基于多目标粒子群优化算法的某轻型商用车操纵稳定性优化研究

针对某轻型商用车稳态回转时侧倾度偏大的问题对其悬架进行优化改进。基于ADAMS/car搭建整车多体动力学模型,通过前悬架反向平行轮跳试验、后悬架理论计算验证了悬架仿真模型的准确性。进行整车稳态回转工况和转向盘中间位置转向工况仿真分析,结果表明,车身侧倾度偏高。为实现操纵稳定性优化分析的流程自动化,提出了基于modeFRONTIER的联合仿真方法。以悬架设计参数为优化变量,以汽车的侧倾度与横摆角速度响应滞后时间为优化目标,采用拉丁超立方试验设计方法拟合得到混合代理模型,并结合多目标粒子群优化算法对悬架系统进行多目标优化,获得了悬架系统优化方案。优化结果显示,在不影响平顺性的前提下,汽车车身侧倾度降低了13.93%,横摆角速度响应滞后时间降低了2.75%,整车操纵稳定性得到了提升。

基于多目标粒子群优化算法的动力电池仿生冷板结构优化设计

为了提高锂离子电池的冷却效果,提出一种高度对称的仿生网状流道冷板。首先,利用单因子分析法分析了冷板结构参数对其性能的影响,然后,以冷板的平均温度、温度标准差和冷却液压力损失为性能指标,采用多目标粒子群优化(MOPSO)算法对冷板的结构参数进行了优化,得到性能最优时的流道宽度、流道深度和冷板壁厚分别为9.0 mm、1.5 mm和1.4 mm,对应的平均温度、温度标准差和压力损失分别为33.20℃、1.33℃和65.63 Pa,相比于初始结构参数,优化后的平均温度和温度标准差分别下降1.92℃和0.02℃,但压力损失增大27.10 Pa。最后,在电池模组层面验证了优化结果。

基于多目标粒子群优化的微电网最优调度

针对包含光伏、风力发电机、蓄电池和柴油发电机的微电网经济优化问题,构建以功率平衡、分布式资源出力与运行等为约束条件,以最小运行成本和环境污染物排放量为优化目标的多目标优化调度模型,基于多目标粒子群算法对微电网经济优化问题进行求解。算例仿真验证该优化方法具有更优的准确性和性能,可有效支撑微电网的经济优化运行。

基于社会学习多目标粒子群优化的中长期负荷组合预测方法

精准的负荷预测对提高电网规划水平和准确指导投资具有重要意义。针对经验风险最小化的组合预测模型存在过拟合的缺点,提出了一种基于社会学习多目标粒子群优化算法,并利用偏最小二乘回归模型、支持向量回归模型、灰色预测GM(1,1)模型,引入权重的不确定性函数信息熵来表征期望风险,综合考虑经验风险和期望风险的组合预测模型。仿真结果表明,相比于单一预测模型和其他两种组合预测模型,所提方法具有更高的预测精度,社会学习多目标粒子群优化算法具有更强的全局搜索能力和优化性能。

基于多目标粒子群优化的属性网络局部社区检测算法

社区结构是复杂网络中的重要特征,局部社区检测的目标是查询出包含一组种子节点的社区子图。传统的局部社区检测算法通常利用网络的拓扑结构进行社区查询,而忽略了网络中丰富的节点属性信息。针对现实中广泛存在的属性网络,提出了一种基于多目标粒子群优化的属性网络局部社区检测算法。首先根据节点与其多阶邻居之间的属性相似度构造属性关系边,并根据模体结构获取网络中的高阶信息得到拓扑关系边,然后基于种子节点使用随机游走算法对两种关系边采样得到备选节点集。在此基础上,通过多目标粒子群优化算法对备选节点集进行迭代筛选,得到拓扑结构紧密和节点属性同质的社区结构。在真实数据集上的实验结果表明,所提方法有效提升了局部社区检测的质量。

基于改进多目标粒子群优化算法的列车节能研究

针对列车运行节能问题,基于改进多目标粒子群优化算法,对列车节能进行研究。在考虑列车动力学特性、牵引能耗、运行时间的基础上,建立列车区间运行节能优化模型。引入准对立学习策略,对多目标粒子群优化算法进行改进,采用ZDT1测试函数验证改进算法的优越性。应用改进多目标粒子群优化算法,求解基于实际线路数据的列车区间运行节能优化模型,并建立满意度评价方法,得出不同运行策略对应的最优运行曲线。研究结果显示,TCHCB和TCTCB运行策略与传统THCB运行策略相比,增加了惰行工况,在正点到站的前提下使能耗分别降低7.25%和4.4%。基于改进多目标粒子群优化算法的列车节能研究表明,在列车运行中适当增加惰行工况,有助于节能。

一种多策略融合的多目标粒子群优化算法

为提高多目标粒子群算法在解决复杂多目标优化问题中的整体性能,提出一种多策略融合的多目标粒子群算法.该算法采用均匀化与随机化相结合的方式初始化种群,在粒子速度更新中新增一扰动项,运用简化的k-最近邻方法维持档案以及对档案个体赋予生存期属性并动态调整生存期值.实验结果表明,在GD和SP性能指标上,本文算法与另外5种对等算法在ZDT和DTLZ系列测试问题上进行对比,其表现出了总体显著性的性能优势.

