水电站水库中长期优化调度教学演示软件开发

水库中长期优化调度是水库调度中的重要内容,也是水电站水库运行与调度课程的主要研究对象。文章基于动态规划及其改进算法,开发了水电站水库中长期优化调度教学演示软件,该软件可实现从预先设置的水库中选择所需要的水库进行计算,设置优化计算的初始水位和终止水位,调度期可选择月、旬、日或多日,计算结果图表可对应查看,结果统计值显示和交互计算,等等功能。该软件可以在课堂演示,使学生了解水电站水库优化调度的基本思路、初始条件设置、计算结果展示及系统界面基本结构等内容,为水库调度实践打下了良好基础。     

三峡——葛洲坝梯级水库短期优化调度的实现

梯级水库短期优化调度的基本方法是首先采用动态规划方法按时间(以日为单位)规划三峡水库水位变化过程线,然后按日来进行优化调度,确定调度方案,建立一种以动态规划原理来解决梯级水库短期优化调度问题的数学模型.对于梯级水库短期优化调度,这种方法既考虑了面临时段的效益,又考虑了余留时期的效益,因此,据此制定的各时段的最优决策能够满足既定要求.     

自适应粒子群算法在水库优化调度中的应用研究

采用自适应粒子群算法（APSO）对水库优化调度问题进行了研究。建立了问题的数学模型，提出了该算法的工程实现方法，编制了基于Matlab语言的优化计算程序。三插溪水库的仿真实例表明：APSO算法较PSO算法的收敛性能更好，APSO算法在搜索晚期具有更强的局部搜索能力，更容易找到最优解。与遗传算法相比，APSO算法采用的参数少，实现简单，收敛结果更优。可见，APSO算法在水库优化调度问题上的求解是可行有效的。     

长湖水库洪水优化调度

本文根据长湖水库日调节实际情况,建立洪水优化调度模型及系统计算软件,应用离散微分动态规划等优化方法求解.调度时结合遥测系统,降雨逞流模型采用逐次优化算法,利用模型连续求解与决策,有效地获得调度一场洪水的最优或较优策略.     

无约束的粒子群优化算法

粒子群优化算法最早是针对无约束连续优化问题而提出的。通过总结传统粒子群优化算法改进的研究工作,介绍了一种针对无约束函数优化问题的基于混沌搜索的粒子群算法和一种结合模拟退火策略的粒子群算法。这两种算法实用性较强、优化效果明显。     

粒子群算法的收敛性和多样性分析与优化

针对粒子群优化算法的收敛性和多样性问题,提出一种基于混沌优化的震荡粒子群优化算法。该算法利用混沌特性和震荡环节扩大粒子搜索的遍历性,将混沌状态引入到优化变量使粒子获得持续搜索的能力。实验测试证明该算法不仅能保持种群的多样性,而且能有效避免算法陷入早熟收敛现象。     

基于PSO的电力系统环境经济负荷调度

针对基于线性加权和处理成单目标优化问题的传统方法存在的缺陷,提出使用粒子群优化算法求解EELD多目标优化问题。该方法通过对粒子群算法个体极值和全局极值选取方式的改进,实现了对EELD多目标优化问题的非劣最优解集的搜索,为决策者提供了丰富的参考信息。在此基础上,应用模糊满意度方法求出的最优折衷解为调度运行人员提供了最佳调度折衷方案。最后,对一个三机系统进行了测试,并与线性加权人工神经网络法进行了比较分析,仿真结果验证了该方法的有效性。     

改进粒子群算法在新能源发电调度中的应用

为了提高新能源的利用率,以及对风电与火电之间的协调调度,研究采用优化粒子群算法结合通用分布理论构建风-火发电系统调度模型。研究结果显示,优化多目标粒子群算法的IGD均值比另外两种算法分别低0.003 46和0.003 73;采用通用分布理论的模型平稳性高1.8%,运行成本低261.5万元;相比传统模型,该模型的风电总上网量高450 MW·h,运行成本低7万元。结果表明,风-火发电系统调度模型能够有效对新能源发电进行协调调度,具有较高的实用性。     

基于Diffserv模型的队列调度加权优化算法

在Diffserv模型的基础上提出了一种基于WRR调度算法的加权优化算法，给出了该算法的实现方法．加权优化算法是根据网络中各业务数据的实际流量动态的调整其对应的权值。还能根据该节点的实际负载状况，提供动态的带宽分配。     

基于ICGSO算法的瓦斯突出预测研究

针对萤火虫群优化(GSO)算法在解决全局优化问题时出现的易陷入局部最优、收敛速度慢、求解精度不高等问题,提出一种改进的混沌萤火虫群优化(ICGSO)算法,修改了GSO算法动态决策域半径更新公式,并采用自适应动态步长,引入混沌优化算法提高局部搜索能力。实验结果表明将ICGSO算法应用于建立在神经网络预测模型上的瓦斯突出预测中的有效性。     

云环境下结合改进粒子群优化与检查点技术的容错调度算法

云计算环境中任务执行容易受资源故障影响,导致调度效率与成功率降低。针对该问题,提出一种结合改进粒子群优化与检查点技术的容错调度算法。通过改进粒子群优化算法进行全局搜索,寻找粒子群最优解,以保证任务获取最优资源,减少调度复杂度;同时通过设置检查点,使失效任务从检查点继续执行,实现任务动态恢复,提高调度可靠性。仿真实验表明,与传统算法相比,当任务数量不断增加时该算法可提高任务执行成功率,缩短任务执行时间。     

