1、論文首先全面評(píng)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(yùn)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?jī)?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(shì),并對(duì)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(shí)現(xiàn)技術(shù)進(jìn)行了詳細(xì)論述.第三章在對(duì)GA、EP和ES三種算法異同點(diǎn)加以對(duì)比分析的基礎(chǔ)上,提出

2、將它們統(tǒng)一在進(jìn)化計(jì)算的框架之中,并建立起一個(gè)進(jìn)化計(jì)算框架.第四章通過(guò)對(duì)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(wèn)題時(shí)采用浮點(diǎn)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(shí)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(jìng)爭(zhēng)選擇和單純概率選擇相結(jié)合的組合選擇算子,這種簡(jiǎn)單實(shí)用的組合選擇策略能有效地調(diào)節(jié)進(jìn)化過(guò)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(diǎn)數(shù)編碼技術(shù)的雜交算子;充分利用混沌的動(dòng)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(zhǎng),從而構(gòu)造出一種新的自適應(yīng)混沌變異算子,通過(guò)混沌神經(jīng)元的反饋?zhàn)饔弥苯涌刂坪驼{(diào)節(jié)變異步長(zhǎng),可有效地避免和防止進(jìn)化過(guò)程中出現(xiàn)的"早熟"現(xiàn)象,從而快速找到全局最優(yōu)解;對(duì)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(guò)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(jiǎn)稱(chēng)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(yùn)行問(wèn)題中,建立了水電站群短期發(fā)電量最大優(yōu)化問(wèn)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(xiàn)性模型參數(shù)的辨識(shí)中,分別用于求解非線(xiàn)性回歸模型參數(shù)的辨識(shí)和馬斯京根(Muskingum)模型參數(shù)率