在实际工程应用中有很多优化问题是NP难问题,难以应用传统数学方法来解决。近年来,有一种集群智能算法正在引起广大研究学者的注意,这种基于群体的启发式随机优化算法在求解优化问题时不需要考虑待优化函数的数学特性,并且可以实现并行计算,适合于求解复杂的工程优化问题。蚁群优化算法和粒子群优化算法是新近出现的典型的集群智能算法,两种算法都是通过由候选解组成的群体的进化来达到寻找最优解的目的。本论文讨论了这两种优化算法的基本原理与特点,在此基础上,针对这些算法在实际应用领域中存在的问题,提出了相应的改进方法,并且通过多个常用测试例对算法进行了仿真验证。本论文主要研究成果如下: 1.综述了蚁群优化算法求解优化问题的原理,总结出算法成功的关键。对蚁群算法应用于连续优化问题的各种模型进行了综述,并分析了以往各种连续蚁群算法模型的弊病。针对NP难优化问题求解难点,提出一种具有通用性的连续蚁群算法模型,包括快速寻优机制和简单的信息素交流机制,可以有效地在连续域上进行寻优。研究表明,这种算法在寻优性能上优于其它连续蚁群算法、基本粒子群算法。 2.综述了粒子群优化算法的原理、特点及其研究进展。对粒子群的缺陷进行了分析,总结了算法易陷入局部最优的原理。提出一种自适应的变异机制,为算法充分搜索整个可行域提供引导信息,能使算法更快地寻找到最优解,并且有利于算法跳出局部最优解。同时,为了提高算法寻优精度,在算法趋于收敛后缩小搜索域,在寻得的最优解附近进一步寻优。研究表明,改进算法寻得的解远远优于其它改进粒子群算法。 3.综述了电力系统中经济负荷分配问题的模型及其特点,总结了常用的求解方法。通过分析在电厂内部计算或电网分布密集情况下对经济负荷分配模型的简化,分析了这种问题的特点及相应求解方法的缺点。针对问题中的等式约束提出一种简单快速的不可行解修补方法,并且结合本文提出的自调节粒子群算法对经济负荷分配问题进行了求解,取得了较好的结果。 最后,总结了全文研究的内容,提出了连续蚁群算法和粒子群优化算法中尚待解决的问题,展望了集群智能算法进一步的研究方向。