基于BQPSO的多故障最小候选集生成技术研究

多故障最小候选集生成是多故障诊断策略的首要问题,研究了利用二进制量子粒子群优化算法(Binary Quantum ParticleSwarm Optimization,BQPSO)生成多故障模糊组最小候选集的方法;首先利用紧急表示法描述某或节点上的多故障模糊组,其最小候选集即多故障模糊组的最小碰集;然后利用BQPSO算法求解多故障模糊组的最小碰集,通过进行二进制编码,并构造引导粒子搜索问题解的适应度函数,解决BQPSO算法求解最小碰集的适应性问题,并保证了算法尽可能搜索冲突集的全部碰集;最后通过某系统实例对算法的有效性进行了验证;结果表明,该算法具有全局搜索能力强、控制参数少、收敛性能好、运算简便等优势,能有效应用于多故障最小候选集问题的求解。

基于BQPSO的无线传感器网络节点调度算法

在多目标跟踪中,要求无线传感器网络在满足跟踪精度的前提下,最大限度地降低对传感器资源的使用。基于这一目的,适当选择节点避免共线度过高,并采用APIT实现精确定位,同时考虑跟踪簇总能耗设计节点调度目标函数,采用二进制量子粒子群优化算法解决传感器资源冲突问题。仿真结果表明:虽然基于BQPSO的节点调度算法比基于PSO的节点调度算法在能耗上增加了17.47%,但定位精度可以提高31.84%。算法在提高定位精度的同时最大限度地降低了对资源的使用,有效延长了无线传感器网络的工作寿命。

基于BQPSO的潜水器路径规划算法

在栅格法的自治水下机器人离散工作空间基础上,提出一种基于二进制编码的量子粒子群(BQPSO)算法求解自治水下机器人路径规划问题。该算法将路径表示为粒子位置的二进制编码,以路径长度为适应值,引入交叉策略避免陷入局部最小。仿真实验表明,BQPSO算法可以进行有效的自治水下机器人路径避障。

基于IBQPSO算法的电动汽车时空双尺度有序充电引导策略

大规模电动汽车的无序充电会影响电网的安全经济运行,以车联网系统为基础,提出电动汽车的充电行为引导策略。充电站运营商按用户在时间和空间上接受充电引导所起的作用对于整体调度作用的贡献程度,分别对用户进行费用补偿,在此基础上建立时空双尺度有序充电引导模型。其次,提出一种IBQPSO算法求解规划问题。最后,通过具体算例对模型进行仿真,结果能满足电网、充电站运营商和电动汽车用户三方的利益,表明了模型与算法的可行性与有效性。

基于BQPSO算法的癌症特征基因选择与分类

提出了基于二进制编码的量子行为粒子群优化算法(BQPSO)的癌症特征基因选择方法,利用BQPSO对样本数据进行特征选择。使用选出的特征基因训练支持向量机进行留一法交叉验证。实验结果表明,基于BQPSO算法的癌症特征基因选择方法是一种行之有效的方法。

基于二进制量子粒子群算法的含分布式电源配电网重构

配电网重构是一个复杂的非线性组合优化问题。为了克服基本优化算法易陷入局部最优解的问题,提出了一种改进的二进制量子粒子群算法(BQPSO),对含分布式电源(DG)的配电网重构模型进行求解。通过引入遗传算法的交叉操作和变异操作来避免早熟来提高算法的全局搜索能力,改进了算法的性能。并且选择了适当的不可行解处理方式来提高了算法的计算效率。最后通过对IEEE33节点配电系统进行仿真,验证所提算法在求解重构问题时得到的解更好,收敛速度和全局寻优能力都有提升。

二进制量子粒子群优化算法及其在化工过程故障诊断中的应用

针对实际化工生产过程中故障数据缺乏,采用适合小样本问题的支持向量机(SVM)对化工过程稳态故障进行诊断。为了保证在线故障诊断的实时性,消除高维监控数据以及系统噪声对故障诊断的干扰,提出了一种新的基于二进制量子粒子群优化(BQPSO)算法和SVM的故障特征选择方法。仿真实验表明:BQPSO算法具有良好的全局搜索能力,能够快速、准确地搜索到故障特征变量;而基于特征选择的SVM故障诊断方法能可靠地实现对复杂化工过程的在线故障诊断。

