基于自适应遗传粒子群算法的配电网故障定位

分布式电源的大量接入使传统的故障定位方法对复杂规模化的有源配电网不再适应。针对此问题,提出一种基于自适应遗传粒子群算法实现有源配电网的故障区间定位。构造了一种适用于有源配电网的整数规划模型,根据馈线终端设备上传的过电流信息,将复杂的配电网故障信息转化为由整数表述的故障向量;计及分布式发电出力的不确定性,构建了新的开关函数和评价函数,利用自适应遗传粒子群算法根据转化后的故障向量应用于有源配电网的故障区段定位。通过Matlab进行仿真测试,结果表明:基于自适应遗传粒子群算法的有源配电网故障定位方法能提高故障区段定位的准确度与算法收敛速度,同时对畸变信息具有高容错性。     

自适应惯性权重的改进粒子群算法

针对标准PSO算法求解高维非线性问题时存在的大量无效迭代(经过一轮迭代后全局最优位置保持不变),提出了一种自适应惯性权重的改进粒子群算法。基于单次迭代中单粒子运动状态的分析,提出并证明了论点:上一轮迭代适应度值变差的粒子,当前迭代中其惯性分量将引导粒子往适应度值变差的方向运动,导致粒子群体无效迭代次数增加。设计了标准PSO算法改进方案,将上一轮迭代中适应度值变差的全体粒子的惯性权重置为零,消除当前迭代中不利惯性分量对算法收敛的不良影响。采用6个标准测试函数,将该算法与标准PSO算法、固定惯性权重PSO算法和具有领袖的PSO算法进行性能对比分析。试验表明,该改进算法无效迭代次数更少,在收敛率、收敛速度和收敛稳定性上均具有明显的优势。     

基于有向加权复杂网络的自适应粒子群算法

标准粒子群算法在高维空间寻优迭代过程中存在易陷入局部最优和后期收敛速度慢的问题.引入复杂网络思想,提出一种基于有向加权复杂网络的自适应粒子群算法.该算法在粒子寻优的过程中引入有向动态网络进化机制,使粒子群的拓扑结构在入度服从幂律分布的条件下向无标度网络进化,同时根据粒子之间适应值的差值自适应调节动态学习因子的大小,使得粒子的飞行惯性在时间和空间上都是异质的,提高了粒子之间学习的多样性.仿真实验表明,该算法能够有效避免早熟问题,并且具有较快的收敛速度.     

粒子群优化算法中的分步式策略

为了解决粒子群优化算法(PSO)在处理高维多极值问题时容易陷入局部最优而早熟的问题,提出了分步式学习策略和分步式评价策略。前者让粒子每次升级只向某一个榜样学习,使粒子能在更有潜力的区域搜索;并简化了其升级规则,使粒子的搜索行为更易被控制。后者对粒子的位置矢量逐维进行评价,使粒子向目标最优位置稳步前进;并通过对维之间的关系的检测,解决了维不可分解的问题。实验证明,新算法具有很好的收敛速度和抗早熟能力。     

一种基于扩展Infomax的自适应学习算法

独立向量分析根据信源统计独立特性对观测信号进行分离运算,扩展Informax算法既能分离超高斯信号,也能分离亚高斯信号,得到广泛的应用。本文基于扩展Infomax算法特点,提出了一种自适应的学习算法,该算法使得学习步长根据信号的代价函数变化而变化,克服了扩展Infomax算法在稳态步长调整过程中的不足,仿真结果证实了该算法的有效性。     

基于粒子群算法的弹簧可靠性优化设计

将人工生命中的粒子群优化算法引入弹簧的可靠性优化设计中,根据弹簧可靠性优化设计的特点,提出了一种适用于弹簧可靠性优化设计的约束型粒子群优化算法。实验表明这种方法是有效的,这为机械可靠性优化设计的研究提供了一种新方法。     

基于模拟退火的改进混沌粒子群算法

针对传统的粒子群优化算法易陷入局部最优解、稳定性差等缺陷.本文提出了基于模拟退火的改进混沌粒子群算法.将模拟退火及混沌的算法应用于粒子运动过程,从而可有效避免陷入局部最优并趋于全局最优.仿真结果表明在最优解精度以及寻优速度上都有一定提高.     

基于个体位置变异的粒子群算法

针对粒子群算法随着迭代次数的增多,其种群多样性降低,粒子群算法容易陷入局部最优的不足,提出了一种基于个体位置变异的粒子群算法。该算法在保证最终收敛的前提下极大扩展了粒子的空间搜索范围,从而降低了粒子群算法发生早熟的可能,并且程序量较小。仿真实验中,将算法应用于6个典型测试函数中,并与其它改进粒子群算法进行比较,结果表明,该算法具有较强的全局寻优能力和较好的收敛速度,明显提高了粒子群算法的优化性能。     

基于粒子群算法的网络教学资源优化获取

利用通用搜索引擎可以在网络上获得大量相关的网络教学资源,如何在众多的网络教学资源中迅速、高效地获得理想的教学信息是越来越重要的研究课题。为解决这一问题,本文提出了基于粒子群算法的网络教学资源优化获取方法。首先对每个网络教学资源赋予一定的评价指标,然后利用粒子群算法对搜索列的网络教学资源进行优化排序,从而可以在众多的网络教学资源中迅速、高效地获得优质的教学资源。     