基于混沌的粒子群优化算法研究与进展

粒子群优化算法因简单、容易实现,被越来越多地应用于众多应用领域,但其存在着容易陷入局部最优等缺点。混沌是一种普遍的非线性现象,具有随机性、遍历性和内在规律性的特点,尤其是混沌的遍历性特点,使其可以作为搜索过程中避免陷入局部极小的一种优化机制。将二者结合求解优化问题,改善了粒子群摆脱陷入局部极值的能力,提高了算法收敛速度。论述了混沌粒子群优化算法的研究进展。     

混沌果蝇优化算法研究

针对基本果蝇优化算法寻优精度低和收敛速度慢的缺点,提出一种基于Sinusoidal混沌映射的果蝇优化算法.首先,在寻优过程中引入混沌优化参数更新果蝇群位置,优化全局搜索能力;其次,将其它4种混沌映射与FOA算法相结合,在7个基准测试函数上进行性能对比分析,得到性能最优的一种混沌果蝇优化算法SFOA.仿真结果表明,提出的...     

混沌粒子群算法在0-1背包问题中的应用

给出了基于混沌粒子群优化算法(CPSO)背包问题的一种新的求解方法.首先将背包问题对应到粒子群算法中的位置与速度问题的表示,然后为了抑制早熟停滞现象,将混沌理论引进优化,使得背包问题更接近最优解.     

一种新的免疫多目标优化算法及其在锅炉燃烧优化中的应用

为了综合考虑锅炉燃烧优化问题中锅炉效率与NOx排放2个目标,提出了一种新的基于免疫细胞亚群的多目标优化算法ICSMOA.算法定义了亚群划分算子与免疫耐受算子,亚群划分可以很方便地表达偏好,免疫耐受则能保证解的分布性.ICSMOA的运行结果为一组Pareto最优解,而传统的加权法的运行结果为一个不能判断Pareto占优与否的解.与多次运行加权法获得的结果相比,所提算法的运行结果优于加权法.另外,运行ICS-MOA所获得的Pareto前沿不同于经典的多目标优化算法,它可以输出更多的满足决策者偏好的解,从而更适合于工业应用.     

基于PSO的控制系统中周期性任务的优化调度

控制系统中任务的调度不仅影响系统的资源利用率,而且影响系统的控制性能。首先分析了周期性实时任务,并给出了任务模型。基于此,采用了EDF调度算法。根据系统的性能指标与任务的采样周期的关系,采用粒子群算法对系统性能进行优化。仿真结果表明,这种算法是有效的。     

基于混沌思想的可多步搜索的新型粒子群优化算法

针对基本PSO算法在全局优化中收敛精度低和易陷入局部极值的不足,提出一种基于混沌思想的多步搜索的新型的粒子群优化算法（CMPSO）。该算法先引入混沌思想对粒子种群进行位置初始化,然后再引入多步搜索,最后引入概率条件的选择性重新初始化。通过与其它三个改进算法比较,结果表明CMPSO算法的有效性。     

改进量子粒子群BP神经网络参数优化及应用

针对现有BP神经网络选取权值和阈值不精确问题,采用改进量子粒子群优化算法优化BP神经网络权值和阈值。首先在改进的量子粒子群优化算法中,采用双层多种群优化策略提高整个种群的寻优能力,然后在每个子群中使用混沌反向学习和Levy飞行增强子群寻优能力,最后利用改进的量子粒子群优化BP神经网络权值和阈值。实验结果表明,改进的量子粒子群优化算法能有效提高BP神经网络的全局寻优能力和收敛性,对数控高速铣削加工的铣削力进行准确预测。     

几种改进的萤火虫算法性能比较及应用

萤火虫算法（FA）是继粒子群算法、遗传算法、模拟退火算法等经典智能算法之后,由剑桥学者YangXin-she提出的一种模仿自然界萤火虫捕食、求偶行为的新颖的群体智能随机优化算法。该算法近年来逐渐在不同优化领域得以成功应用,但也存在易陷入局部最优、算法过早收敛等问题,为此许多学者对萤火虫算法进行了改进。针对基于惯性权重的萤火虫算法、基于混沌算法的萤火虫算法这两种改进算法,通过几种标准检验函数对各算法的性能进行详细的仿真、比较,得出具体试验结果。在控制系统PID参数优化中应用改进后的萤火虫算法,仿真结果表明改进后的萤火虫算法寻优精度和搜索速度均优于基本粒子群算法。     

基于改进PSO算法的电力系统无功优化

本文采用的无功优化数学模型虑了系统的实际约束条件和无功调节手段,能够准确直观地反映电力系统无功优化的实际问题。在此基础上对基于粒子群算法的无功优化作了深入的研究,尝试利用粒子群优化算法对无功优化问题进行求解。对常规粒子群算法的搜索策略进行了改进,对约束条件、离散变量都采取了一定的改进处理措施。以IEEE-6节点系统为例进行了仿真计算,验证了本文模型和算法的正确性、适用性和经济性。