)雜約束條件的非線性水電站優(yōu)化調(diào)度問題,與經(jīng)典算法相比,該算法原理簡單,易于編程,占用內(nèi)存少,求解精度高,收斂速度快,是一種有效的搜索算法。

提出了一種協(xié)調(diào)粒子群算法,利用多粒子群的信息協(xié)調(diào)和擾動(dòng)策略的方法,較好地克服了基本粒子群算法易于早熟和陷入局部最優(yōu)的缺點(diǎn),具有良好的收斂速度和計(jì)算精度。實(shí)例計(jì)算表明,協(xié)調(diào)粒子群算法能夠求解水電站優(yōu)化調(diào)度這樣的非線性、強(qiáng)約束組合優(yōu)化問題,原理簡單,易于編程,占用內(nèi)存少,為水電站優(yōu)化調(diào)度問題提供了一種具有較高應(yīng)用價(jià)值的方法。

本文針對(duì)粒子群算法在求解高維、復(fù)雜的梯級(jí)水庫發(fā)電優(yōu)化調(diào)度時(shí)后期種群缺乏多樣性、收斂于局部最優(yōu)解的缺陷,結(jié)合梯級(jí)水庫發(fā)電優(yōu)化調(diào)度的特點(diǎn),提出了應(yīng)用差分演化算法改進(jìn)粒子群的混合優(yōu)化算法。通過實(shí)際算例驗(yàn)證了該混合方法的合理性和可靠性,從而為高維、復(fù)雜梯級(jí)水庫發(fā)電優(yōu)化調(diào)度模型求解提供了一種新的途徑。

針對(duì)傳統(tǒng)粒子群算法(pso)早熟收斂、局部搜索能力不足等問題,提出一種混合粒子群算法(hpso)求解水庫優(yōu)化調(diào)度問題.該算法引入混沌思想的遍歷性特點(diǎn)生成初始解,提高初始種群質(zhì)量;采用自適應(yīng)慣性權(quán)重法平衡個(gè)體搜索行為,避免陷入局部最優(yōu).百色水庫中長期發(fā)電優(yōu)化調(diào)度實(shí)例研究表明,hpso比pso有更好的收斂性和優(yōu)化結(jié)果,同時(shí)計(jì)算時(shí)間較傳統(tǒng)動(dòng)態(tài)規(guī)劃方法大幅縮減,且優(yōu)化結(jié)果相近,是一種水庫優(yōu)化調(diào)度可供選擇的計(jì)算方法.

利用混沌算法全局搜索能力強(qiáng)、求解速度快的特點(diǎn),將混沌優(yōu)化算法運(yùn)用到水庫優(yōu)化調(diào)度中,建立了水庫群多目標(biāo)優(yōu)化模型,并提出交互式的多目標(biāo)優(yōu)化模型求解方法。該方法利用混沌優(yōu)化算法生成滿足約束條件的可行集,再采用交互式?jīng)Q策偏好的方法從非劣解集中尋找最佳權(quán)衡解;并對(duì)灤河下游水庫群進(jìn)行了實(shí)例研究。結(jié)果表明算法可行,成果合理,能為水庫群的聯(lián)合調(diào)度提供技術(shù)支持。

針對(duì)粒子群算法易陷入局部最優(yōu)的缺點(diǎn),提出了一種雙適應(yīng)度方法、動(dòng)態(tài)鄰域算子和隨機(jī)動(dòng)態(tài)調(diào)整慣性權(quán)重機(jī)制有機(jī)結(jié)合的混合改進(jìn)策略。算例計(jì)算表明,該改進(jìn)策略能增強(qiáng)粒子的局部收斂能力,加快算法的收斂速度,便于處理復(fù)雜約束條件,為求解具有復(fù)雜約束條件的非線性規(guī)劃問題提供了一種簡單有效的方法。文中探討了梯級(jí)水電站優(yōu)化調(diào)度的相關(guān)問題,考慮了豐枯分時(shí)電價(jià)因素,建立了梯級(jí)水電站長期優(yōu)化調(diào)度數(shù)學(xué)模型,并應(yīng)用改進(jìn)粒子群算法進(jìn)行求解。實(shí)際梯級(jí)水電站計(jì)算表明,該模型使枯水期大部分時(shí)間出力均勻平穩(wěn),豐水期能兼顧防洪和蓄水的不同要求,有利于電力系統(tǒng)的穩(wěn)定運(yùn)行。改進(jìn)粒子群算法計(jì)算速度快、收斂精度高,為梯級(jí)水電站長期優(yōu)化調(diào)度提供了一種簡單實(shí)用的求解方法。

