基于离散粒子群算法的管道保温结构优化研究

针对目前管道保温结构优化算法不稳定、结果优化程度不高的问题,建立以经济效益为目标函数,以满足国家散热损失标准等条件为约束函数的离散型数学模型。以BPSO算法为基础改变其位置更新规则,防止种群进化失效;采用自适应权重增加粒子的全局和局部搜索能力;充分利用模拟退火算法的思想避免出现早熟现象。应用改进的算法分别对普通蒸汽管道和核电站的蒸汽管道进行系统仿真实验。结果表明,该算法能够在满足国家散热损失标准等条件下取得最优解,可以为管道保温结构提供合理的优化方案。

基于离散粒子群算法的电力芯片电路运行参数优化

电力芯片电路运行中受到不确定因素的干扰,信噪比较低。为此基于离散粒子群算法提出了一种新的电力芯片电路运行参数优化方法,分析输出功率和发电功率,根据计算结果得到目标函数,确定离散粒子群的分布状态,平行转换最优粒子,建立参数序列,构建电力芯片电路运行参数优化模型,提取运行参数特征,二次优化调试数据,剔除异常数据,建立离散阵列模型,通过数据扫描实现参数优化。实验结果表明,所设计方法在面对连续运行电路数据和随机电路数据时,具有极好的优化效果,平均绝对值误差低于0.10,均方根误差低于0.20,信噪比较高,具有较好的效果。

基于小生境离散粒子群算法的不规则排样优化策略

针对目前二维不规则排样算法中存在的问题,提出一种基于小生境离散粒子群算法的二维不规则排样算法。该算法模拟两个相对独立的粒子群,两个粒子群并行进化,并在每迭代一次后相互交流信息,具有很强的全局搜索能力。实验结果表明,该算法在求解二维不规则排样问题时可以大幅提高板材的材料利用率,具有实际应用价值。

基于动态搜索策略离散粒子群算法的稀疏阵列约束优化

针对目前稀疏阵列优化算法搜索策略单一和适用范围受限问题,对离散粒子群(Discrete Particle Swarm Optimization,DPSO)算法进行改进,提出了一种基于多种融合的综合粒子学习策略的算法,用其设计具有多个约束条件的稀疏平面阵列.该方法在粒子速度更新时使用基于小生境的分散解集合替换群体最优解,以形成高多样性种群.为了增强后期局部收敛性,在适时启动局部变异策略,利用变异概率自适应地调整粒子位置,并通过两个观测参数监控其运动状态.经典函数测试和平面稀疏阵列数值仿真结果证明了算法的有效性和鲁棒性.相同仿真条件下,相比于现有三种算法,该算法峰值旁瓣电平(Peak Side-Lobe Level,PSLL)分别降低了8.45%,6.77%和8.27%.

基于离散粒子群算法的光伏微电网储能容量优化配置

传统储能容量配置策略为确保微电网运行的稳定性,在一定程度上增加了冗余投资,为此提出基于离散粒子群算法的光伏微电网储能容量优化配置。通过蓄电池组与超级电容器的工程模型,获取光伏微电网储能装置的工作特性,以容量配比最优、投资成本最小为目标构建储能容量优化配置模型,并引入离散粒子群算法求解模型,获得最优储能容量配置结果。实例分析结果表明,对于蓄电池组与超级电容组成的储能装置,该方法在满足输出功率平衡的基础上,给出了一个最优容量配比和最强经济效益的容量优化配置方案。

基于改进离散粒子群算法优化故障等级的传感器布局

文章提出一种基于改进离散粒子群算法优化故障等级的传感器布局方法用于解决传感器检测故障的布局问题,通过故障模式影响和危害性分析得到系统的故障模式,对系统故障模式进行故障等级划分;然后依据故障等级漏检率构造约束条件,传感器成本构造适应度函数;并构造出非线性优化学习因子的动态调整策略;利用改进的离散粒子群算法求解故障漏检率约束条件下适应度函数最优的传感器布局离散序列,仿真实验表明应用文章方法布局具有在满足不同故障等级的漏检率条件下的成本低优越性。

