基于改进模拟植物生长算法的机组检修计划优化
一种基于改进遗传算法的机组调度问题求解研究
一种基于改进遗传算法的机组调度问题求解研究一. 前言机组调度问题是电力系统调度中的一个重要问题，主要是通过对发电机组的优化调度，使得发电系统在保证发电质量的前提下，实现最佳的经济利益。
针对机组调度问题，遗传算法已经得到了广泛的研究和应用。
本文介绍一种基于改进遗传算法的机组调度问题求解研究。
二. 问题描述机组的调度问题主要是决策哪些机组运行，哪些机组停运以及调度其负荷和出力等。
在考虑优化调度的同时，还需要保证发电质量和稳定性，并遵循一些限制条件，如最小的启动次数和停机次数，每台机组的出力与负荷的关系等。
三. 遗传算法简介遗传算法是一种通过模拟自然选择和遗传机制，以找到最优解的全局搜索算法。
其主要分为初始化、选择、交叉和变异四个步骤。
初始化阶段，将随机生成一组初始解作为遗传算法的种群，每个个体都表示了问题的一个可能解。
在选择阶段，通过选择操作选出一部分适应度较高的个体进入下一代的种群。
交叉阶段，将两个个体进行交叉操作，生成新的个体并加入种群，以增加种群的多样性和可行性。
变异阶段，则随机改变个体的某些基因位，以增加种群的多样性和可行性。
重复以上操作直到得到满足需求或者达到设定的终止条件。
四. 改进遗传算法遗传算法的目的是优化种群中的适应度函数，并在迭代过程中逐渐接近最优解。
传统的遗传算法往往在时效性、收敛速度和算法的局部搜索能力方面存在一定的不足。
为解决这些问题，我们考虑引入一些改进的遗传算法。
1. 种群优化方法对于传统的遗传算法，种群优化往往是一个难以解决的问题。
在此基础上，我们引入了复杂多样性算法（CMA）来对种群进行重混合和优化。
CMA算法是一种常见的求解优化问题的方法，其主要特点在于优化速度快，可以对变量维数较大的问题进行优化，同时也在一定程度上避免了算法陷入局部最优的问题。
通过引入CMA算法，我们可以更加快速高效地对种群进行优化，提高算法的收敛速度和稳定性。
2. 优化交叉和变异操作交叉和变异操作是遗传算法的核心操作之一。
植物生长模拟及优化算法研究
植物生长模拟及优化算法研究随着科技的发展，人类对自然界的了解也越来越深入。
在对植物生长过程的研究中，一种重要的方法是通过数学模型来进行模拟分析。
而模拟及优化算法也是植物生长模拟中不可或缺的一部分。
一、植物生长模拟植物生长模拟是指基于数学物理模型和植物生理学知识，通过计算机模拟植物生长的过程。
这种模拟有助于科学家们了解植物生长的机理和规律，并为各领域的研究提供参考。
目前，常见的植物生长模拟方法主要包括基于物理学原理的建模方法和基于数据的建模方法。
前者较为复杂，需要考虑数学模型的精度和物理意义的合理性；后者则更注重于数据的收集和处理，主要用于预测植物生长情况。
二、优化算法优化算法是一类用于求解优化问题的方法。
在植物生长模拟中，优化算法主要应用于确定模型参数和寻找植物生长过程中最优的生长条件。
常见的优化算法包括遗传算法、模拟退火算法、粒子群算法等。
这些算法可以通过不同的搜索策略和参数设置，优化模型的预测效果并提高植物生长的产量。
三、植物生长模拟与优化算法的结合植物生长模拟与优化算法的结合主要体现在模型优化和生长预测两个方面。
1. 模型优化以模型参数确定为例，通常情况下，参数有多个，求解时需要确定所有参数的值。
通过优化算法寻找最优解的过程中，算法会自动调整模型中的参数值，不断优化模型的精度和预测效果。
2. 生长预测生长预测是植物生长模拟的最终目的。
通过对实验数据进行处理和分析，可以获取各种生长条件下的生理特征和生物量，从而预测不同环境下植物生长的结果。
将优化算法引入生长预测中，可以在保证模型精度的前提下，探索新的生长环境条件，从而提高植物的生长速度和产量。
四、植物生长模拟及优化算法在实际应用中的价值植物生长模拟及优化算法在实际应用中有着广泛的价值。
除了为科学家们提供基础研究和理论分析的依据外，还可以在众多实际场景中得到应用。
例如，在农业领域，科学家可以通过模拟植物生长过程和寻找最佳的生长环境，提高农作物的产量和质量。
植物生长模拟方法研究及优化
植物生长模拟方法研究及优化在植物生长领域，模拟方法是一种重要的研究手段。
它可以帮助我们模拟植物生长过程，并预测不同环境下的生长情况。
同时，模拟方法也能帮助我们优化植物生产模式，使得植物生长效率更高、更节约资源。
本文将对目前常用的植物生长模拟方法进行梳理，探讨其应用优化。
一、常用的植物生长模拟方法1. 动态模型动态模型的基本假设是植物存在一套逻辑严谨的生长规律，并在环境的照顾下按照规律进行生长。
其基础是对植物生长过程进行深入研究，从而得出各生长因素之间的关系。
动态模型基于统计学原理，通过对已有的数据进行分析和拟合，得出拥有预测性的生长规律，从而模拟植物在不同环境下的生长情况。
2. 反向模型反向模型是以逆向工程原理为基础的模型。
它是通过对植物在不同环境下的观测数据进行分析，从而推导出植物的生长规律。
反向模型通常使用计算机程序进行计算。
其基本思路是通过运用统计学方法，对观测数据进行分析，确定生长规律，从而极大地提升植物生长模拟的准确性。
3. 生理模型生理模型关注的是植物在不同环境下的生理规律。
其基本思路是基于现有的生理学知识，通过建立生理学模型，从而模拟植物的生长情况。
生理模型通常注重生理变量的解析和刻画，涉及到植物的生理特性，同时它也是植物生长模拟方法中比较复杂的一种。
二、常见模拟方法的应用1. 基于动态模型的土壤氮素研究土壤中的氮素在植物生长过程中起到重要作用。
氮素的吸收和利用会对植物生长产生不同程度的影响。
因此，在进行农业生产过程中，就需要有一种可靠的方法，来模拟植物对氮素吸收和利用过程。
这时动态模型就可以派上用场了。
基于土壤-作物模拟平台的构建，可以将氮素的移动和转化关系嵌入到模型中，该模型可以帮助农民更好地掌握植物生长过程中氮素的变化，从而合理配置氮素肥料。
2. 基于反向模型的光☐温交互影响研究光☐温交互影响是影响植物生长的关键因素之一。
在不同光照和温度条件下，植物的生长情况会存在差异。
通过反向模型的应用，可以分析不同环境因素对植物生长的影响，以及不同光照与温度交互条件下的生长情况。
模拟植物生长算法及其改进研究
