量子粒子群算法优化网络拓扑结构技术

针对传统的量子粒子算法不能满足日新月异变化的网络拓扑结构,提出了一种从领域拓扑结构角度进行改进的PSO算法。仿真实验表明,PSO-DSF算法使得粒子在保证收敛速度的同时能够提高它避免陷入局部极值问题,能够高效地优化整个网络的拓扑结构。     

基于自适应粒子群算法的电力系统无功优化

无功优化是电力系统安全经济运行的核心问题之一,电力系统无功优化规划是一个较复杂、多目标、非线性的混合规划。它的目标是在满足约束条件的前提下,使系统的某个指标或多个指标达到最优。在分析配电网无功优化所面临困难的基础上提出了一种粒子群优化算法,并结合IEEE30节点试验系统利用粒子群算法以实现。计算结果表明,这种优化方法有利于提高配电网的无功优化水平。     

基于自适应变异的动态粒子群优化算法

提出了一种新的基于自适应变异的动态粒子群优化算法。该算法除了采用动态惯性权重外,还引入了自适应学习因子和新的变异算子。该算法在运行过程中,根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,采用新的变异算子变异增强了该算法跳出局部最优解的能力。对几种典型函数的测试结果表明：新算法具有很强的全局搜索能力。收敛速度和收敛精度也有所提高,并且能有效避免早熟收敛问题。     

基于Alopex改进的粒子群优化算法

粒子群算法是一种进化计算技术,但容易陷入局部极小点.提出了一种利用Alopex算法改进的粒子群优化算法,改进的粒子群优化算法改善了粒子群优化算法摆脱局部极小点的能力,对典型函数的测试表明:改进算法的全局搜索能力有了显著提高,特别是对多峰函数能够有效地避免早熟收敛问题.     

基于Alopex改进的粒子群优化算法

粒子群算法是一种进化计算技术,但容易陷入局部极小点。提出了一种利用Alopex算法改进的粒子群优化算法,改进的粒子群优化算法改善了粒子群优化算法摆脱局部极小点的能力,对典型函数的测试表明:改进算法的全局搜索能力有了显著提高,特别是对多峰函数能够有效地避免早熟收敛问题。     

粒子群优化算法的改进与分析

介绍了基本粒子群优化算法及其原理,针对其易陷入局部极值和后期收敛速度慢的缺点,研究了基于惯性权重因子的改进粒子群优化算法。通过测试函数对固定惯性权重和时变惯性权重参数的选择进行了系统的实验,并且分析了种群规模与学习因子参数对粒子群算法优化性能的影响。     

应用新型量子粒子群优化算法求解PFSP问题

为了提高粒子群算法在求解调度问题时的搜索能力和优化效率以及避免早熟收敛。通过采用了一种新颖的量子粒子群算法,用量子位的概率幅对粒子位置编码,用量子旋转门实现粒子移动,完成粒子搜索;并采用量子非门来实现变异,从而提高种群多样性。由于每个量子都有两个概率幅,因此每个粒子实际占据两个粒子位置,所以在粒子数目相等的情况下,能加速粒子的搜索进程。仿真实验结果表明,在求解置换流水线生产调度问题时优于基本粒子群算法。     

改进粒子群算法的电力系统无功优化应用

电力系统的无功优化问题的操作变量既有连续变量又有离散变量,同时它还是混合了多个变量和多个约束条件的一个非线性的规划问题。本文中阐述的粒子群优化算法PSO(Particle Swarm Optimization)算法,是一种应用于电力系统无功优化的算法,是针对无功优化问题的特点提出的。考虑到算法的一些问题,通过引入动态的惯性权重和收缩因子来达到对原有算法的改进目的,改进粒子群优化算法MPSO(Modified Particle Swarm Optimization)算法作为一种新的算法被提出来,同时结合了电力系统无功优化的实际情况,证明了改进的粒子群算法的良好的实用效果。     

一种改进的粒子群算法的优化

粒子群算法是一种全局智能优化算法,针对该算法在早期迭代中容易造成局部极值,在后期迭代中容易造成种群的多样性消失,使得算法收敛速度减慢,求解质量不高等缺点。本文提出通过收敛吸引因子粒子来获得局部最优值;加入扰动函数来更新粒子的速度来提高了算法整体效率。经典测试函数证明本文算法性能明显优于基本PSO算法,同时在算法复杂度方面优于其他的智能算法,有效地提升了算法的求解精度。     

一种新改进的粒子群优化算法

由于粒子群优化算法对多极值复杂问题求解时容易陷入局部极值,提出一种新改进的粒子群优化算法。该改进算法是将粒子群进化过程分为两个不同的阶段,每个阶段应用不同的进化模型,通过结合这两种进化模型的各自优点有效地降低群体陷入局部最优。由仿真实验结果可知,对于复杂多极值函数优化问题,本文算法比标准粒子群优化算法的全局寻优能力更强。     

