weixin_47365903的博客

粒子群算法的基本思想是将待优化的问题看作是一个多维空间中的搜索问题，将每个解看作是空间中的一个粒子，每个粒子在空间中移动，每个粒子的当前位置和速度都受到个体历史最优位置和全局历史最优位置的影响，从而实现全局最优解的搜索。粒子的速度和位置的更新规则是通过不断地迭代来实现的，每一次迭代都会更新粒子的速度和位置，并计算出当前位置的适应度值。粒子的速度和位置的更新规则是通过不断地迭代来实现的，每一次迭代都会更新粒子的速度和位置，并计算出当前位置的适应度值。粒子群算法是通过模拟鸟群、鱼群等群体行为来实现优化的算法。

与基本粒子群算法相比较，对基于惯性权重和学习因子动态调整的粒子群算法的速度公式作出调整时，实现了算法随着迭代次数变化而动态变化，其全局搜索能力有效提高，粒子的收敛性也得到了加强。摘　要：针对传统的粒子群算法易发生早熟收敛、在寻优过程中易陷入局部最优等问题，提出了一种基于惯性权重和学习因子动态调整的粒子群算法，该算法通过改进惯性权重和学习因子参数以优化算法。针对这一问题，本文提出一种自适应的调整惯性权重和学习因子的粒子群算法，利用惯性权重和学习因子的动态改进调整，以期提高算法的性能。1 改进的粒子群算法。

群体中的每只海鸥总是朝着最好的生存方向前进，以最低的成本来寻找食物资源。海鸥算法简单的算法结构带来较低的算法复杂度和高效的计算能力，同时该算法也存在其他群智能算法的通病，在求解复杂优化问题时容易陷入局部最优、收敛精度低、鲁棒性差等问题。

它的尾巴长，能缠卷树枝。它有很长很灵敏的舌，伸出来要超过它的体长，舌尖上有腺体，能分泌大量粘液粘住昆虫。它一双眼睛十分奇特，眼帘很厚，呈环形，两只眼球突出，左右180度，上下左右转动自如，左右眼可以各自单独活动，不协调一致，这种现象在动物中是罕见的。变色龙用长舌捕食是闪电式的，只需1/25秒便可以完成，而且它们的舌头的长度是自己身体的2倍。变色龙算法（ＣＳＡ）是一种仿生算法，在数学上模拟并实现了变色龙狩猎的行为步骤，包括搜索食物，眼睛３６０°旋转追踪食物及使用自身舌头定位并抓住猎物的行为。

在地磁单元阶段寻优的过程中间，PIO算法会对整个群体中的最优解进行保留，然后进行个体速度与位置的迭代更新，对解空间进行充分的搜索，具有快速性与随机性，使得搜索的效率较高，种群的多样性较好。经典鸽群算法（pigeon-inspired optimization，PIO）由段海滨等人于2014年提出，该算法由地磁单元和地标单元两个导航单元构成，通过地磁单元和地标单元两个独立的阶段模拟鸽群进行速度和位置更新的导航机制，鸽群在地磁单元阶段根据当地磁场和太阳的高度来判别自身的位置，并进行速度的更新；

基于樽海鞘群算法的线性规划求解matlab程序1 樽海鞘群优化算法1.1 生物启示通过研究海底生物樽海鞘在觅食过程中群体呈链状向食物方向移动的行为活动，学者Mirjalili在2017年提出的一种新型启发式仿生算法—樽海鞘群智能优化算法（Salp Swarm Algorithm, SSA）。樽海鞘在生物分类中隶属樽海鞘科，身体形态为桶型，颜色略透明。它们的组织和水母非常相似，且运动方式也很像水母，樽海鞘的食物是浮游植物（海草等），它们是通过用身体吸—排海水从而进行运动。一般情况下樽海鞘身体长度为1-10厘米

萤火虫，别名火金姑，大多数的萤火虫都会发光，因为它们体内有专门的发亮细胞，发出光亮是它们的基本能力。算法的提出时间不长，对算法的改进和优化仍然处于初级阶段，但基本的FA算法足以被用来求解几乎所有领域科学和工程，如调度问题、旅行商问题、语义组成等领域。亮度强的萤火虫会吸引亮度弱的萤火虫，亮度弱的个体会移动到亮度强的个体周围。局部搜索能力强，可以精准定位局部最优解。FA算法的中心思想就是，所有个体都飞向比自己更亮的个体四周，飞行的最后结果就是所有的个体都围在了亮度最强的个体的四周，从而达到算法求解的目的。