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｐ Ｇ Ｓ Ａ（ Ｐ ｌ ａ ｎ ｔ － ｇ ｒ ｏ ｗ ｔ ｈ ｓ ｉ ｍｕ ｌ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ） ｉ ｓ ａ ｋ ｉ ｎ ｄ ｏ ｆ ｂ ｉ ｏ ｎ ｉ ｃ ｓ ｒ ａ ｎ ｄ ｏ ｍ ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ
ｒ ｕ ｎ ｔ ｉ ｍｅ ａ ｎ ｄ ｐ ｒ ｏ ｍｏ ｔ ｅ ｔ ｈ ｅ ｐ ｒ ｅ ｃ ｉ ｓ ｉ ｏ ｎ ｏ ｆ ｏ ｐ ｔ ｉ ｍａ ｌ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ． Ｔ ｈ ｅ ｍｏ ｄ ｉ ｉ ｆ ｅ ｄ Ｐ ＧＳ Ａ ｉ ｓ ａ ｐ ｐ ｌ ｉ ｅ ｄ ｔ ｏ ｒ ｅ ｓ ｏ ｕ ｒ ｃ ｅ ａ ｌ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ
ｓ ｉ ｚ ｅ ， ｔ ｅ ｒ ｍｉ ｎ ａ ｔ ｉ ｏ ｎ ｃ ｒ ｉ ｔ ｅ ｒ ｉ ｏ ｎ ，ａ ｍｏ ｄ ｉ ｉ ｆ ｅ ｄ Ｐ ＧＳ Ａ ｉ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ａ ｎ ｄ ｓ ｉ ｍｕ ｌ ａ ｔ ｅ ｄ ， ｗ ｈ ｉ ｃ ｈ ｃ ｏ ｕ ｌ ｄ ｒ ｅ ｄ ｕ ｃ ｅ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ
ａ ｉ ｍｉ ｎ ｇ ａ ｔ ｉ ｎ ｔ ｅ ｇ ｅ ｒ ｐ ｒ ｏ ｇ ｒ ａ ｍｍｉ ｎ ｇ ｐ ｒ ｏ ｂ ｌ ｅ ｍ． Ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｆ ｒ ｅ ｉ ｎ ｉ ｔ ｉ ａ ｌ ｉ ｚ ａ ｔ ｉ ｏ ｎ ， ｃ ｈ ａ ｎ ｇ ｅ ａ ｂ ｌ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｓ ｔ ｅ ｐ －
基于遗传算法的飞机维修计划编制优化方案
Data Base Technique •数据库技术Electronic Technology & Software Engineering 电子技术与软件工程• 147【关键词】遗传算法 飞机维修计划 编制 优化从本质上，飞机维修计划编制优化就是优化成本，即在规定时间内将飞机持续适航维修任务完成，保证飞机的安全性及可靠性，使维修成本降低。
通常，维修计划包含三种，分别为短期维修计划、中期维修计划、长期维修计划，计划类型不同时，优化目标也存在一定的差别，因此，航空公司应建立具备通用性的优化模型，从而妥善的解决维修计划编制中遇到的各种实际问题，实现优化目的。
1 遗传算法介绍遗传算法是一种计算模型，其通过对自然选择和生物进化过程做出模拟，将最优解搜索出来。
由于仿照基因编码的复杂性非常高，因而进行简化处理，如二进制编码，产生初代种群后，按照优胜劣汰、适者生存原则，逐代的演化，将越来越好的近似解产生，末代种群中出现最优个体后，对其进行解码处理，最优解搜索完成。
遗传算法的运算过程通常包含6步：第一步为初始化，进化代数计数器t 设置为0，以T 作为进化代数最大值，M 个个体随机生成，并将其组成初始群体P （0）；第二步为个体评价，将群体P （t ）中每个个体的适应度计算出来；第三步为选择运算，在群体内发挥选择算子的作用，向下一代直接遗传优化的个体，或向下一代遗传配对交叉产生的新个体；第四步为交叉运算，在群体内开展交叉运算，交叉算子在此过程中发挥核心作用；第五步为变异运算，在群体内实施变异运算，使下一代群体产生；第六步为判断终止条件，如果t 与T 相等，则计算终止，获得最优解。
2 基于遗传算法的飞机维修计划编制优化方案2.1 建立飞机维修计划模型在飞机维修计划编制优化问题中，优化目标、约束条件均包含多个。
一般，表示飞机基于遗传算法的飞机维修计划编制优化方案文/董啸虎 刘晓东 杨航维修类别时，采取的方式为A 检、C 检、D 检等，目标为各种经济性因素，如维修停场损失、维修费用、外委维修费用等。
基于GA改进算法的多目标机组优化检修计划
（ ． 昌大学信 息工程 学 院 ， 昌 ３０３ ；． １南 南 ３０ １２ 电研天 地科 技有 限公 司 ， 北京 １０９ ； ００４
３ 广东省电网公司肇庆高要供电局 ， ． 肇庆 ５ １０ ） ２６０
摘要 ： 提出一种 基于 Ｇ Ａ改进算 法的兼顾 经济性 和可靠性 的多 目标机组检修 计划 Ｕ （ ｎ ｉｔ ａｃ ｃ ｅｕ ＭＳ ｕ ｉｍａ ｅ ｎｅｓｈｄ — ｔ ｎｎ ｌ ｇ 优化模型。模 型分别采用研究周期 内各时段 的电量不足期望值 Ｅ Ｎ （ ｎｒ ｘ ｅｔｔｎｎｔ ｅｖｄ 之 和与 ｉ） ｎ Ｅ Ｓ ｅｅｇ ｅｐ ｃ ｉ ｏ ｓｒｅ ） ｙ ａｏ 电力不足期望值 Ｌ Ｌ （ ｏｓ ｆ ｏｄＥ ｐｃａｏ ） Ｏ Ｐ Ｌ ｓ ｏ ａ ｘｅｔ ｉ 之和为经济性 目标和可靠性 目标 。采用改进排 序适应 函数法构 Ｌ ｔｎ 造能够 同时判断检修计划经济性和可靠性优劣的适应值 函数 。最后对一 ５机算例进行 了分析 ， 与传统等风 险 并
（ ． ｃ ｏｌ ｆ ｎｏ ｔ ｎＥ ｇ ｅｒ ｇ Ｎ ｎｈ ｎ ｎｖｒｉ ， ａｃ ａ ｇ３ ０ ３ ， ｈｎ ； １ Ｓｈ ｏ ｏ ｆｒ ｉ ｎ ｉ ｅ ｎ ， ａ ｃ ａｇＵ ｉｅｓｙ Ｎ ｎ ｈ ｎ ３ ０ Ｃ ｉ Ｉ ｍａ ｏ ｎ ｉ ｔ １ ａ ２ ＥｅｔｃＰ ｗ ｒＲ ｓａｃ ｎ ｅｈ ｏ ｇ ｏ ，ｅ ｉ ０ ０ ４ Ｃ ｉａ ３ Ｚ ａｑｎ ａｙｏ ． ｌ ｒ ｏ ｅ ｅｅｒｈａｄＴ ｃ ｎｌ ｙＣ ． Ｂ ｉｎ １０ ９ ， ｈｎ ； ． ｈｏ ｉｇＧ ｏａ ｃｉ ｏ ｊｇ
Ｋ ｙｗ ｒ ｓ ｍ ｌ —ｏｊｃｉ ｎ ｔ ｎ ｉ ｐｏｅ Ａ；ｎｔ ｉ ｅａｃ ｃ ｅｕｉ ；ｃｎ ｍ ； ｅｉ ｉｔ ｅ ｏｄ ： ｕｔ ｂ ｔ ｅｆ ｃ ｏ ； ｍ ｒｖｄＧ ｕｉｍａ ｔ ｎｅｓｈｄ ｌ ｇ ｅｏ ｏ ｙ ｒｌ ｌ ｉ ｅ ｖ ｕ ｉ ｎｎ ｎ ｂ ｙ ａ ｉ
