论文部分内容阅读
粒子群(PSO)算法,作为群体智能计算方法的典型代表,已成为解决各类复杂优化问题的有效方法和研究热点。它具有实现容易、并行运算、参数设置简单等特点,在很多领域有着广泛的应用。然而,目前PSO算法仍存在一些不足,如收敛性分析基础还不够完善,种群规模参数还缺乏自适应性,算法收敛过程中易出现早熟停滞和后期收敛速度慢等问题。为此,本文在分析已有PSO算法的基础上,研究了动态交互作用下PSO算法的收敛性,提出了动态规模PSO算法、PSO最优信息共享的重力搜索算法(GSA)以及PSO与GSA相结合的并行混合优化方法,并将这些改进算法应用于函数优化、参数辨识和电力系统优化调度问题的求解,具有重要的理论意义和实践价值。论文的主要工作如下。1.在算法的收敛性分析方面,考虑PSO算法的动态交互记忆特征,运用线性系统理论Z变换域方法分析了动态交互作用下PSO算法的收敛性,给出了参数的收敛范围。基于算法的迭代方程进一步推导出了粒子位置和速度在进化过程中呈现出一定的波动规律。结合基准测试函数进行了实验仿真分析,验证了上述分析结论的正确性。2.在算法的种群规模选取方面,借鉴生物物种种群自适应演化的思想提出了动态规模PSO算法。该算法通过生物种群年龄模型实现种群的宏观控制,通过个体生殖和死亡策略实现种群的微观控制。运用随机泛函理论证明了该算法收敛于群体最优位置。仿真结果表明该算法优于固定规模和硬性指派函数变化的PSO算法。3.针对GSA算法求解质量不高和后期收敛速度慢,引入PSO最优信息共享机制和串行模式,提出了利用PSO算法最优个体记忆信息和Infinite collapses混沌机制进行改进的重力搜索算法(IGSA)。运用线性系统和随机过程理论分别开展了IGSA算法的个体运动稳定性和全局收敛性分析。CEC2005函数测试集的优化结果表明IGSA算法具有求解精度高、收敛速度快。4.针对PSO与GSA的迭代范式和结构流程具有相似性,引入并行混合模式,提出了将GSA加速运动直接嵌入到PSO算法的速度更新方程中进行改进的重力粒子群并行混合优化算法(HPSO-GSA)。该算法改变了算法的学习更新策略,更好地保持了算法的种群多样性。基于随机过程理论的Markov链性质对该算法进行了全局收敛性分析。并将该算法应用于自适应IIR滤波器的参数最优辨识,结果表明它能够很好地兼顾算法的全局探测和局部搜索能力,表现出显著的优化性能。5.最后,针对含多重约束的常规火电电力系统和含不确定风电功率的风电系统建立了相应的经济环保优化调度模型,且将上述提出的改进并行混合算法应用于调度模型的求解。典型算例测试系统的结果表明,相比于其它方法,所提算法具有更好地优化能力,节省了经济成本,降低了污染排放。