基于粒子群算法的主动配电网经济优化调度

改进的粒子群优化算法

第37卷第4期河北工业大学学报2008年8月V ol.37No.4JOURNAL OF HEBEI UNIVERSITY OF TECHNOLOGY August2008 文章编号：1008-2373(2008)04-0055-05 改进的粒子群优化算法 宋洁，董永峰，侯向丹，杨彦卿 （河北工业大学计算机科学与软件学院，天津300401） 摘要粒子群优化算法是一种基于群体的自适应搜索优化算法，存在后期收敛慢、搜索精度低、容易陷入局部极 小等缺点，为此提出了一种改进的粒子群优化算法，从初始解和搜索精度两个方面进行了改进，提高了算法的计 算精度，改善了算法收敛性，很大程度上避免了算法陷入局部极小．对经典函数测试计算，验证了算法的有效性． 关键词粒子群优化算法；均匀化；变量搜索；初始解；搜索精度 中图分类号TP391文献标识码A A Modified Particle Swarm Optimization Algorithm SONG Jie,DONG Yong-feng,HOU Xiang-dan,Y ANG Yan-qing (School of Computer Science and Engineering,Hebei University of Technology,Tianjin300401,China) Abstract Particle Swarm Optimization Algorithm is a kind of auto-adapted search optimization based on community. But the standard particle swarm optimization is used resulting in slow after convergence,low search precision and easily leading to local minimum.A new Particle Swarm Optimization algorithm is proposed to improve from the initial solution and the search precision.The obtained results showed the algorithm computation precision and the astringency are im- proved,and local minimum is avoided.The experimental results of classic functions show that the improved PSO is ef- ficient and feasible. Key words PSO；average；variable search；initial solution；search accuracy 0引言 粒子群优化（Particle Swarm Optimization，PSO）算法是一种基于群体的随机优化技术，最早在1995年由美国社会心理学家James Kennedy和电气工程师Russell Eberhart[1]共同提出，基本思想源于对鸟群觅食行为的研究．PSO将每个可能产生的解都表述为群中的一个微粒，每个微粒都具有自己的位置向量和速度向量，和一个由目标函数决定的适应度，通过类似梯度下降算法使各粒子向适应度函数值最高的方向群游．该算法控制参数少、程序相对简单，因此在应用领域表现出了很大的优越性．由于PSO算法容易理解、易于实现，所以PSO算法发展很快．目前，多种PSO改进算法已广泛应用于函数优化、神经网络训练、模式识别、模糊系统控制以及其他的应用领域． 许多学者对PSO算法进行研究，发现其容易出现早熟、最优解附近收敛慢等现象，并提出了一些改进方案，例如自适应PSO算法、混合PSO算法、杂交PSO算法等[2-4]．因此，本文从初始解和收敛精度两个角度出发对PSO算法进行了改进，提高了算法的计算精度，有效的改善了算法的优化性能． 1基本PSO算法 PSO算法是一种基于群体的随机优化技术，基本思想源于对鸟群觅食行为的研究．通过对鸟群飞行时经常会突然改变方向、散开、聚集，但整体总保持一致性，个体与个体间鸟群好像在一个中心的控制 收稿日期：2008-04-17 基金项目：河北省自然科学基金（F2006000109） 作者简介：宋洁（1967-），女（汉族），副教授．

基于粒子群优化算法的图像分割

安康学院 学年论文（设计） 题目_____________________________________________ 学生姓名_______________ 学号_____________________________ 所在院（系）_______________________________________ 专业班级__________________________________________________ 指导教师_____________________________________________ 年月曰

基于粒子群优化算法的图像分割 （作者：） （） 指导教师： 【摘要】本文通过对粒子群优化算法的研究，采用Java编程，设计出一套用于图像分割的系统。 基于粒子群优化算法的图像分割系统，可以将一幅给定的图像进行分割，然后将分割结果保存。图像分割的目的是将感兴趣的区域从图像中分割出来，从而为计算机视觉的后续处理提供依据。图像分割的方法有多种，阈值法因其实现简单而成为一种有效的图像分割方法。而粒子群优化（PSO）算法是一类随机全局优化技术，它通过粒子间的相互作用发现复杂搜索空间中的最优区域缩短寻找阈值的时间。因此，基于粒子群优化算法的图像分割以粒子群优化算法为寻优工具，建立具有自适应和鲁棒性的分割方法。从而可以在最短的时间内，准确地确定分割阈值。 关键词：粒子群优化（PSO，图像分割，阈值法，鲁棒性 Abstract T his paper based on the particle swarm optimizati on algorithm, desig ns a set of system for image segme ntati on using Java program min g. Image segme ntati on system based on particle swarm optimizati on algorithm, the image can be a given segmentation, and then the segmentation results would be saved. Image segmentation is the purpose of the interested area from the image, thus providing the basis for the subsequent processing of computer vision. There are many methods of image segmentation, threshold method since its simple realization, becomes a kind of effective method in image segmentation. Particle swarm optimization （PSO） algorithm is a stochastic global optimization technique; it finds optimal regions of complex search spaces for threshold time shorte ned through the in teractio n betwee n particles. Therefore, particle swarm optimization algorithm of image segmentation based on particle swarm optimization algorithm based on optimizati on tools; establish segme ntati on method with adaptive and robust. Therefore, it is possible for us in the shortest possible time to accurately determ ine the segme ntati on threshold. Key word s: PSO, image segmentation, threshold method, robust. 1引言 1.1研究的背景和意义 技术的不断向前发展，人们越来越多地利用计算机来获取和处理视觉图像信息。据统计，人类

