基于APSO的微纳卫星编队轨迹规划方法

针对微纳卫星编队在指定时间内由初始构型到指定构型的路径规划问题,提出了一种基于自适应惯性权重粒子群优化(adaptive-inertial-weightedparticleswarmoptimization,APSO)算法的轨迹规划方法。首先,通过Radau伪谱法将轨迹规划的连续最优控制问题离散化为参数优化的非线性规划(nonlinear programming, NLP)问题;其次,采用APSO算法对NLP问题求解,避免了复杂梯度求解困难的问题,同时降低了计算量;最后,通过仿真实验表明,所提方法可在更短时间内求得满足约束条件的最优轨迹,以完成在线轨迹规划任务。

基于APSO-Robust-ELM的大坝变形原始监测数据粗差识别方法

针对大坝原始监测数据普遍存在粗差的问题,提出了稳健估计与极限学习机相结合的粗差识别方法;并在此基础上,利用自适应粒子群算法寻找神经网络的最佳隐含层节点数;最后利用大坝安全预测模型验证所用方法的必要性和适用性。在工程实例分析中,将APSO-Robust-ELM法与Robust-ELM法、罗曼诺夫斯基准则和拉依达准则的处理结果进行对比,结果表明,APSO-Robust-ELM法能够更好的识别原始监测数据中的粗差,从而提高大坝安全运行的管理效率。

基于GPR代理模型和GA-APSO混合优化算法的软基水闸底板脱空反演

软基水闸底板脱空是水闸在长期服役期间受水流侵蚀等环境因素影响所产生的一种危害极大且难以察觉的病害。由于其病害部位于水下,传统方法难以检测,该研究提出一种基于高斯过程回归(Gaussian process regression,GPR)代理模型和遗传-自适应惯性权重粒子群(genetic algorithm-adaptive particle swarm optimization,GA-APSO)混合优化算法的水闸底板脱空动力学反演方法,用于检测软基水闸底板脱空。首先,构建表征软基水闸底板脱空参数和水闸结构模态参数之间非线性关系的GPR代理模型;其次,基于GPR代理模型与水闸实测模态参数建立脱空反演的最优化数学模型,将反演问题转化为目标函数最优化求解问题;最后,为提高算法寻优计算的精度,提出一种GA-APSO混合优化算法对目标函数进行脱空反演计算,并提出一种更合理判断反演脱空区域面积和实际脱空区域面积相对误差的指标—面积不重合度。为验证所提方法性能,以一室内软基水闸物理模型为例,对两种不同脱空工况开展研究分析,结果表明,反演脱空区域面积和模型实际设置脱空区域面积的相对误差分别为8.47%和10.77%,相对误差值较小,证明所提方法能有效反演出水闸底板脱空情况,可成为软基水闸底板脱空反演检测的一种新方法。

基于APSO-SSVM的异步电动机转子故障诊断

基于信号分析的异步电动机的转子断条与偏心故障诊断方法中,常用传统的电机电流信号特征分析(MCSA)方法。由于采样频率偏低、强大的基波旁瓣效应等因素的影响,会导致特征频率成分被淹没、难以量化故障程度等问题。因此,提出了一种基于自适应粒子群优化逐序支持向量机(APSO-SSVM)的异步电动机故障诊断方法。首先,利用经验小波变换(EWT)对原始信号进行滤波;然后,对滤波后的信号进行特征提取并输入到SSVM诊断模型中;最后,通过APSO算法确定各次序下SVM模型的最佳超参数,从而实现转子断条数量的精确故障诊断。

SA-APSO算法及其在变压器油中局部放电超声定位中的应用

针对基本粒子群算法(particle swarm optimization algorithm,PSO)局部寻优能力差及易早熟收敛的情况,提出一种融入模拟退火思路的自适应粒子群混合算法(simulated annealing-adaptive particle swarmoptimization algorithm,SA-APSO),在惯性权重变化-自适应粒子群基础上融入退火思想,以一定的随机概率接收最优值,能有效提升全局寻优能力并克服早熟收敛现象。利用测试函数进行的仿真结果表明SA-APSO算法在结果精度及稳定度上明显优于基本PSO。并将其应用于变压器油中局部放电的定位计算,将结果与基本PSO及自适应粒子群进行比较,结果表明基于SA-APSO的变压器油中局部放电超声定位方法能够实现全局精确定位,且结果稳定,综合误差小于3.7 mm。