一种改进的多目标粒子群优化算法

为了增强多目标粒子群优化算法的收敛性与多样性,提出一种改进的多目标粒子群算法.采用Kent映射对种群进行初始化,并将目标空间均匀划分为若干扇形区域;基于一种新的多样性和收敛性判定标准,选取合适的收敛性最优解和多样性最优解,并提出一种改进的粒子群更新公式进行全局搜索;采用聚类算法对外部种群与坐标轴夹角进行分析,维护外部种群.通过标准测试函数的仿真实验,与多目标优化算法基本MOPSO(Multi-objective Par-ticle Swarm Optimization Algorithm)和NSGA-II(Nondominated Sorting Genetic Algorithm II)进行对比,结果表明了该改进算法的有效性.

一种自适应混合多目标粒子群优化算法

文章针对多目标粒子群优化算法多样性损失和收敛性不好的问题,提出了一种自适应混合多目标粒子群优化算法。首先,使用Sobol序列映射决策变量初始值,使得初始解集在全决策空间范围有更均匀的分布。使用线性递减权重法调整粒子群算法的权重,增强算法收敛性。提出了使用基于多样性指标SP的自适应变异算子增加种群多样性的同时,还提出了在最优档案集中,使用基于改进的世代距离指标GD的自适应混沌搜索增强算法局部搜索能力。最后,将文中提出的改进算法与MOPSO(基本多目标粒子群优化算法)和NSGA2对比,结果显示出该算法能够在保持优化解收敛性的同时获得更好的多样性。

基于混沌多目标粒子群优化算法的云服务选择

随着云计算环境中各种服务数量的急剧增长,如何从功能相同或相似的云服务中选择满足用户需求的服务成为云计算研究中亟待解决的关键问题。为此,建立带服务质量约束的多目标服务组合优化模型,针对传统多目标粒子群优化(MOPSO)算法中解的多样性差、易陷入局部最优等缺点,设计基于混沌多目标粒子群优化(CMOPSO)算法的云服务选择方法。采用信息熵理论来维护非支配解集,以保持解的多样性和分布的均匀性。当种群多样性丢失时,引入混沌扰动机制,以提高种群多样性和算法全局寻优能力,避免陷入局部最优。实验结果表明,与MOPSO算法相比,CMOPSO算法的收敛性和解集多样性均得到改善,能够更好地解决云计算环境下服务动态选择问题。

一种改进的多目标粒子群优化算法及其应用

为提高多目标粒子群优化(MOPSO)算法处理多目标优化问题的性能,降低计算复杂度,改善算法的收敛性,提出了一种改进的多目标粒子群优化算法。通过运用比例分布及跳数改进机制策略的方法,使该算法不仅继承了MOPSO算法的优点,而且具有很强的局部搜索能力和较好的鲁棒性能,使非劣解集均匀分布,尽可能逼近真实的非劣前沿。通过对多连杆悬架空间结构硬点的多目标优化,进一步验证了该算法的实用性及其优越性。

基于拥挤距离的多目标粒子群优化算法在漳河水库优化调度中的应用

针对传统多目标优化算法的不足,提出了基于拥挤距离的多目标粒子群优化算法(MOPSO-CD),该算法用拥挤距离来维持精英策略和选取全局极值,同时引入动态非均匀变异算子,用以维持粒子多样性、减缓算法收敛速度、避免早熟收敛。以漳河水库为例,建立了以灌溉缺水量最小和发电量最大为目标函数的两目标优化调度模型,将MOPSO-CD应用于模型的求解中,得到了足够多且较均匀的非劣(Pareto)解前端。

基于多目标粒子群优化算法的UPFC协调控制

针对UPFC多个控制器间的负交互影响,将UPFC的多个功能控制器之间的协调问题转化为多目标优化问题,提出采用一种新颖的多目标粒子群优化算法(MOPSO)进行控制器的参数优化。介绍MOPSO算法的基本原理和实现过程,进行算例计算,并且与多目标进化算法(MOEA)进行比较分析。时域仿真验证了采用所提出的协调控制策略可以得到快速收敛并且良好分布的Pareto解集,从而有效消除控制器间的负交互影响,取得满意的控制性能。