机组检修计划优化模型及改进蚁群算法求解
０ 引 言
ｏ Ｃ ｍｐ ｔｒＥｎ ｉｅ ｒｎ ｕ ｅ ｇｎ ｅｉｇ，Ｎｏ ｔ ｅ ｓ ａ ｌＵｎｖ ｒｉ ｒｈ ａｔＤｉｎｉ ｉｅｓｔ ｙ，Ｊｌ ３ ０ ２ ｉｎ １ ２ １ ，Ｃｈｎ ；３ ｉｎ Ｐ ｏ ｉｃ ｉｅ ｓｔ ｉ ｉａ ．Ｊｌ ｒ ｖｎ ｅＵｎｖ ｒｉｙ ｉ
Ｄｉｔｉ ｕ ｉ ｎ Ａｕ ｏ ｔ ｎ Ｅｎ ｉｅ ｒｎ ｓ ａ ｃ ｅ ｔ ｒ ｓ ｒｂ ｔ ｔ ｍａ ｉ ｇ ｎ ｅ ｉ ｇ Ｒｅ ｅ ｒ ｈ Ｃ ｎ ｅ ，Ｃｈ ｎ ｃ ｕ ３ ０ ２，Ｃｈ ｎ ） ｏ ｏ ａ ｇｈ ｎ１０ １ ｉ ａ Ａｂ ｔａ ｔ Ｂ ｓ ｄ ｏ ｈ ａ ｋ ｒ ｕ ｄ ｏ ｒ ｄ ｔ ｎ ｌｏ ｔ ｚ ｄ ｇ ｎ ｒ ｔ ｒｍ ａｎ ｅ ａ ｃ ｄ ｌ ｎ ｉ ｄ ｏ ｅ ｏ ｔ ｚ ｄ ｇ ｎ ｒ ｔ ｒ ｓ ｒ ｃ ： ａ ｅ ｎ ｔ ｅ ｂ ｃ ｇ ｏ ｎ ｆｔａ ｉ ｏ ａ ｐ ｉ ｅ ｅ ｅ ａｏ ｉ ｔ ｎ ｎ ｅ ｍｏ ｅ ，ｏ ｅ ｋ ｎ ｆｎ ｗ ｐ ｉ ｅ ｅ ｅ ａ ｏ ｉ ｍｉ ｍｉ ｍａ ｎ ｅ ａ ｃ ｄ ｌ ｓ ｅ ｔ ｂ ｉｈ ｄ Ａｓ ｔ ｅ ｆ ｃ ｈ ｔ ａ ｔ ｃ ｌｎ ｌ ｏ ｉ ｍ ａ ｈ ｈ ｒ ｃｅ ｉｔ ｆ ｓｏ ｃ ｎ ｅ ｇ ｎ ｅ ａ ｄ ｅ ｓ ｙ ｉ ｔ ｎ ｎ ｅ ｍｏ ｅ ｓ ａ ｌ ｅ ． ｉ ｓ ｈ ａ ｔ ｔ ａ ｎ ｏ ｏ ｙ ａｇ ｒｔ ｈ ｈ ｓ ｔ ｅ ｃ ａ ａ ｔ ｒｓ ｉ ｏ ｌｗ ｏ ｖ ｒ ｅ ｃ ｎ ａ ｉ ｃ ｌ ｆ ｌｎ ｉ ｔ ｃ ｌ ｐ ｉ ｍ ，ｂ ｓ ｇ ｆｚ ｙ ｃ ｎ ｒ ｌ ｕｅ ．Ｔｈ ｎ ｏｏ ｙａｇ ｒ ｈ ｉ ｉ ｒ ｖ ｄ ａｌ ｇ ｏ ｌ ａ ｔ ｉ ｎ ｏ ｏ ｍｕ ｙ ｕ ｉ ｚ ｏ ｔ ｌｓ ｎ ｕ ｏ ｒ ｅａ ｔ ｌｎ ｏ ｉ ｍ ｏ ｅ ．Ｔｈｓｉ ｒ ｖ ｄ ａｇ ｒｔ ｐ ｌ ｄ ｔ ｅ ｃ ｌ ｔ ｓ ｍｐ ｉ ｍｐ ｏ ｅ ｏ ｉ ｌ ｍ ｓ ｈ ｉ ａ ｐｉ Ｏｔ ｅ ｈ ｐ ｐ ｓ ｄ ｏ ｔ ｚ ｅ ｅ ａｏ ｉ ｔｎ ｎ ｅｍｏ ｅ．Ａｓ ａｒ ｓ ｌ，ｓｍｕ ａｉｎ ａｇ ｒ ｈ ｄ ｍｏ ｅｓｃ ｎ ａ ｈｅ ｅｇ ｏ ｅ ｕ ｔ ｏ ｒ ｏ ｅ ｐ ｉ ｅ ｇ ｎ ｒ ｔ ｒｍａｎ ｅ ａ ｃ ｄ １ ｍｉｄ ｅｕ ｔ ｉ ｌ ｔ ｏ ｔ ｍｓａ ｄ ｌ ａ ｃ ｉ ｏ ｄ ｒ ｓ ｌ ｏ ｌ ｉ ｎ ｖ ｓ Ｋｅ ｒ ｓ ｅ ｅ ａ ｏ ｅ ａｒ ｃ ｎ ｍ ｙ ｎ ｏ ｏ ｙ ａｇ ｒ ｈ ；ｆ ｚ ｙ ｃ ｎ ｒ ｌ ｕ ｅ ；ｐ ｅ ｏ ｎ ｐ ａ ｅ ｙ ｗｏ ｄ ：ｇ ｎ ｒ ｔ ｒｒ ｐ ｉ；ｅ ｏ ｏ ；ａ ｔｃ ｌ ｎ ｌ ｏ ｉ ｍ ｔ ｕ ｚ ｏ ｔｏ ｌ ｓ ｈ ｒ ｍｏ ｅｕ ｄ ｔ ｒ
植物生长模拟与优化算法研究
植物生长模拟与优化算法研究植物生长是一个复杂且多变的过程，受到环境条件、土壤质量、水分供应等多个因素的影响。
在现代农业和生态系统管理中，精确预测和模拟植物生长对于优化农作物产量、增加生态环境的可持续性至关重要。
近年来，植物生长模拟和优化算法的研究正在成为一个热门领域，为我们提供了一种更好地理解和管理植物生长的方法。
一、植物生长模拟的意义和挑战植物生长模拟是通过模拟和预测植物在特定环境条件下的生长过程，以帮助农民、生态学家和环境管理者做出更明智的决策。
通过模拟植物生长，我们可以更好地了解植物对环境变化的响应，为农作物种植和生态系统管理提供指导。
然而，植物生长是一个高度复杂的非线性过程，需要考虑到各种因素的相互作用和动态变化，如光照、温度、水分、土壤中的营养元素等。
因此，植物生长模拟面临着很多挑战。
二、常用的植物生长模拟方法及其优缺点1. 基于物理模型的植物生长模拟方法基于物理模型的植物生长模拟方法将对植物生理过程的理解转化为数学表达式，以模拟植物生长。
这些模型通常基于植物的生理原理和物理规律，如光合作用、蒸腾作用和营养吸收。
物理模型可以提供对植物生长过程的定量描述，但也存在参数确定的困难和计算成本高的问题。
2. 基于统计模型的植物生长模拟方法基于统计模型的植物生长模拟方法将统计学方法应用于植物生长的建模和预测。
这些模型基于大量的实验数据和统计分析，通过拟合具有特定形式的函数来描述植物生长的规律。
统计模型可以提供对植物生长的概率分布的估计，但也存在对数据质量和模型结构的要求高的问题。
3. 基于机器学习的植物生长模拟方法基于机器学习的植物生长模拟方法利用机器学习算法来训练模型，并预测植物生长。
这些模型通过学习大量的输入和输出数据，来发现植物生长的模式和规律。
机器学习模型可以自动提取特征和学习非线性关系，但也存在对大量数据和计算资源的需求高的问题。
三、优化算法在植物生长模拟中的应用除了模拟植物生长，优化算法也被广泛应用于植物生长模拟中，旨在寻找最佳的决策和管理策略。
基于改进模拟植物生长法的电力系统无功优化
收稿日期：2014-03-07作者简介：于永哲（1983-），男，工程师，研究方向：电力系统继电保护、电力系统自动化控制。
基于改进模拟植物生长法的电力系统无功优化于永哲1，张国勋2（1.宁波电业局，浙江宁波315000；2.天津电气传动设计研究所有限公司，天津300180）摘要：将改进模拟植物生长算法应用于求解电力系统无功优化问题。
该算法充分考虑植物生长过程中的智能化因素，避免了搜索过程中的随机机制，缩小了搜索空间，减少了迭代次数。
以网损最小为目标函数，建立配电网重构的数学模型。
通过对IEEE 30节点系统进行无功计算，表明改进模拟植物生长算法具有较强的全局搜索能力，且使用方便，为解决电力系统无功优化问题提供了一种新方法。
关键词：无功优化；改进模拟植物生长算法；电力系统中图分类号：TM761文献标识码：A文章编号：1672-5387（2014）02-0023-040引言电力系统无功优化以满足系统各种运行约束条件和负荷要求为前提，通过优化计算确定无功补偿设备的投切容量或可调变压器的分接头档位等，来优化电网无功潮流，以使系统的有功损耗和无功补偿最小。
