整體分佈優化算法研究及應用（簡體書）

《整體分佈優化算法研究及應用》首先對具有代表性的智能優化算法進行了全面回顧和總結，以往對智能算法研究主要集中在採取措施提高算法性能或將算法應用在自己的研究領域上，比較而言，對算法本身的研究則嚴重不足，尤其對優化機理研究進展緩慢，針對這種情況，《整體分佈優化算法研究及應用》以粒子群優化為例，通過系統試驗的方法來探究其優化機理。依據實驗研究的結論，從全新的角度，提出一種新的智能優化算法——整體分佈優化算法，並通過試驗的方法獲得整體分佈優化算法的最佳參數組合、最佳分佈形式、最佳迭代策略，確定算法的最終形式，並與遺傳算法和粒子群優化算法比較，證明其有效性。同時，將整體分佈優化算法應用於水火電力系統短期發電計劃，進一步驗證整體分佈優化算法的有效性。最後總結了整體分佈優化算法優缺點，並指出其將來的研究方向。

餘炳輝，男，工學博士，副教授。主要從事智能優化算法方面的研究，對智能優化算法在水電系統調度中的應用有較深入的研究。參與省部級科研項目3項，獲市級科技獎2項。在國內外發表論文10餘篇，其中EI檢索3篇。出版教材1本。

《整體分布優化算法研究及應用》將整體分布優化算法應用于水火電力系統短期發電計劃，進一步驗證整體分布優化算法的有效性。

第1章 緒 論
1.1 模擬退火算法
1.2 遺傳算法
1.3 群體智能優化算法
1.4 智能優化算法的總結
1.5 本書的內容安排

第2章 粒子群優化算法試驗研究
2.1 粒子群優化算法試驗研究方案設計
2.2 靜態試驗
2.3 粒子群優化算法靜態特性的探索
2.4 動態特性試驗
2.5 動態特性試驗總結
2.6 整個優化過程的描述

第3章 整體分佈優化算法提出與改進
3.1 新智能優化算法的探索
3.2 整體分佈優化算法的改進

第4章 整體分佈優化算法的實現及性能比較
4.1 整體分佈優化算法的最終形式
4.2 整體分佈優化算法的具體實現
4.3 整體分佈優化算法與遺傳算法、粒子群優化算法的性能比較

第5章 整體分佈優化算法在水火電力系統短期調度中的應用
5.1 水電系統短期經濟運行的傳統優化算法評述
5.2 水電系統短期經濟運行的現代優化算法評述
5.3 水火電力系統的數學模型
5.4 求解方法
5.5 仿真計算

第6章 整體分佈優化算法的總結與展望
6.1 總 結
6.2 展 望
附錄 求解函數優化問題的整體分佈優化算法源程序
參考文獻

文獻[82]通過將離散二進制粒子群優化算法與經典λ迭代方法相結合來解決機組組合問題，粒子群優化算法專門用于根據機組的啟、停轉化成本來確定其開、停狀態，而λ迭代方法則用于解決機組運行狀態確定后的經濟負荷分配問題。
文獻[83]用離散和連續粒子群混合優化算法來求解機組組合問題，離散粒子群優化算法求解機組啟停問題，而連續粒子群優化算法求解負荷經濟分配問題，兩種算法同時進行。
文獻[84]首先將機組組合問題用拉格朗日乘子法進行松弛。然后用粒子群優化算法對拉格朗日乘子的集合進行優化，優化的實質是求一個最大最小問題，這樣就把具有復雜約束的機組組合問題轉變為一個無約束問題進行求解。
文獻[85]將機組組合問題分解為具有整型變量和連續變量的內外兩層優化子問題。使模型中的整型和連續變量相互分離，外層表現為機組啟、停狀態變量，內層為機組功率經濟分配優化子問題。據此提出一種改進的內外雙層嵌套粒子群優化算法，通過內外兩層的交替迭代更新來求得問題的最優解。
文獻[86]用粒子群優化算法來求解考慮發電機組的爬坡率限制、禁止運行區域和系統網絡損失等約束條件的負荷經濟分配問題，通過對在求解過程中種群的動態特性分析，指出粒子群優化算法在求解問題過程中能保持種群的多樣性是其優化性能高于遺傳算法的根本原因。
文獻[87]提出用粒子群優化算法求解負荷經濟分配問題的方法，給出了一種處理等式和不等式約束問題的策略，是優化過程始終在可行區域內進行。同時為了加快收斂速度，還給出了一種空間收縮策略，通過與遺傳算法，禁忌算法，神經網絡算法的比較證明了該算法的有效性。
文獻[88]在粒子群優化算法中加入變異因子以提高全局搜索能力，加入鄰域搜索因子以提高最優解的精確度，加入隨機攝動因子使之能跳出局部最優解，然后將其用于負荷經濟分配問題的求解，獲得了很好的效果。
文獻[89]提出了一種求解電力系統負荷經濟分配問題的改進粒子群優化算法。該算法用保留可行解的方法處理負荷平衡約束條件，用自適應罰函數法處理爬坡和出力限制區約束條件，為加快算法的收斂速度，避免“早熟”現象的發生，對不活動粒子進行了重新初始化處理。
文獻[90]提出用粒子群優化算法求解簡單電力系統的單時段機組負荷經濟分配問題的方法，而且考慮的約束也很簡單。
文獻[91]提出用粒子群優化算法求解梯級水電站短期優化調度的方法。給出了以確定粒子群在多維空間中的最優位置來實現多階段優化調度決策的方法，并針對算法易陷入局部最優的缺陷，引入了遺傳算法中的“雜交”因子并采用了自適應的慣性權重，以改進其全局優化能力。