PSO based bio inspired algorithms for reactive power planning
PSO based bio inspired algorithms for reactive power
planning
Biplab Bhattacharyya ?,Saurav Raj
Dept.of Electrical Engineering,Indian School of Mines,Dhanbad,Jharkhand,India
a r t i c l e i n f o Article history:
Received 5March 2014
Received in revised form 28July 2015Accepted 29July 2015
Available online 29August 2015Keywords:
Bio inspired algorithm Reactive power planning Reactive power optimization Active power loss Operating cost
a b s t r a c t
Reactive power source planning problem has signi?cant role for secure and economic operation of power system.Reactive power planning problem is nothing but the proper coordination of existing Var sources which lead to loss minimization and cost economic operation of the system.In the proposed approach several bio-inspired algorithms like Particle Swarm Optimization (PSO),Evolutionary Particle Swarm Optimization (EPSO),Adaptive Particle Swarm Optimization (APSO),Hybrid Particle Swarm Optimization (HPSO)and Bacterial Foraging Algorithm (BFA)are used for the reactive power planning problem.Finally a comparison of all these techniques are made on the basis of the results obtained when applied to different standard test system.
ó2015Elsevier Ltd.All rights reserved.
Introduction
Reactive power planning has been considered as one of the dif-?cult optimization problems.The sources of reactive power include the generators,shunt capacitors and transformer tap set-ting arrangements.Var planning problem is nothing but problem of reactive power optimization that requires effective Var alloca-tion at desired locations to optimize a certain objective function.The objective function can be considered as a combinatorial since the objective of the planning problem is not only to reduce the transmission loss but also to optimize the cost of Var sources in addition to the existing reactive power sources.Hence the main purpose of the planning problem involves determination of loca-tion and size of the additional Var sources in addition to the proper utilization of existing reactive power sources.The reactive power optimization has been one of the premier topic of research in the ?eld of power system as it involves voltage quality,system losses and economic operational aspect.
A linear programming based optimization method is presented in [1]for optimal reactive power generation of large scale electric power networks.Solution of reactive power problem by optimal placement of capacitor is discussed in [2].Decomposition tech-nique is employed in [3]for reactive power problem.Reactive power problem is solved in [4]by injecting reactive power at weak buses of a connected power system.Application of evolutionary programming in reactive power planning is discussed in [5].Hybrid expert system simulated annealing based algorithm for the planning of reactive power sources is presented in [6].A tech-nique for the determination of reactive margin is presented in [7].Heuristic model for secured operation of a power system is devel-oped in [8].Binary search technique and special Heuristics are applied for optimal Var planning in case of a large scale power sys-tem in [9].Static security constraint and non-probabilistic uncer-tainties in load values are considered for optimal reactive power planning in [10].Simulated annealing and genetic algorithm is hybridized for optimal Var planning of a power system in [11].Comparative analysis of some evolutionary algorithms on reactive power planning for IEEE 30bus system is discussed in [12].Reac-tive power planning along with voltage stability problem in pre-sented in [13].Modi?ed interior power method is applied for optimal reactive power control in [14].Monte carlo simulation method and genetic algorithmic approach is applied in [15]for reactive power optimization.Reactive power/voltage control in distribution system is presented in [16].
Authors have discussed different techniques for reactive power planning in [17].Numerical and analytical methods are hybridized for the planning of reactive power sources in [18].Simulated annealing and linear programming approach is used together for the dispatch of reactive power sources in [19].Ranking of genera-tors are made and reactive generations of different generators are controlled for the improvement of voltage stability margin in [20].Authors have analyzed the use of static Var compensator (SVC)in [21]for the improvement of voltage pro?le and reduction of sys-tem loss.Bacteria foraging based algorithm is used for the opti-mization of real power loss and determination of voltage stability limit in [22].Particle swarm optimization (PSO)based algorithm
https://www.sodocs.net/doc/8c4902357.html,/10.1016/j.ijepes.2015.07.037
0142-0615/ó2015Elsevier Ltd.All rights reserved.
?Corresponding author.
E-mail addresses:biplabdgp1@https://www.sodocs.net/doc/8c4902357.html, (B.Bhattacharyya),sauravsonu-sahu@https://www.sodocs.net/doc/8c4902357.html, (S.Raj).
is developed for the reactive power planning problem in[23].A new technique like Covariance matrix adapted evolution strategy (CMAES)is used in[24]for reactive power planning problem.LP based method for optimal allocation of reactive power sources is discussed in[25].Iterative simulation optimization approach is used by the Authors for optimal Var sources planning in[26]. PSO Algorithm with dynamic weights is used to reduce real power loss by coordinated planning of Var sources in[27].Genetic algo-rithm and interior point method is combined for the solution of simultaneous transmission network expansion and reactive power planning problem in[28].
In the present work method of planning of reactive Var sources with the aid of simple PSO and the algorithms evolved from PSO is discussed and authors tried to?nd out the suitable optimization methods those can be used for reactive power planning problem. Proposed approach
In the present work authors have applied different PSO based bio-inspired algorithm to minimize the objective function which is combinatorial in nature.The main motto of the present work is to minimize overall operating cost of the system.System cost includes cost due to energy loss and the installation costs of the shunt capacitors which are to be placed at the weak nodes of the system.Only the installation cost of the shunt capacitor are consid-ered as the Var injection by transformer tap setting arrangement and the reactive power injection by the generator’s do not con-tribute any cost in the system if their Var generation are within capacity.
Hence the objective function consists of two components.One is the cost due to the energy loss in the system and other is the cost of shunt capacitor installed at weak nodes.The objective function is represented as
C Total?C EtC She1Twhere C E is cost due to energy loss(in$)and C Sh is the shunt capac-itor(in$)C E arises due to the overall transmission loss in the system which is expressed as
P Loss?
X n
k?1g
k
?V2
i
tV2
j
à2V i?V j?cosed iàd jT e2T
where g k is the conductance of the k th line connected between i th and j th bus of the power system.V i and V j are the voltage magnitude and d i and d j are the voltage phase angle of the i th and j th bus respectively.And n is the total number of lines.
The following constraints are also to be satis?ed while minimiz-ing the objective function:
Voltage magnitude constraints:
V min i V i V max
i
e3T
Reactive generation limit of the generator’s:
Q min
gi Q gi Q max
gi
e4T
Var output of shunt capacitors:
Q min
Ci Q Ci Q max
Ci
e5T
Transformer tap setting arrangements:
T min i T i T max
i
e6T
where min and max are the minimum and maximum values of the variables.V min=0.95p.u,V max=1.05p.u and T min=0.9,T max=1.1,
Q min
c ?0:0p:u,Q max
c
?0:15p:u.Where Q min
g
and Q max
g
values of each
generator are speci?ed in the standard IEEE-14and IEEE-30bus sys-tem data.
The objective function is calculated with the following data as obtained from[29].
Installation cost of shunt capacitor=3($/k Var)
Fixed installed cost of shunt capacitor=1000($)
Cost due to energy loss=0.06($/KW h)
IEEE14and30bus system are used for test propose.The control variables that are to be optimized is shown in Fig.1.
The control variables that are represented by a string will be used as a solution vector for the objective function in each PSO and PSO based algorithms discussed.Initially a population vector is generated with these control variables and objective function is evaluated with these control variables.Minimization of active power loss is highly dependent upon the voltage pro?le of the entire power system,minimum and maximum limit of the voltage at a particular bus is checked at each time while evaluating the objective function.
Different techniques in brief
PSO approach
This technique is originally given by two researchers named as James Kennedy and Russell Eberhart and technique was?rst pro-posed in1995.
v kt1i?w v k itC1rand?epbest iàS k iTtC2rand?egbestàS k iTe7Twhere
v k i?current velocity of agent i at iteration k,
w?w maxàw maxàw min
iter max
?iter is the modi?ed velocity of the i th agent
rand?is the random number between0and1,
S k
i
?current position of agent i at iteration k,
C i?weight coef?cient for each term,
pbest
i
?best agent or the best solution vector in the population for the current generation,
gbest?group best or the best solution vector considering all the generations up to the present generation,
w?weight function for velocity of agent i.