APSO算法在光伏阵列MPPT追踪器中的应用

针对传统的MPPT算法无法在光伏阵列局部遮阴或光照不均等情况下对最大功率点进行有效追踪的问题,提出了一种自适应粒子群优化(APSO)算法。阐述了APSO算法的基本思想以及将该算法实际应用到光伏阵列最大功率点追踪(MPPT)追踪器中的设计思路,并给出了带APSO算法的追踪器硬件实现原理框图。测试结果表明,基于该算法的追踪器能够快速、准确地实现光伏阵列在部分遮挡条件下全局最大功率点的追踪,具有一定的工程应用价值。

基于SzAPSO算法的无线传感器网络节点定位

针对无线传感器网络节点定位问题,提出一个基于空间缩放和吸引子的粒子群优化Sz APSO算法的定位算法.算法的思想是将节点定位问题转化为距离约束函数优化问题,用Sz APSO算法求函数的最优解,从而实现节点定位.算法的特点是除了利用相邻锚节点和未知节点之间的距离约束进行定位外,还利用了相邻未知节点之间的距离约束进行定位.算法的优点是:定位精度高,效果较好,在锚节点比例为10%,节点无线通信半径R=1.8r的情况下平均定位误差不超过6%.仿真试验表明:相同条件下本文提出的定位算法比基于标准粒子群优化的定位方法以及带梯度搜索的半定规划定位算法的定位精度都要高.

采用APSO-LM-BP神经网络的挖掘机器人运动学逆解研究

针对挖掘机器人执行机构的运动学逆解求解难、速度慢的问题,提出一种基于APSO-LM-BP神经网络的逆运动学求解方法。利用自适应粒子群(APSO)算法对BP神经网络中的连接权值以及阈值进行优化,再把BP神经网络训练过程中的梯度下降法用LM算法代替,以克服传统BP神经网络的输出误差大,陷入局部极优解的缺陷。仿真结果表明,与传统BP神经网络相比,APSO-LM-BP神经网络输出误差大大降低,训练时间更短,改善了算法的收敛精度和收敛速度,且满足挖掘机器人运动学逆解要求。该方法可以推广至任意自由度串联机器人的逆运动学求解,具有较强的实用性。

基于离散变量GA-APSO算法的钢结构优化分析

本文针对遗传算法和粒子群算法收敛早熟、局部搜索能力差等缺点,在改进速度与位置更新算子函数的粒子群算法的基础上,插入了遗传算法的交叉和变异算子,提出了一种新的启发式现代混合算法——遗传-加速粒子群混合算法(GA-APSO)。该算法可以很好的跳出局部最优,扩大搜索域范围,提高收敛速度进而得到更合理的最优解。并基于离散变量将映射函数插入GA-APSO算法中,衍生出一种基于离散变量的GA-APSO算法,以一榀框架为算例通过与基于离散变量的APSO算法进行对比分析,证明了该衍生算法对于检索截面数据库中型钢规格自动选取具有一定的适用性。

基于KPCA-APSO-LSSVM的充填管道磨损风险预测

为提高充填管道磨损风险的预测精度,构建基于核主成分分析(KPCA)和自适应粒子群算法(APSO)优化的最小二乘支持向量机(LSSVM)磨损风险预测模型。首先通过KPCA对数据进行特征提取和降维处理,获取影响管道磨损的主要因素,然后应用LSSVM建立磨损风险预测模型,同时利用APSO算法对模型参数进行优化。最后,以黄陵县矿区为例,分析选取12种影响因素,建立充填管道磨损风险指标体系,借助MATLAB进行仿真训练与预测,并对预测结果进行对比分析。结果表明:KPCA-APSO-LSSVM模型与其他模型相比具有更高的预测精度及更强的泛化能力,是一种更为有效的磨损风险预测方法。