无功优化问题是一个离散的、有约束的非线性问题，常用的算法有：线性规划法[1]、非线性规划法、动态规划法等。
这些传统的规划方法都存在一些问题[2]，如线性规划法需将模型线性化，这就难以避免较大误差；非线性规划法一般要求目标函数连续可导，因而限制了其应用范围；动态规划法在解高维问题时会面临维数灾难。
近年来，一些启发式算法迅猛发展，如遗传算法[3]、蚁群算法[4]等。
由于这些算法建立了随机性、协同性等模型，在计算的过程中可以跳出局部最优解，更有可能找到全局最优解，因而在无功优化领域得以广泛应用。
但这些算法需给出诸如惩罚系数、初始染色体群、交叉率、变异率、初始粒子群等直接影响计算速度和收敛性的参数。
如何选取这些参数,到目前为止并没有统一的法则,需根据问题进行多次尝试。
植物生长模拟与优化算法研究
植物生长模拟与优化算法研究植物是我们生活中不可或缺的部分，它们不仅在提供我们所需的食物、氧气和美丽的景色，同时也在地球上起着至关重要的作用。
随着科技的不断发展，研究人员们不断尝试运用计算机技术来模拟植物生长的过程，并通过优化算法来提高植物的生长效率。
本文将从植物生长模拟和优化算法两个方面进行探讨。
一、植物生长模拟植物生长模拟是通过计算机模拟植物生长过程的方法来了解植物的生长规律。
在植物生长模拟中，研究人员们需要考虑到植物生长的各个方面，如根、茎、叶、花、果等部分的生长规律和生长速度。
同时，他们还需要考虑营养物质、水分、温度等环境因素对植物生长的影响，以及植物与环境之间的相互作用。
通过模拟不同环境条件下植物的生长，研究人员们可以更好地了解植物的生长规律和机理，从而为提高植物的生长效率提供理论基础。
植物生长模拟的方法多种多样，常用的方法包括分形方法、L-系统方法等。
其中，L-系统方法是一种基于形式语言的植物生长模拟方法，它可以描述植物在不同生长阶段下的生长规律和形态。
L-系统方法的优点在于具有可重复性和可拓展性等特点，研究人员们可以通过改变其参数值来模拟植物在不同环境因素下的生长情况。
除了L-系统方法外，还有许多其他植物生长模拟方法。
如利用人工神经网络模拟、借助CAD技术模拟等，这些方法各具特点，可以根据具体的研究需要进行选择。
二、优化算法优化算法是指通过计算机模拟对不同的问题进行求解，并找到最优或近似最优解的方法。
在植物生长中，研究人员们通过优化算法对植物的生长条件进行调整，从而提高植物的生长效率。
常用的优化算法主要包括遗传算法、模拟退火算法、粒子群算法等。
遗传算法是一种模拟生物进化的算法，其基本思想是通过选择、交叉和变异等操作不断优化候选解，从而寻找最优解。
在植物生长优化中，研究人员们可以通过遗传算法来模拟植物的基因组结构和遗传变异机制，然后找到最优的生长条件，使植物生长效率最大化。
模拟退火算法是一种模拟物质结晶和固化过程的优化算法，它通过随机扰动原有状态，并根据不同状态的能量差异来进行状态转移，从而达到全局最优解或局部最优解的目的。
基于计算模型的植物生长模拟与优化设计
基于计算模型的植物生长模拟与优化设计随着科技的发展，计算模型的应用越来越广泛，从人工智能到物理建模，每个领域都可以受益于这些模型。
而在植物生长方面，计算模型也可以发挥重要的作用。
通过模拟植物生长，我们可以更好地了解植物的生命过程和特性，并且可以优化设计新的植物品种。
首先，让我们来了解什么是计算模型。
计算模型是一种抽象的模型，其目的是将一个复杂的现实问题转化为可以计算的形式。
这里的计算可以是数学计算，也可以是模拟。
通过计算模型，我们可以更好地了解系统，预测其行为，并探索系统中的关键变量和过程。
将计算模型应用于植物生长模拟中，主要是以计算机为工具，根据植物的生长规律和特性，构建出具有植物生长规律的计算模型。
模型可以考虑植物的遗传特性，包括基因型和表型，以及环境因素，如土壤、光照、水分和气候。
通过计算模型的模拟，我们可以预测植物的生长过程，包括种子的萌发、茎、叶、花和果实的生长，以及受到不同环境因素和资源的影响。
在模拟植物生长过程中，我们需要考虑植物的结构和生长过程，其中的关键变量包括植物的质量、长度、直径和生长速度等。
这些变量与植物的遗传特性和环境因素密切相关。
因此，在建立计算模型时，我们需要考虑这些因素对植物生长过程的影响，以及它们之间的关系。
通过模拟植物生长过程，我们不仅可以了解植物的物理结构和生长规律，还可以探索植物的生理和生态特征。
例如，我们可以探索不同的植物对不同环境因素的响应，包括对土壤和水分的需求，对温度、光照和二氧化碳浓度的响应等。
通过这些模拟结果，我们可以为植物优化设计提供参考和依据。
最后，基于计算模型的植物生长模拟不仅可以对植物生长过程进行优化，还可以用于植物繁殖和育种的研究。
通过模拟不同的遗传特性和环境因素对植物生长的影响，我们可以更好地理解植物的生理和遗传特征，为育种和培育新品种提供更好的基础和参考。
总之，基于计算模型的植物生长模拟可以为我们了解植物的生长规律和物理特征提供便利，同时可以优化设计新的植物品种和进行育种研究。
基于模拟植物生长算法的电子装备备件优化配置
周 含 冰 何 荣 茂 张 德 欣 。 邵 东 青
（ １ ． ６ ３ ８ ９ ２部 队 洛阳 ４ ７ １ ０ ０ ３ ） （ ２ ． ６ ３ ８ ９ １ 部队 洛阳 ４ ７ １ ０ ０ ３ ）
摘
要
合理配置备件是提高装备 系统可靠性 的重要手段之一 。针对 电子装 备 的备 件问题 ， 建 立关于备件 优化配 置的非线性 规划模
总第 ２ ８ ３期
２ ０ １ ３ 年第 ５ 期
计 算 机 与 数 字 工 程
Ｃｏ ｍｐ ｕ ｔ ｅ ｒ＆ Ｄｉ ｇ ｉ ｔ ａ ｌ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
Ｖｏ １ ． ４ １ ＮＯ ． ５
７０ ０
基 于 模 拟 植 物 生 长 算 法 的 电子 装 备 备 件 优 化 配 置
基于改进模拟植物生长算法的集装箱码头插船调度优化