Where x is updated by the following equation at each iteration x?x maxàx maxà
x min
iter max
?iter
Here w max?0:9,w min?0:4,iter max?500and iter=current iteration,C1and C2are set to2.0.
Initially strings are generated randomly and each string may be a potential solution.In PSO,each potential solution,called particles is assigned a velocity.The particles of the population always adjust their velocity depending upon their position with respect to the position of the pbest(the particle having the best?tness in the cur-rent generation)and the gbest(the particle having the best?tness up to the present generation).While adjusting their velocities and positions,particles adjust their?tness value as well.The particle having the best?tness among all is selected as the pbest for the current generation,and if this pbest has better?tness than the gbest,it takes the position of the gbest as well.In PSO,
therefore,
B.Bhattacharyya,S.Raj/Electrical Power and Energy Systems74(2016)396–402397
the gbest particle always improves its position and?nds the opti-mum solution and the rest of the population follows it.The string length depends upon the problem and the control variables within the string.
Adaptive PSO algorithm(APSO)in brief
In APSO search trajectory is controlled by two parameters P1 and P2such that
C2?2
1
;C1?2
2
àC2e8T
For initial searching points;P1and P2of each agent are set to0.5 or higher.Then each agent may move close to the position of (pbest,gbest)in the following iteration.
For evaluation of searching points:When the agent becomes gbest,it is perturbed.The parameters P1and P2are adjusted to 0.5or lower,so that the each agent may move away from the posi-tion of(pbest,gbest)and the weighting factor can be modi?ed as
w?gbestàef C1epbestàxTtC2egbestàxTg=2txTe9T
In APSO velocity of the improved PSO can be expressed as
V Kt1 i ?w itC1rand1?epbest
i
àS K
i
TtC2rand2?egbestàS K
i
T
e10T
Evolutionary Particle Swarm Optimization(EPSO)in brief The idea behind EPSO is to grant a PSO scheme with an explicit selection procedure and with self adapting properties for its parameters.
Positions and velocities of an agent is modi?ed in the following way:
S Kt1 i ?S K
i
tV Kt1
i
e11T
V Kt1 i ?w?
i0
V Ktw?i1epbest iàS K iTtw?i2egbest?àS K iTe12T
Here,in EPSO weights as well as gbest undergo mutation in the fol-lowing manner
w?
iK
?w ikts Ne0;1Te13Tgbest??gbestts0Ne0;1T
where N(0,1),is a random variable with Gaussian distribution.s and s0are learning parameters.
HPSO algorithm in brief
In HPSO the number of highly evaluated agents is increased, whereas the number of lowly evaluated agent is decreased at each iteration.The working of HPSO is brie?y described as below: The?tness of each individual,based on its current position,is compared to the?tness of other individuals and scores a point for each with worse?tness.The population is sorted with these scores where the individuals having the highest scores are placed at the head of the population.Once the population is sorted,the current positions and velocities of the best half of the population are used to replace the positions and velocities of the worst half of the population leaving the personal best associated with each of the individuals unchanged.
Bacterial foraging algorithm in brief
BFA is an evolutionary algorithm which mimics the behavior of Escherichia Coli bacteria to improve searching.It consists of four stages.These stages are chemo-taxis,dispersal,reproduction and elimination.
In BFA,unit walk randomly in any direction is called tumble and unit walk with the same direction of the best step is called RUN.
Bacterial chemotaxis is based on suppression of Tumles in cells. Bacteria makes decision according to their ambient environment.
Chemotaxis process in BFA consists of one step of Tumble and Ns steps of RUN.
In the process of tumble,the position of the i th bacteria can be represented as:
S iejt1;rT?S iej;rTtC iejT
In BFA,inorder to accurate the convergence rate,C i(j)is set to adaptive,which is de?ned as follows:
C ij?
C init?B:If tumble
D i?r i?B:If Run
e15T
where C init is a step size for unit walk,D i is a constant and r i is the random number generated between0and1.B is the length vector of the boundaries of search domain.
The?tness of the i th bacteria of the j th chemotatic step is rep-resented by F i(j,r).If F i(j+1,r)is better than F i(j,r)then the Run pro-cess initiates,which can be represented by
d
S Kt1
i
ejt1;rT?c S K
i
ejt1;rTtC iejT
i
e16Twhere16K6N s,and c S K i denotes the position of the i th bacteria in
the k th step of Run.The process continues until F Kt1
i
ejt1;rTis
worse than F K
i
ejt1;rT.The angle u i(j)remains unchanged during this process.
After each commutative process the energy gained by bacteria is accumulated in its life time.The individual that gained most energy compared to the others is de?ned as the best cell and its positions are assigned as S P(r).Out of the total population of the bacteria certain percentage of bacteria are involved in attraction with a probability Pa.Their positions are recalculated by the fol-lowing equation
S ie1;rt1T?S ieN c;rTtr2?D2?eS PerTàS ieN c;rTTe17T
where N c is the life time of the bacteria,D2is a constant and r2is random number(0,1).In this way bacterias are selected and repro-duced for the next generation.
The rest bacterias are dispersed to position around the best individual with a randomly choosen mutation step and a mutation angle using the following equation
S ie1;rt1T?S PerTtr3?B?\we18Twhere r3is a random number between(0,1)and w is a mutation angle from(0,2p).
Result and discussion
Here different PSO based bio-inspired algorithms and Bacterial Foraging Algorithm(BFA)optimization technique is applied on IEEE14and IEEE30bus test system for the effective planning of reactive power sources.The objective of these algorithms are to determine the setting of the control variables as transformer tap positions,reactive generations of the generators and the shunt capacitors at the weak nodes.All these control variables are repre-sented with in a string as shown in Fig.1.Number of populations are varied from6to20and number of iteration in each case restricted to500.Table1shows the operating cost at different
398 B.Bhattacharyya,S.Raj/Electrical Power and Energy Systems74(2016)396–402
population adapting various methods of optimization for IEEE14 bus system.Table2gives operating cost at different population for IEEE30bus test system using different methods of optimiza-tion.From Table1it is observed that as the number of populations are increased,the operating cost decreases in all the methods.But in Table2the operating cost do not decrease with increase in pop-ulation in all the methods of optimization approaches used.Only in APSO and in BFA based optimization approach operating cost reduces with population but in the other techniques there is no guaranty of reduction of operating cost with population.For exam-ple Simple Particle Swarm Optimization(SPSO)and HPSO yield minimum operating cost at population10,whereas EPSO gives minimum operating cost at population6in IEEE30bus test system.
Shunt capacitors are installed at weak nodes determined by weak bus analysis.Bus number10,13and14are found as weak buses for IEEE-14bus system whereas7th,15th,17th and21st number of buses are found as candidate nodes for the placement of shunt capacitors for IEEE-30bus system.There are four genera-tors at bus number2,3,6and8for IEEE-14bus system and?ve generators at bus number2,5,8,11and13for IEEE-30bus system. Transformer tap settings are at8th,9th and11th lines for IEEE-14 bus system and11th,12th,15th and36th lines of the IEEE-30bus system.From Table1SPSO and EPSO gives best result and APSO gives the second best result in IEEE14bus system and BFA gives worst result.In case of IEEE30bus test system SPSO gives best result at population20as observed from Table2.It is found HPSO gives worst result in both the systems(see Tables1and2).
Active power loss,operating cost and planning variables using SPSO,APSO and EPSO methods for IEEE14and IEEE30Bus systems are shown in Tables3and4respectively.
From the analysis of the results it can be said that PSO and BFA based different bio-inspired algorithm are system dependent and out of all the techniques,simple PSO based approach is found to be best though some technique like EPSO can produce very good result as SPSO which is seen in Table1that is also true for APSO.