三群协同粒子群优化算法

针对基本粒子群优化算法易陷入局部极值点、搜索精度低等缺点,提出了一种三群协同粒子群优化算法(TSC-PSO)。搜索时,如果全局极值连续若干代没有改善,粒子未找到全局最优点,就任选某个优群,将其群内粒子和差群粒子交换。仿真结果显示,对一些经典多峰值函数、非凸病态函数,TSC-PSO增强了全局搜索能力,具有比基本PSO更好的优化性能。     

基于粒子群算法的基因表达谱聚类分析方法

双向聚类算法可以发现基因表达谱中隐藏的信息。为了寻找规模较大的基因相似矩阵,结合粒子群算法强大的搜索能力,提出了GP-Cluster双向聚类算法。基于粒子群(PSO)算法,引入Sigmoid函数进行动态调整,并在粒子飞行过程中加入了遗传算法(GA)优胜劣汰的思想,增加粒子运动的多变性和随机性,避免算法陷入局部最优。实验结果证明:相比GA算法和PSO算法,改进后的混合粒子群算法GP-Cluster能找到质量更佳的双向聚类,取得更好的聚类效果。     

基于遗传粒子群算法的供水系统优化调度

针对某城市供水系统,建立了大型供水系统的多目标混合离散变量的优化调度模型,采用遗传粒子群混合算法对调度模型进行了求解,实现了该供水系统的直接优化调度,并与传统遗传算法优化调度的过程及结果进行了对比,新算法在优化时间、优化结果及求解效率等方面都具有较强的优越性.     

基于卡尔曼滤波和改进粒子群的MPPT算法

针对常规的粒子群算法（particle swarm optimization algorithm，PSO）在应用中存在数据波动大、数据精确采集难度高和追踪速度慢等问题，课题组提出了基于卡尔曼滤波和改进粒子群优化算法的光伏最大功率点跟踪（maximum power point tracking，MPPT）控制器技术，并结合卡尔曼滤波、恒定电压和冒泡排序等方法进行优化。实验结果表明课题组提出的算法可以快速、准确地跟踪到最大功率点，提高了MPPT的响应速度和精度，提高了光伏发电的利用效率。     

混合策略改进的粒子群算法

针对粒子群算法易陷入局部最优、收敛精度低、收敛速度慢等缺陷,提出了基于混合策略的改进粒子群算法。使用融合Circle映射与精英反向学习的策略初始化种群,提升初始种群的质量,同时加快收敛速度;在粒子速度更新方式中引入蜘蛛移动策略平衡算法的全局搜索与局部搜索;提出了基于自适应t分布的变异策略,增强算法全局搜索和跳出局部最优能力;对15个单峰和多峰函数进行仿真实验,与其他3种算法进行了对比分析,结果表明：所提出的改进算法具有很强的寻优能力与稳定性。     

一种基于最小二乘准则的自适应滤波算法

基于最注二乘准则Ｊ（ｎ）＝　　　　　,利用最徒梯度下降法,得到一种新的梯度型自适应滤波算法．该算法避免了递推最小二乘ＲＬＳ（Ｒｅｃｕｒｓｉｖｅ　Ｌｅａｓｔ　Ｓｑｕａｒｅｓ）算法需递推估计更新自相关矩阵Ｒｘｘ（ｎ）的逆的不足,计算机模拟仿真结果表明该算法有良好的收敛性能,收敛速度快于ＬＭＳ（Ｌｅａｓｔ Ｍｅａｎ　Ｓｑｕａｒｅｓ）算法、ＮＬＭＳ（ＮｏｒｍａｌｉｚｅｄＬｅａｓｔ　Ｓｑｕａｒｅｓ）算法和ＲＬＳ算法．     

应用免疫粒子群算法的电动汽车经济性换挡策略研究

为使电动汽车正常行驶时的能量消耗率更低,对某款匹配两挡自动变速器的电动汽车进行经济性换挡策略研究。面向电机效率最优制定传统双参数经济性换挡策略;建立以工况能耗为目标、换挡时间为约束的集成优化模型,通过免疫粒子群算法求解得到换挡策略曲线;利用建立的整车仿真平台对优化前后的换挡策略进行UDDS、CCBC工况下的仿真。结果显示:优化后的换挡策略在2种工况下行驶100 km所节省的电能分别为6.36%和8.99%,电机工作点更集中于高效区。     

一种基于宏块类型的自适应运动估计算法

利用低码流、运动量较小的视频序列前后帧具有很强的时空相关性的特点,进行了算法改进的实验,在保持视频性能的同时,减少了运动搜索的计算量,提高了运动估计的速度.     

一种基于宏块类型的自适应运动估计算法

利用低码流、运动量较小的视频序列前后帧具有很强的时空相关性的特点，进行了算法改进的实验，在保持视频性能的同时，减少了运动搜索的计算量，提高了运动估计的速度。     

一种新的自适应卡尔曼滤波算法——ALR算法

本文提出一种新的自适应卡尔曼滤波算法——ALR(Adaptive Least Residual)算法.该算法从经典的卡尔曼滤波出发,使残差达到最小,以残差(residual)样本值代替统计值,再用最陡下降法估计算自适应权增益,最后得到一组自适应滤波公式.通过理论分析和计算机模拟,证明该算法具有算法简单、运算量小等优点,适于在自适应系统辨识、自适应谱估计中作实时处理.