基于多目标粒子群优化算法的汽车造型设计决策模型

为降低主观性和个体决策差异对汽车造型设计方案决策的影响,提出一种基于多目标粒子群优化算法的汽车造型设计决策模型,该模型通过限定汽车造型设计决策约束空间、决策变量的数量等因素,利用多目标粒子群优化算法对设计方案进行多目标决策,并采用层级分析法选取汽车造型设计最终(优)方案,将汽车造型设计决策问题映射到数学模型,来完成对整个汽车造型设计方案决策过程的模拟,引导汽车设计师有条理地进行创新设计,并辅助决策者各轮次的方案评价。以某紧凑型SUV汽车造型方案的设计决策为例验证了模型的可行性和合理性。

基于两阶段双层多目标粒子群优化算法的输变电工程立项决策

建立输变电工程两阶段多目标决策评价模型,该模型包括立项和决策2个阶段,以及电网的安全性、经济性、环境友好性、适应性和协调性5个指标;提出双层多目标粒子群优化算法,求解模型的Pareto最优解,最后用综合评价方法选出最优实施方案。算例分析结果验证所提模型的正确性和有效性。

考虑拥挤度的多目标粒子群优化算法在马斯京根参数估计中的应用

采用考虑拥挤度的多目标粒子群优化算法进行马斯京根模型参数估计,介绍了考虑拥挤度的多目标粒子群优化算法的计算步骤,用外部精英档案保存非支配解,并通过计算拥挤度维持解的多样性,以海河流域南运河称钩湾至临清段的一次洪水过程为例,选取高流量、低流量和时段内总量差比三个优化目标对优化结果进行了评价。结果表明,高流量与低流量之间为正比关系,而与总量差比之间存在制约关系;高流量和低流量目标值最小时模拟结果较好。

结合核岭回归与多目标粒子群优化算法的激光焊接工艺参数预测

工艺参数选择是动力电池焊接行业面临的困难,为提升动力电池焊接效率并满足多项目标,采用核岭回归与多目标粒子群优化算法相结合的方法辅助优化工艺参数选择。构造了工艺参数对应的焊接下限,继而利用基于高斯核函数的核岭回归模型进行拟合;多目标粒子群的每个粒子代表一组工艺参数,通过群体进化与变异、引导者选取与优化、解集维护3种操作,并结合回归模型,有效获取了指定焊接目标下的最优解集。该方法还借鉴K近邻算法思想设计评价标准,以度量每个解的可靠性,进一步筛选更优质的解,保证所选工艺参数有更高的容错性。所提方法解决了电池焊接行业目前面临的问题,具有极其重要的应用价值。

动态拓扑结构的多目标粒子群优化算法

介绍了一种动态拓扑结构的多目标粒子群优化算法(dynamical topology multiple-objective particle swarmoptimization,DMPSO).给出了一种新的储备集更新策略,定义了支配度和邻域拥挤度及粒子差异度的概念,根据支配度及邻域拥挤度的大小来决定储备集的更新,增强了解的多样性和均匀性.为了防止早熟收敛,结合邻域拥挤度和粒子差异度,给出了一种拟小世界动态拓扑邻域结构来平衡粒子的全局搜索能力和局部搜索能力.最后通过对几个例子的数值实验说明算法的可行性,并通过成功地应用在实际工程问题上说明方法的有效性.

多目标粒子群优化的支持向量机及其在齿轮故障诊断中的应用

支持向量机是基于结构风险最小化原则的分类方法,其模型的分类准确度及泛化能力取决于惩罚系数、核函数及核参数的选取。参数的选择通常采用经验法、试凑法或单目标优化法,上述方法费时费力且不能达到全局最优。文中选取错误分类率及支持向量占有率两个目标函数,采用多目标粒子群算法优化惩罚系数及核函数参数。训练阶段采用多目标粒子群算法产生多个优化解,测试阶段评估这些解的优劣。通过齿轮故障分类实例进行了设计方法的验证,首先对振动信号进行预处理,然后以小波包系数标准差并降维处理后作为分类器的输入特征向量,最后用本文方法区分4种典型故障,试验结果表明了设计方法的有效性,并证明了应用混合核函数的支持向量机分类具备较高的准确率及较强的泛化性能。

光伏系统多目标粒子群优化模糊MPPT控制

针对光伏发电系统遭受部分阴影时呈现多峰值、非线性和时变不确定等特性,提出了基于多目标粒子群优化(multi-objective particle swarm optimization,MO-PSO)模糊算法,对最大功率点(maximum power point,MPP)进行追踪控制.该算法对模糊控制的模糊集、模糊规则分别进行多目标粒子群算法优化,同时最小化两个目标函数,以提高光照强度变化时系统对最大功率点跟踪(maximum powerpoint tracking,MPPT)的暂态响应速度和稳态精度.通过对干扰观察法、常规模糊控制方法和多目标粒子群优化模糊控制的仿真波形比较,验证了所提控制策略的有效性.