Table1
Operating cost at different population in IEEE-14bus system using various
techniques.
Methods Operating cost at different population(in$)
681020
SPSO7.0414?106 6.9848?106 6.9629?106 6.9477?106
APSO7.0383?106 6.9918?106 6.9675?106 6.9481?106
EPSO7.0219?106 6.9892?106 6.9681?106 6.9477?106
HPSO7.0705?106 6.9681?106 6.9628?106 6.9509?106
BFA 6.9629?106 6.9573?106 6.9603?106 6.9556?106
Table2
Operating cost at different population in IEEE-30bus system using various
techniques.
Methods Operating cost at different population(in$)
681020
SPSO 3.5996?106 3.6244?106 3.5951?106 3.6320?106
APSO 3.6509?106 3.6650?106 3.6290?106 3.5966?106
EPSO 3.600?106 3.6116?106 3.6362?106 3.6024?106
HPSO 3.6839?106 3.6264?106 3.6280?106 3.6315?106
BFA 3.6556?106 3.6316?106 3.6098?106 3.6027?106
Table3
Active power loss,operating cost and planning variables for IEEE14bus system with SPSO,APSO and EPSO.
Methods Active power loss Minimum operating cost Reactive generation of generators Transformer tap setting Shunt capacitors
SPSO0.1321 6.9477?1060.3081(2)0.95(8)0.0478(10)
0.2486(3)0.95(9)0.0515(13)
0.24(6)0.95(11)0.0(14)
0.1016(8)
APSO0.1321 6.9481?1060.3078(2)0.9542(8)0.0485(10)
0.2501(3)0.9518(9)0.0523(13)
0.2257(6)0.9513(11)0.0121(14)
0.0990(8)
EPSO0.1321 6.9477?1060.3077(2)0.95(8)0.0472(10)
0.2485(3)0.95(9)0.0530(13)
0.24(6)0.95(11)0.0(14)
0.1012(8)
Table4
Active power loss,operating cost and planning variables for IEEE30bus system with SPSO,APSO and EPSO.
Methods Active power loss Minimum operating cost Reactive generation of generators Transformer tap setting Shunt capacitors
SPSO0.0684 3.5951?1060.1705(2)0.9(11)0.0330(7)
0.2655(5)0.9(12)0.0527(15)
0.3028(8)0.9019(15)0.0(17)
à0.0121(11)0.9(36)0.0(21)
0.2467(13)
APSO0.0684 3.5966?1060.1629(2)0.9(11)0.0174(7)
0.2671(5)0.9133(12)0.0468(15)
0.2964(8)0.9(15)0.0025(17)
0.0563(11)0.9010(36)0.0209(21)
0.1797(13)
EPSO0.0685 3.600?1060.1462(2)0.9026(11)0.0(7)
0.2642(5)0.9(12)0.0(15)
0.2977(8)0.9(15)0.0295(17)
0.1061(11)0.9(36)0.0(21)
0.2213(13)
B.Bhattacharyya,S.Raj/Electrical Power and Energy Systems74(2016)396–402399
Fig. 2.Variation of operating cost with generation for IEEE14bus system
different population using SPSO.
Fig. 3.Variation of operating cost with generation for IEEE14bus system different population using APSO.
4.Variation of operating cost with generation for IEEE14bus system different population using EPSO.
5.Variation of operating cost with generation for IEEE14bus system different population using HPSO.
Fig. 6.Variation of operating cost with generation for IEEE30bus system different population using SPSO.
Fig.7.Variation of operating cost with generation for IEEE30bus system different population using APSO.
APSO produce second best result in case of IEEE 14and 30bus test system respectively.Figs.2–5show convergence characteris-tics of operating cost with generation with SPSO,APSO,EPSO and HPSO in case of IEEE 14bus system for different number of popu-lations.Similarly Figs.6–9show convergence characteristics operating cost with generation for SPSO,APSO,EPSO and HPSO for different population size in case of IEEE 30bus system.Though operating cost reduces with increase in population number in both IEEE 14and IEEE 30bus test system but its convergence character-istics are not faithful and zig zag in nature.Hence the BFA charac-teristics are not shown here.Figs.10and 11show the plot minimum operating cost with generation using SPSO,APSO and EPSO techniques for IEEE 14and IEEE 30bus system respectively.
Conclusion
In the present work usefulness of PSO based several bio inspired algorithms are tested for reactive power planning on IEEE-14and IEEE-30bus system.The proposed work is interesting in the sense that it compares the utility of PSO technique with other optimiza-tion algorithms developed with the basic principle of normal PSO technique.PSO and other optimization algorithms are used not only for the planning of Var sources but also to determine the total operating cost of the system.On the basis of comparative analysis results obtained by all the techniques it is found that APSO and EPSO yield solutions very close to simple PSO based optimization 8.Variation of operating cost with generation for IEEE 30bus system different population using EPSO.
9.Variation of operating cost with generation for IEEE 30bus system different population using HPSO.
10.Variation of minimum operating cost with generation for IEEE 14system for SPSO,APSO and EPSO.
Fig.11.Variation of minimum operating cost with generation for IEEE 30bus system for SPSO,APSO and EPSO.
[7]Parker CJ,Morrison IF,Sutanto D.Application of an optimization method for
determining the reactive margin from voltage collapse in reactive power planning.IEEE Trans Power Syst1996;11(3):1473–81.
[8]Mantovani JRS,Garcia AV.A heuristic method for reactive power planning.
IEEE Trans Power Syst1996;11(1):68–74.
[9]Liu CW,Jwo WS,Liu CC,Hsiao YT.A fast global optimization approach to VAR
planning for the large scale electric power systems.IEEE Trans Power Syst 1997;12(1):437–47.
[10]Vaahedi E,Mansour Y,Li W,Tam J,Sun D,Maratukolam D.Evaluation of
existing optimal VAR planning tools on utility systems.IEE Proc Gener,Trans Distrib1998;145(6):663–8.
[11]Jwo WS,Liu CW,Liu https://www.sodocs.net/doc/8c4902357.html,rge-scale optimal VAR planning by hybrid simulated
annealing/genetic algorithm.Int J Electr Power Energy Syst1999;21(1):39–44.
[12]Lee Kwang Y,Yang FF.Optimal reactive power planning using evolutionary
algorithms:a comparative study for evolutionary programming,evolutionary strategy,genetic algorithm,and linear programming.IEEE Trans Power Syst 1998;13(1):101–8.
[13]Chattopadhyay D,Chakrabarti BB.Reactive power planning incorporating
voltage stability.Int J Electr Power Energy Syst2002;24(3):185–200.
[14]Zhua JZ,Xiong XF.Optimal reactive power control using modi?ed interior
point method.Elect Power Syst Res2003;66(2):187–92.
[15]Yang N,Yu CW,Wen F,Chung CY.An investigation of reactive power planning
based on a chance constrained programming.Int J Electr Power Energy Syst 2007;29(9):650–6.
[16]Raju GKV,Bijwe PR.Reactive power/voltage control in distribution system
under uncertain environment.IET Proc Gener,Trans,Distrib2008;2
(5):752–63.
[17]Zhang W,Li F,Tolbert LM.Review of reactive power planning objectives,
constraints and algorithms.IEEE Trans Power Syst2007;22(4):2177–86. [18]Parida SK,Singh SN,Srivastava SC.A hybrid approach toward security-
constrained reactive power planning in electricity markets.Electr Power Comp Syst2008;36(6):649–63.[19]Gomesa MH,Saraivab JT.A market based active/reactive dispatch including
transformer taps and reactor and capacitor banks using Simulated Annealing.
Electr Power Syst Res2009;79(6):959–72.
[20]Raou?H,Kalantar M.Reactive power rescheduling with generator ranking for
voltage stability improvement.Energy Convers Manage2009;50:1129–35. [21]Zhu J,Cheung K,Hwang D,Sadjadpour A.Operation strategy for improving
voltage pro?le and reducing system loss.IEEE Trans Power Del2010;25
(1):390–7.