粒子群优化算法综述

粒子群优化算法综述 摘要：本文围绕粒子群优化算法的原理、特点、改进与应用等方面进行全面综述。侧重于粒子群的改进算法，简短介绍了粒子群算法在典型理论问题和实际工业对象中的应用，并给出了粒子群算三个重要的网址，最后对粒子群算做了进一步展望。 关键词；粒子群算法；应用；电子资源；综述 0.引言 粒子群优化算法]1[(Particle Swarm Optimization ，PSO)是由美国的Kenned 和Eberhar 于1995年提出的一种优化算法,该算法通过模拟鸟群觅食行为的规律和过程，建立了一种基于群智能方法的演化计算技术。由于此算法在多维空间函数寻优、动态目标寻优时有实现容易，鲁棒性好，收敛快等优点在科学和工程领域已取得很好的研究成果。 1. 基本粒子群算法]41[- 假设在一个D 维目标搜索空间中，有m 个粒子组成一个群落，其中地i 个粒子组成一个D 维向量，),,,(21iD i i i x x x x =，m i ,2,1=，即第i 个粒子在D 维目标搜索空间中的位置是i x 。换言之，每个粒子 的位置就是一个潜在的解。将i x 带入一个目标函数就可以计算出其适 应值，根据适应值得大小衡量i x 的优劣。第i 个粒子的飞翔速度也是一个D 维向量，记为),,,(21iD i i i v v v v =。记第i 个粒子迄今为止搜索到的最优位置为),,,(21iD i i i p p p p =，整个粒子群迄今为止搜索到的最优位置为),,,(21gD gi g g p p p p =。 粒子群优化算法一般采用下面的公式对粒子进行操作

)()(22111t id t gd t id t id t id t id x p r c x p r c v v -+-+=+ω (1) 11+++=t id t id t id v x x (2) 式中，m i ,,2,1 =；D d ,,2,1 =；ω是惯性权重， 1c 和2c 是非负常数， 称为学习因子， 1r 和2r 是介于]1,0[间的随机数；],[max max v v v id -∈，max v 是常数，由用户设定。 2. 粒子群算法的改进 与其它优化算法一样PSO 也存在早熟收敛问题。随着人们对算 法搜索速度和精度的不断追求，大量的学者对该算法进行了改进，大致可分为以下两类：一类是提高算法的收敛速度；一类是增加种群多样性以防止算法陷入局部最优。以下是对最新的这两类改进的总结。 2.1.1 改进收敛速度 量子粒子群优化算法]5[:在量子系统中，粒子能够以某一确定的 概率出现在可行解空间中的任意位置，因此，有更大的搜索范围，与传统PSO 法相比，更有可能避免粒子陷入局部最优。虽然量子有更大的搜索空间，但是在粒子进化过程中，缺乏很好的方向指导。针对这个缺陷，对进化过程中的粒子进行有效疫苗接种，使它们朝着更好的进化方向发展，从而提高量子粒子群的收敛速度和寻优能力。 文化粒子群算法]6[:自适应指导文化PSO 由种群空间和信念空间 两部分组成。前者是基于PSO 的进化，而后者是基于信念文化的进化。两个空间通过一组由接受函数和影响函数组成的通信协议联系在一起，接受函数用来收集群体空间中优秀个体的经验知识；影响函数利用解决问题的知识指导种群空间进化；更新函数用于更新信念空间；

基于混合信息粒子群优化算法

基于混合信息的粒子群优化算法 摘要：本文提出一种基于混合信息的粒子群优化算法。此算法具有充分利用种群信息，保证群体的多样性，快速收敛效果和避免陷入局部极值的能力。 abstract： this paper proposes a particle swarm optimization algorithm based on hybrid information. the new algorithm has the ability to make full use of the whole population information， ensure the diversity of population，has fast convergence effect and escape from local extremum. 关键词：粒子群优化算法；群体智能；混合信息 key words： particle swarm optimization；swarm intelligence；hybrid information 中图分类号：tp301.6 文献标识码：a 文章编号：1006-4311（2013）20-0240-02 0 引言 粒子群优化算法是由kennedy和eberhart[1，2]在1995年提出的一种新的群体智能计算技术。尽管传统的粒子群优化算法在低维空间的函数寻优问题上具有求解速度快、质量高的特点，但随着函数维数的增加，其优化性能便急剧下降，容易陷入局部极值，导致收敛精度低、不易收敛到全局最优。为了克服这一不足，研究者提出了很多粒子群优化算法的改进方法[3]。本文提出一种基于混合信息的粒子群优化算法，算法对粒子的速度进化公式进行改进，使