APSO算法在语音信号盲源分离中的研究

将自适应粒子群优化(Adaptive Praticle Swarm Optimization)算法运用到语音信号的盲源分离中,以峰度为目标函数,通过自适应调整惯性因子,克服了收敛速度和分离效果之间的矛盾,最终实现盲源分离。该算法避免了传统的优化算法自然梯度法稳定性差、易于陷入局部最优的不足。通过比较仿真结果和性能指标可以看出,APSO算法提高了收敛速度,改善了分离性能,表明了该算法在实现语音信号盲源分离中性能的优越性。

羊八井站多波段多大气成分主被动综合探测系统(APSOS)科学目标

青藏高原以其复杂的地形结构、独特的生态环境和特殊的生态系统类型,以及它对亚洲季风、东亚大气环流、海气作用过程(如El Nino-Southern Oscillation,ENSO)、全球气候变化等重要的影响,受到国内外众多生态和大气科学家的关注。由于青藏高原气象观测站数量少,且受探测技术的限制,高原许多地区大气成分的时空分布观测几乎为零。位于西藏羊八井宇宙线国家野外科学观测研究站的多波段多大气成分主被动综合探测系统(Atmosphere Profiling Synthetic Observation System,APSOS)作为一个全中性大气层多要素、高垂直分辨率、准连续探测系统,能够获取青藏高原高时空分辨率大气要素第一手地基观测数据,可为区域气候变化的长期监测和卫星遥感的地面验证提供关键数据,也能为研究对流层顶、急流区、中间层顶的复杂过程,以及全球变化中的大气上下层对太阳活动和地表的响应过程等科学问题提供基础数据。

ReliefF和APSO混合降维算法研究

降维与分类一直是机器学习的研究热点,在很多领域有着成功的应用.针对基因数据分类存在特征维数过高、冗余数据和高噪声等问题,现提出一种基于Relief F和自适应粒子群(APSO)优化的混合降维算法.即先通过Relief F和APSO算法选择特征子集,然后使用超限学习机作为评价函数对基因数据进行分类,最后通过循环迭代得到最优的分类精度.实验证明,混合降维算法与已有的算法相比分类精度更高、更稳定,它适用于基因表达数据降维.

基于APSO-ELM和模糊逻辑的灌溉时间决策

针对现有温室中采用基于定时器、流量计以及利用模糊控制方法实现的灌溉决策系统,没有考虑到作物各生育期的水分消耗情况,容易导致灌溉决策精度的损失问题。提出了一种基于自适应粒子群极限学习机(Adapation Particle Swarm Optimization-Extreme Learning Machine,APSO-ELM)算法和模糊逻辑系统的灌溉时间决策的设计。因APSO能够提高跳出局部搜索的能力以及ELM具有学习速率快等优点,所以将其结合来实现对参考作物蒸发蒸腾量的预测。因模糊逻辑系统能够满足灌溉是一个时滞性、非线性过程,所以利用作物蒸发蒸腾量和土壤下降率输入模糊逻辑系统,输出当前作物需要灌溉的时间。实验结果表明,该设计可以输出准确的灌溉时间。

基于MO-APSO的含风电场电力系统动态环境经济调度

为综合考虑碳排放权交易对风火联供模式的影响,基于节能减排、发电效益、机组运行3个方面约束条件,引入碳排放权交易成本函数,构建了考虑发电成本、碳交易成本、环境成本的风火联供系统多目标动态环境经济调度(DEED)模型。提出一种多目标自适应粒子群优化(MO-APSO)算法求解该DEED问题。根据寻优过程中粒子当前的适应度函数值,对惯性权重及学习因子进行自适应修正,进一步改善早熟的缺陷,增强全局搜索能力。含风电场的10机电力系统仿真结果表明:所提方法能同时优化成本和排放这2个冲突的目标,且获得了比其他算法更为宽广和均匀的Pareto前沿,有效降低了联供系统的碳排放量及综合运行成本。