自适应粒子群算法在水库优化调度中的应用研究

针对传统粒子群算法在求解梯级水库调度问题时,容易陷入局部最优而早熟收敛的问题,提出自适应粒子群算法。该改进算法结合种群进化程度自适应调整算法控制参数,从而克服传统粒子群算法参数固定引起的搜索能力不足的问题。同时,采用种群局部重建策略解决种群进化后期多样性下降的问题。将改进的粒子群算法应用于清江梯级水电站的发电调度求解,模拟计算结果表明,文章提出的改进算法具有较强的全局寻优能力,可以进一步提高算法的搜索性能和求解精度。     

基于改进粒子群算法的污水处理能耗水质优化

在污水处理过程中,保证出水水质并降低系统能耗是目标,因此提出了一种改进多目标粒子群优化算法(MOPSO)。首先,选取溶解氧和硝态氮为优化设定值,选取出水水质和系统能耗为优化目标函数,建立污水处理过程多目标优化模型,然后利用多目标粒子群优化算法进行优化,得到一系列由非支配解构成的Pareto前沿,从而确定最优系统设定值。在国际基准平台BSM1上仿真所得的实验结果表明,改进多目标粒子群优化算法在出水水质达标的基础上,有效的降低了能耗。     

一种改进的权均值粒子群优化算法

针对粒子群优化算法的早熟收敛和进化后期收敛速度慢等问题,提出了权均值粒子群优化算法。通过在“认知”部分和“社会”部分加入随机权值更新粒子的飞行速度,使粒子能够很快地收敛到全局最优点。典型函数的仿真结果表明,该算法不仅具有较好的全局收敛性能和较快的收敛速度,而且有效地避免了早熟收敛问题。     

基于改进粒子群算法的配电网无功优化研究

电力系统无功优化是电力系统安全经济运行的核心问题之一,电力系统无功优化是一个较复杂、多目标、非线性混合规划问题。基于配电网无功优化所面临的困难,本文将改进粒子群优化算法应用到电力系统无功优化问题的研究中。最后通过对配电网33节点系统无功优化算例分析,仿真结果验证了该算法解决电力系统无功优化问题的有效性和可行性。     

基于边界处理改进的局部信息粒子群优化算法

具有代表性的一种局部信息粒子群优化模型大幅度提高了解决多模优化问题的能力,但该类算法存在难以搜索到位于边界附近且跨度较小区域优化解的问题。提出了一种改进的粒子群优化算法,以增强其处理多模优化问题的能力。在算法迭代过程中,利用边界处理方法,让超出边界的粒子修复后以较大概率落在边界附近,从而加强对边界附近且跨度较小区域的搜索。与原算法实验对比表明,改进后的算法鲁棒性更强。     

基于改进粒子群算法的水资源优化配置的研究

针对现有水资源配置模型存在的不精确问题,在现有水资源模型基础上增加了决策偏好系数和排放污染物种类以提高模型精确性,以吉林市水资源基础数据初始化水资源优化配置模型,针对目前对模型进行优化的粒子群算法易出现局部最优等情况,引入萤火虫算法对其进行改进,通过萤火虫趋向最优解的原理改善粒子群算法出现局部最优的情况,并加速其收敛速度。应用改进粒子群算法对模型进行优化求解,得出水资源优化配置方案,以满足经济效益、社会效益、生态环境效益的全面要求。     

函数优化的模糊粒子群算法

在传统粒子群算法的基础上运用模糊规则表加入了新的扰动因子,提出了一种新的算法--模糊粒子群算法。算法结合了模糊控制器中输入输出的模糊化处理和粒子群寻优的特点,为实际问题提供了新的解决手段。将模糊粒子群算法应用于函数优化的问题上,通过多组实例数据进行测试,验证表明了本算法具有良好的有效性和鲁棒性。     

一种基于改进的量子粒子群算法的翼型优化设计方法研究

本文将优化方法中的改进的量子粒子群算法与一种高精度的高效的单段和多段翼型CFD分析方法相结合,进行多段翼型的缝隙、重叠量和偏度的优化设计。     

基于粒子群算法的自适应陷波器设计

传统的基于LMS算法的自适应陷波器,由于极易受到步长及其它参数的影响,学习曲线并不理想。文章在分析步长对基于LMS算法自适应陷波器的影响的基础上,将粒子群(PSO)算法应用到自适应陷波器的设计中。通过仿真结果显示,基于PSO算法的自适应陷波器收敛速度快、具有鲁棒性,优于传统的基于LMS的自适应陷波器,从而证明其有效性、可行性及工程价值。