基于动态调度优先级的主动配电网多目标优化调度

2018年8月电工技术学报Vol.33 No. 15 第33卷第15期TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY Aug. 2018 DOI：10.19595/https://www.wendangku.net/doc/8f4197762.html,ki.1000-6753.tces.170871 基于动态调度优先级的主动配电网 多目标优化调度 黄伟1熊伟鹏1华亮亮2刘立夫1刘自发1 （1. 华北电力大学电气与电子工程学院北京 102206 2. 蒙东通辽供电公司通辽 028000） 摘要供需互动的主动配电网调度技术为应对可再生能源的高比例接入提供了新的思路。在多种不确定性的环境下，本文建立了需求侧资源（如柔性负荷、电动汽车等）和供给侧资源（如 储能装置、可控分布式电源等）互动调度机制，综合考虑可调度资源的实时状态和历史数据信息， 建立可调度资源动态调度优先级（DSP）评估体系。在此基础上，根据DSP评估结果对各类可调 度资源进行协调控制，以达到调度成本最小、可再生能源利用率最大以及用户满意度最高的主动 配电网优化目标。最后结合某11节点配电网络，通过改进粒子群算法对调度模型求解，验证了调 度模型和求解算法的有效性和可行性。 关键词：主动配电网可调度资源动态调度优先级多目标优化 中图分类号：TM734 Multi-Objective Optimization Dispatch of Active Distribution Network Based on Dynamic Schedule Priority Huang Wei1 Xiong Weipeng1 Hua Liangliang2 Liu Lifu1 Liu Zifa1 (1. School of Electrical and Electric Engineering North China Electric Power University Beijing 102206 China 2. State Grid of Tongliao Inner Mongolia Tongliao 028000 China) Abstract The dispatch technology of active distribution network which involves the interaction between supply side and demand side has provided a new idea to cope with the access of high proportion of renewable energy resources. Under the circumstance of various uncertainties, a interact dispatch mechanism is established in this paper, which considered the demand side resources (such as flexible load, electric vehicle) and supply side resources (such as energy storage system, controllable distribution generator). The dynamic schedule priority evaluation system is also proposed, which take the real-state status information and historical date of schedulable resources into account. Based on the evaluation results, all kinds of schedulable resources are controlled to achieve the optimization dispatch goal, which is minimizing the dispatch costs, maximizing the utilization of renewable energy resources, and promoting the consumer satisfaction level. Finally, improved particle swarm optimization is applied in this paper to solve the dispatch model, and numerical simulations on a 11-bus distribution network illustrate the effectiveness and feasibility of the dispatch model and the optimal algorithm. Keywords：Active distribution network, schedulable resources, dynamic schedule priority, multi-objective optimization 国家自然科学基金资助项目（51577058）。 收稿日期 2017-06-19 改稿日期 2017-08-17 万方数据

基于MATLAB的粒子群优化算法的应用示例

对于函数f=x*sin(x)*cos(2*x)-2*x*sin(3*x)，求其在区间[0,20]上该函数的最大值。 ?初始化种群 已知位置限制[0,20],由于一维问题较为简单，因此可以取初始种群N 为50，迭代次数为100,当然空间维数d 也就是1。 位置和速度的初始化即在位置和速度限制内随机生成一个N×d 的矩阵，对于此题，位置初始化也就是在0~20内随机生成一个50×1的数据矩阵，而对于速度则不用考虑约束，一般直接在0~1内随机生成一个50×1的数据矩阵。 此处的位置约束也可以理解为位置限制，而速度限制是保证粒子步长不超限制的，一般设置速度限制为[-1,1]。 粒子群的另一个特点就是记录每个个体的历史最优和种群的历史最优，因此而二者对应的最优位置和最优值也需要初始化。其中每个个体的历史最优位置可以先初始化为当前位置,而种群的历史最优位置则可初始化为原点。对于最优值，如果求最大值则初始化为负无穷，相反地初始化为正无穷。 每次搜寻都需要将当前的适应度和最优解同历史的记录值进行对比，如果超过历史最优值，则更新个体和种群的历史最优位置和最优解。 ?速度与位置的更新