針對(duì)以發(fā)電為主的梯級(jí)小水電群,以各水庫的發(fā)電引用流量為決策變量,建立了以發(fā)電量最大為目標(biāo)的梯級(jí)小水電群優(yōu)化調(diào)度數(shù)學(xué)模型;設(shè)計(jì)了pso算法和apso算法的工程實(shí)現(xiàn)方法,具體包括編碼設(shè)計(jì)、迭代方法設(shè)計(jì)以及慣性權(quán)重設(shè)計(jì)等;通過一個(gè)具有兩庫串聯(lián)的梯級(jí)小水電群實(shí)例,將pso算法和apso算法的仿真尋優(yōu)過程進(jìn)行了比較,結(jié)果顯示兩種算法是有效的,并且apso算法具有更強(qiáng)、更快的全局搜索能力;將apso算法的仿真結(jié)果與同一條件下的ga算法的仿真結(jié)果進(jìn)行了比較,結(jié)果顯示apso算法的仿真結(jié)果更優(yōu),更能充分利用水能資源。

針對(duì)梯級(jí)水電站群長期優(yōu)化調(diào)度發(fā)電量最大模型,提出了一種自適應(yīng)混合粒子群進(jìn)化算法(ahpso)。該算法引入混沌思想生成初始解,并定義了粒子能量、粒子能量閾值、粒子相似度和粒子相似度閾值來描述算法的自適應(yīng)變化以及群體進(jìn)化程度,同時(shí)結(jié)合遺傳變異思想進(jìn)行粒子操作,最后提出了一種基于鄰域的隨機(jī)貪心策略以解決算法后期進(jìn)化速度慢的缺點(diǎn)。以瀾滄江下游梯級(jí)水電站群為計(jì)算實(shí)例的結(jié)果表明,ahpso比基本粒子群算法有更好的收斂性和優(yōu)化結(jié)果,計(jì)算時(shí)間比逐步優(yōu)化算法少,且優(yōu)化結(jié)果相近,是一種可供選擇的計(jì)算方法。

為科學(xué)求解梯級(jí)水電站群多目標(biāo)優(yōu)化調(diào)度模型,提出一種基于量子行為進(jìn)化機(jī)制的多目標(biāo)量子粒子群算法(moqpso)。該方法以標(biāo)準(zhǔn)量子粒子群算法(qpso)為基礎(chǔ),引入外部檔案集合存儲(chǔ)非劣粒子,利用個(gè)體支配關(guān)系實(shí)現(xiàn)檔案集合的動(dòng)態(tài)更新維護(hù);依據(jù)個(gè)體領(lǐng)導(dǎo)能力優(yōu)劣選擇粒子歷史最優(yōu)位置與種群全局最優(yōu)位置,維持搜索過程中個(gè)體進(jìn)化方向的多樣性;采用混沌變異算子對(duì)個(gè)體進(jìn)行局部擾動(dòng),提升算法的全局收斂性能。烏江流域模擬調(diào)度結(jié)果表明,所提方法具有良好的收斂速度與尋優(yōu)能力,可快速獲得兼顧梯級(jí)水電系統(tǒng)經(jīng)濟(jì)性與可靠性要求的pareto解集,能夠?yàn)楣こ倘藛T提供科學(xué)的決策依據(jù)。

在基于常規(guī)方法的水電站水庫發(fā)電調(diào)度圖繪制方法中,由于選取典型水文年樣本數(shù)量有限,使其水文特征代表性有局限性。引入粒子群算法,利用所有歷史實(shí)測資料繪制水電站發(fā)電運(yùn)行調(diào)度圖。該算法通過粒子間的信息共享來實(shí)現(xiàn)求解,具有計(jì)算簡便,收斂速度快的優(yōu)點(diǎn)。通過實(shí)際生產(chǎn)項(xiàng)目的應(yīng)用,證明采用粒子群算法繪制水電站水庫發(fā)電運(yùn)行調(diào)度圖能夠克服常規(guī)繪制方法中的一些缺點(diǎn),在保證可靠性指標(biāo)的同時(shí),提高了水電站的運(yùn)行效益,為優(yōu)化方法在水電站中長期調(diào)度中的應(yīng)用提供了一種實(shí)用的途徑。

風(fēng)一火電力系統(tǒng)聯(lián)合優(yōu)化調(diào)度是一個(gè)極其復(fù)雜的np問題，不易求解。，改進(jìn)粒子群算法，并將其應(yīng)用于風(fēng)一火電力系統(tǒng)聯(lián)合優(yōu)化調(diào)度，提出了一種改進(jìn)的慣性權(quán)重線性遞減的粒子群算法。針對(duì)粒子群算法容易局部收斂的缺陷，、首先，本文在慣性權(quán)重線性遞減（ldw）的基礎(chǔ)上，加入常數(shù)擾動(dòng)，使慣性權(quán)重大幅增大，以便于跳出局部搜索，進(jìn)行全局搜索，從而防止局部收斂；其次，為盡可能的避免粒子群算法出現(xiàn)粒子高度聚集在最優(yōu)粒子的周圍的情況，使得粒子趨于相同以致于大大損失粒子群的多樣性，一定概率的自適應(yīng)的改變慣性權(quán)重并混入隨機(jī)個(gè)體，以便于更好的保持種群多樣性、、最后，在matlab2010agui平臺(tái)下采用幾種不同的粒子群算法進(jìn)行仿真試驗(yàn)。仿真結(jié)果表明，在相同條件下改進(jìn)的粒子群算法能夠?qū)さ礁_的解。