[22]Tripathy M,Mishra S.Bacteria foraging-based solution to optimize both real
power loss and voltage stability limit.IEEE Trans Power Del2007;22(1):240–8.
[23]Zhong LH,Zhong CH,Zheng Y.A novel reactive power planning method based
on improved particle swarm optimization with static voltage stability.
European Trans Electr Power2010;20(8):1129–37.
[24]Jeyadevi S,Baskar S,Iruthayarajan MW.Reactive power planning with voltage
stability enhancement using covariance matrix adapted evolution strategy.
European Trans Electr Power2011;21(3):1343–60.
[25]Jabr RA.Optimization of reactive power expansion planning.Electr Power
Compos Syst2011;39(12):1285–301.
[26]Lin CH,Lin SS,Horng SC.Iterative solution optimization approach for optimal
volt-ampere reactive sources planning.Int J Electr Power Energy Syst2012;43
(1):984–91.
[27]Badar AQH,Umre BS,Junghare AS.Reactive power control using dynamic
Particle Swarm Optimization for real power loss minimization.Int J Electr Power Energy Syst Oct.2012;41(1):133–6.
[28]Mahmoudabadi A,Rashidinejad M.An application of hybrid heuristic method
to solve concurrent transmission network expansion and reactive power planning.Int J Electr Power Energy Syst2013;45(1):71–7.
[29]Chiang Hsiao-Dong,Wang Jin-Cheng,Cockings Qrville,Shin Hyon-Duck.
Optimal capacitor placements in distribution systems:Part-1&2:solution algorithms and numericals results.IEEE Trans Power Delivery1990;5
(2):634–49.
402 B.Bhattacharyya,S.Raj/Electrical Power and Energy Systems74(2016)396–402
PSO参数优化
1.利用PSO参数寻优函数(分类问题):psoSVMcgForClass 2.[bestCVaccuracy,bestc,bestg,pso_option]= 3.psoSVMcgForClass(train_label,train,pso_option) 4.输入： 5.train_label:训练集的标签，格式要求与svmtrain相同。 6.train:训练集，格式要求与svmtrain相同。 7.pso_option:PSO中的一些参数设置，可不输入，有默认值，详细请看代码的帮 助说明。 8.输出： 9.bestCVaccuracy:最终CV意义下的最佳分类准确率。 10.bestc:最佳的参数c。 11.bestg:最佳的参数g。 12.pso_option:记录PSO中的一些参数。 13.========================================================== 14.利用PSO参数寻优函数(回归问题):psoSVMcgForRegress 15.[bestCVmse,bestc,bestg,pso_option]= 16.psoSVMcgForRegress(train_label,train,pso_option) 17.其输入输出与psoSVMcgForClass类似，这里不再赘述。 复制代码 psoSVMcgForClass源代码： 1.function [bestCVaccuarcy,bestc,bestg,pso_option] = psoSVMcgForClass(train_label,train,pso_option) 2.% psoSVMcgForClass 3. 4.%% 5.% by faruto 6.%Email:patrick.lee@https://www.sodocs.net/doc/8c4902357.html, QQ:516667408 https://www.sodocs.net/doc/8c4902357.html,/faruto BNU 7.%last modified 2010.01.17 8. 9.%% 若转载请注明： 10.% faruto and liyang , LIBSVM-farutoUltimateVersion 11.% a toolbox with implements for support vector machines based on libsvm, 2009. 12.% 13.% Chih-Chung Chang and Chih-Jen Lin, LIBSVM : a library for 14.% support vector machines, 2001. Software available at 15.% https://www.sodocs.net/doc/8c4902357.html,.tw/~cjlin/libsvm 16.%% 参数初始化 17.if nargin == 2 18. pso_option = struct('c1',1.5,'c2',1.7,'maxgen',200,'sizepop',20, ... 19. 'k',0.6,'wV',1,'wP',1,'v',5, ...
从战略地图到学习地图——绘制学习地图支撑组织能力发展
李智专栏 发表时间：2012-06-18 从战略地图到学习地图——绘制学习地图支撑组织能力发展 本文刊载于《培训》杂志6月刊 本文作者：李智，凯洛格公司（KeyLogic）人才发展咨询中心总监 2004年哈佛商学院教授卡普兰提出“战略地图”理念与框架，旨在消除企业战略制定和战略执行之间的鸿沟，通过“战略地图”工具让公司上下都能参与战略的执行与落地，而非仅仅将战略局限于高管层的“一屋子人”。战略是这样，企业的人才培养与发展又何尝不是这样。当前，关于这个命题最大的一个误区即是将员工培训看成是培训职能的事情，而管理者将开发员工的职责推得一干二净。要跳出这个误区，培训部门需要拿出一套行之有效的框架工具，让公司上下都能参与人才培养与发展，消除培训实践与业务需求之间的鸿沟，而“学习地图”的提出正是基于这样一种思路。 凯洛格在咨询实践中，通过“学习地图”框架工具，成功架起业务部门与培训职能间的桥梁。双方有更多的共同语言，在需求分析、目标制定、方案设计、项目实施以及训后评估各环节中都能展开充分研讨和沟通，既推动业务管理者积极参与人才培养活动，又大大提升员工培训与发展效果。 学习地图框架 学习地图框架包括职业发展、能力要求以及学习活动三要素。职业发展指员工的职业发展路径以及相对应的关键工作任务。能力要求指不同职涯发展阶段、不同岗位设置下的核心能力要求，包括知识、技能与素质要求。学习活动则是为帮助员工加速职业成长、提升能力水平而设置的各种教学与发展活动。 以航空公司飞机航线放行控制岗位（签派员）学习地图绘制为例，通过职业发展与工作分析图（见图1）、能力分析图（见图2）以及学习活动设计图（见图3）三张图的框架工具，培训职能与业务部门管理者及专家骨干展开充分研讨，逐步梳理出不同层级岗位员工的能力发展目标以及所需的学习发展项目，构建良好的人才培养体系基础。
(完整word版)用MATLAB编写PSO算法及实例