ｐ ｏ ｒ ｔ ’ Ｓ ｖ ｉ ｅ ｗ ａ ｎ ｄ ｓ ｏ ｌ ｖ ｅ ｓ ｉ ｔ ｂ ｙ ａ ｎ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｐ ｌ ａ ｎ ｔ ｇ ｒ ｏ ｗ ｔ ｈ ｓ ｉ ｍｕ ｌ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ（ Ｐ ＧＳ Ａ） ． Ｔ ｈ ｅ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ｏ ｆ ａ ｎ ａ ｃ ｔ ｕ ａ ｌ
示经改进 的 Ｐ Ｇ Ｓ Ａ 在 求 解 过 程 中具 有 较 好 的收 敛 速 度 与 精 确 度 。采 用 本 文 建 立 的 模 型 和 算 法 能 够 快 速 解 决 临 时 插 船 的调 度 调 整 问题 ， 为 集 装 箱 码 头 在 特 殊 情 况 下 泊 位 调 度优 化 提 供 了 解 决 问 题 的思 路 和 方 法 。
第２ ５卷 第 ６期
２ ０１ ６年 １ ２月
运 筹 与 管 理
ＯＰ ＥＲＡＴＩ ＯＮＳ ＲＥＳ ＥＡＲＣＨ ＡＮＤ ＭＡＮＡＧＥＭ ＥＮＴ ＳＣＩ ＥＮＣＥ
Ｖｏ １ ． ２５， Ｎｏ ． ６ Ｄｅ ｃ ． ２ ０１ ６
基 于改进模拟植 物生长算法 的集装箱码头插船调度优化
Ｓｃ ｈ ｅ ｄ ｕ ｌ ｉ ｎ ｇ Ｏｐ ｔ ｉ ｍｉ ｚ ｉ ｎ ｇ ｏ ｆ Ｊ ｕ ｍｐ ｉ ｎ ｇ Ｑｕ ｅ ｕ ｅ Ｓｈ ｉ ｐ ｉ ｎ Ｃｏ ｎ ｔ ａ ｉ ｎ ｅ ｒ Ｔｅ ｒ ｍｉ ｎ ａ ｌ
基于Plant_Simulation_的轴箱轴承检修生产线优化改善
文章编号：2095-6835（2023）14-0055-04基于Plant Simulation的轴箱轴承检修生产线优化改善李兵，杨龙，王新雨（中车青岛四方机车车辆股份有限公司，山东青岛266111）摘要：为解决某企业检修车间轴箱轴承检修生产线在生产过程中出现的产能不足、各工位忙闲不一等问题，基于对该生产线的工艺流程、工位人员配置、标准作业时间等基础数据的现场收集，利用Plant Simulation仿真软件建立轴箱轴承检修生产线仿真模型，对仿真模型运行后的结果数据进行分析，查找运行中出现的“瓶颈”问题。
利用工业工程相关理论方法和工具，制定相应的优化措施，并对优化前后的仿真结果数据进行对比分析。
结果表明，利用优化措施可有效降低该生产线中某些工位的平均阻塞率、提高生产线产能、减少人员配置，从而提高企业经济效益。
关键词：轴箱轴承检修生产线；Plant Simulation；仿真；优化措施中图分类号：U279文献标志码：A DOI：10.15913/ki.kjycx.2023.14.016随着高铁不断发展和运营里程的增加，动车组检修体量也急剧增加，日益增长的资源成本给动车组检修企业带来了不小的生产和成本压力。
面对如此巨大的压力，企业必须通过不断优化改进生产线，提高生产线的生产率，减少人员成本，达到提升企业经济效益的目的。
动车组检修车间是典型的离散型生产制造系统，采用传统方法难以全面了解掌握生产状况。
计算机技术的快速发展为制造系统分析带来了新的契机，面对如此复杂的制造系统，仿真技术显得更加有效。
目前生产线仿真技术被广泛地应用于生产线优化工作中，通过对生产线的生产单元和生产过程进行模拟仿真，并对其仿真结果数据进行分析，根据分析结果开展生产资源配置及设备布局优化等工作，进而达到提升生产线效率的目的[1-3]。
国内外多名学者进行了生产线仿真应用研究，其中柴富荣等[4]采用Witness仿真软件对某汽车发动机凸轮轴生产系统进行仿真分析，查找瓶颈问题，制定优化措施，提高生产效率。
基于模拟植物生长算法的车辆调度应用综述研究
中国储运网H t t p ://w w w .c h i n a c h u y u n .c o m1.引言模拟植物生长算法是李彤[1]通过模拟植物向光性的特点，探索出一种仿生类求解整数规划的概率搜索算法。
目前，智能算法是解决优化问题的主流算法，但是一些智能算法的一些尖锐问题也凸显出来，智能算法对参数的设定缺乏理论依据，比如，遗传算法的交叉和变异概率，粒子群算法的加速因子等。
此问题对算法的求解精度和效率产生了巨大影响。
而模拟植物生长算法有效的解决了这一难题，开发了一种“无参数智能算法”[2]。
由于该算法回避了其它智能算法存在的参数难确定的问题，被国内外学者广泛应用。
模拟植物生长算法在工程技术领域和管理领域应用广泛，本文主要对车辆调度在模拟植物生长算法的应用研究展开相关综述。
2.模拟植物生长算法（P G S A ）的理论描述模拟植物的生长是由随机机制驱动，新枝的是否生长取决于每个新枝上生长点的概率浓度，每个树枝都隐藏着一个局部区域进行搜索，而植物生长偏向于生长点概率浓度较高的区域，每个生长节点都是优化问题的可能解方案。
植物从根部（记作B 0）长出一根茎。
假设茎上有K 个节点，且比根节点有更好的适应度。
假设节点的适应度函数为G ，每个节点的生长素浓度为该节点B M i 的适应度G （B M i ）与根部节点B 0的适应度G （B 0）的差值，再除以这些差值的总和。
C M i=G （B 0）-G （B M i）Δ1Δ1=kj =1i（G （B 0）-G （B M i ））i =1，2，...，k从上式可得，所有节点的生长素浓度均在[0，1]范围之内，根据随机原则随机选择一个节点进行生长分支，在节点按照L -系统生长后，新分支上会产生q 个新节点，这时需重新计算每个生长节点的形态素浓度，由此可知，每次生长过后，所有生长节点的形态素浓度都会变化，需重新计算。
以上分支过程会反复迭代，直到达到提前设置的终止迭代次数。
基于改进模拟植物生长算法的机组检修计划优化
基于改进模拟植物生长算法的机组检修计划优化
刘波;包兴;李焱
【期刊名称】《电力科学与工程》
【年(卷),期】2011(027)005
【摘要】随着计算机技术的迅速发展,人工智能方法在动态组合优化问题中得到了广泛应用.针对发电机组检修计划优化问题,以生产费用与检修费用之和最小为目标建立了机组检修计划优化模型,以全部待检修机组启动检修时段的组合为决策变量,提出了一种利用改进模拟植物生长算法进行求解的方法,同时对各种不同的约束务件,分别给出了相应的处理方法.针对基本模拟植物生长算法的不足,在生长点集规模和步长选取2方面对其进行了改进.算例结果表明,该方法计算速度更快、寻优能力更强.
