粒子群優(yōu)化算法及其應(yīng)用研究

《粒子群優(yōu)化算法及其應(yīng)用研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、f『IL--I-『東北大學(xué)博士學(xué)位論文摘要粒子群優(yōu)化算法及其應(yīng)用研究摘要科學(xué)領(lǐng)域、工程領(lǐng)域和經(jīng)濟(jì)領(lǐng)域都涉及到很多復(fù)雜的、非線性的甚至非凸形式的最優(yōu)化問題。在電力系統(tǒng)分析和控制系統(tǒng)設(shè)計(jì)中同樣存在大量的這類難優(yōu)化問題，如無功優(yōu)化、機(jī)組組合、負(fù)倚預(yù)測以及電機(jī)參數(shù)辨識等。因此高效的優(yōu)化技術(shù)成為科學(xué)工作者的研究目標(biāo)之一。粒子群優(yōu)化算法(PrticleSwarmOptimization，簡稱PSO)是一種新的群體智能優(yōu)化算法。它的主要特點(diǎn)是原理簡單、參數(shù)少、收斂速度快、所需領(lǐng)域知識少。該算法的出現(xiàn)引起了學(xué)者們極大的關(guān)注，已在函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、組合優(yōu)化等領(lǐng)域獲得了廣泛應(yīng)

2、用，并取得了較好的效果。盡管粒子群優(yōu)化算法發(fā)展近十年，但無論是理論分析還是實(shí)踐應(yīng)用都尚未成熟，有大量的問題值得研究。本文就如何改進(jìn)標(biāo)準(zhǔn)PSO算法性能以及該算法在電力系統(tǒng)領(lǐng)域中的應(yīng)用進(jìn)行了深入的研究。本文的主要研究工作和創(chuàng)新點(diǎn)可歸納如下：(1)為了克服PSO算法在高維復(fù)雜問題尋優(yōu)時有相當(dāng)可能陷入局部極小的現(xiàn)象，提出了一種自適應(yīng)粒子群優(yōu)化算法。在算法進(jìn)化過程中引入群體適應(yīng)度方差和群體位置方差，非線性的調(diào)整慣性權(quán)重，調(diào)節(jié)算法的探索和開發(fā)能力，達(dá)到跳出局部極小點(diǎn)，獲得全局最優(yōu)的目的。在進(jìn)化的中后期，根據(jù)粒子的表現(xiàn)不同，分別對其采用不同的變異策略和慣性權(quán)重，使群體在進(jìn)化過

3、程中始終保持慣性權(quán)重的多樣性，在算法的全局收斂性和收斂速度之間做了一個較好的折中。將自適應(yīng)粒子群優(yōu)化算法應(yīng)用于電力系統(tǒng)無功優(yōu)化問題中，算例仿真表明該方法用于解決無功優(yōu)化問題是有效可行的。(2)對基于向量評價的粒子群算法進(jìn)行了擴(kuò)展，提出了基于向量評價的自適應(yīng)粒子群優(yōu)化算法(VEAPSO)來解決多目標(biāo)優(yōu)化問題。利用該方法解決多目標(biāo)電力系統(tǒng)無功優(yōu)化問題，確定出問題的Pareto最優(yōu)解集。為幫助決策者在優(yōu)化后得到的Pareto最優(yōu)解集中選取較合適的最優(yōu)解，本文提出了一種基于決策者偏好及投影尋蹤模型的多屬性決策法，該方法兼顧決策者的偏好，同時又力爭減少主觀隨意性，使決策結(jié)

4、果更加真實(shí)可靠。(3)提出了一種基于動態(tài)雙種群的粒子群優(yōu)化算法(DDPSO)。DDPSO算法將r、-種群劃分成兩個種群規(guī)模隨進(jìn)化過程不斷變化的子種群，兩個子種群分別采用不同的學(xué)習(xí)策略進(jìn)行進(jìn)化，并在進(jìn)化過程中相互交換信息。為了保持種群的多樣性，將免疫算法一Il—東北大學(xué)博士學(xué)位論文摘要的多樣性保持機(jī)制引入DDPSO算法中，提高了算法的全局收斂性。將該算法應(yīng)用于機(jī)組組合問題中，采用實(shí)數(shù)矩陣編碼方法對發(fā)電計(jì)劃進(jìn)行編碼，將兩層優(yōu)化問題轉(zhuǎn)化為單層優(yōu)化問題，可直接運(yùn)用DDPSO算法來求解。仿真結(jié)果表明，所提出的方法用來解決機(jī)組組合問題是有效可行的，具有良好的精度和魯棒性。(

5、4)提出了一種基于物種概念的動態(tài)多種群粒子群優(yōu)化算法(DMPSO)來解決多模態(tài)函數(shù)優(yōu)化問題。在DMPSO中引入了物種概念，在進(jìn)化過程中動態(tài)確定物種，利用種群多樣性信息動態(tài)調(diào)整物種半徑，通過物種對解空間的不同區(qū)域進(jìn)行搜索，最終確定出各極值點(diǎn)。將DMPSO算法和支持向量機(jī)(SVM)相結(jié)合，形成了解決電力系統(tǒng)短期負(fù)荷預(yù)測問題的新方法(DMPSO．SVM)。在該方法中利用DMPSO算法來優(yōu)化SVM中的參數(shù)，利用快速傅立葉變換(FFT)進(jìn)行頻譜分析并確定SVM的輸入量。電力系統(tǒng)短期負(fù)荷預(yù)測的實(shí)際算例表明，與傳統(tǒng)預(yù)測方法相比，該方法具有更高的預(yù)測精度和魯棒性。(5)提出了一

6、種基于天體系統(tǒng)模型的粒子群優(yōu)化算法(CSPSO)。在CSPSO算法中，參照天文學(xué)中的天體系統(tǒng)模型，將種群劃分為多個相對獨(dú)立的天體系統(tǒng)，每個系統(tǒng)按照自己的運(yùn)行規(guī)則在不同的空間中運(yùn)行，在算法的后期引入混沌優(yōu)化，最終確定出優(yōu)化問題的全局最優(yōu)解。將CSPSO算法應(yīng)用于異步電機(jī)參數(shù)辨識問題中，仿真結(jié)果表明CSPSO算法比GA算法和PSO算法具有更精確的參數(shù)辨識能力。關(guān)鍵詞：粒子群算法；自適應(yīng)粒子群算法；動態(tài)雙種群粒子群算法；動態(tài)多種群粒子群算法；天體系統(tǒng)粒子群算法：電力系統(tǒng)；無功優(yōu)化：機(jī)組組合；短期負(fù)荷預(yù)測；參數(shù)辨識一III一一／11J、’U■，-l1．卜t東北大學(xué)博士學(xué)

7、位論文AbstractParticleSwarmOptimizationAlgorithmandApplicationResearchAbstractManyscientific，engineeringandeconomicareasinvolvetheoptimizationofcomplex，nonlinearandpossiblynon-convexproblems．Therearemanysuchproblemsinpowersystemanalysisandcontrolsystemdesignasreactivepoweroptimizationpr

8、oblem，unitco