用MATLAB 编写PSO 算法及实例 1.1 粒子群算法 PSO 从这种模型中得到启示并用于解决优化问题。PSO 中，每个优化问题的潜在解都是搜索空间中的一只鸟，称之为粒子。所有的粒子都有一个由被优化的函数决定的适值( fitness value) ，每个粒子还有一个速度决定它们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。 PSO 初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己；第一个就是粒子本身所找到的最优解，这个解称为个体极值；另一个极值是整个种群目前找到的最优解，这个极值是全局极值。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。 假设在一个维的目标搜索空间中，有个粒子组成一个群落，其中第个粒子表示为一个维的向量 ，。 第个粒子的“飞行 ”速度也是一个维的向量，记为 ，。 第个粒子迄今为止搜索到的最优位置称为个体极值，记为 ，。 整个粒子群迄今为止搜索到的最优位置为全局极值，记为 在找到这两个最优值时，粒子根据如下的公式(1.1)和( 1.2)来更新自己的速度和位置： (1.1) (1. 2) 其中：和为学习因子，也称加速常数(acceleration constant)，和为[0，1]范围内的均匀随机数。式(1.1)右边由三部分组成，第一部分为“惯性(inertia)”或“动量(momentum)”部分，反映了粒子的运动“习惯(habit)”，代表粒子有维持自己D N i D ),,,(21iD i i i x x x X N i ,,2,1 i D ),,21i iD i i v v v V ，（ 3,2,1 i i ),,,(21iD i i best p p p p N i ,,2,1 ),,,(21gD g g best p p p g ) (2211id gd id id id id x p r c x p r c v w v id id id v x x 1c 2c 1r 2r
标准粒子群算法(PSO)及其Matlab程序和常见改进算法
一、粒子群算法概述 粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation)，1995 年由Eberhart 博士和kennedy博士提出，源于对鸟群捕食的行为研究。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。 PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitness value)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。 PSO 初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个”极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest。另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。 二、算法原理 粒子群算法采用常数学习因子，及惯性权重，粒子根据如下的公式更新自己的速度和位置。 V ki=ωk V i?1i+c1r1(Q bi?Q k?1i)+c2r2(Q bg?Q k?1i)Q ki=Q k?1i+V ki 三、算法步骤 1、随机初始化种群中各微粒的位置和速度； 2、评价个粒子的适应度，将各粒子的位置和适应度储存在各微粒的pbest（Q bi）中，将所有pbest中适应度最优的个体的位置和适应度存储在gbest（Q bg）中。 3、更新粒子的速度和位移。 V ki=ωk V i?1i+c1r1(Q bi?Q k?1i)+c2r2(Q bg?Q k?1i)Q ki=Q k?1i+V ki 4、对每个微粒，与其前一个最优位置比较，如果较好，则将其作为当前的最优位置。 5、比较当前所有的pbest和上一迭代周期的gbest，更新gbest。 6、若满足停止条件（达到要求精度或迭代次数），搜索停止，输出结果，否则，返回2。
任务系统操作流程
任务系统 工作程序描述 关键任务的完成情况是考核中的一项重要内容，任务系统功能实 现对任务的定义、实施记录、任务调整和任务评分，以及对任务 的总览和查询。 具体的操作步骤如下： 1任务总览 考核账号或大帐号进行以下操作： ?点选考核周期和分类，点击“查询”，进行某一类任务的总 览。
2任务查询 考核账号或大帐号进行以下操作： ?选中左侧树中的一个或多个部门或岗位，点选考核周期或填 选“开始时间”“结束时间”后点击“查询”按钮，查看选 中部门或岗位的任务列表。 ?同时可以进行按任务名称的模糊查询。 3任务定义 考核账号进行以下操作： ?选中左侧树中的某一部门或岗位，填选任务的开始时间和结 束时间后点击“查询”按钮，查看选中部门或岗位的任务列 表。
?点击“新建”按钮，在弹出窗口中进行任务的定义。 ?保存成功后，勾选要提交审核的数据，点击“提交审核”按钮，点击确定完成数据的提交审核。 ?其次，还可对勾选的数据进行修改、删除操作，这些操作只能在提交审核前进行，一经提交，数据将不能做修改、删除。 ?关键任务的导入、导出：勾选想要导出的任务数据，点击“导出”按钮，可将列表中的数据按照模板导出到excel文档，可在文档中对数据内容进行修改（请不要修改模板），然后 点击“导入”按钮，可将文档中的数据导入到系统中，并覆 盖原数据。
注意事项：在填选考核人和审核人时，要选择人，不要点选岗 位。 审核账号进行以下操作： ?勾选左侧树中某部门或岗位，可查看选中部门或岗位的待审 核的关键任务。 ?勾选列表中的待审核的关键任务，点击“审核“按钮，在弹 出的验证弹出窗口中，输入个人的账号（不是登录系统时的 审核账号），点击确定完成数据的审核。 注意事项：这里的执行人指的是实施任务的人员，考核人指的 是为执行人所完成的任务进行评分的人员，审核人将对该评分 进行审核。 在任务系统——任务实施中，将使用这里的执行人的个人账号 登陆系统，进行任务实施情况记录。 在任务系统——任务调整中，将使用这里的考核人和审核人的 个人账号登陆系统，进行任务调整并进行审核。 在任务系统——任务评价中，将使用这里的考核人和审核人的 个人账号登陆系统，进行评分和审核。 4任务实施 注意：执行人账号指在“任务系统_任务定义”中定义的执行人 的个人账号。 执行人账号（个人账号）进行以下操作： ?填选考核时间等信息后点击“检索任务”按钮，查看待实施 的任务列表。 ?勾选要执行的任务，点击“执行任务”按钮，在弹出窗口填 写此任务的执行情况。
粒子群算法解决函数优化问题
粒子群算法解决函数优化问题 1、群智能算法研究背景 粒子群优化算法（Particle Swarm Optimization，PSO）是由Kennedy 和Eberhart 在研究鸟类和鱼类的群体行为基础上于1995 年提出的一种群智能算法，其思想来源于人工生命和演化计算理论，模仿鸟群飞行觅食行为，通过鸟集体协作使群体达到优。 PSO算法作为一种新的群智能算法，可用于解决大量非线性、不可微和多峰值的复杂函数优化问题，并已广泛应用于科学和工程领域，如函数优化、神经网络训练、经济调度、模式识别与分类、结构设计、电磁场和任务调度等工程优化问题等。 PSO算法从提出到进一步发展，仅仅经历了十几年的时间，算法的理论基础还很薄弱，自身也存在着收敛速度慢和早熟的缺陷。如何加快粒子群算法的收敛速度和避免出现早熟收敛，一直是大多数研究者关注的重点。因此，对粒子群算法的分析改进不仅具有理论意义，而且具有一定的实际应用价值。 2、国内外研究现状 对PSO算法中惯性权重的改进：Poli等人在速度更新公式中引入惯性权重来更好的控制收敛和探索，形成了当前的标准PSO算法。 研究人员进行了大量的研究工作，先后提出了线性递减权值( LDIW)策略、模糊惯性权值( FIW) 策略和随机惯性权值( RIW) 策略。其中，FIW 策略需要专家知识建立模糊规则，实现难度较大，RIW 策略被用于求解动态系统，LDIW策略相对简单且收敛速度快， 任子晖，王坚于2009 年，又提出了基于聚焦距离变化率的自适应惯性权重PSO算法。 郑春颖和郑全弟等人，提出了基于试探的变步长自适应粒子群算
法。这些改进的PSO算法既保持了搜索速度快的特点, 又提高了全局搜索的能力。 对PSO算法的行为和收敛性的分析：1999 年采用代数方法对几种典型PSO算法的运行轨迹进行了分析，给出了保证收敛的参数选择范围。在收敛性方面Fransvan den Bergh引用Solis和Wets关于随机性算法的收敛准则，证明了标准PSO算法不能收敛于全局优解，甚至于局部优解；证明了保证收敛的PSO算法能够收敛于局部优解，而不能保证收敛于全局优解。 国内的学者：2006 年，刘洪波和王秀坤等人对粒子群优化算法的收敛性进行分析，指出它在满足收敛性的前提下种群多样性趋于减小，粒子将会因速度降低而失去继续搜索可行解的能力，提出混沌粒子群优化算法。 2008 年，黄翀鹏和熊伟丽等人分析惯性权值因子大小对PSO算法收敛性所带来的影响，对粒子群算法进行了改进。2009 年，高浩和冷文浩等人，分析了速度因子对微粒群算法影响，提出了一种基于Gaussian 变异全局收敛的粒子群算法。并证明了它能以概率 1 收敛到全局优解。 2010 年，为提高粒子群算法的收敛性,提出了基于动力系统的稳定性理论，对惯性权重粒子群模型的收敛性进行了分析，提出了使得在算法模型群模型收敛条件下的惯性权重和加速系数的参数约束关系，使算法在收敛性方面具有显著优越性。在PSO算法中嵌入别的算法的思想和技术。 1997年，李兵和蒋慰孙提出混沌优化方法； 1998年，Angeline在PSO算法中引入遗传算法中的选择算子，该算法虽然加快了算法的收敛速度，但同时也使算法陷入局部优的概率大增，特别是在优化Griewank 基准函数的优值时得到的结果不理想； 2004 年，高鹰和谢胜利将混沌寻优思想引入到粒子群优化算法中，首先对当前群体中的优粒子进行混沌寻优, 再用混沌寻优的结果随机替换群体中的一个粒子，这样提出另一种混沌粒子群优化算法。
