基于改进萤火虫算法的电力系统优化潮流仿真研究

针对标准萤火虫算法(Firefly Algorithm,FA)在求解电力系统优化潮流(OPF)问题上出现的早熟收敛和求解精度不高等问题,引入混沌优化和莱维飞行,形成了混沌莱维萤火虫优化算法(Chaotic Lévy Flightfirely Algorithm,CLFA)。对改进的CLFA算法进行了推导与分析,并将FA和CLFA两种算法对IEEE30节点测试系统进行电力系统优化潮流仿真,用实验证实算法的有效性。仿真结果表明:改进后的CLFA算法避免了早熟收敛,增强了局部搜索能力,提高了求解精度。算法的改进方式具有良好的创新性,学生可以自行开发不同的改进方式,改进后的算法更有利于进行后续的电力系统优化潮流问题研究。     

基于全序排列帝国主义算法的多目标无功优化仿真研究

针对电力系统多目标无功优化(MOORPD)问题,建立了两个双目标无功优化模型:最小化网络损耗和电压稳定性指标以及最小化网络损耗和电压偏移量模型,提出了一种基于全序排序帝国主义算法(TRICA)的多目标无功优化方法。通过非劣排序和拥挤距离计算实现所有国家的层级排序和全序排列,以改进国家权力度量方法,实现帝国主义算法在多目标问题中的应用;然后通过模糊群决策方法,找到帕累托前沿中的最优折衷解。选取IEEE30节点系统进行仿真测试,并将实验结果与多目标粒子群算法(MOPSO)所得结果进行比较分析,结果表明了MOTRICA能够找到更优解,体现了改进算法的有效性和优越性。通过该仿真试验可加深学生对智能算法的理解,引导学生解决多目标优化问题。     

基于改进萤火虫优化算法的汽车悬架PID控制

为了获得更好的汽车平顺性,构建1/4汽车主动悬架模型,采用悬架动挠度、车身动位移、轮胎动载荷和轮胎垂直速度等4项指标进行近似衡量,提出基于改进萤火虫优化算法（FA）的汽车悬架PID控制,并与基于LQR控制、基于Fuzzy-PID控制下的汽车悬架平顺性进行对比。仿真结果显示,基于改进FA优化的PID控制的4项指标峰值均大幅降低,峰值最高下降36.1%,证明基于改进萤火虫优化算法的PID控制可提高汽车平顺性能。     

基于动态自适应萤火虫优化算法

为了有效解决标准萤火虫算法在寻优过程中存在易陷入后期收敛速度较慢、寻优精度不高等问题,在位置更新公式中引入动态调整惯性权重和自适应步长机制,提出一种动态自适应萤火虫优化算法。利用四个标准测试函数进行仿真实验结果表明,动态自适应萤火虫算法具有更快收敛速度、较高求解精度和稳定性。     

基于改进差异进化算法的有功优化仿真研究

在电力系统有功优化这个复杂的全局优化问题上,差异进化(Differential Evolution,DE)算法可以增加其种群多样性但搜索效率低,于是在其基础上提出了一种改进的差异进化算法(Improved Differential Evolution,IDE)。IDE算法保留了DE算法的三大步骤:变异、交叉以及选择,优化了传统的变异策略,同时引入了Logistic映射改变系统参数,使固定取值的搜索步长和交叉算子在一定范围内随机取值,以此扩大种群搜索范围,加快收敛速度;IDE算法最后运用了考虑系统约束的非贪婪选择,以确保算法在可行域里探索最优解。为验证算法的实用性,利用Matlab软件,将DE和IDE算法在IEEE30节点测试系统上进行目标函数为电网功率损耗的有功优化仿真。仿真结果表明,IDE算法增加了种群多样性,加快了收敛速度并且提高了搜索效率。通过此次仿真,加深了学生对电力系统有功优化以及DE算法的认识和理解,同时引导学生利用计算机技术改善算法的搜索性能并且求解优化问题。     

基于修正萤火虫算法的多模函数优化

萤火虫优化(glowworm swarm optimization,GSO)算法是一种计算多模函数优化问题的新型算法,该算法和蚁群优化、粒子群优化一样,都是一种群智能算法。针对GSO算法在优化多模函数时收敛速度慢、求解精度不高和发现峰值率低的缺点,首先在算法中采用变步长的运动策略,使得步长随着迭代时间自适应地逐渐减小;其次采用较小的初始决策范围值;最后添加了萤火虫的自探索机制。改进后的学习行为更符合自然界生物的学习规律,更有利于萤火虫发现问题的所有局部最优解。利用标准测试函数对修正后的萤火虫算法进行测试,仿真结果表明,修正的萤火虫算法具有良好的收敛性和计算精度,在寻找多模函数的峰值个数时显示出很大的优势。     

认知无线电多目标优化算法研究

认知无线电是指能够感知周围频谱环境并动态使用频谱资源的智能无线通信系统。认知无线电的多目标优化问题是一个典型的动态参数优化问题。以传输能量、数据率以及误比特率等多个参数为目标,采用一种基于DNA计算的非支配排序多目标遗传算法(DNA-GA)来对其进行优化。将CR可调参数进行编码作为染色体,产生大小为N的初始化种群,并根据CR目标函数计算个体适应度,再结合克隆操作使算法收敛于全局最优,最终得到CR系统的最优操作参数。仿真结果表明,DNA-GA可以在不同用户需求情况下获得较好的性能优化。     

