导读:本文包含了扩展粒子群优化算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:粒子,算法,负荷,子群,子粒,协方差,辐射性。
扩展粒子群优化算法论文文献综述
谢运华,赵庆生,郭贺宏,张学军[1]（2016）在《基于量子粒子群优化和扩展卡尔曼滤波的相量测量算法》一文中研究指出电力系统中的信号往往含有各种噪声、谐波、间谐波的干扰,严重影响了相量测量的精度。对此,在复数扩展卡尔曼滤波(ECKF)的基础上,运用改进的量子粒子群优化(IQPSO)算法改进滤波迭代过程中的量测噪声协方差矩阵和模型噪声协方差矩阵,并测量电力信号的幅值、频率和相角。对各种非平稳正弦信号的仿真结果表明,相较修正的复数扩展卡尔曼滤波(RECKF)算法,IQPSO-ECKF算法提高了复数扩展卡尔曼滤波的相量测量精度和收敛速度。研究成果丰富了电力系统信号测量的内容。(本文来源于《水电能源科学》期刊2016年05期）
项宇,马晓军,刘春光,可荣硕,赵梓旭[2]（2014）在《基于改进的粒子群优化扩展卡尔曼滤波算法的锂电池模型参数辨识与荷电状态估计》一文中研究指出为解决锂电池荷电状态(SOC)难以精确估计的问题,提出了基于改进的粒子群优化扩展卡尔曼滤波(IPSO-EKF)算法预测电池SOC。为减小参数非线性特性影响,重新构建了EKF算法电池状态空间方程,以辨识出的电池模型参数为基础,获得SOC最优估计。采用IPSO算法优化EKF算法噪声方差矩阵,解决系统状态误差协方差矩阵和测量噪声协方差矩阵最优解获取难题,进一步提高SOC的估计精度。计算结果表明:IPSO-EKF算法能够精确地辨识电池模型参数和SOC值,并能够很好地修正状态变量初始误差。(本文来源于《兵工学报》期刊2014年10期）
段其昌,黄大伟,雷蕾,段盼[3]（2011）在《带扩展记忆的粒子群优化算法仿真分析》一文中研究指出从心理学的角度提出带扩展记忆的粒子群优化算法(PSOEM),以克服标准粒子群优化算法(PSO)在优化多维函数过程中粒子搜索方向性差、目的性弱的缺陷.采用扩展记忆存储粒子的历史信息,并引入参数表征扩展记忆的重要性.利用经典离散控制理论分析其定值算法的稳定范围.此算法与标准算法是同源异构的,可以与已改进的PSO算法结合使用.基准测试函数的仿真结果验证了所提出算法的有效性.(本文来源于《控制与决策》期刊2011年07期）
赵志刚,张振文,张福刚[4]（2011）在《自适应扩展的简化粒子群优化算法》一文中研究指出针对基本粒子群优化算法易于陷入局部最优的问题,提出了一种自适应扩展的简化粒子群优化算法。该算法采用去除速度项的简化算法结构,并用所有粒子个体极值的平均值代替每个粒子的个体极值,自适应动态调整加速系数。实验结果表明,算法能够有效避免早熟收敛问题,其全局收敛性能显着提高,收敛速度更快。(本文来源于《计算机工程与应用》期刊2011年18期）
黄大伟[5]（2011）在《带扩展记忆的粒子群优化算法及其在电力系统短期负荷预测中应用》一文中研究指出随着电力市场的逐步民营化和自由化,电力负荷需求的预测对于电网的规划、能量消耗及安全运行影响越来越重大,引起一些国家和地区的高度重视和广泛关注。最近几十年,众多专家学者就如何提高电力负荷预测精度提出了各种各样的方法。经典的基于数学统计方法的预测模型,由于很难表明影响负荷相关因素复杂的非线性关系,无法达到令人满意的预测精度。实现结构风险最小化(Structural risk minimization,SRM)而不是像传统的神经网络实现经验风险最小化的支持向量机(Support Vector Machine,SVM)成为负荷预测方法研究的热点。SRM最小化泛化误差而不是训练误差,使得SVM具有最优的网络结构。此外,SVM等价于解线性凸二次规划问题,这样SVM的解总能获取全局唯一最优值。正是SVM在求解非线性回归问题方面有这些独特的优势,将SVM引入到短期负荷预测中是可行的。针对标准粒子群优化算法在搜索最优解过程中方向性差、目的性弱的缺陷,本文将带扩展记忆的粒子群优化算法(Particle Swarm Optimization with Extended Memory,PSOEM)与SVM结合,建立PSOEM-SVM预测模型。利用PSOEM优化SVM的参数,实现参数寻优的自动化,避免参数选择的盲目性。