用MATLAB编写PSO算法及实例
用MATLAB编写PSO算法及实例
用MATLAB 编写PSO 算法及实例 1.1 粒子群算法 PSO 从这种模型中得到启示并用于解决优化问题。PSO 中，每个优化问题的潜在解都是搜索空间中的一只鸟，称之为粒子。所有的粒子都有一个由被优化的函数决定的适值( fitness value) ，每个粒子还有一个速度决定它们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。 PSO 初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己；第一个就是粒子本身所找到的最优解，这个解称为个体极值；另一个极值是整个种群目前找到的最优解，这个极值是全局极值。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。 假设在一个维的目标搜索空间中，有个粒子组成一个群落，其中第个粒子表示为一个维的向量 ，。 第个粒子的“飞行 ”速度也是一个维的向量，记为 ，。 第个粒子迄今为止搜索到的最优位置称为个体极值，记为 ，。 整个粒子群迄今为止搜索到的最优位置为全局极值，记为 在找到这两个最优值时，粒子根据如下的公式(1.1)和( 1.2)来更新自己的速度 D N i D ),,,(21iD i i i x x x X =N i ,,2,1 =i D ),,21i iD i i v v v V ，（=3,2,1 =i i ),,,(21iD i i best p p p p =N i ,,2,1 =),,,(21gD g g best p p p g =
和位置： (1.1) (1. 2) 其中：和为学习因子，也称加速常数(acceleration constant)，和为 [0，1]范围内的均匀随机数。式(1.1)右边由三部分组成，第一部分为“惯性(inertia)”或“动量(momentum)”部分，反映了粒子的运动“习惯(habit)”，代表粒子有维持自己先前速度的趋势；第二部分为“认知(cognition)”部分，反映了粒子对自身历史经验的记忆(memory)或回忆(remembrance)，代表粒子有向自身历史最佳位置逼近的趋势；第三部分为“社会(social)”部分，反映了粒子间协同合作与知识共享的群体历史经验。 二、算法设计 2.1 算法流程图 2.2 算法实现 算法的流程如下： ()) (2211id gd id id id id x p r c x p r c v w v -+-+*=id id id v x x +=1c 2c 1r 2 r
利用PSO优化SVM
%% 清空环境 clc clear load wine; train = [wine(1:30,:);wine(60:95,:);wine(131:153,:)]; train_label = [wine_labels(1:30);wine_labels(60:95);wine_labels(131:153)]; test = [wine(31:59,:);wine(96:130,:);wine(154:178,:)]; test_label = [wine_labels(31:59);wine_labels(96:130);wine_labels(154:178)]; [train,pstrain] = mapminmax(train'); pstrain.ymin = 0; pstrain.ymax = 1; [train,pstrain] = mapminmax(train,pstrain); [test,pstest] = mapminmax(test'); pstest.ymin = 0; pstest.ymax = 1; [test,pstest] = mapminmax(test,pstest); train = train'; test = test'; %% 参数初始化 %粒子群算法中的两个参数 c1 = 1.6; % c1 belongs to [0,2] c2 = 1.5; % c2 belongs to [0,2] maxgen=300; % 进化次数 sizepop=30; % 种群规模 popcmax=10^(2); popcmin=10^(-1); popgmax=10^(3); popgmin=10^(-2); k = 0.6; % k belongs to [0.1,1.0]; Vcmax = k*popcmax; Vcmin = -Vcmax ; Vgmax = k*popgmax; Vgmin = -Vgmax ;
哈佛管理导师-时间管理
哈佛管理导师 主题摘要 本主题将帮助您： ?分析您目前的时间安排，并寻找改进机会 ?确定哪些任务对实现您的长期目标最为关键 ?使用计划工具来有效地计划时间 ?控制时间浪费因素 ?实施您的日程表，在实施过程中进行评估，并根据需要进行修改主题列表 主题概述 如果是您，您会怎么做？ 主题列表 主题摘要
主题使用说明 核心概念 为何要管理时间？ 确定目标和排定目标的优先次序 将目标分解成任务 分析您是如何利用时间的 判别和消除常见的“时间浪费因素”更有效地安排您的时间 监督和改进您的时间管理策略 与浪费时间的上司打交道 平衡工作需要和个人时间 帮助您的员工管理他们的时间 步骤 管理时间的步骤 对上司说“不”的步骤 技巧 授权的技巧 最大限度地利用差旅时间的技巧 取得最佳会议成果的技巧 有效使用远程办公的技巧 在家工作的技巧 练习 说明 工具 目标确定及排序工作表 将目标分解成任务的工作表 日常活动日志表 时间浪费因素判别及评估工作表 任务列表 自测 说明 学习更多内容 在线文章 文章 著作
司 Stauffer Bury Inc. (https://www.sodocs.net/doc/8c4902357.html,) 的老板。他创 作了四部有关企业成功的作品，全部由 John Wiley & Sons 出版， 而且他还为Harvard Management Update、Across the Board、《华 尔街日报》及其他出版物撰写了许多工商管理方面的文章。作为企业与商业协会的签约作家，大卫撰写了几百份年度报告、投资指南、行业介绍以及管理信息简讯等。 如果是您，您会怎么做？ 下午 5 点，马里索从她的办公桌上抬头看到同事们正在收拾东西准备回家。以她目前的速度，她可能要在办公室里待到半夜。盯着她的任务列表，她沮丧地叹了口气。还剩下三项关键任务。自己这一整天都做了些什么？为什么这些任务还完不成？她回顾了自己的一天。上午，她与托尼一起讨论他的月度报告。午餐时间则用来回复 20 多封电子邮件。然后被一个客户服务请求占去了一下午时间，而这件事本该由其他人来处理。如果她没有完成确实需要处理的工作，那她的任务列表和精心规划又有何意义呢？如果是您，您会怎么做？ 这时您会怎么做？ 马里索应该从检查自己的长期组织目标开始。通过评估最重要的目标并排列优先次序，马里索能够弄清楚应该在哪里或不应该在哪里花费时间。接下来就是将目标分解为易管理的任务，列出完成各项任务的所有必需步骤。然后，她应该估算每项任务或活动所需要的时间，并设定最后完成期限。她应该在日程表上安排出大量时间，以确保能够有时间来完成这些任务。最重要的是，她应该尽量避免任何中断，因为这会浪费她的时间或者使她偏离主要目标。 在本主题中，您将学会如何确定最重要的工作和最不重要的工作，然后将时间花费在最关键的任务上，而不要浪费在不重要的事情上。了解了本主题中阐述的各种观点后，请点击“练习”，参与互动场景练习、做出决策并获得针对您所做选择的即时反馈。 主题使用说明 主题架构 “时间管理”主题分成下列几个部分。屏幕顶部显示了进入各部分的链接。 主题概述 点击“主题概述”可查看对这一主题的介绍。首先浏览“如果是您，您会怎么做？”中的虚拟场景，然后查看“这时您会怎么做？”中的回答。“主题 列表”提供了“站点地图”，其中包含指向本主题中所有要素的链接。
PSO算法
