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。

（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）。

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。

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。

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