基于多边形近似的图像纹理全局特性研究

使用传统的MRF模型进行纹理合成时存在无法把握纹理全局特性的缺陷,对具有大规模结构特性的纹理进行合成时,容易造成纹元周期性混乱。将特征匹配的方法引入传统MRF模型中可改良图像合成效果。详细分析了特征点识别与定位对整个纹理合成的作用。首次提出了一种用基于二进制具有量子行为的粒子群算法的多边形近似来分析纹理图像中特征点分布的结构模式分析方法。该方法可以提取结构性及半结构性半随机性纹理中的特征点分布规律,采用对特征点分级的方法定位纹理的大规模乃至全局特性。

基于BW ratio与二进制量子粒子群的基因选择方法

信息基因选择在肿瘤识别问题中起着关键作用。本文提出了一种新的组合式的肿瘤信息基因选择方法,首先从单个基因的样本相关性角度出发,采用BW-ratio过滤指标对基因子集进行初选;然后采用二进制量子粒子群算法进一步对信息基因精选,支持向量机(SVM)作为分类器来测试和评估所选出的肿瘤信息基因的分类能力。在二进制量子粒子群算法中,我们给出了一种新的粒子更新的公式。实验是在两个公开的基因表达谱数据集急性白血病(Leukemia)和结肠癌(Colon Tumor)上完成,分别只需5和7个信息基因就能获得了100%和96.77%的10折交叉验证识别准确率。实验结果表明了所提出的信息基因选择方法对于肿瘤的识别问题研究的有效性和可行性。

含充电站及光伏电源的配电网协调规划

电动汽车与光伏电源对配电网规划与运行带来新的机遇与挑战。考虑二者同时接入的影响,提出一种含充电站及光伏电源的配电网协调规划模型与方法。本方法计及光伏电源、用户充电以及负荷波动的随机性,结合半不变量随机潮流计算方法,建立以充电站、光伏电源投资成本,电动汽车用户充电成本,线路投资成本,网络损耗成本和环境效益为目标函数,综合考虑投资经济性、用户充电便捷性、环保性以及电网运行限制的机会约束规划模型;然后,采用离散量子粒子群算法对模型进行求解。最后,以改进的IEEE33节点系统以及其模拟的交通路径系统为例,证明所提模型及算法的可行性及有效性。

量子粒子群和相关性分析在心电特征选择中的应用

针对心电(ECG)信号情感识别中特征选择的问题,首先运用相关性分析方法,去除原始特征集中的高相关度特征,实现原始特征集的降维;其次,为了在降维后的特征空间中进行有效的特征选择,提出了一种改进的二进制量子粒子群算法(SBQPSO)。实验结果表明,基于本算法结合Fisher分类器建立的ECG信号情感识别系统能够对高兴、惊奇、厌恶、悲伤、愤怒和恐惧6种情感达到良好的识别效果。

基于改进量子粒子群算法的微网多目标优化调度

根据微网与主网之间不同的交互方式制定2种不同的优化策略,建立以微网经济成本和环境效益为目标的优化调度模型,采用蜂群搜索策略的改进量子粒子群(BQPSO)算法进行求解。该算法具有较强的全局搜索能力,能够提高计算精度,避免陷入局部最优解,有效改善多目标优化调度的Pareto前沿分布特性。最后,以典型的微型燃气轮机、柴油发电机和燃料电池组成的微网系统为例,验证了所建模型和所提方法的有效性。

改进人工鱼群算法在认知无线电决策引擎中的应用

针对遗传算法、粒子群算法等应用于认知无线电决策引擎时存在收敛速度慢,容易陷入局部最优解的缺陷,提出了一种基于改进人工鱼群算法的认知无线电决策引擎.利用改进人工鱼群算法全局收敛性强、鲁棒性能好、初值敏感度低等特点,更快速、高效地优化调整传输参数,从而寻找特定条件下的最优配置方案.仿真结果表明,在多载波通信系统下,该认知决策引擎具有收敛精度高、平均适应度值高、稳定性强等特点,性能优于二进制量子粒子群认知引擎.

基于细胞自动机和QPSO的间接编码神经网络结构设计算法

设计间接编码方案表达网络结构,利用二维细胞自动机中的元细胞表示网络连接存在与否,对元细胞的坐标和值分别演化,实现对网络结构的生长和剪枝.应用二进制量子化粒子群算法,采用特定的适应度函数,生成和进化元细胞的坐标.设计元细胞的邻域演化规则,演化元细胞的值.利用浮点量子化粒子群算法训练当前网络,逐步得到最终稳定网络结构及其参数.实验结果表明,当应用于不同规模的网络结构设计时,算法复杂度变化不大,并且具备稳定的收敛性能.