群体智能方法：是通过模拟自然界生物群体行为来实现人工智能的一种方法。 群体智能这个概念来自对自然界中生物群体的观察，群居性生物通过协作表现出的宏观智能行为特征被称为群体智能。 群体智能具有如下特点： (1) 控制是分布式的,不存在中心控制。因而它更能够适应当前网络环境下的工作状态,并且具有较强的鲁棒性,即不会由于某一个或几个个体出现故障而影响群体对整个问题的求解。 (2) 群体中的每个个体都能够改变环境,这是个体之间间接通信的一种方式,这种方式被称为“激发工作”。由于群体智能可以通过非直接通信的方式进行信息的传输与合作,因而随着个体数目的增加,通信开销的增幅较小,因此,它具有较好的可扩充性。 (3) 群体中每个个体的能力或遵循的行为规则非常简单,因而群体智能的实现比较方便,具有简单性的特点 (4) 群体表现出来的复杂行为是通过简单个体的交互过程突现出来的智能，因此，群体具有自组织性。 PSO基本原理 最初是为了在二维几何空间图形中优化模拟鸟群不可预测的运动。PSO 算法从这种模型中得到启示并用于解决优化问题。PSO算法中，每个优化问题的潜在解都是搜索空间中的一只鸟，称之为“粒子”。所有的粒子都有一个由目标函数决定的适应值（fitness value），每个粒子都由一个两维的速度变量决定各自飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。PSO算法初始化为一群随机粒子（随机解），然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己。第一个极值就是粒子本身所经历的最优解，这个解被称为个体极值。另一个极值是整个种群目前所经历的最优解，这个极值被称为全局极值。另外也可以只选取整个种群中的一部分作为粒子的邻居，在所有邻居中的极值被称为局部极值。
PSO算法使用简介
PSO算法使用简介 1 PSO工具箱简介 PSOt为PSO的工具箱，该工具箱将PSO算法的核心部分封装起来，提供给用户的为算法的可调参数，用户只需要定义好自己需要优化的函数(计算最小值或者最大值)，并设置好函数自变量的取值范围、每步迭代允许的最大变化量(称为最大速度，Max_V)等，即可自行优化。 与遗传算法相比，PSO仅需要调整少数几个参数即可实现函数的优化。该算法对待优化函数没有任何特别的要求(如可微分、时间连续等)，因而其通用性极强，对多变量、高度非线性、不连续及不可微的情况更加具有其优势。 该工具箱的使用主要分为几个步骤： 1) 在Matlab中设置工具箱的路径； 2) 定义待优化函数； 3) 调用PSO算法的核心函数：pso_Trelea_vectorized()。 其中第三步最关键，用户需要根据自己的需要设置好参数，可使算法极快收敛。 下面对各个步骤一一介绍。 2 设置工具箱的路径 2.1 在Matlab的命令窗口点击"File-->Set Path...."，如下图： 2.2 在弹出的对话框中点击"Add Folder"，然后浏览找到工具箱放置的位置，如下图 2.3 若想用到该工具箱所带的测试函数，还需要用如上同样的方法，设置路径指向工具箱下的"testfunctions"文件夹； 2.4 若想用于训练神经网络的训练，设置路径指向工具箱下的"testfunctions"文件夹"nnet" 3 定义待优化函数(参见文件test_func.m) 用户根据自己的需要，定义需要优化的函数。举个例子，若想计算如下二元函数的最小值 z= 0.5*(x-3)^2+0.2*(y-5)^2-0.1 其中自变量x、y的范围均为[-50, 50]。 可按下面的方法定义该待优化函数： %%----------------------------------------------------------------%% function z=test_func(in) nn=size(in); x=in(:,1); y=in(:,2); nx=nn(1); for i=1:nx temp = 0.5*(x(i)-3)^2+0.2*(y(i)-5)^2-0.1; z(i,:) = temp; end %%----------------------------------------------------------------%% 需要特别指出的是：PSO算法的核心函数pso_Trelea_vectorized()自动初始化一组随机
基本pso优化神经网络程序
clc clear all %一、初始化部分 %1.1 预处理样本数据 % 选取训练样本(x,y) for i=1:126 x=0+0.0251*(i-1); y(i)=(sin(x)+(x.^2/9+x/3)*exp((-0.5)*(x.^2)))/2; % 待逼近函数 end AllSamIn=0:0.0251:pi; %训练样本输入 AllSamOut=y; %训练样本输出 %选取测试样本 for i=1:125 x=0.0125+0.0251*(i-1); %测试样本输入 ytest(i)=(sin(x)+(x.^2/9+x/3)*exp((-0.5)*(x.^2)))/2; %测试样本输出 end AlltestIn=0.0125:0.0251:(pi-0.0125); AlltestOut=ytest; %归一化训练样本，测试样本 [AlltestInn,minAlltestIn,maxAlltestIn,AlltestOutn,minAlltestOut,maxAlltestOut]= premnmx(AlltestIn,AlltestOut); %测试样本 [AllSamInn,minAllSamIn,maxAllSamIn,AllSamOutn,minAllSamOut,maxAllSamOut]= premnmx(AllSamIn,AllSamOut); %训练样本 testIn=AlltestInn; testOut=AlltestOutn; global Ptrain; Ptrain = AllSamInn; global Ttrain; Ttrain = AllSamOutn; %1.2 设置神经网络参数 global indim; %输入层神经元个数 indim=1; global hiddennum; %隐藏层神经元个数 hiddennum=3; global outdim; %输出层神经元个数 outdim=1; global Gpos; %1.3 设置微粒群参数 vmax=0.5; % 速度上限 minerr=1e-7; % 目标误差 wmax=0.95;
Matlab PSO优化RBF的程序
Matlab PSO优化RBF的程序。 找了很久，凡是能找到的都找到了。网上就没有对的。自己写的一直有问题。我有个不完整的。大家看看能不能补全： AllSamIn=[]; AllSamOut=[]; %前向通道数据预设 global minAllSamOut; global maxAllSamOut; % 从总样本中抽取10％的样本作为测试样本，其余作为训练样本 [AllSamInn,minAllSamIn,maxAllSamIn,AllSamOutn,minAllSamOut,maxAllSamOut] = premnmx(AllSamIn,AllSamOut); TesSamIn=[]; TestSamOut=[]; TargetOfTestSam=[]; %测试样本目标 TrainSamIn=AllSamInn; TrainSamOut=AllSamOutn; %样本评估: EvaSamIn=[]; %样本评估输入 EvaSamInn=tramnmx(EvaSamIn,minAllSamIn,maxAllSamIn); %归一化处理 global Ptrain; Ptrain= TrainSamIn; global Ttrain; Ttrain=TrainSamOut; Ptest = TestSamIn; Ttest = TestSamOut; spread=1.2; vmax=0.5; %最大速率
minerr=0.001; %适应度阈值 wmax=0.90; %惯性权重的最大值 wmin=0.30; %惯性权重的最小值 global itmax; itmax=300; %允许的最大迭代步数 c1=2; %学习因子 c2=2; %学习因子 for iter= 1:itmax W(iter)=wmax-((wmax-wmin)/itmax)*iter; %惯性权重下降 end %粒子在a,b之间随机初始化： a=-1; b=1; m=-1; n=1; global N; %粒子种群数目 N=40; global D; %粒子群长度 D=(indim+1)*hiddennum+(hiddennum+1)*outdim; %粒子群位置初始化： rand('state',sum(100*clock)); %产生0-1之间的随机数，粒子在a,b(-1，1)之间初始化 X=a+(b-a)*rand(N,D,1); %产生N行D列由0-1之间的矩阵 V=m+(n-m)*rand(N,D,1); %粒子群速度在m,n即-1和1之间初始化 %粒子群优化RBF神经网络的适应度值 global fvrec;
第6章_项目的进度管理-1
IT项目管理
第6章 项目进度管理
PDF 文件使用 "pdfFactory Pro" 试用版本创建 https://www.sodocs.net/doc/8c4902357.html,
复习
确定项目范围 2. 制定项目计划（WBS） 3. 资源管理
1.
