混沌進(jìn)化算法及其應(yīng)用.pdf

1、論文首先全面評述了傳統(tǒng)優(yōu)化算法和現(xiàn)代智能啟發(fā)式算法在水火電力系統(tǒng)短期經(jīng)濟(jì)運行中取得的研究成果和存在的不足,并在此基礎(chǔ)上進(jìn)一步確立了該論文的主要研究內(nèi)容和研究方向.第二章從自然進(jìn)化現(xiàn)象及生物進(jìn)化理論和模擬進(jìn)化算法的關(guān)系入手,闡述了模擬進(jìn)化算法的產(chǎn)生歷史、研究現(xiàn)狀和發(fā)展趨勢,并對遺傳算法(GA)、進(jìn)化規(guī)劃(EP)、進(jìn)化策略(ES)三種典型模擬進(jìn)化算法的實現(xiàn)技術(shù)進(jìn)行了詳細(xì)論述.第三章在對GA、EP和ES三種算法異同點加以對比分析的基礎(chǔ)上,提出

2、將它們統(tǒng)一在進(jìn)化計算的框架之中,并建立起一個進(jìn)化計算框架.第四章通過對二進(jìn)制編碼遺傳算法缺陷的分析,指出在應(yīng)用遺傳算法求解優(yōu)化問題時采用浮點數(shù)編碼技術(shù)的必要性;并利用信息熵理論產(chǎn)生均勻分布的初始群體,使之既具有足夠的多樣性,又能加速搜索進(jìn)程;與此同時將自然界中生物之間的有性繁殖規(guī)律引入模擬進(jìn)化算法,提出由有性選擇、聯(lián)賽競爭選擇和單純概率選擇相結(jié)合的組合選擇算子,這種簡單實用的組合選擇策略能有效地調(diào)節(jié)進(jìn)化過程中群體的選擇壓力,為維持群體的

3、多樣性提供保障;在雜交操作中,采用一種依據(jù)概率密度函數(shù)分布且適合于浮點數(shù)編碼技術(shù)的雜交算子;充分利用混沌的動力學(xué)特征和人工神經(jīng)網(wǎng)絡(luò)理論,建立起適合于進(jìn)化算法的混沌神經(jīng)元模型,以群體的多樣性作為混沌神經(jīng)元的輸入,相應(yīng)的輸出作為變異步長,從而構(gòu)造出一種新的自適應(yīng)混沌變異算子,通過混沌神經(jīng)元的反饋作用直接控制和調(diào)節(jié)變異步長,可有效地避免和防止進(jìn)化過程中出現(xiàn)的"早熟"現(xiàn)象,從而快速找到全局最優(yōu)解;對約束條件的處理則采用不需要選擇和設(shè)置懲罰因子的

4、懲罰函數(shù)法,以此構(gòu)造適應(yīng)值函數(shù)用于指導(dǎo)群體的進(jìn)化過程.進(jìn)而在此基礎(chǔ)上提出一種新的混沌進(jìn)化算法(Chaotic Hybrid Evolutionary Algorithm,簡稱CHEA).第五章將CHEA算法引入大規(guī)模水電系統(tǒng)的短期經(jīng)濟(jì)運行問題中,建立了水電站群短期發(fā)電量最大優(yōu)化問題的數(shù)學(xué)模型和CHEA求解方法.第六章將CHEA算法應(yīng)用于非線性模型參數(shù)的辨識中,分別用于求解非線性回歸模型參數(shù)的辨識和馬斯京根(Muskingum)模型參數(shù)率