当蜜蜂进行采蜜时，一部分工蜂转化为侦查蜂外出搜索食物源，只要发现高品质的蜜源，这些侦查蜂便会转变为采蜜蜂，采蜜后返回蜂巢大本营，通过跳“8”字型舞蹈或者圆圈舞将信息传达给同伴，这种舞蹈称为“摇摆舞”。自然界中蜜蜂与熊猫、仓鼠等独居动物不同，由于单个蜜蜂个体的行为特征十分简单，不能完成复杂的活动，因此蜜蜂常以群居的方式共同生活在一起，蜂群中的各个蜂种协同合作，各司其职，彼此间进行信息交互可以使蜂群具有复杂的行为模式，可以保证当蜂群处于恶劣的环境中时，依旧可以井然有序地搜索到蜜源的位置从而采集到花蜜。

排序种群的顶部植物解被认为是食肉植物CP，而剩余解（nPrey）是猎物猎物。在分组过程中，具有最佳适应值的猎物被分配给排名第一的食肉植物。3.这一分组对于减少有助于肉食性植物生长的许多劣质猎物的可能性至关重要，这对于提高肉食性植物的生存能力非常重要。新产生的食肉植物和猎物与以前的种群相结合，形成一个新的种群[nnCPlant（group_iter）nCPlant]×d维度。CPA是一种基于种群的优化算法，因此，它从初始化潜在问题的潜在解的种群开始。首先，在湿地中随机初始化由食肉植物和猎物组成的个体种群。..

基于杂草优化算法的线性规划问题求解matlab程序1 杂草算法简介1.1 IWO定义IWO是2006年由A. R. Mehrabian等提出的一种从自然界杂草进化原理演化而来的随机搜索算法，模仿杂草入侵的种子空间扩散、生长、繁殖和竞争性消亡的基本过程，具有很强的鲁棒性和自适应性。IWO算法是一种高效的随机智能优化算法，以群体中优秀个体来指导种群的进化，以正态分布动态改变标准差的方式将由优秀个体产生的子代个体叠加在父代个体周围，再经过个体之间的竞争，得到最优个体。算法兼顾了群体的多样性和选择力度。1

免疫算法的算子包括：亲和度评价算子、抗体浓度评价算子、激励度计算算子、免疫选择算子、克隆算子、变异算子、克隆抑制算子和种群刷新算子等。克隆抑制：对变异结果进行再选择，抑制亲和度低的抗体，保留亲和度高的 变异结果。（1）首先进行抗原识别，即理解待优化的问题，对问题进行可行性分析，提取先验知识，构造出合适的亲和度函数，并制定各种约束条件。（2）然后产生初始抗体群，通过编码把问题的可行解表示成解空间中的抗体，在解的空间内随机产生一个初始种群。（6）进行免疫处理，包括免疫选择、克隆、变异和克隆抑制。

在狼群中 α 是具有管理能力的个体，主要负责关于狩猎、睡觉的时间和地方、食物分配等群体中各项决策的事务。当整个狼群的 α 出现空缺时，β 将接替 α 的位置。β 在狼群中的支配权仅次于 α，它将 α 的命令下达给其他成员，并将其他成员的执行情况反馈给 α 起着桥梁的作用。金字塔第三层是 δ ，δ 听从 α 和 β 的决策命令，主要负责侦查、放哨、看护等事务。特别令人感兴趣的是，它们具有非常严格的社会等级层次制度，如图1所示。灰狼的社会等级在群体狩猎过程中发挥着重要的作用，捕食的过程在 α 的带领下完成。

通过对原始烟花算法的细致、深入的分析，针对原始烟花算法（FWA）的不足，提出了大量的改进方法，并据此发展了各种改进算法，以及与其他方法的混合方法，大大提高的原始烟花算法的性能，同时研究了烟花算法在求解不同类型优化问题的能力，还有大量的研究人员进行了烟花算法的应用研究，给出了一些典型的成功应用案例。尽管有这些不同的别称，这里统一采用原始的名称烟花算法，以免混淆。烟花算法 (Fireworks Algorithm)，缩写为 FWA，是受到夜空中烟花爆炸的启发而提出的一群体智能算法。1.2 烟花算法的研究进展。