自适应粒子群优化算法(APSO)在膜下滴灌优化灌溉中的应用

在考虑了灌溉水量、作物水分响应模型、降雨量、不同生育阶段缺水对产量敏感指数、作物市场价格、农业灌溉用水价格、膜下滴灌成本价格等因素下,建立了农作物经济效益最优的多约束、非线性灌溉模型。将APSO算法进行灌溉模型优化求解。利用新疆棉花膜下滴灌实验所得数据,得出了作物在不同范围有限灌水量下棉花各生育阶段间灌水量的最优效益分配,求解的结果显示该灌溉模型能很好地解决了作物非充分灌溉下优化灌溉问题。

基于APSO-SVR的山岳风景区短期客流量预测

根据山岳风景区短期客流量小样本、非线性等特征,本文提出基于自适应粒子群算法(Adaptive Particle Swarm Optimization,APSO)的支持向量回归(Support Vector Regression,SVR)模型,融合SVR处理小样本、非线性预测特性和APSO优化SVR参数的能力对山岳风景区短期客流量进行预测。来自山岳风景区黄山2008年～2011年暑期相关日数据的验证结果表明:与PSO-SVR、GA-SVR和BPNN等模型相比,APSO-SVR模型的预测准确性更高、误差更小,是进行山岳风景区短期客流量预测的有效工具。

基于太赫兹光谱和APSO-SVM的转基因棉籽识别方法

针对目前转基因产品检测是基于可见光/近红外光谱,在支持向量机建模中参数难以确定及光谱数据计算量过大的问题,提出了一种基于太赫兹光谱和自适应动态粒子群优化的支持向量机算法,以实现对转基因棉种子的分类判别。为实现转基因棉种子的分类识别,在波长150μm^3 mm采集3种最新转基因棉种子165个样本的太赫兹光谱,并用基于自适应动态粒子群优化的支持向量机对165个转基因棉种子进行识别。实验结果表明,综合识别率达到97.3%,太赫兹光谱结合自适应动态粒子群支持向量机可为转基因棉种子类型辨别提供一种快速、精确、简便、无损的检测方法。

采用sEMG的手势识别用APSO/CS-SVM方法

针对基于参数寻优的支持向量机(SVM)方法存在早熟收敛、全局寻优能力差、局部寻优精度低等问题,提出一种自适应粒子群/布谷鸟(APSO/CS)参数寻优方法,旨在实现SVM模型中核函数参数、惩罚因子的优化。测试函数分别对APSO/CS、APSO、CS的参数寻优性能进行了对比分析,表明APSO/CS寻优能够加快局部和全局寻优的收敛速度。采用表面肌电信号(sEMG)对APSO/CS、APSO、CS寻优的SVM方法进行了手势识别对比测试,实验测试结果表明,采用APSO/CS寻优的SVM方法进行手势识别时正确率最高,最高正确率可达94.50%,该方法可为识别分类算法提供一种新思路。

基于APSO–WLS–SVM的含瓦斯煤渗透率预测模型

为了较准确预测含瓦斯煤渗透率,有效预防瓦斯安全事故,提出自适应粒子群算法(APSO)优化的加权最小二乘法支持向量机(WLS–SVM)算法。根据对含瓦斯煤渗透率的相关理论及文献研究分析,选取有效应力、瓦斯压力、温度和抗压强度作为主要特征指标,采用APSO算法对WLS–SVM模型的组合参数(C、σ)寻优,建立APSO–WLS–SVM含瓦斯煤渗透率预测模型。结合现场实测资料中的40组数据作为训练样本,其余10组为预测样本,对该模型进行训练与检验,并将其预测结果与利用PSO–WLS–SVM和WLS–SVM模型的预测结果进行对比。结果表明:APSO-WLS-SVM模型的预测效果优于另外2个模型,提高了煤体渗透率的预测性能与泛化能力。