速度和位置更新是粒子群算法的核心，其原理表达式和更新方式如下: 每次更新完速度和位置都需要考虑速度和位置的限制，需要将其限制在规定范围内，此处仅举出一个常规方法，即将超约束的数据约束到边界（当位置或者速度超出初始化限制时，将其拉回靠近的边界处）。当然，你不用担心他会停住不动，因为每个粒子还有惯性和其他两个参数的影响。 代码如下： clc;clear;close all; %% 初始化种群 f= @(x)x .* sin(x) .* cos(2 * x) - 2 * x .* sin(3 * x); % 函数表达式figure(1);ezplot(f,[0,0.01,20]); N = 50; % 初始种群个数 d = 1; % 空间维数 ger = 100; % 最大迭代次数 limit = [0, 20]; % 设置位置参数限制 vlimit = [-1, 1]; % 设置速度限制 w = 0.8; % 惯性权重 c1 = 0.5; % 自我学习因子 c2 = 0.5; % 群体学习因子 for i = 1:d

粒子群优化算法及其应用研究

摘要 在智能领域，大部分问题都可以归结为优化问题。常用的经典优化算法都对问题有一定的约束条件，如要求优化函数可微等，仿生算法是一种模拟生物智能行为的优化算法，由于其几乎不存在对问题的约束，因此，粒子群优化算法在各种优化问题中得到广泛应用。 本文首先描述了基本粒子群优化算法及其改进算法的基本原理,对比分析粒子群优化算法与其他优化算法的优缺点，并对基本粒子群优化算法参数进行了简要分析。根据分析结果,研究了一种基于量子的粒子群优化算法。在标准测试函数的优化上粒子群优化算法与改进算法进行了比较,实验结果表明改进的算法在优化性能明显要优于其它算法。本文算法应用于支持向量机参数选择的优化问题上也获得了较好的性能。最后,对本文进行了简单的总结和展望。 关键词：粒子群优化算法最小二乘支持向量机参数优化适应度

目录 摘要...................................................................... I 目录....................................................................... II 1.概述. (1) 1.1引言 (1) 1.2研究背景 (1) 1.2.1人工生命计算 (1) 1.2.2 群集智能理论 (2) 1.3算法比较 (2) 1.3.1粒子群算法与遗传算法(GA)比较 (2) 1.3.2粒子群算法与蚁群算法(ACO)比较 (3) 1.4粒子群优化算法的研究现状 (4) 1.4.1理论研究现状 (4) 1.4.2应用研究现状 (5) 1.5粒子群优化算法的应用 (5) 1.5.1神经网络训练 (6) 1.5.2函数优化 (6) 1.5.3其他应用 (6) 1.5.4粒子群优化算法的工程应用概述 (6) 2.粒子群优化算法 (8) 2.1基本粒子群优化算法 (8) 2.1.1基本理论 (8) 2.1.2算法流程 (9) 2.2标准粒子群优化算法 (10) 2.2.1惯性权重 (10) 2.2.2压缩因子 (11) 2.3算法分析 (12) 2.3.1参数分析 (12) 2.3.2粒子群优化算法的特点 (14) 3.粒子群优化算法的改进 (15) 3.1粒子群优化算法存在的问题 (15) 3.2粒子群优化算法的改进分析 (15) 3.3基于量子粒子群优化(QPSO)算法 (17) 3.3.1 QPSO算法的优点 (17) 3.3.2 基于MATLAB的仿真 (18) 3.4 PSO仿真 (19) 3.4.1 标准测试函数 (19) 3.4.2 试验参数设置 (20) 3.5试验结果与分析 (21) 4.粒子群优化算法在支持向量机的参数优化中的应用 (22) 4.1支持向量机 (22) 4.2最小二乘支持向量机原理 (22)

粒子群算法解决函数优化问题

粒子群算法解决函数优化问题 1、群智能算法研究背景 粒子群优化算法（Particle Swarm Optimization，PSO）是由Kennedy 和Eberhart 在研究鸟类和鱼类的群体行为基础上于1995 年提出的一种群智能算法，其思想来源于人工生命和演化计算理论，模仿鸟群飞行觅食行为，通过鸟集体协作使群体达到优。 PSO算法作为一种新的群智能算法，可用于解决大量非线性、不可微和多峰值的复杂函数优化问题，并已广泛应用于科学和工程领域，如函数优化、神经网络训练、经济调度、模式识别与分类、结构设计、电磁场和任务调度等工程优化问题等。 PSO算法从提出到进一步发展，仅仅经历了十几年的时间，算法的理论基础还很薄弱，自身也存在着收敛速度慢和早熟的缺陷。如何加快粒子群算法的收敛速度和避免出现早熟收敛，一直是大多数研究者关注的重点。因此，对粒子群算法的分析改进不仅具有理论意义，而且具有一定的实际应用价值。 2、国内外研究现状 对PSO算法中惯性权重的改进：Poli等人在速度更新公式中引入惯性权重来更好的控制收敛和探索，形成了当前的标准PSO算法。 研究人员进行了大量的研究工作，先后提出了线性递减权值( LDIW)策略、模糊惯性权值( FIW) 策略和随机惯性权值( RIW) 策略。其中，FIW 策略需要专家知识建立模糊规则，实现难度较大，RIW 策略被用于求解动态系统，LDIW策略相对简单且收敛速度快， 任子晖，王坚于2009 年，又提出了基于聚焦距离变化率的自适应惯性权重PSO算法。 郑春颖和郑全弟等人，提出了基于试探的变步长自适应粒子群算