考虑储能电池参与一次调频技术经济模型的容量配置方法matlab程序

在实际情况下，鹰会越来越接近预期的猎物，并通过执行突袭而增加了合作杀死猎物的机会。在HHO中，哈里斯鹰是候选方案，每一过程中最佳的候选方案被视为是预期的猎物或接近预期的猎物。哈里斯鹰优化算法是化(Harris Hawks Optimization,HHO)是Heidari等于2019年提出的一种群体优化算法，该算法模拟哈里斯鹰（美国亚利桑那州南部的猛禽）的捕食行为，主要分为探索阶段、探索与开发转换阶段和开发阶段。根据猎物的逃逸行为和哈里斯鹰的追逐策略，在HHO中提出了四种可能的策略来模拟攻击阶段。

基于鸡群优化算法的线性规划问题求解matlab程序1 鸡群优化算法简介新型的仿生学算法—鸡群优化算法，它模拟群的等级制度和鸡群的群体活动行为。在特殊的等级制度下鸡群中不同鸡种搜寻食物时存在着竞争。公鸡搜索食物能力强，适应值小；母鸡其次；小鸡搜索食物能力最弱，适应值最大。为了简化，文中通过下列规则理想化鸡群算法：鸡群按公鸡个数来分组，每组由一只公鸡、一些母鸡和小鸡组成，有几只公鸡就有几组。分组中，公鸡搜索能力最强，处于统治地位，适应值最小；搜索能力稍差的母鸡紧跟在公鸡周围搜索食物，适应度值稍大；其中一些母鸡还

麻雀搜索算法（sparrow search algorithm，SSA）由Jiankai Xue等人于2020年提出，该算法是根据麻雀觅食并逃避捕食者的行为而提出的群智能优化算法。SSA 主要是受麻雀的觅食行为和反捕食行为的启发而提出的。麻雀群觅食过程也是发现者-跟随者模型的一种，同时还叠加了侦查预警机制。麻雀中找到食物较好的个体作为发现者，其他个体作为跟随者，同时种群中选取一定比例的个体进行侦查预警，如果发现危险则放弃食物，安全第一。基于麻雀搜索算法的线性规划问题求解matlab程序。

本文将采用二进制编码的方式，将十进制的变量转换成二进制，用0和1组成的数字串模拟染色体，可以很方便地实现基因交叉、变异等操作。这是整个遗传算法的最后一步，经过若干次的进化过程，种群中适应度最高的个体代表问题的最优解，但这个最优解还是一个由0和1组成的数字串，要将它转换成十进制才能供我们理解和使用。适应度函数（Fitness Function）的选取直接影响到遗传算法的收敛速度以及能否找到最优解，因为在进化搜索中基本不利用外部信息，仅以适应度函数为依据，利用种群每个个体的适应程度来指导搜索。

（3）对每个粒子，用它的适应度值 fit[i]fit[i] 和个体极值 pbest(i)pbest(i) 比较。如果 fit[i]>pbest(i)fit[i]>pbest(i)，则用 fit[i]fit[i]替换掉 pbest(i)pbest(i)。（4）对每个粒子，用它的适应度值 fit[i]fit[i] 和全局极值 gbestgbest 比较。如果 fit[i]>gbestfit[i]>gbest 则用 fit[i]fit[i]替换掉 gbestgbest。否则返回步骤（2）。

基于鲸鱼算法的线性规划问题求解matlab程序1 鲸鱼算法座头鲸有特殊的捕猎方法，这种觅食行为被称为泡泡网觅食法；标准 WOA 模拟了座头鲸特有的搜索方法和围捕机制，主要包括：围捕猎物、气泡网捕食、搜索猎物三个重要阶段。WOA 中每个座头鲸的位置代表一个潜在解，通过在解空间中不断更新鲸鱼的位置，最终获得全局最优解。2 线性规划算例3 鲸鱼算法求解结果1）迭代曲线2）最优解4 matlab程序1）主函数

​摘要：以规划期内充电站的总成本 （包括投资、运行和维护成本）和网损费用之和最小为目标，考虑了相关的约束条件，构造了电动汽车充电站最优规划的数学模型，关键词：电动汽车；充电站；选址和定容１ 充电站候选站址的确定１．１ 确定候选站址时需要考虑的地理因素从城市规划的角度来看，充电站选址时需要充分考虑城市交通网络布局约束。从电力网络规划的角度来看，作为中低压配电系统的重要组成部分，充电站的选址应与配电系统的现状、近远期规划、建设与改造等相融合，应尽可能接近负荷中心并满足负荷平衡、电 能 质 量 和 供 电