改进离散粒子群算法的多无人艇任务分配研究

离散粒子群算法求解多无人艇任务分配问题具有较大优势,针对传统离散粒子群算法易陷入局部最优、收敛速度较慢等缺点,从以下四个方面进行改进:初始化粒子编码时融入混沌优化以提高全局搜索能力,设置非线性变化的指数型惯性因子兼顾局部搜索能力,调整固定不变的学习因子为受迭代次数控制的服从半高斯分布的自适应学习因子以提高算法的收敛性,引入交叉和变异的粒子更新机制以避免早熟收敛。仿真实验表明改进后算法的适应度函数提高了6.6%,最少迭代次数减少了49.1%,运行时间减小了18.3%。改进算法可兼顾全局搜索能力和较快的收敛速度,提高了无人艇的任务分配效果。

基于混合离散粒子群算法的多无人作战飞机协同目标分配

针对多无人作战飞机(UCAV)协同目标分配问题,提出了一种基于混合离散粒子群算法的多UCAV协同目标分配方法。混合离散粒子群算法根据多UCAV协同目标分配问题的特点,设计了新的粒子群位置和速度更新公式,并且充分利用粒子群优化算法的全局搜索能力,同时利用禁忌搜索的局部搜索能力,使2种算法的优势得到互补,较为显著地提升了原算法的性能。仿真结果表明:混合离散粒子群算法能够有效地解决多约束条件下多UCAV协同目标分配问题,并且算法简单、灵活,易于实现和扩展。

基于改进离散粒子群算法的传感器布局优化设计

传感器布局优化是复杂系统测试性设计的重要内容,属于典型的组合优化问题.通过改进系统的故障-传感器相关性矩阵,建立了考虑传感器故障检测能力的约束优化模型.利用混沌的遍历性初始化粒子群的参数,惯性权重则根据粒子群的早熟收敛程度自适应调整,并对粒子的位置更新方式进行了重新定义,用改进后的离散粒子群算法求解建立的优化模型.仿真实例验证了本文方法的有效性,优化结果能满足系统的各项指标要求。

基于改进离散粒子群算法的传感器优化配置

传感器优化配置是实现航空设备故障预测与健康管理(Prognostics and Health Management,PHM)系统设计的基础和保证.本文首先对系统的故障-传感器相关性矩阵进行了改进,在此基础上根据系统测试性指标要求建立了考虑传感器故障率的约束优化模型,并采用一种改进的离散粒子群算法求解.算法根据传感器优化配置的特点设计了粒子个体适应度计算方法,惯性权重则基于群体早熟程度自适应调整.仿真实例验证了本文方法的有效性,优化结果满足系统各项测试性指标要求,可为航空设备PHM系统的传感器优化配置提供有效指导.

基于离散粒子群算法的多飞行器在轨服务任务分配

为解决多约束条件下飞行器在轨服务任务分配问题,以在轨卫星群为研究对象,提出了一种基于离散粒子群算法的多服务飞行器的目标分配方法,综合分析目标飞行器价值、服务飞行器消耗以及能量时间消耗等3项关键指标因素,建立了在轨服务任务分配问题的数学模型。通过构建粒子与实际问题间的对应关系,设计了新的离散粒子群位置和速度更新公式求解任务分配问题。仿真结果表明:离散粒子群算法具有收敛速度快,寻优能力强等优点,能够有效地解决多约束条件下的服务飞行器协同任务分配问题。

基于离散粒子群算法的测试选择

本文将离散粒子群算法(BPSO)首次应用于测试选择,结合测试选择自身的特点,重新定义了粒子及其速度;通过定义带有测试选择指标的适应度函数对粒子进行优化,并根据其容易陷入局部最优的特点,引入了线性惯性权重因子;同时本文将故障发生的概率作为评价测试集优劣的一个重要指标,具有重要的应用价值。文中的实例验证了该算法的有效性,利用该算法不仅可以获得较高的故障检测率、故障隔离率及较小的测试矢量集,而且还可以很快地找到发生概率大的故障。

基于多策略离散粒子群算法的MPRM电路延时与面积优化

针对大规模混合极性Reed-Muller(Mixed Polarity Reed-Muller,MPRM)逻辑电路的延时与面积优化,提出一种基于多策略离散粒子群优化(Multi-Strategy Discrete Particle Swarm Optimization,MSDPSO)的极性搜索方法.在MSDPSO算法中,对粒子进行团队划分,每个团队既执行不同策略,又相互联系,并行完成探索与开发的双重任务.同时在进化过程中采用高斯调整来激活寻优能力较差的粒子.结合MSDPSO算法和列表极性转换技术,对大规模MPRM电路进行延时与面积极性搜索.最后对PLA格式的MCNC Benchmark电路进行算法性能测试,结果验证了MSDPSO算法的有效性.与离散粒子群优化(Discrete Particle Swarm Optimization,DPSO)算法的优化结果相比较,MSDPSO算法获取的电路延时平均缩短8.43%,面积平均节省38.36%.