法。这些改进的PSO算法既保持了搜索速度快的特点, 又提高了全局搜索的能力。 对PSO算法的行为和收敛性的分析：1999 年采用代数方法对几种典型PSO算法的运行轨迹进行了分析，给出了保证收敛的参数选择范围。在收敛性方面Fransvan den Bergh引用Solis和Wets关于随机性算法的收敛准则，证明了标准PSO算法不能收敛于全局优解，甚至于局部优解；证明了保证收敛的PSO算法能够收敛于局部优解，而不能保证收敛于全局优解。 国内的学者：2006 年，刘洪波和王秀坤等人对粒子群优化算法的收敛性进行分析，指出它在满足收敛性的前提下种群多样性趋于减小，粒子将会因速度降低而失去继续搜索可行解的能力，提出混沌粒子群优化算法。 2008 年，黄翀鹏和熊伟丽等人分析惯性权值因子大小对PSO算法收敛性所带来的影响，对粒子群算法进行了改进。2009 年，高浩和冷文浩等人，分析了速度因子对微粒群算法影响，提出了一种基于Gaussian 变异全局收敛的粒子群算法。并证明了它能以概率 1 收敛到全局优解。 2010 年，为提高粒子群算法的收敛性,提出了基于动力系统的稳定性理论，对惯性权重粒子群模型的收敛性进行了分析，提出了使得在算法模型群模型收敛条件下的惯性权重和加速系数的参数约束关系，使算法在收敛性方面具有显著优越性。在PSO算法中嵌入别的算法的思想和技术。 1997年，李兵和蒋慰孙提出混沌优化方法； 1998年，Angeline在PSO算法中引入遗传算法中的选择算子，该算法虽然加快了算法的收敛速度，但同时也使算法陷入局部优的概率大增，特别是在优化Griewank 基准函数的优值时得到的结果不理想； 2004 年，高鹰和谢胜利将混沌寻优思想引入到粒子群优化算法中，首先对当前群体中的优粒子进行混沌寻优, 再用混沌寻优的结果随机替换群体中的一个粒子，这样提出另一种混沌粒子群优化算法。