【总页数】5页(P20-24)
【作者】刘波;包兴;李焱
【作者单位】广东电网公司,韶关供电局,广东,韶关,512028;张家港市供电公司,江苏,张家港,215600;张家港市供电公司,江苏,张家港,215600
【正文语种】中文
【中图分类】TM732
【相关文献】
1.发电机组检修计划的模拟植物生长算法 [J], 王淳;程浩忠;谭永香;翁新林
2.基于J2EE和VML技术的发电机组检修计划优化管理系统 [J], 李川;姚建刚;陈
亮
3.基于电量不足期望值最小的发电机组检修计划优化算法 [J], 丘文千
4.机组检修计划优化模型及改进蚁群算法求解 [J], 孟祥萍;岳野;沈中玉
5.基于改进蚁群算法的发电机组检修计划优化 [J], 院晓涛;姚建刚;陈亮
因版权原因，仅展示原文概要，查看原文内容请购买。
改进模拟植物生长算法求解汽车维修车间瓶颈工序的多目标动态调度问题
改进模拟植物生长算法求解汽车维修车间瓶颈工序的多目标动
态调度问题
杨琴;周国华;林晶晶
【期刊名称】《系统管理学报》
【年(卷),期】2011(20)5
【摘要】通过对瓶颈的合理调度可以有效地提升系统效率,钣喷工序是整个汽车维修服务系统的瓶颈。
针对于此,结合优化调度理论,对汽车维修车间瓶颈工序调度问题的特性、模型和算法进行了研究,提出了多目标动态调度策略。
从最小化目标、机器环境、加工特征和约束等方面分析了瓶颈工序调度问题的特征,建立了对应的数学模型。
运用混合重调度策略和改进模拟植物生长算法实现了瓶颈工序多目标动态调度问题的求解。
最后,以实例分析验证了算法的可行性和有效性。
【总页数】7页(P595-599)
【关键词】模拟植物生长算法;瓶颈工序;多目标;动态调度
【作者】杨琴;周国华;林晶晶
【作者单位】西南交通大学经济管理学院;四川师范大学商学院
【正文语种】中文
【中图分类】F406.2
【相关文献】
1.改进粒子群算法求解应急项目瓶颈资源动态调度问题 [J], 杨琴;廖斌;吴秋琴;李金奇
2.多目标旅行商问题的模拟植物生长算法求解 [J], 郗莹;马良;戴秋萍
3.应用模拟植物生长算法求解置换流水车间调度问题 [J], 唐海波;叶春明;张新功
4.工序顺序柔性的作业车间调度问题的改进遗传算法求解 [J], 黄学文;马雪丽;曹德弼
5.基于改进的多种群遗传算法求解工序可拆分车间调度问题 [J], 马卫民;吴凌霄因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于改进遗传算法的机组优化策略
一种基于改进遗传算法的机组优化策略常红霞;杨汉生;贾晋【摘要】阐述了AGC机组优化组合的数学模型,在理论分析的基础上列出了其目标函数及约束条件.为了得到最优解,在标准遗传算法的基础上,对算法进行了改进,应用了趋同和异化概念,且算法实现了多子交叉和特殊变异,并引入精英选择的概念完成对解的筛选.最后利用文中所提改进遗传算法对机组优化仿真,与标准遗传算法进行对比.结果表明,改进遗传算法要优于标准算法11.33％,具有较大优势,可应用于大、中型系统实现机组组合优化.【期刊名称】《绵阳师范学院学报》【年(卷),期】2017(036)005【总页数】5页(P35-39)【关键词】AGC;遗传算法;多子交叉;特殊变异【作者】常红霞;杨汉生;贾晋【作者单位】巢湖学院机械与电子工程学院,安徽巢湖238000;河海大学计算机与信息工程,江苏南京211100;巢湖学院机械与电子工程学院,安徽巢湖238000;马鞍山市供电公司,安徽马鞍山243011【正文语种】中文【中图分类】TM76在现代电力市场环境下，自动发电控制AGC不仅要保证电网的运行安全可靠，而且要经济节能，因此对机组进行组合优化一直是人们研究的一个重要方向.机组组合本身具有高维数、非凸、离散、非线性的特性，且要考虑一个周期内机组各时段运行状态的优化.当电力系统的规模比较大时，人们已提出大量的优化算法进行计算，大致可将其分为传统法和现代智能法[1-5].传统的优化算法相比智能算法略有不足.局部寻优法和优先顺序法具有占用内存少、计算速度快的优点，但难于找到全局最优解；动态规划法是一种优化算法，能够求解出最优解，但对于机组数量较大的大型系统，计算量偏大，速度不够快，难以实用；混合整数规划法可直接求解机组组合的数学模型，理论上能找到全局最优解，但其方法复杂，计算量大，还需对实际问题进行分解分析；拉格朗日松弛法对于大型系统来说，克服了维数灾，算法效果好，但其目标函数具有非凸性，考虑约束条件情况会使计算复杂化[6-8].现代智能优化算法主要有蚁群算法，遗传算法，免疫算法和粒子群优化算法等.智能优化算法普遍具有鲁棒性好、易于实现的特征，且计算效率极高.本文便是在遗传算法的基础上进行改进和完善，从而实现对机组的优化.在考虑系统的调节容量、调节速度及机组的可调节容量等约束条件下，引入奖励和惩罚机制，以总调节费用最低为目标建立数学模型，对机组组合进行优化，以实现AGC控制[1].1.1 目标函数在考虑系统的调节容量、调节速度及机组的可调节容量等约束条件，以总调节费用最低为目标建立数学模型，目标函数[1]为：min(Uij,Pij)式(1.1)中：T—发电机组运行总时间(小时)；N—发电机组数量；Pij—第j台机组在i时段的功率；F(Pij)—第j台机组所需发电费用，采用二次函数型，取Fj(Pij)，aj、bj、cj分别为第j台机组运行费用特性参数；i—机组具体运行时间参数.Uij—第j台机组在i时段内的运行状态,Uij=0表示机组停运，Uij=1表示机组运行；和—分别为第j台机组在i时刻的AGC上调量和下调量；和—分别是第j台机组的AGC单位上调费用和下调费用；Si—第j台机组的启动费用，根据启动前机组所处状态不同分为以下两类：1.1.1 冷启动机组从冷却状态启动，启动费用要考虑到机组的停机时间t，启动费用可表示为：SLj(t)=S0j+S1j(1-exp(-t/τ))式(1.2)中：SLj(t)—第j台机组冷启动费用；S0j—第j台机组冷启动固定费用；S1j—第j台机组冷启动费用；τ—机组热启动时间参数；t—第j台机组停机时间.1.1.2 热启动机组进行“压火”启动,启动费用可用线性函数表示为：SRj(t)SRj(t)—第j台机组压火启动费用；—压火1小时所需启动费用.1.2 约束条件考虑到机组最大最小负荷量限制，机组正常运行的安全限制以及响应能力限制等，为保证机组安全稳定运行，约束条件主要有功率平衡约束和旋转备用约束.1.2.1 功率平衡约束Pd—在i时段机组的总负荷1.2.2 旋转备用约束从电网系统的安全性出发，发电机组的输出功率需要一定的备用，也称旋转备用约束.>Pd+Pr其中：Pjmax—工作机组能够提供的最大功率；Pd—调度下达给发电厂的t时段负荷；Pr——时段i系统所需功率储备.1.2.3 机组容量约束机组容量约束不等式：Pmin<Pj<Pmax j=1,2,…,NPmin——第j台机组发电机功率下限；Pmax——第j台机组发电机功率上限；1.2.4 机组运行时间约束(Uij-U(i-1)j)(1-U(i-T1)j)≥T1(Uij-U(i-1)j)≥T2T1——机组允许的连续时间内最小停运小时数；T2——机组允许的连续时间内最小运行小时数.整个设计在标准遗传算法的基础上进行了完善和改进.为得到最优解，需要对现有数据不断地进行挖掘和开采，算法相应地设计了趋同和异化算子以实现对数据的处理[1，9-10].