濟(jì)鋼的氧氣系統(tǒng)一直存在著供需不平衡的問題,導(dǎo)致氧氣放散率高,影響經(jīng)濟(jì)效益。通過對(duì)氧氣系統(tǒng)的生產(chǎn)、存儲(chǔ)和使用等環(huán)節(jié)進(jìn)行綜合分析,以氧氣放散率最低,經(jīng)濟(jì)效益最大為目標(biāo)函數(shù),建立氧氣系統(tǒng)優(yōu)化調(diào)度的模型,并利用改進(jìn)的粒子群算法求得最優(yōu)解,取得了良好的效果。

公路客運(yùn)量數(shù)據(jù)受多種因素影響而呈現(xiàn)非線性等特點(diǎn),為了提高其預(yù)測精度,文中提出粒子群算法(pso)優(yōu)化支持向量機(jī)(svm)的公路客運(yùn)量預(yù)測模型,利用pso尋優(yōu)能力突出的優(yōu)點(diǎn),對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化選擇,并用優(yōu)化后的支持向量機(jī)模型對(duì)公路客運(yùn)量進(jìn)行預(yù)測。研究結(jié)果顯示,相比bp神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的svm預(yù)測方法,基于pso-svm的預(yù)測精度更高。

盾構(gòu)掘進(jìn)優(yōu)化能夠提高施工的穩(wěn)定性,確保施工效率和施工質(zhì)量,因此,將改進(jìn)粒子群算法應(yīng)用于盾構(gòu)掘進(jìn)施工優(yōu)化中.文章分析了盾構(gòu)掘進(jìn)施工參數(shù)對(duì)施工質(zhì)量的影響,并設(shè)計(jì)了施工優(yōu)化的數(shù)學(xué)模型;研究了改進(jìn)粒子群算法,提出了慣性權(quán)重的調(diào)節(jié)算法和設(shè)計(jì)盾構(gòu)掘進(jìn)施工優(yōu)化的算法流程;最后進(jìn)行了盾構(gòu)掘進(jìn)施工優(yōu)化的仿真分析.結(jié)果表明:該算法能夠有效地控制盾構(gòu)掘進(jìn)施工的沉降量,從而確保了盾構(gòu)掘進(jìn)施工質(zhì)量.

介紹了一種基于模擬退火的粒子群算法,并用其求解以水電站年發(fā)電量最大建立的優(yōu)化調(diào)度的數(shù)學(xué)模型?？紤]到基本的粒子群算法(pso)后期粒子趨向同一化,使其進(jìn)化速度變慢,精度較差,本文將模擬退火的思想應(yīng)用到具有雜交和變異的粒子群算法當(dāng)中,通過模擬退火的降溫過程來提高算法后期的進(jìn)化速度和精度。最后,以普定水電站的優(yōu)化調(diào)度為例進(jìn)行了計(jì)算,結(jié)果表明,該算法的性能較基本粒子群算法有了較大改善,且明顯優(yōu)于常規(guī)調(diào)度方法和動(dòng)態(tài)規(guī)劃。

【目的】解決傳統(tǒng)粒子群算法在求解水庫優(yōu)化調(diào)度問題中存在的早熟、收斂速度慢和易陷入局部最優(yōu)的問題?！痉椒ā炕诳贵w克隆選擇學(xué)說理論,提出了一種量化正交免疫克隆粒子群算法(oicpso/q)。采用正交交叉策略來增強(qiáng)子代個(gè)體解分布的均勻性;通過接種疫苗和計(jì)算親合度等操作,對(duì)算法的進(jìn)化過程進(jìn)行有目的、有選擇地指導(dǎo),使得算法快速收斂,同時(shí)保持一定的多樣性,抑制了早熟現(xiàn)象。提出一種自學(xué)習(xí)算子,避免個(gè)體鄰域內(nèi)最優(yōu)解的丟失。建立了基于量化正交免疫克隆粒子群算法的水庫優(yōu)化調(diào)度數(shù)學(xué)模型,并給出其具體的求解步驟。最后應(yīng)用該方法與標(biāo)準(zhǔn)粒子群算法(spso)及動(dòng)態(tài)規(guī)劃方法進(jìn)行比較。【結(jié)果】與spso算法和動(dòng)態(tài)規(guī)劃方法計(jì)算結(jié)果相比,oicpso/q算法計(jì)算時(shí)間明顯降低,但發(fā)電量明顯增加,說明oicpso/q算法可提高解的精度,加快其收斂速度,其性能優(yōu)于標(biāo)準(zhǔn)粒子群算法和動(dòng)態(tài)規(guī)劃方法。【結(jié)論】oicpso/q算法為求解水庫優(yōu)化調(diào)度問題提供了一條新的有效求解途徑。