多目标进化优化算法

多目标进化优化算法可以一次性求解多个非劣解,并具有全局优化能力,成为近年来求解多目标优化问题一个重要的研究方向。本文介绍了几种代表性的多目标进化优化算法,并指出了值得进一步研究的相关问题。     

萤火虫优化算法 Matlab 程序设计

萤火虫优化算法（GSO）是一种计算多模函数多峰值问题的群智能算法,由模拟自然界中萤火虫发光的生物学特征发展而来。在 GSO 算法中,萤火虫根据自适应的感应决策范围寻找比自身荧光素高的萤火虫,并通过概率选择机制朝其运动,以实现寻优目的。简要阐述 GSO 算法基本原理,对算法各个参数进行分析说明,利 用 Matlab 软件构建 GSO 算法在整个寻优过程中的可视化环境,并给出算法源代码。仿真实验首先实现了自适应感应决策范围更新过程,然后通过多模函数仿真示例测试了该方法的有效性,从而实现了利用萤火虫算法解决多模函数多峰值优化问题。     

多目标进化优化算法

多目标进化优化算法可以一次性求解多个非劣解,并具有全局优化能力,成为近年来求解多目标优化问题一个重要的研究方向。本文介绍了几种代表性的多目标进化优化算法,并指出了值得进一步研究的相关问题。     

基于改进Camshift算法的多目标自适应跟踪

针对多目标跟踪中常因目标间遮挡、融合、分离等导致跟踪失败,提出了用动态背景建模技术和RGB三通道色差法获取目标群组,然后利用Kalman滤波器预测运动目标初始参量,再用改进的Camshift算法逐步迭代逼近各个目标精确位置,实现了对多目标的自适应跟踪.经大量实验证明,本算法目标识别能力强,抗噪声性能好,跟踪速度快.     

基于改进萤火虫算法的船舶装卸作业稳性研究

为解决系泊船舶装卸作业工况下存在的失稳问题,提出一种基于改进萤火虫算法的系泊船舶装卸作业稳性分析方法.以某船舶横摇倾角数据为研究样本,利用MFA求解最优横摇运动模型,改进了步长向量和步长更新算法.根据最优模型参数计算初稳性高,分析系泊船舶装卸作业下的稳性安全.仿真实验表明:基于MFA的横摇运动优化模型具有很好的仿真精度...     

基于改进庄家法则的多目标进化算法

非支配集的构造方法是多目标进化算法中最重要的问题。在用庄家法则构造非支配集时,若非支配个体较多,由于需要进行多轮比较,所以算法的计算复杂度较高。在庄家法则中引入一个副庄家,用以减少下一轮比较个体的个数,从而最终减少比较的轮数。数值实验表明:改进后的算法具有较高的运行效率。     

基于蜻蜓算法的微电网多目标优化调度

可再生清洁型新能源能量的随机波动会影响主电网的稳定性,然而有效的能量优化管理能提高供电的可靠性和经济性。文章主要对含有风、光、蓄、柴和微电网并网模式下的典型日优化调度。利用蜻蜓算法从发电成本和环境污染角度对模型进行优化,并将粒子群算法得到的典型日各个时段出力构成图和发电成本进行比较。对比结果表明证明了所建立的模型的切实性和蜻蜓算法相对粒子群算法应用在微电网优化方面的优越性。     

基于改进粒子群算法的多目标智能组卷研究

组卷问题是一个多约束多目标组合优化问题。建立了一种新的组卷数学模型,提出了一种改进粒子群算法(IPSO)的智能组卷算法。在组卷之前,先采用贪婪算法进行预处理,有效提高了算法的收敛速度。在进化过程中引入保优策略,避免适应值高的粒子被淘汰。采用自适应交叉和变异算子进行调整,避免了局部收敛现象。实验结果表明,改进的粒子群算法应用在多目标智能组卷中具有较好的组卷性能。     

连续潮流计算的算法改进研究

针对常规的连续潮流计算在求取P-V曲线时存在的缺点,提出了一种连续潮流计算的改进算法。该改进算法通过采用单位化处理切线预测向量、以切线预测向量的内积确定预测方向以及变步长控制等措施,提高了连续潮流计算在求取P-V曲线时的准确性和计算效率。Matlab仿真验证了该改进算法的有效性。     

基于聚集密度的协同进化多目标优化算法

为了改善协同进化多目标优化算法性能,引入了聚集密度对超级个体集合进行更新。其基本思想是：首先计算种群中各个体的聚集密度,再定义一个偏序集,然后根据一定的比例依次从偏序集中选择个体更新。根据数值试验和量化指标测试了新算法的收敛性与分布性。结果表明,新算法在收敛性方面与常规协同进化多目标算法相当,但其分布性获得了一定程度的改善。     

改进的粒子群优化算法实现多目标智能组卷

通过对粒子群优化算法和智能组卷策略的研究,建立了组卷的数学模型,阐述了基本粒子群优化算法的主要思想．提出了改进的粒子群优化算法适应度函数的设计方法和粒子迁移算法,实现了将一次多目标组合优化问题转换为多次单目标组合优化问题。     

改进聚类算子的自适应多目标进化算法研究

对多个相互冲突的目标同时优化称作多目标优化问题,为解决多目标问题,多目标进化算法应运而生.在进化算法迭代过程中,算法使用恒定不变的交叉因子和变异因子,这显然不符合种群迭代进化特征,所以需要根据种群初始和种群后期解的收敛情况来定向调整种群进化方向.同时,在采用边界与交叉的聚合算法时,θ支配的聚类算法只参考了解到权重向量的...