既能发挥SVM的泛化能力,又能改善粒子群优化算法全局搜索能力,提高搜索的精度和速度。然而,提高预测精度还需要充分了解和准确把握负荷变化规律和外界因素影响。利用经验模式分解(Empirical Mode Decomposition,EMD)方法,在历史负荷数据的预处理阶段,将非线性非平稳的电力负荷序列分解为若干个独立的本征模态函数(Intrinsic Mode Function,IMF)和余项,对各个分量分别进行分析,揭示负荷变化特性和环境因素影响。在对各分量特性及影响因素进行分析的基础上,选择合适的核函数,分别建模预测,再将各分量的预测结果重构得出最终的预测值。为了进一步减少计算量,提高运算速度,针对分解的各IMF分量和余项的特性进行归纳,简化了预测流程。最后通过欧洲智能技术网络(EUropean Network on Intelligent TEchnologies for Smart Adaptive Systems,EUNITE)电力负荷预测竞赛作为仿真实例,验证了PSOEM-SVM预测模型的有效性。(本文来源于《重庆大学》期刊2011-04-01）
邬开俊,鲁怀伟[6]（2011）在《基于协同粒子群优化算法的输电网络扩展规划》一文中研究指出输电网络扩展规划是一个复杂的多变量多约束的非线性整数规划问题。针对传统粒子群算法易陷入局部最优、收敛慢的缺陷,将协同进化思想与粒子群优化算法结合,提出了一种协同粒子群优化算法。并将该算法应用于输电网络规划,建立了数学模型。该模型以达到线路的年综合费用最小为目标函数,并在此基础上设计了相应的算法。算例将其应用到一个10节点系统和一个22节点系统,计算结果证明了该算法在输电网络扩展规划中应用的可行性和有效性。(本文来源于《计算机应用研究》期刊2011年03期）
黄文娟,马勤,王立群,杨淑莹[7]（2009）在《一种粒子群优化扩展卡尔曼粒子滤波算法》一文中研究指出本文提出一种采用粒子群(PSO)优化扩展卡尔曼粒子滤波(EPF)的新算法.由于上一时刻的目标解对当前时刻目标的影响最大,提出粒子群中的粒子不考虑其自身最佳经历和群体最佳经历,而只考虑前一时刻的全局最优解;取上一时刻的目标解代表粒子集中全局最优解.采用粒子群优化扩展卡尔曼粒子滤波(EPF)的状态转移方程,使得粒子集在权值更新前趋向于高似然区域,从而更加逼近真实状态的后验概率密度分布,克服了粒子退化问题,提高了预估精度,并极大地降低了所需的粒子数.仿真实验结果表明,该算法预估性能优于传统的粒子滤波方法.(本文来源于《天津理工大学学报》期刊2009年05期）
贺毅朝,王熙照,曲文龙[8]（2008）在《一种具有双重进化空间的扩展粒子群优化算法》一文中研究指出为了使粒子群优化(PSO)适于求解更多类问题,提出一种由动力空间和制导空间共同进化的改进粒子群优化算法—具有双重进化空间的扩展粒子群优化算法(简记EPSO).在EPSO中,在演化转换映射的作用下,首先将动力空间中对粒子辅助位置的进化转换为制导空间中对主导位置的进化,然后基于对主导位置的择优选择操作实现算法的进化过程.EPSO克服了PSO仅适于求解连续域最优化问题的缺陷,也非常适于求解离散组合优化问题.对于随机3-SAT问题、背包问题和TSP问题,通过与PSO、ACO和GA等算法的计算对比表明:EPSO是一种继承了PSO优点的高效、扩展演化算法.(本文来源于《小型微型计算机系统》期刊2008年08期）
牛东晓,凌云鹏,赵奇,赵庆营[9]（2007）在《一种适用于电网扩展规划问题的边界搜索粒子群优化算法》一文中研究指出针对电网扩展规划问题,根据粒子群算法收敛性受初始粒子分布影响较大的特点,结合边界搜索思想,提出了一种粒子群初始化方法。该方法利用边界搜索策略对粒子群进行初始化,使粒子初始化在安全边界附近,优化了粒子群的初始化范围。最后通过算例证明了这种方法应用于电网规划的有效性。(本文来源于《华北电力大学学报》期刊2007年04期）