基于改进离散粒子群算法的限流措施优化配置

为求解实际电力系统中的限流措施优化配置问题,对传统粒子群算法(PSO)进行改进,提出一种改进离散粒子群算法(MDPSO).此MDPSO算法采用二进制结合十进制的编码方式,并引入置0算子,优化初始种群,同时引入单方向的变异算子,防止算法陷入局部优化解.应用此算法对新英格兰39节点系统和中国西部82节点系统进行限流措施优化配置计算,并同遗传算法(GA)和普通离散粒子群算法(DPSO)进行比较,仿真结果表明,MDP-SO算法是有效可行的.

改进离散粒子群算法在冷负荷启动的配电网馈线恢复中的应用

在求解冷负荷启动中的配电网馈线供电恢复问题时引入了离散粒子群优化算法并对该算法进行了改进。改进后的算法考虑了早熟收敛问题并采用自适应变异方法提高了粒子的多样性,从而有效地跳出了局部最优值位置并收敛于全局最优解。算例结果表明,改进后的算法对于制定冷负荷启动中的配电网馈线逐步恢复供电策略是非常有效的。

基于离散粒子群算法的协同车辆路径问题

考虑车场容量、不同车型车辆行驶最大里程等约束条件,建立以车辆配送总费用最小为目标的一类带时间窗协同车辆路径问题数学规划模型、即属于不同公司的配送中心共享车队、仓储等资源为客户协同配送货物,采用文献[1]中的自适应离散粒子群算法求解该问题并定义了其可能解的粒子的编码方式。最后,通过一个算例得出结论:同普通物流配送情形相比,本文模型求解的最佳总配送里程和费用分别有效减少24.86%和29.95%,验证了模型的正确性和合理性。

求解TSP问题的混合离散粒子群算法

重新定义了离散粒子群算法DPSO的速度和位置公式,使其适宜求解离散问题．针对DPSO易早熟、收敛慢的缺陷,建立局部极小区域的扰动机制,在结合局部搜索算法PSEC后,提出了一种混合离散粒子群算法HDPSO．

求解TSP问题的自逃逸混合离散粒子群算法研究

通过对旅行商问题(TSP)局部最优解与个体最优解、群体最优解之间的关系分析,针对DPSO算法易早熟和收敛慢的缺点,重新定义了离散粒子群DPSO的速度、位置公式,结合生物界中物种在生存密度过大时个体会自动分散迁徙的特性和局部搜索算法(SEC)后,提出了一种新的自逃逸混合离散粒子群算法(SEHDPSO)。自逃逸思想是一种确定性变异操作,能使算法中陷入局部极小区域的粒子通过自逃逸行为进行全局寻优,从而克服算法易早熟的缺陷。仿真结果表明,SEHDPSO算法比混合蚁群算法(ACS+2-OPT)具有更好的收敛性和搜索效率。

一种新的离散粒子群算法在指派问题中的应用

指派问题在组合优化中属NP-Complete问题。提出了一种基于离散粒子群算法的求解方法。算法中每个粒子的位置代表了一种可行的指派方案,在迭代中通过交叉策略和局部搜索策略来更新粒子的位置,这既保证了粒子位置的可行性,又增加了粒子的多样性,避免陷入早熟收敛。通过实例仿真可以看出DPSO算法简洁,较以往算法具有更好的收敛性,能得到更优的解,能够求解匈牙利法不能求解的指派问题。对不同的问题,通过影响参数的调整,可以取得好的收敛效果。

求解车辆路径问题的离散粒子群算法

考虑车辆行驶时间和顾客服务时间的不确定性,建立了以车辆配送总费用最小为目标的机会约束规划模型,将其进行清晰化处理,使之转化为一类确定性数学模型,并构造了求解该问题的一种离散粒子群算法。算法重新定义了粒子的运动方程及其相关离散量运算法则,并设计了排斥算子来维持群体的多样性。与标准遗传算法和粒子群算法比较,该算法能够有效避免算法陷入局部最优,取得了满意的结果。