针对PSO在寻优过程容易出现“早熟”现象，提出了一种基于Sobol序列的自适应变异PSO算法（SAPSO）。该算法以积分控制粒子群算法（ICPSO）为基础，使用准随机Sobol序列初始化种群个体，并在算法过程中引入基于多样性反馈的Beta分布自适应变异来保持种群的多样性，避免陷入局部最优。仿真结果表明，SAPSO算法在求解复杂优化问题时优势明显，可以有效地避免算法陷入局部最优，在保证收敛速度的同时增强了算法的全局搜索能力。
2021-12-21 20:25:08
590KB
1
论文研究-基于改进粒子群-模糊神经网络的短期电力负荷预测.pdf,
为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络, 实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测. 仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力, 提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.
2021-12-21 09:26:20
653KB
1
算法介绍
每个寻优的问题解都被想像成一只鸟，称为“粒子”。所有粒子都在一个D维空间进行搜索。
所有的粒子都由一个fitness function 确定适应值以判断目前的位置好坏。
每一个粒子必须赋予记忆功能，能记住所搜寻到的最佳位置。
每一个粒子还有一个速度以决定飞行的距离和方向。这个速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整。
2021-12-20 14:57:39
2.62MB
1
<html dir="ltr"><head><title></title></head><body>针对当前各种粒子群优化算法解决问题时存在的局限性, 提出一种基于混合策略自适应学习的粒子群优化算法(HLPSO). 该算法从收敛速度、跳出局部极值、探索、开发几个不同角度融合了4 种具有不同优势的变异策略,当面对不同形态的复杂问题时通过自适应学习机制选择出合适的策略来完成全局寻优. 通过对7 个标准测试函数的仿真实验并与其他算法相比较, 所得结果表明了所提出的算法具有较快的收敛速度、较高的精度以及很强的跳出局部极值的能力.</body></html>
2021-12-20 10:26:54
302KB
1
1、粒子群算法发展历史简介
由Kennedy和Eberhart于1995年提出．
群体迭代，粒子在解空间追随最优的粒子进行搜索.
简单易行
粒子群算法: 收敛速度快
设置参数少
由Kennedy和Eberhart于1995年提出．
群体迭代，粒子在解空间追随最优的粒子进行搜索.
简单易行
粒子群算法: 收敛速度快
设置参数少
2021-12-19 17:00:42
895KB
1