电力系统中主动配电网的优化调度技术解析

电力系统中主动配电网的优化调度技术解析 发表时间：2019-02-21T13:49:36.520Z 来源：《防护工程》2018年第32期作者：郑军[导读] 在经济全球化时代背景下，我国电力企业内部改革不断深化，市场竞争力不断提升。在电力能源需求加剧的当前，想要实现电力企业可持续、良性发展，需要实现管理方式的优化，合理应对各类挑战，紧抓各种机遇。本文首先分析了配电网调度的重要性，同时阐述了电力系统中主动配电网的优化调度策略，最后总结了电力系统中主动配电网的优化调度技术解析，仅供参考。 郑军 陕西省地方电力（集团）有限公司商洛供电分公司陕西省商洛市 726000 摘要:在经济全球化时代背景下，我国电力企业内部改革不断深化，市场竞争力不断提升。在电力能源需求加剧的当前，想要实现电力企业可持续、良性发展，需要实现管理方式的优化，合理应对各类挑战，紧抓各种机遇。本文首先分析了配电网调度的重要性，同时阐述了电力系统中主动配电网的优化调度策略，最后总结了电力系统中主动配电网的优化调度技术解析，仅供参考。关键词:电力系统；主动配电网；优化调度；技术解析 随着工业化建设进程的不断加剧，生产、生活智能化转变，人们对电能的需求量不断加剧。从20世纪90年代开始，电力资源就得到了普遍应用，大部分区域的电网均是在此阶段建设，随着时间的推移，这些电网难以满足当前用电需求。此阶段，配电网调度改革属于关键工作，只有强化改革，积极创新，才可推动电力行业得到更好的发展。本文主要研究电力系统中主动配电网的优化调度技术解析，详细阐述如下。 1 配电网调度的重要性 参照相关资料，在当前时代背景下，配电网调度能够实现用电多样化，确保调度的可行性，明确电网运行调度必要性。切实发挥出电力系统的作用，加速电网运行速度，以此推动电力企业得到更好的发展。 1.1用电多样化 随着信息化技术的迅速发展，用电总量也在不断增加，这也导致配电网组成多样化，增加了配电网管理难度，适当配电网运行复杂度增加。只有实现电力系统中主动配电网结构的优化，实现调度机能的提升，合理配置智能化设备，提升运转的稳定性，才可推动配电网调度得到更好的发展。但就实际情况而言，电网调度一直未能得到人们的重视，导致很多问题出现，电网发展阶段创新性、创造性不足[1]。且电力企业就电网调度投入成本较少，难以与市场需求吻合，进而无法紧跟时代发展脚步。 1.2调度可行性 就配电网接线模式研究，一般开展架空线路研究与电缆线路研究两种类型。就实际情况而言，架空线路典型接线方式为单辐射、单环网、分段两联络、分段三联络等。电缆线路分为单辐射、N-1接线、单环网、分段两联络、分段三联络[2]。就不同区域，电力企业可依据实际情况，配备不同的调度方式，不能深入分析调度方案的可行性，切实维护电网运输、调度质量。 1.3调度必要性 配电网的正常运行，与配电网的接线模式、运行规律、负荷分布有直接联系，在正常变化规律基础上，制定针对性的运行策略，可切实保障调度质量。电力调度部门需要依据接线方式、线路负荷分布情况、线路运行变化规律等，配备对应的网络运行方式。目前普遍应用固定运行结构形式，也就是常态运行模式。为保障主配电网的稳定运行，在运行计划编制阶段，应当综合考虑负荷水平，确定线路属于一般负荷水平还是迎峰度夏负荷水平。在信息化时代背景下，人们生活与工作发生了很大的变化，其逐步朝着精细化方向发展，在这一背景下，电力发展也在不断区域化，使得更多的临时一次用电接入出现。在实际运行中，这类调度方式会产生很多的影响，只有不断调试，才可满足运行需求，以此选取最佳的运行方案。为保障电网运转，相关人员需要高度关注配电安全，切实维护电力系统的运行。 2 电力系统中主动配电网的优化调度策略 2.1 互补策略 就不同时间段，用电高峰期比较明显。一般情况下，居民用电高峰期为晚上，但用电高峰期持续时间不长。商业用电与居民用电有着较大的差别，商业用电呈持续上升趋势，且持续时间较长。就这类情况，通过采取不同性质的负荷组合，可切实减低配电网运行效率。就电网调度运行规律，在具体情况下，应当明确各自的特点，选取最佳的运行调度策略。 2.2 运行调度 采取临时供电形式，可强化调度运行。由于临时供电需求持续时间较长，随着临时时间的增加，供电任务经过一段时间的运转，会自动结束任务，进而导致负电荷转变。一般情况下，就这类特殊情况，应当深入分析供电需求关系，建立健全运行体制，实现行段的优化，以此实现配电网运行效率的提升，切实提升主动配电网运行质量，推动电力系统得到更好的发展，如下图1。 图1 电力系统中主动配电网调度系统

基于粒子群优化算法的神经网络在

基于粒子群优化算法的神经网络在农药定量构效关系建模中的应用 张丽平　俞欢军3　陈德钊　胡上序 (浙江大学化工系,杭州310027) 摘　要　神经网络模型能有效模拟非线性输入输出关系,但其常规训练算法为BP 或其它梯度算法,导致训练时间较长且易陷入局部极小点。本实验探讨用粒子群优化算法训练神经网络,并应用到苯乙酰胺类农药的定量构效关系建模中,对未知化合物的活性进行预测来指导新药的设计和合成。仿真结果表明,粒子群优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也得到了较大的提高。关键词　粒子群优化算法,神经网络,定量构效关系 　2004201204收稿;2004207225接受 本文系国家自然科学基金资助项目(N o.20276063) 1　引 言 药物定量构效关系(QS AR )是研究药物生理活性和药物分子结构参数间的量变规律并建立相应的 数学模型,进而研究药物的作用机理,从而用于预测未知化合物的生物活性,探讨药物的作用机理,指导新药的设计和合成,在药物和农药的研究与设计中已经显示出广阔的应用前景1。以往QS AR 的建模方法大多基于统计原理,局限于线性模型,只进行简单的非线性处理,由此所建立的模型很难契合实际构效关系,并且其处理过程都比较繁琐2。神经网络通过学习将构效关系知识隐式分布在网络之中,适用于高度非线性体系。 在药物QS AR 中采用神经网络(NN )始于20世纪80年代末3,此后得到迅速的发展,目前已发展为除多重线性回归和多元数据分析之外的第3种方法4。通常多层前传网络采用BP 算法,通过误差反传,按梯度下降的方向调整权值。其缺点是可能陷入局部极小点,且对高维输入收敛速度非常缓慢。 粒子群优化算法(particle swarm optimization ,PS O )是K ennedy 等5源于对鸟群、鱼群和人类社会行为的研究而发展的一种新的进化型寻优技术。PS O 已成为进化寻优算法研究的热点,其最主要特点是简单、收敛速度快,且所需领域知识少。本实验拟将该方法初始化前传神经网络为苯乙酰胺类农药建立良好适用的QS AR 模型。 2　苯乙酰胺类农药的Q SAR 问题 苯乙酰胺类化合物是除草农药,其除草活性与其分子结构密切相关。所有的N 2(12甲基212苯乙基)苯乙酰胺都可用相应的羧酸酰胺通过霍夫曼反应生成。N 2(12甲基212苯乙基)苯乙酰胺的基本结构式为 : 其中X 为Me 、F 、Cl 、OMe 、CF 3和Br 等,Y 为Me 、Cl 、F 和Br 等,由不同的X 和Y 取代基可构成不同的化合物。常用以下7个理化参数描述化合物的分子组成和结构:log P 、log 2P (疏水性参数及其平方项)、 σ(电性效应参数)、E s (T aft 立体参数)、MR (摩尔折射度),1χ、2 χ(分子连接性指数)。于是这类化合物的QS AR 就转化为上述理化参数与除草活性间的关系。为研究这种关系,选用具有代表性的50个化合物, 他们的活性值取自文献1,见表1。 第32卷2004年12月分析化学(FE NXI H UAX UE )　研究报告Chinese Journal of Analytical Chemistry 第12期1590～1594