基于遗传算法的微电网经济运行优化matlab程序摘 要: 微电网作为智能电网的一部分，是分布式电源接入电网的一种有效手段，微电网经济运行是其中一个重要研究方面。考察微电网经济性，通常是从最小运行成本和最小环境污染物排放成本两方面入手进行微电网的多目标优化，通过给适应度函数设置权重系数，将多目标函数转换为单目标函数。结合具体的微电网系统算例进行了仿真研究，结果显示: 运用权重系数法能够使优化目标中经济成本与环境成本达到一个相对平衡的状态，实现了微电网经济运行。关键词: 微电网; 遗传算法; 多目标优化;

摘 要：针对分布式电源的选址定容问题，提出了基于自适应遗传机制的萤火虫算法。首先，设计了以 各节点电压、可接入最大功率及线路电流作为约束条件，以配电网网损最小作为目标的配电网优化模型， 其次，改进了遗传算法中交叉、变异算子公式，并提出了改进的高斯扰动方法，将两者应用到萤火虫算法中，提高了萤火虫算法全局寻优能力和收敛速度。最后，借助于 MATLAB 软件，以 IEEE33 节点系统为例进 行了测试，仿真结果与自适应遗传算法进行了比较，证明了本方法的有效性和优越性。关键词：分布式电源；1）节点准入功率约束。

智能电网的负荷包括传统负荷和主动负荷，我国配电网侧的主动负荷主要由电动汽车构成，功率需求随电价变化是其重要特点之一。如何制定代理商的定价与购电策略，实现代理商与电动汽车车主双赢，成为重要的研究课题。基于以上原因，提出了一种未来智能小区代理商的定价及购电策略，将代理商和车主各自追求利益最大化建 模为主从博弈。基于主从博弈的智能小区代理商定价策略及电动汽车充电管理matlab程序（yalmip+cplex）（yalmip+gurobi）参考文献：基于主从博弈的智能小区代理商定价策略及电动汽车充电管理。

在当前能源互联网迅速发展及电热联系日渐紧密的环境下，提出基于电热联合调度的区域并网型微电网运行优化模型。综合网内储能特性、分时电价、电热负荷与分布式电源的时序特征，以包含风机、光伏电池、热电联产系统、电锅炉、燃料电池和储能系统的并网型微电网为例，采用Cplex。优化软件求得调度周期内各微电源最佳出力及总运行成本，并与两种常见电热调度方式进行比较。含电热联合系统的微电网运行优化matlab程序（yalmip+cplex）（yalmip+gurobi）参考文献：含电热联合系统的微电网运行优化。

共享储能电站的概念如图 1 所示，储能电站运营商利用资金优势在用户群间建立大型共享储能电站，对储能电站进行统一运营管理，为同一配电网区域内的多个用户提供共享储能服务。共享储能服务即用户使用共享储能电站的储能装置满足用户内部充电和放电的需求，不受时间和容量的限制。最后以江苏省 3 个工业用户进行算例仿真，与用户不配置储能和用户独立配置储能场景对比，得出引入共享储能电站可以显著降低用户群日运行成本，并对储能电站年服务费收益、静态投资回收年限和投资回报率与共享储能电站服务费定价间的关系做进一步的研究。

如图a所示，ATC 的基本思想是将设计指标自系统到子系统到部件不断分流，同时各级响应由下而上不断反馈，主系统、子系统和部件级各单元问题分别独立求解，交叠优化，直到满足收敛条件为止。子系统在不等式约束g,sub

1.针对大规模电动汽车无序接入电网给电力系统带来的负荷压力问题，提出一种含不确定性电源的电动汽车有序充放电控制策略。首先，采用电动汽车与电网（V2G，Vehicle-to-grid）互动模式解决电网中光伏发电和风力发电的不稳定性与易波动性。V2G 描述的是电动汽车与电网的互动。当电动汽车闲置时，车载电池组的电流流向电网。提出了风光发电及电动汽车优化调度模型，平抑效果可由日负荷均方差表示，日负荷均方差越小表示负荷波动越平稳，反之亦然。3.电动汽车充电负荷行为不仅与电动汽车入网的数，还与日行驶距离有关。

参考文献如上。双层优化问题是一类具有挑战性的优化问题，包含两个层次的优化任务。在这些问题中，下层问题的最优解成为上层问题的可能可行候选。这样的要求使得优化问题难以解决，并使研究人员忙于设计能够有效处理该问题的方法。尽管付出了努力，但几乎没有任何有效的方法能够处理复杂的双层问题。本文介绍了基于最优下层变量相对于上层变量的二次近似的双层进化算法。该方法能够在相对较少的函数求值中处理具有不同复杂性的两层问题。来自经典优化的思想已经与进化方法混合，为一大类双层问题生成了一个有效的优化算法。在两组测试问题上对算法的性