余炳辉[10]（2007）在《粒子群优化算法试验研究及扩展》一文中研究指出I粒子群优化算法是一种新的智能优化算法,由于其具有编程简单,适应性强,较好的全局优化能力等特点得到了广泛的关注。同时也大量的应用到了电力系统的优化中。如何进一步提高粒子群优化算法的性能和设计出针对具体系统的有效算法是当前研究的重点。本文主要的任务就是通过试验的方法来探索粒子群优化算法的优化机理,在此基础上提出新的优化算法设计思路,以期设计出新的更有效的算法来。本文的具体安排如下:论文首先综合评述了水火电力系统短期优化调度的研究现状,重点回顾了现代启发式优化算法在该系统中的应用。然后对粒子群优化算法的产生,发展,取得的成果和存在的不足进行了综合评述。在此基础上确立了论文的研究方向,并给出了论文的内容安排。首先简单的介绍了基本粒子群优化算法的产生,原理,在此基础上,给出了粒子群优化算法的实现技术及具体步骤。同时还重点介绍了粒子群优化算法的4种典型形式。同时为了进一步改善算法的性能提出了一种改进的粒子群优化算法——随机摄动粒子群优化算法。对几个典型的函数进行优化,验证了算法的有效性。在此基础上是通过试验来探究粒子群优化算法的工作机理。首先根据在优化过程中,速度更新公式的不同表现定义了典型情形的概念,并给出了4种典型情形的具体形式。在此基础上,对各种典型情形下算法的动态特性和静态特性进行了试验研究,以探究粒子群优化算法的工作原理。同时对于不同的参数组合对优化性能的影响进行了试验研究,得到了一些有用的结论。最后做了几个探索性试验,为提出新的算法提供了思路。通过在系统试验过程中出现的现象对基本的粒子群优化算法进行了扩展,提出3种由粒子群优化算法衍生的新算法。1通过模拟每次迭代后粒子的分布规律,提出了模拟粒子群优化算法;2通过去掉速度更新公式中的惯性项,而加上最差极点,提出了最优最差粒子群优化算法;3通过模拟每次整个种群的分布规律,提出了整体分布优化算法。在提出上述算法的同时,还和粒子群优化算法进行了比较,通过比较表明,整体分布算法具有编程简单,鲁棒性好,优化性能强等特点。尝试用整体分布优化算法对一个水火电力系统的短期优化调度进行求解,同时将优化结果与遗传算法,进化规划求得的结果进行比较,验证了整体分布优化算法的有效性,说明整体分布优化算法比较适合于水火电力短期发电计划这类复杂系统的优化。最后,对本文的成果进行总结,并提出有待进一步研究的问题。(本文来源于《华中科技大学》期刊2007-06-01）
扩展粒子群优化算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为解决锂电池荷电状态(SOC)难以精确估计的问题,提出了基于改进的粒子群优化扩展卡尔曼滤波(IPSO-EKF)算法预测电池SOC。为减小参数非线性特性影响,重新构建了EKF算法电池状态空间方程,以辨识出的电池模型参数为基础,获得SOC最优估计。采用IPSO算法优化EKF算法噪声方差矩阵,解决系统状态误差协方差矩阵和测量噪声协方差矩阵最优解获取难题,进一步提高SOC的估计精度。计算结果表明:IPSO-EKF算法能够精确地辨识电池模型参数和SOC值,并能够很好地修正状态变量初始误差。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
扩展粒子群优化算法论文参考文献
[1].谢运华,赵庆生,郭贺宏,张学军.基于量子粒子群优化和扩展卡尔曼滤波的相量测量算法[J].水电能源科学.2016
[2].项宇,马晓军,刘春光,可荣硕,赵梓旭.基于改进的粒子群优化扩展卡尔曼滤波算法的锂电池模型参数辨识与荷电状态估计[J].兵工学报.2014
[3].段其昌,黄大伟,雷蕾,段盼.带扩展记忆的粒子群优化算法仿真分析[J].控制与决策.2011
[4].赵志刚,张振文,张福刚.自适应扩展的简化粒子群优化算法[J].计算机工程与应用.2011
[5].黄大伟.带扩展记忆的粒子群优化算法及其在电力系统短期负荷预测中应用[D].重庆大学.2011
[6].邬开俊,鲁怀伟.基于协同粒子群优化算法的输电网络扩展规划[J].计算机应用研究.2011
[7].黄文娟,马勤,王立群,杨淑莹.一种粒子群优化扩展卡尔曼粒子滤波算法[J].天津理工大学学报.2009
[8].贺毅朝,王熙照,曲文龙.一种具有双重进化空间的扩展粒子群优化算法[J].小型微型计算机系统.2008
[9].牛东晓,凌云鹏,赵奇,赵庆营.一种适用于电网扩展规划问题的边界搜索粒子群优化算法[J].华北电力大学学报.2007
[10].余炳辉.粒子群优化算法试验研究及扩展[D].华中科技大学.2007
论文知识图