基于收缩因子的改进粒子群算法

基于收缩因子的改进粒子群算法 陈国鸿 （河池学院计算机与信息科学系广西河池 546300） 摘要：针对基本粒子群优化算法(ParticleSwarmOptimization，简称PSO )存在的早熟收敛问题，提出了一种既保持粒子活性又保证粒子快速收敛于全局极值点的改进粒子群优化（XARPSO）算法。在算法运行过程中，如果种群多样性逐步减小，直至超出下限时，种群不再向整体最优位置靠近，而是纷纷远离该最优位置，从而执行了“扩散”操作，而当种群多样性逐步增大，直至超出上限时，种群又开始向整体最优位置靠拢，即执行了“吸引”操作，从而保持了粒子的多样性。同时，该方法引入收缩因子的概念，即通过正确选择惯性权重系数与加速常数即学习因子这些控制参数的值的方法，确保算法收敛。通过Goldstern-Price 函数的最小化测试结果表明，该算法不仅具有较快的收敛速度，而且能够更有效地进行全局搜索。 关键词：粒子算法；收缩因子；吸引；扩散；多峰值函数 引言 粒子群算法最早是在1995年由美国社会心理学家James Kennedy和电气工程师Russell Eberhart共同提出的，简称PSO算法。其基本思想是受他们早期对许多鸟类的群体行为进行建模与仿真研究结果的启发。粒子群算法与其他进化类算法一样，也是一类基于群智能的随机优化算法。但与其它进化计算方法相比， PSO算法具有收敛速度快、设置参数少、程序实现异常简洁、具有深刻的智能背景等特点，既适合科学研究，又特别适合工程应用。因此PSO算法一经提出就引起了国际上相关领域众多学者的关注和研究。目前PSO 算法已广泛应用于函数寻优、神经网络训练、模式分类、模糊系统控制以及其它的应用领域。但是，由于PSO算法在优化过程中所有粒子都向最优解方向飞去，所以粒子趋向同一化，群体的多样性逐渐丧失，即存在早收敛问题，因而也就难以获得较好的优化结果。 为了克服这一缺点，近年来出现了不少改进的PSO算法。如：Shi Y.(1998)提出的带惯性权重的PSO算法、Angeline P.（1999）提出

混合粒子群算法：基于模拟退火的算法

混合粒子群算法：基于模拟退火的算法 1. 算法原理 模拟退火算法在搜索过程中具有概率突跳的能力，能够有效地避免搜索过程中陷入局部极小解。模拟退火算法在退火过程中不但接受好的解，而且还以一定的概率接受差得解，同时这种概率受到温度参数的控制，其大小随温度的下降而减小。 2. 算法步骤 （1） 随机初始化种群中各微粒的位置和速度； （2） 评价每个微粒的适应度，将当前各微子的位置和适应值存储在各微子的i p 中，将所 有pbest 的中适应最优个体的位置和适应值存储在g p 中； （3） 确定初始温度； （4） 根据下式确定当前温度下各i p 的适配值： (()())/(()())/1 ()i g i g f p f p t i N f p f p t i e TF p e ----== ∑ （5） 采用轮盘赌策略从所有i p 中确定全局最优的某个替代值g p '，然后根据下式更新各 微粒的速度和位置： {},,11,,22,,(1)()[()][()]i j i j i j i j g j i j v t v t c r p x t c r p x t ?+=+-+- ,,,(1)()(1),1,2,...i j i j i j x t x t v t j d +=++= 12 C c c ?= =+ （6） 计算各微粒新的目标值，更新各微粒的i p 值及群体的g p 值； （7） 进行退温操作； （8） 若满足停止条件（通常为预设的运算精度或迭代次数），搜索停止，输出结果，否知 返回（4）继续搜索； （9） 初始温度和退温温度对算法有一定的影响，一般采用如下的初温和退温方式： 10,()/ln 5k k g t k t f p λ+== 3. 算法MATLAB 实现 在MATLAB 中编程实现的基于杂交的粒子群算法优化函数为：Sim uA P SO 。 功能：用基于模拟退火的粒子群算法求解无约束优化问题。