蓄电池以及热电负荷构成的热电联供型微网 系统" 考虑风电!系统运行费用包括- 从大电网购电的费用. 燃料 电池+ 燃气锅炉的天然气使用费用. 风电机组+ 光伏 电池+ 燃料电池+ 余热锅炉+ 燃气锅炉+ 蓄电池等微源 的维护费用. 向大电网售电的收入% 由于目标函数 中含有风电+ 光伏功率等随机变量# 运行费用也是个随机量# 因此采用确定性的表达式没有意义%整个系统分成2个部分- 用户电负荷由风 电机组+ 光伏电池+ 燃料电池供给， 并可与大电网和 蓄电池进行双向功率交换。余热锅炉回收燃料电池产生的废热。

粒子群算法微电网调度（微电网孤岛运行调度）matlab程序微电网可以利用静态开关实现微电网和主网的连接，根据微电网与主网的断、连状态来判断微电网系统是孤岛运行方式还是和并网运行方式。在电网出现电压异常、事故或电能质量不达标时，静态开关断开实现微电网与主网分离，即微电网系统处于孤岛运行。在孤岛运行方式下，微电网系统和主网没有功率交易，也就是说不需要考虑微电网与外部电网的能量交换问题。负荷电量需求全部由微电网中的分布式电源和储能装置来提供，当微电网所发的电能不能满足负荷需求时，切除部分三级负荷的来保障重要负荷

的问题，提出计及调频成本和 SOC 恢复的多储能系统调。储能单元 SOC 为目标对调频功率优化结果进行再分配。略的有效性，结果表明：与 3 种对比策略相比，所提策略。SOC 优化层：在调频功率优化层引入与储能电站剩余调。不仅具有较好的经济性，还能恢复各储能单元的 SOC，摘要：针对电网中不同类型储能电站调频成本、剩余调频。频能力相关的抗拒系数，与调频成本共同构成目标函数，根据不同类型储能电站的调频成本和剩余调频能力实现。频功率双层优化策略，该策略包含调频功率优化层和。蓄电池经济最优目标下充放电。

摘要：为了降低独立风力发电系统中储能装置的生命周期费用，建立以风力发电系统中储能装置的生命 周期费用最小值为优化的目标函数、负荷缺电率等指标为约束条件的模型，结合蓄电池和超级电容器储能特 性，利用风电和负荷48 h的发用电数据，研究包含蓄电池和超级电容器的储能系统能量管理策略。每个蓄电池的额定电压为Ub（V），额定容量 为Cb（A·h），假设蓄电池组由m个蓄电池组成，则 总的储能量Eb（ MW·h）为。每个超级电容器的端电压为Uc，电容值为Cc，假设超级电容器组由n个超级电容器组成，则总的储能量为。

在研究电动汽车用户充电需求的前提下，利用蒙特卡洛方法对２种不同充电方式进行模拟并对其进行分析；分析用户响应度对电动汽车有序充电的影 响，建立峰谷分时电价对电动汽车负荷影响的模型，在模拟出电动汽车无序充电负荷的基础上，用实际案例对模型进行验证，利用多目标优化遗传算法进行求解，验证峰谷分时电价对电网负荷优化的有效性。基于峰谷分时电价引导下的电动汽车充电负荷优化matlab程序（多目标优化遗传算法matlab程序NSGA—11）参考文献：基于峰谷分时电价引导下的电动汽车充电负荷优化。

3：决策变量不可以传递，不可以赋值，另b=a，a为决策变量，在规划时b=nan。即如果事先定义了sdpvar变量，在后续又将sdpvar变量赋值给了double型值，则由于matlab中double的优先原则，会先将赋值等式中的sdpvar变量进行value操作，再将其赋予double。2：缺少约束，yalmip中语言逻辑与数学逻辑并不完全对等。1：原始数据出现问题。

我们仔细看约束条件可以知道，变量要大于1小于等于3。因为目标函数是区间内单调递增函数，左边是开区间，因此无法求得最小值。再利用cplex求解器求解目标函数最小值时，我们会遇到各种各种的困难，其中就是运行结果出现猫图，这是什么原因呢？当把约束条件左区间取闭区间时，可求得最小值。从运行结果可以看出，已经报错。