算法主要流程如图1所示.2.1 主种群算子设计2.1.1 趋同和异化“趋同”算子主要负责对现有数据进行挖掘，实现局部最优搜索.“异化”算子用来实现整个数据空间的寻优，寻找较优的个体再进行挖掘.2.1.2 交叉变异遗传算法中，主种群由随机函数产生，然后进行一点交叉(即两个二进制串的某一位进行交换)，最后实现变异.算法中采用了可变长度的二进制编码，当机组启停位置发生变化时，相应的基因长度也会改变.针对这一特性，在普通变异的基础上，又设计了特殊变异.算法中，每当机组启停位置变化n个时，就相当于产生n位特殊变异.2.1.3 选择就是从当前群体中选择适应度高的个体生成新群体.主种群需要异化算子，且须防止主种群收敛于局部，因此选择压力相对较低.主种群和子种群均以排序选择为主.排序选择主要由个体之间的适应度相对大小决定.在排序选择过程中，还可实现动态调整选择概率，可根据进化效果实时调整群体选择压力.2.1.4 开采点的选择开采点通常选择适应度较大的个体，作为子种群局部搜索的起点.适应度是将主群体中的个体根据综合成本进行排序，选取综合成本小的约10%的个体进行开采.2.2 子种群算子设计2.2.1 多子交叉多子交叉就是在子种群提取交配个体，然后多次进行一点交叉.在一对个体交配过程中，采用不同的交叉点可以产生多个不同子代，继续下去可得大量子代.对多子交叉后产生的大量子代交叉、变异，然后筛选出的子代质量相对较高，子种群的质量进而得到了提高.2.2.2 特殊变异针对长度可变的二进制编码，在普通变异的基础上再进行特殊变异.当变异发生在(0,Pc1/2)时，增加一次机组启停位置变化，机组二进制编码相应增加n位；当变异发生在(Pc1/2,Pc1)时，且当前基因中机组启停位置变化数目大于设定的最小数目LMIN时，减少一次机组启停位置变化，机组二进制编码相应减少n位.2.2.3 精英选择针对子种群个体的排序选择概率相差大，收敛速度快的特点，采用了精英选择.在当前群体最佳个体适应度大于其子代群体最佳适应度时，则将其直接复制到子代中，并且替代子代群体适应度最差的相应数量个体.采用精英选择在保证子种群绝对收敛的情况下还大大加快了收敛速度.整个设计在VS2012的平台上进行，用于机组优化的具体参数见表1，在火力机组的基础上同时也考虑了风电机组的特性.使用论文中新设计的改进遗传算法对表1中的机组组合进行优化，与标准遗传算法相比，性能有了显著提升.使用标准遗传算法，AGC的最优运行费用为22 372，使用本文的算法，AGC的总费用为20 095，显著提高了11.33%.因此，通过对算子的改进大大提高了最终的优化结果.Al-HAMOUZ等[11]将滑模控制器(SMC)与抖振特征关联到AGC，利用遗传算法实现优化.DEMIROREN等[12]采用遗传算法对具有两个发电商区域的AGC控制进行了优化.BHATT等[13]采用了混合粒子群的算法对AGC系统优化，以获得最佳增益参数和最佳瞬态性能.本论文是在标准遗传算法的基础上，对算法进行了改进，应用了趋同和异化概念，为得到最优解，算法实现了多子交叉和特殊变异，还引入精英选择的概念完成对解的筛选.最后分别采用标准遗传算法和文中的改进算法对表1进行了优化仿真，仿真结果表明文中的算法优于标准算法11.33%.电力系统中，AGC的优化问题一直是人们研究的一个重要内容.LENOIR等[14]考虑了发电机组的脆弱性指数和灵敏度，通过准确计算结合AGC模型的潮流参数进行优化.HAN等[15]从时间间隔的角度出发对AGC系统优化.因此，在考虑发电机组本身的特征和有效提高电网的安全稳定性方面对AGC进行优化是我们下一步的研究方向.【相关文献】[1] 贾晋.基于改进遗传算法的AGC功率调配和机组优化组合研究[D].南京：南京理工大学,2007.[2] 李卫东，吴海波，武亚光，等.电力市场下AGC 机组调配的遗传算法[J].电力系统自动化，2003,27(15)：20—24.[3] 黎静华，兰飞.适合于机组组合问题的扩展优先顺序法[J].电力系统保护与控制,2010,38(2)：1—7.[4] 周永灿，李扬.基于层次分析法的可中断负荷模型参与备用市场的研究[J].电力需求侧管理，2010,12(1)：17—20.[5] 胡伟，王淑颖，徐飞，等.基于分层控制的AGC与AVC自动优化协调控制策略[J].电力系统自动化，2011,35(15):40—45.[6] 周霞，吴英俊.基于自适应粒子群优化算法的AGC机组调配研究[J].江苏电机工程，2009,28(1)：1—4.[7] 常文平,于海,华大鹏.基于自适应粒子群优化算法的机组组合[J].电力系统保护与控制,2009,37(15):15—18.[8] 高宗和,滕贤亮,涂力群.互联电网AGC分层控制与CPS控制策略[J].电力系统自动化,2004,28(1):78—81.[9] 向德军,陈根军,顾全,等.基于实测煤耗的AGC电厂负荷优化分配[J].电力系统自动化,2013,37(17):125—129.[10] 姚鹏,张靠社,周树,等.自动发电控制(AGC)服务调配应用研究[J].电力系统保护与控制,2011,39(21):120—125.[11] Al-HAMOUZZ,Al-DUWAISHH,Al-MUSABIN.Optimal design of a sliding mode AGC controller:Application to a nonlinear interconnected model[J].Electric Power Systems Research,2011,81(7):1403—1409.[12] DEMIROREN A,ZEYNELGIL H L.GA application to optimization of AGC in three-area power system after deregulation[J].International Journal of Electrical Power & Energy Systems,2007,29(3):230—240.[13] BHATT P,ROY R,GHOSHAL S P.Optimized multi area AGC simulation in restructured power systems[J].International Journal of Electrical Power & EnergySystems,2010,32(4):311—322.[14] LENOIR L,KAMWA I,DESSAINT L A.Overload Alleviation With Preventive-Corrective Static Security Using Fuzzy Logic[J].IEEE Transactions on Power SystemsPwrs,2009,24(1):134—145.[15] HAN X S,GOOI H B.Effective economic dispatch model and algorithm[J].International Journal of Electrical Power & Energy Systems,2007,29(2):113—120.。
基于改进模拟植物生长算法的PSS与直流调制的协调优化
