改进型粒子群优化算法在电力系统无功优化中的应用

《改进型粒子群优化算法在电力系统无功优化中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第一章绪论的人工模拟神经元相互连接形成网络，而这种信息网络的结构是并行分布的，每个神经元相互连接且可以互相传递信息。因此ANN可以看作是一个用加权有向链互联形成的一个有向图，以结点的加权值来评判参与活动的程度，其中正权值对应神经元刺激，表示参与活动度较高，而负权值对应神经元麻痹，表示神经元未参与活动。ANN不同于以往的统计方法，其模拟的对象复杂程度很高且具有对网络进行训练的能力，这使得ANN中信息容量十分巨大，在处理不确定性较强的问题时ANN的能力得以突出展现。只要输入的模式可以被训练样本接受，即使优化问题的输入不准确或不完整，ANN仍

2、然可以得到准确的结果。另外由于ANN是一种非线性度很高的大规模系统，完全不同于以往以线性处理为主的求解优化问题的方式，使得研究者利用计算机对信息的处理能力有了较大的飞跃口1。ANN的高维性、并行分布特性以及自我学习能力使得其在处理复杂的非线性问题时的表现很优秀，而且ANN的收敛性较好，非常适用于某些特定领域，例如识别图像、智能控制、非线性优化等问题阳1。但是ANN受优化问题初始状态的影响较大，自我学习时间可能很长，且容易进入局部极值点，因此在使用的过程中也受到一定限制。1．2．4群智能算法在自然界中，种群生物的活动特点引起了人工智能研究

3、者的兴趣。研究者们对种群生物的社会行为进行模拟并提出了一套解决方案来解决一些传统问题并取得了不错的成果，这就是群智能算法阳1。算法中的群是模拟了现实中具有社会行为的种群，群中的个体之间可以直接或间接传递有效信息，使群可以合作解决问题。在算法中，群中的个体不具有智能但是可以通过整个群的活动展现出智能行为，因此称为群智能算法。群智能算法比较适用于分布式问题中的搜索寻优，尤其在某些缺少全局模型或集中控制的问题中的表现更突出。算法优点可总结如下。由于群中并没有已经存在的数据且个体之间的地位是平等的，使得整个群系统不会因为个体的异常行为而影响求解

4、最终问题，鲁棒性更好。而群中个体的随机分布方式使得每个个体能更好的适应不同环境状态。另外，群中的个体能力非常有限，因此个体动作简单且执行时间短。信息的传递在群中的个体之间不仅可以是直接的也可以是间接的，这为系统的扩充提供了优良的前提条件。作为智能优化算法中一个较为年轻的成员，这些优势都为群智能算法在未来计算机学科发展中的地位奠定了一定的基础n0

5、。目前群智能算法主要有三种，AC0蚁群算法、PS0粒子群算法以及人工鱼群算法。1．2．4．1蚁群算法蚁群算法(antcolonyoptimization)n妇是一种典型的仿生学优化算法，其灵感来

6、源于蚁群在觅食过程中对于行进路线的探索。最早在上世纪九十年代由意大利东南大学硕士学位论文科学家M．Dorigo提出，是一种模拟进化算法，在实际问题中对于优化路径等问题有较大的指导意义，已经成功运用到各类调度、分配以及路径寻优问题中。蚂蚁在搜索觅食路径的过程中，如果找到食物则会分泌出信息素告知蚁群中其他个体且信息素浓度与路径长度呈正比关系。在不断发现食物的过程中蚁群会开拓不同的路径，而较短的路径会吸引更多的个体，使得这条路径上的个体越来越聚集，达到觅食的目的。在相应的实际问题中，这条最短路径即是优化问题的最优解u2l。作为一种模拟进化算法

7、，蚁群算法的鲁棒性较好，结合其他算法的能力较为优秀。为了验证其性能，研究学者们针对比例一积分一微分控制器(PID)优化参数设计问题，比较了蚁群算法与遗传算法的性能测试结果，证明了蚁群算法作为新型模拟进化算法的应用潜力和价值。而作为一种求解组合优化问题的通用启发式算法，其分布式计算特性、正反馈特性以及有效贪婪特性使算法本身在求解结构繁复的多重优化问题上有着不错的表现。蚁群算法自提出以来经过学者们的研究发展，已经不断应用到各个领域中，比如车间组调度问题、车辆路径问题以及冗余分配问题等等n3

8、。针对原始蚁群算法收敛速度慢以及易早熟收敛的问题，

9、研究学者们提出了许多改进方案，产生了例如精英蚂蚁系统、最大最小蚂蚁系统以及连续正交蚁群系统等来改进蚁群算法的性能和适应性。1．2．4．2粒子群算法粒子群算法(ParticleSwarmoptimization，PS0)n41是一种随机进化计算方法，在上世纪九十年代由R．C．Eberhart博士和J．Kennedy博士提出。其灵感来源于对鸟群捕食的飞行路径和群体行为的研究，也是一种仿生学算法。PS0粒子群算法的原理是模拟鸟群的捕食行为。在捕食过程中鸟群的个体无法确定当前区域内的食物的具体位置，但是每个个体都知道食物离个体本身当前位置的距离

10、，并且通过信息传递可以知道其他个体当前位置离食物的距离。为了寻找到食物，群体中的个体都会趋向于搜索当前离食物最近的个体周围的区域。在实际优化问题中，群中的每个粒子对应于鸟群中的个体，它们被赋予一个由具体优化