ü ü ü ü
建立资源库 给任务分配资源 分析资源过度分配的情况 调配资源
2 PDF 文件使用 "pdfFactory Pro" 试用版本创建 https://www.sodocs.net/doc/8c4902357.html,
投入比导向
— —
当为任务添加资源时，任务的总工时保持不变。 投入比导向意味着，当您为任务添加或删除人员时，Project 将根 据任务所分配的资源单位的数量延长或缩短任务工期，但不会更 改任务的总工时量。 摘要任务不能设置为投入比导向。 只有在最初为任务分配了第一个资源后，才能应用投入比导向日 程计算方式。在分配了第一个资源后，为同一任务添加新资源或 从中删除资源时，任务的工时值将不会更改。
— —
3 PDF 文件使用 "pdfFactory Pro" 试用版本创建 https://www.sodocs.net/doc/8c4902357.html,
本章大纲
1. 2. 3. 4. 5. 6. 项目中的进度问题 甘特图 网络计划技术 进度跟踪和进度报告 专题讨论 综合案例——项目进度管理
4 PDF 文件使用 "pdfFactory Pro" 试用版本创建 https://www.sodocs.net/doc/8c4902357.html,
6.1 项目中的进度问题
6.1.1 进度管理的内容 — 项目进度管理的最终目标之一就是保证项目 在预定工期内完成。 — 一般而言，工期、费用、质量是项目的三大 关键因素。工期则依赖于进度控制上时间的 保证。进度控制是项目的神经中枢。
5 PDF 文件使用 "pdfFactory Pro" 试用版本创建 https://www.sodocs.net/doc/8c4902357.html,
pso优化算法matlab程序
%------初始格式化------------------------------------------------- clear all; clc; format long; %------给定初始化条件--------------------------------------------- c1=1.4962; %学习因子1 c2=1.4962; %学习因子2 w=0.7298; %惯性权重 MaxDT=1000; %最大迭代次数 D=10; %搜索空间维数（未知数个数） N=40; %初始化群体个体数目 eps=10^(-6); %设置精度(在已知最小值时候用) %------初始化种群的个体(可以在这里限定位置和速度的范围)----------- for i=1:N for j=1:D x(i,j)=randn; %随机初始化位置 v(i,j)=randn; %随机初始化速度 end end %------先计算各个粒子的适应度，并初始化Pi 和Pg--------------------- for i=1:N p(i)=fitness(x(i,:),D); y(i,:)=x(i,:); end pg=x(1,:); for i=2:N if fitness(x(i,:),D)
最早期限优先调度算法(EDF)的特点和实现
最早期限优先调度算法（EDF）的特点和实现 摘要：最早期限优先调度算法是基于优先级的动态调度方法，是最优的单处理器调度算法，具有灵活性高、能充分利用CPU计算能力的特点。但是同时也具有调度开销增大、不能确定优先级低的任务截止之间能否得到满足的缺点，从而产生了EDF算法的优化算法NEDF和DPDS，较好的解决了上述问题，平衡了CPU使用率、响应时间、公平性和截止时间的问题。关键词：任务调度；动态调度；优先级；EDF 引言：随着计算机的发展，多道程序处理的出现需要强大的调度算法来对多任务进行调度，以确定多任务环境下任务的执行顺序以及占有CPU时间。相对于静态、不可抢占的调度方法，EDF的出现使之凭借灵活性高、CPU占有率高很快成为最优的单处理器调度算法。 一、任务调度的基本概念 在计算机发展的初期，需要使用计算机时，通常要集中在计算机所在的地方，人为的以作业的方式把工作内容一件一件的交给计算机处理，也就不存在调度的概念。随后，出现了计算机的批处理方式，计算机把作业按照先来先服务的方式进行处理，体现了一种非常简单的调度概念。随着多道程序处理方式的出现，调度逐渐变得重要和复杂起来。 在多任务的实时操作系统中，调度是一个非常重要的功能，用来确定多任务环境下任务执行的顺序和获得CPU资源后能够执行的时间长度。操作系统通过一个调度程序看来实现调度功能，调度程序以函数的形式存在，用来实现操作系统的调度算法。 调度程序是影响系统性能（如吞吐率、延迟时间等）的重要部分。在设计调度程序时，通常要综合考虑如下因素：CPU的使用率、输入、输出设备的吞吐率、响应时间、公平性和截止时间。这些因素之间有一定的冲突性，在设计调度程序时需要优先考虑最重要的需求，然后再各种因素之间进行折中处理。 二、调度方法的分类 对于大量的实时调度方法来说，主要存在以下几种划分方法： 1、离线（off-line）和在线（on-line）调度 根据获得调度信息的时机，调度算法可以分为离线调度和在线调度两类。对
粒子群优化算法参数设置
一．粒子群优化算法综述 1.6粒子群优化算法的参数设置 1.6.1粒子群优化算法的参数设置—种群规模N 种群规模N影响着算法的搜索能力和计算量： PSO对种群规模要求不高，一般取20-40就可以达到很好的求解效果，不过对于比较难的问题或者特定类别的问题，粒子数可以取到100或200。 1.6.2粒子的长度D 粒子的长度D由优化问题本身决定，就是问题解的长度。 粒子的范围R由优化问题本身决定，每一维可以设定不同的范围。 1.6.3最大速度Vmax决定粒子每一次的最大移动距离，制约着算法的探索和开发能力 Vmax的每一维一般可以取相应维搜索空间的10%-20%，甚至100% ，也有研究使用将Vmax按照进化代数从大到小递减的设置方案。 1.6.4惯性权重控制着前一速度对当前速度的影响，用于平衡算法的探索和开发能力 一般设置为从0.9线性递减到0.4，也有非线性递减的设置方案； 可以采用模糊控制的方式设定，或者在[0.5, 1.0]之间随机取值； 设为0.729的同时将c1和c2设1.49445，有利于算法的收敛。 1.6.5压缩因子限制粒子的飞行速度的，保证算法的有效收敛 Clerc0.729，同时c1和c2设为2.05 。 1.6.6加速系数c1和c2 加速系数c1和c2代表了粒子向自身极值pBest和全局极值gBest推进的加速权值。 c1和c2通常都等于2.0，代表着对两个引导方向的同等重视，也存在一些c1和c2不相等的设置，但其范围一般都在0和4之间。研究对c1和c2的自适应调整方案对算法性能的增强有重要意义。 1.6.7终止条件 终止条件决定算法运行的结束，由具体的应用和问题本身确定。将最大循环数设定为500，1000，5000，或者最大的函数评估次数，等等。也可以使用算法
灾难恢复计划.doc
损失减少企业灾难恢复计划七步曲 正如现实生活中其它事物的不可预料性一样，企业很难预先知道其网络、数据中心运作过程中何时会受到威胁。 但减轻灾难的后果并不是一个轻松的过程。下面笔者给出可以帮助企业提供实用指南并实现高效的业务连续性和灾难恢复计划的七个步骤： 第一步：承认灾难的可能性 业务连续性及灾难恢复的第一步是承认自己的单位会碰到可以损害企业发展的现实性威胁。如果企业没有在一个高级的层次上采取这一步，其它的步骤就免谈。 第二步：列表并分类企业面临的威胁 企业及其社会环境的性质能够影响一个单位所面临的威胁类型。在列示了威胁之后，单位应当根据这些威胁对不同系统的可能影响对其分类。应当在灾难的响应成本和可容忍的“宕机时间”之间实现平衡，可容忍的“宕机时间”越少，则企业就需要越多的成本来创建恰当的响应。比如，一些系统必须在几分钟或几秒内实现功能恢复，还有一些系统可容忍的“宕机时间”为几小时，还有其它系统即使“宕机时间”多达几天也不会产生严重的后果。 第三步：概要描述单位的业务连续性和灾难恢复技术的基础结构 业务连续性和灾难恢复技术基础结构的关键技术要素由以下几部分组成：关键数据中心、一个可以备份主要数据中心资源的远程站点、高带宽的网络连接等部分组成。在整个数据中心，业务连续性和灾难恢复的最佳策略都要遵循所有要素成分都保持冗余性的观点。在生产性和备份数据设施中都应当运行多台主机和服务器。如果一个生产性系统的一个组件碰到了一个问题，此系统组件就立即将其功能转移给本地的备份系统，这可以作为对付灾难的第一道防线。 在业务连续性和灾难恢复策略中，最关键的要素之一就是电源。根据调查，电力故障是最为常见的也是可预防的中断性故障。 不管企业的网络带宽多么大，如果一个粗心大意的施工人员偶然弄断了光纤，其作用也就寿终正寝了。网络的连接不但要足够，还要在一个更宽广的WAN