基于改进模拟植物生长算法的PSS与直流调制的协调优化付红军;潘励哲;林涛;孙建华;余光正;李志恒;张健南;孙冉【期刊名称】《电力自动化设备》【年(卷),期】2013(33)11【摘要】为改善交直流系统的小干扰稳定性,研究了直流调制功能中的附加阻尼控制器和电力系统稳定器(PSS)之间的协调优化策略,并进一步改进了模拟植物生长优化算法(PGSA)用于求解优化策略.通过改进搜索步长和迭代中加入云模型理论寻找新生长点来提高算法的搜索效率和收敛速度.采用修改的4机2区域系统作为算例进行仿真,以多个运行方式下系统机电振荡模式最小阻尼比最大为目标,特征根分析和时域仿真结果证明改进PGSA能有效阻尼低频振荡并增强系统的小干扰稳定性.【总页数】6页(P75-80)【作者】付红军;潘励哲;林涛;孙建华;余光正;李志恒;张健南;孙冉【作者单位】河南省电力调度控制中心,河南郑州450052;武汉大学电气工程学院,湖北武汉430072;武汉大学电气工程学院,湖北武汉430072;河南省电力调度控制中心,河南郑州450052;武汉大学电气工程学院,湖北武汉430072;河南省电力调度控制中心,河南郑州450052;武汉大学电气工程学院,湖北武汉430072;河南省电力调度控制中心,河南郑州450052【正文语种】中文【中图分类】TM712【相关文献】1.基于改进遗传算法的多机系统PSS参数协调优化 [J], 闫健杰;赵书强;崔小磊2.基于混沌变异粒子群算法的PSS与SVC阻尼控制器协调优化设计 [J], 周金环;车延博;舒展;胡晓青3.基于混沌优化算法的PSS和直流调制的协调优化 [J], 郑希云;李兴源;王渝红4.基于IFA的PSS与STATCOM阻尼控制器参数协调优化策略 [J], 王超;李兴源5.基于轨迹灵敏度技术的PSS和SVC协调优化设计 [J], 刘明波;黄义隆;林舜江因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
考 虑机 组 的检修 安 排 ，如 文献 ［ ，４ 分别 考 虑 发 过 程 的进 行 ，模 拟植 物 生 长算 法 的生 长 点 集 内将 ３ ］
电容量充裕度 、整个检修周期 内各周 的净备用率 有 大量 的生长 点 ，且 除第 １次循 环 外 每 次 循 环 步 与平均净备用率之差绝对值之 和最小建立 目标 函 长 的选取 一 致 ，这些 将 严 重 影 响算 法 的收 敛 速 度 数 ，但这 类 函数 未 充分 考 虑 发 电企 业 的经 济 合 理 和 全局 寻优性 能 。鉴 于 此 ，本 文 对 模 拟 植 物 生 长
２ ０
第２ ７卷第 ５期
２ １ 年 ５月 ０１
电
力
科
学
与
工
程
Ｖｏ＿ ７． ｏ ５ ｌ２ Ｎ ．
Ｍ ａ ．２ ｙ ， ０１ １
Ｅｌｃ ｒｃ Ｐｏ ｒ Ｓ ｉｎ ｅ ａ ｄ Ｅｎ ｉ ｅ ｒｎ ｅ ｔ ｉ ｗｅ ｃｅ ｃ ｎ ｇｎ ｅ ｇ ｉ
基 于 改进 模 拟 植 物 生 长 算 法 的机 组 检 修 计 划优 化
利用遗传和模拟退火算法制定发 电机组检修计划 ，
模 拟植 物生 长 算 法 是 一 种 源 于大 自然 的仿 生
并考虑了检修 中可能 出现 的约束条件 ，但计算速 类随机算法。植物在成长期间为获得足够 的阳光
收稿 日期 ：２ １ Ｏ —１。 ０ １一 １ ２
作者简介 ：刘波 （ ９ ３ ） １８ 一 ，男 ，助理工程师 ，从事继 电保护 自动化工作 ，Ｅｍａ ：ｄ０ ３ ２ ．０ 。 ￣ ｉ ｙ７ ＠１６ ｃｍ ｌ
建 立 了机 组 检修 计 划 模 型 ，从 检 修 状 态 组 合 的 角
随着 电力体 制改革 的不断深入 ，厂 网分 开、 度将其转化为动态模型 ，并采用改进 的蚁群算法 竞价上网，发电企业之 间的竞争 日益激烈 ，追求 进行 寻优计 算 ，该 方 法 计 算 速 度 较 快 。但 遗 传 算 利益最大化成 了发 电企业的最 直接 目标 ，希望按 法和蚁群算法需要给 出诸如初始染 色体群 、交叉 其 自身的经济利益需要来制定检修计划 。但是 ， 率 、变异 率 、信 息量 重要 程 度 、启 发 因子 的 重 Ｊ 作 为电力 系统 重 要 组 成 部 分 ，发 电机 组 的 检 修计 要程度 、信息素挥发系数 ｐ 等直接影响计算速度
集规模 和步长选取 ２方面对其进行 了改进 。算例 结果表 明，该 方法计 算速度更快 、寻优能 力更强 。 关键 词 ：机 组检修 计划 ；模拟植 物生长算法 ；改进模拟植物 生长算法 ；生长点 ；步 长
中 图 分 类 号 ：Ｔ ３ Ｍ７ ２ 文 献 标 识 码 ：Ａ
０ 引
度 较慢 。文 献 ［ ，７ 以系 统 运行 费 用 最小 为 目标 ６ ］
束条件保证系统 的运行可靠性 ，该方法体现 了系 统运行可靠性 和发 电企业经济性的统一 ，因而在 １ 模拟植物生长算 法原理及其改进 发电机组检修计划优化的理论研究 中有着广泛 的
应用 。对 于 经 济 性 目标 函数 ，文 献 ［ ］ 过 组 合 １１ 基本 模 拟植物 生长 算法 ５通 ．
划直 接影 响着 电力 系 统 的安 全 与 稳定 。随 着 装 机 和收敛性能的参数。有关上述参数如何选取 ，目
容量的扩大和机组 台数的增加，检修计划问题的 前 还没有 一个 明确 的法 则可供 参考 。 重要 性 已越来越 被 人们所 认识 。 模拟植 物 生 长算 法 将 目标 函数 和 约 束 条 件 分
第５ 期
刘
波 ，等 基于改进模拟植物 生长算法的机组检修计划优化
２ １
进行光合作用 ，总是努力 向上 和四周繁殖 出更多
因此 ｋ＋Ｚ 生 长 点 的形 态 素 浓度 构 成 如 图 １ 个
的树枝 ，使其与阳光接触表面积尽 可能大 ，从而 所示 的状 态 空 间 图 。系 统 不 断 产 生 位 于 ［ ，１ ０ ］
性特 征 ，因而 不 适用 于 电力 市 场 环 境 下 的 机 组 检 算 法 的生 长点 集 的规 模 、步长 的选 取 这 ２方 面 做 修计 划优 化 。经 济 性 目标 函数 主要 考 虑 使 系 统 运 了一些改进 ，提出了一种改进模拟植物生长算法 ， 行 费用 即生产 费 用 和 检 修 费 用 之 和 最小 ，利 用 约 从 而提 高 了计 算效 率 和全局搜 索 能力 。
刘 波 ，包 兴 ，李 焱
（ ．广东电网公司 韶关供 电局 ，广东 韶关 ５２ ２ ；２ １ １０８ ．张家港市供 电公司 ，江苏 张家港 ２ ５０ ） １６ ０ 摘要 ：随着计 算机技 术的迅 速发展 ，人 工智能方法在 动 态组合优 化 问题 中得 到 了广泛应 用。针 对发 电机
组检修计 划优 化问题 ，以生产费用与检修 费用之 和最小为 目标 建立 了机组检修 计 划优 化模 型，以全部待
检修 机组启动 检修 时段 的组合为决策 变量 ，提 出了一种利 用改进 模拟植 物生长算 法进 行 求解的方 法，同 时对各种不 同的约束条件 ，分别给 出了相 应的处理方法 。针对基 本模拟植 物生长 算法的不足 ，在 生长 点
使 生长 最快 。植 物 未 分 化 的细 胞 中含 有 一 种 化 学 之 间 的 随 机 数 ，这 些 随 机 数 就 像 不 断 向 区 间
成分生长激素 ，叫做形态素。形 态素的浓度决定 ［ ，１ ０ ］上投掷 的小球 ，小球落在 （ 。 ： Ｐ ，Ｐ ，… ， 细胞是否生长 ，当形态素浓度大于零 时 ，树枝 的 Ｐ ） 的 某 一 个 状 态 空 间 内 ，所 对 应 的 生 长 点 川