主动配电网优化调度策略研究

主动配电网优化调度策略研究 【摘要】对主动配电网进行调度策略的优化，合理利用其双向调度功能，实现主动配电网的安全运行和经济效益的提高。主动配电网的优化调度策略现也成为对分布式电源主动管理的主要手段。同时，随着科技的发展，新技术也逐渐运用在主动配电网的优化调度策略中，为主动配电网的优化提供了很大的帮助。本文通过对主动配电网优化调度的重要性进行阐述，探究其优化调度的策略，以期为主动配电网的优化调度策略的研究提供参考。 【关键词】主动配电网；调度策略；优化；研究 电力的调度是电力资源实现合理的配置，充分发挥电能效用的重要过程。随着环境污染、能源短缺等问题的出现，实现主动配电网的智能管理和优化，合理的配置电力资源，对国家和电力企业来说都具有重要的意义。主动配电网与传统配电网不同，是随着微电网、分布式电源在配电网中的应用而产生的，是智能电网的重要组成部分。主动配电网中分布电源单元、微电网单元、储能单元等都是可控制的，从而实现了电网的智能管理，也给电力资源的调度带来了新的挑战。 主动配电网的优化调度不是被动进行电能的分配，而是合理运用其双向调度的功能，根据其可控单元在电网中的

应用，使电网在运行的过程中不仅有利于环境，而且提高电力企业的经济效益。因此，对主动配电网的优化策略进行研究，对电网的运行具有重大的意义。 我国的电力系统与西方发达国家相比技术要落后一些，对主动配电网及相关技术的研究起步也较晚。目前，我国在主动配电网的优化调度研究中根据主体的不同可以分为不同的研究方向，主要有以分布式电源为主体、以微电网为主体和以负荷为主体的等优化调度问题。 1 主动配电网优化调度的重要性 1.1 提升电力系统的经济性 主动配电网的优化调度可以有效的提升电力系统的经济性，为解决我国在电力输送方面的存在的电能损耗和线损等问题提供重要的帮助，使电力资源的利用更充分。主动配电网的优化调度可以减少电力企业的运行成本，帮助电力企业增加效益。同时，有助于提高我国的电力技术，缩小与西方发达国家之间的技术差距，主动配电网的优化调度可将我国与西方国家电力系统的经济性差距从10%降低到6%-8%，有效提高我国电力系统的经济性。 1.2 提升电网供电质量 在配电网中，每一条配电线上都存在不同的负载，由此产生的损耗也各不相同，例如商业用电、工业用电、居民用电等，在不同的时段线路的负载量不同，产生的负荷和损

一种改进的粒子群优化算法-《价值工程》武燕 张冰

一种改进的粒子群优化算法 武燕Wu Yan；张冰Zhang Bing （江苏科技大学电子信息学院，镇江212003） （School of Electronics and Information，Jiangsu University of Science and Technology，Zhenjiang 212003，China） 摘要：介绍基本粒子群优化算法的原理、特点，并在此基础上提出了一种改进的粒子群算法。通过在粒子初始化时引入相对基的原理使粒子获得更好的初始解，以及在迭代过程中引入变异模型，部分粒子生成相对应的扩张及收缩粒子，比较其适应度，保留最佳粒子进行后期迭代，使算法易跳出局部最优。通过经典函数的测试结果表明，新算法的全局搜索能力有了显著提高，并且能够有效避免早熟问题。 Abstract: This paper introduces the principles and characteristics of Particle Swarm Optimization algorithm，and puts forward an improved particle swarm optimization algorithm. It adopted Opposition-Based Learning in initialization to get a better solution and adopted variation model which make some particles generate two corresponding shrink and expand particles and keep the best fitness particle iterate in later iteration to avoid getting into local minumum. The experimental results of classical function show this algorithm improves the global convergence ability and efficiently prevents the algorithm from the local optimization and early maturation. 关键词：粒子群优化算法；相对基；变异模型 Key words: Particle Swarm Optimization（PSO）；Opposition-Based Learning；variation model 中图分类号：TP301.6 文献标识码： A 文章编号：1006-4311（2011）07-0161-02 0 引言 粒子群优化算法（Particle Swarm Optimization，PSO）是一种新型的仿生算法，由Kennedy和Eberhart于1995年提出[1，2]。该算法是基于群体智能（Swarm I ntelligence，