基于CLPSO-IDBN的风电机组轴承故障诊断

针对风电机组轴承故障诊断时的数据特征复杂难以提取,故障诊断准确率低,耗费时间长等问题,提出一种综合型学习粒子群算法(comprehensive learning particle swarm optimization,CLPSO)与改进深度置信网络(improved deep belief network,IDBN)相结合的故障诊断方法。首先在DBN内部添加了迭代误差阈值优化策略构建IDBN,大大减少了训练时间;然后利用CLPSO算法优选IDBN网络结构,运用具有最优结构的IDBN模型从原始信号中提取故障特征,识别轴承的故障类型。仿真实验结果表明,CLPSO-IDBN算法模型具有更高的准确率以及在相同情况时更少的训练时间,在训练集和测试集上的诊断准确率分别达到了98.28%与97%,并且可以平均节省约30%的训练时间,与4种其他方法相比较,证实了新方法的有效性与准确性。

改进的CLPSO算法及对复杂组合函数的优化研究

全面学习微粒群优化算法使用所有其它粒子的历史最好信息来更新粒子速度的策略改进标准微粒群算法,虽然一定程度避免陷入早熟,然而也存在到算法后期收敛速度急剧变慢的问题。采取兼顾粒子搜索范围和收敛速度方法并引入自适应的策略监视算法过程,当算法陷入停滞,即重新初始化,更新粒子系统,用复杂组合测试函数进行测试,表明了改进算法的有效性。

基于CLPSO算法的结构系统识别

系统识别问题可以转化成高维多模优化问题。针对基本粒子群优化在分析此类问题时容易出现早熟收敛从而导致局部优化和产生较大误差,提出将基于综合学习策略粒子群优化算法(CLPSO)应用于结构参数识别。由于该方法能够保持群体的多样性,因此可以避免早熟收敛。利用该方法在测量数据不完备且有噪声污染的条件下,同时在没有系统质量和刚度等先验信息的情况下对结构系统进行了识别,通过数值模拟以及对某真实结构进行分析,验证了该方法对结构系统识别的有效性。

基于CLPSO算法的混合变量桁架形状优化

为了解决混合变量桁架形状优化问题中离散截面面积和连续节点坐标的变量耦合给优化带来的困难,将一种新型智能优化算法——基于"综合学习策略"的粒子群算法(ComprehensiveLearning Particle SwarmOptimization,CLPSO)应用于桁架混合变量形状优化问题中。给出了考虑离散截面面积和连续节点坐标两类不同性质的设计变量的混合变量桁架结构形状优化的数学模型,并对经典桁架结构进行混合变量的形状优化,将所得结果与其他优化算法结果进行了比较。分析结果表明了该方法进行混合变量桁架形状优化设计的有效性。

基于CLPSO优化LSSVM的风数据缺失部分插补

风电场的实测风数据普遍存在着数据缺失的问题。由于风数据的非线性特点,常用的插补方法难以跟踪风的变化趋势,导致风数据缺失部分插补值精度低的问题。针对此问题,采用最小二乘支持向量机(LSSVM)模型插补缺失的风数据,使用综合学习粒子群算法(CLPSO)优化影响LSSVM模型性能的参数,从而形成了CLPSO-LSSVM插补模型。为了进行对比,另外使用了风切变指数模型(WSC)、自回归滑动平均模型(ARMA)、自适应神经模糊推理系统模型(ANFIS),对测试数据和风数据缺失部分进行插补。仿真结果表明:CLPSO-LSSVM模型的测试数据插补值精度最高,对风数据缺失部分插补值的相关系数也较大,综合指标最优,验证了该插补模型的有效性。

基于CLPSO-CatBoost的贷款风险预测方法

贷款风险分析是全球金融机构面临的共同考验.在大数据背景下,通过机器学习算法预防贷款风险具有现实意义.针对贷款数据不平衡、噪声大等特点,本文采用Boruta特征选择算法对贷款数据进行重要性筛选;提出通过综合学习粒子群算法(Comprehensive Learning Particle Swarm Optimization,CLPSO)优化CatBoost集成学习算法(CLPSO-CatBoost)的贷款风险预测方法,该算法改善了全局搜索能力、避免了陷入容易陷入局部最优的问题.CLPSO-CatBoost相较于传统信用评估模型具有更好的准确性,有实际应用价值.

免疫综合学习粒子群优化算法

针对综合学习粒子群算法后期收敛速度慢、一旦所有粒子陷入局部最优,则无法跳出等缺陷,提出免疫综合学习粒子群优化(ICLPSO)算法。ICLPSO算法引入人工免疫系统中的克隆选择机制,利用克隆复制、高频变异、克隆选择等操作,增加种群的多样性,提高算法的收敛速度,利用柯西分布较宽的两翼分布特性进行精英粒子学习以进一步增强粒子逃离局部极值及多峰函数优化问题全局寻优能力。针对标准测试函数的仿真结果表明,与其他改进粒子群算法相比,ICLPSO算法收敛速度快,求解精度更高。

桁架优化的改进粒子群算法

为了解决带有应力约束和位移约束的桁架的尺寸优化问题,将一种新型智能优化算法--基于"综合学习策略"的粒子群算法(comprehensive learning particle swarm optimization,CLPSO)应用于桁架结构的优化问题中.首先介绍了CLPSO算法的基本原理,给出了基于CLPSO算法的桁架结构优化设计的数学模型,并对经典桁架结构进行优化,将所得结果与其他优化算法结果进行了比较.分析结果表明了该方法进行结构优化设计的有效性.

基于聚类排序选择方法的进化算法

为提高进化算法的效率,提出了聚类排序选择方法。主要工作有:(1)提出了新的种群内个体相似度度量,并使用种群所包含不同簇的数量来描述和度量种群的多样性;(2)为解决早熟问题提出了新的基于种群聚类和排序选择的聚类-排序选择方法;(3)导出了选择压力-种群多样性(SP-PD)方程,该方程能描述进化过程中选择压力随种群多样性变化的规律。在基于全面学习粒子群算法环境中作了详实的实验,对16个多峰函数进行了优化。实验结果表明,在10维和30维条件下,在15个函数优化中,新方法明显优于指数排序选择方法,最高能使精度提高4个数量级。

基于ELM和MA的微型四频天线设计

提出一个基于极限学习机ELM(Extreme Learning Machine)和文化基因算法MA(Memetic Algorithm)的微型四频(0.92/2.4/3.5/5.8GHz)天线设计算法AntMA-ELM.为了提高天线的性能,算法在MA框架下引入基于综合学习粒子群优化算法CLPSO(Comprehensive Learning Particle Swarm Optimizer)全局搜索和DSCG(Davies,Swann,and Campey with Gram-schmidt)局部搜索,用于确定天线的几何参数.同时,建立ELM回归模型用于直接评估MA优化的适应值函数.实验结果表明,ELM回归模型能够根据输入参数正确估算天线的回波损耗,使MA算法有效提高设计性能和加速优化过程.天线在四个目标频段的回波损耗值均优于-10dB,满足设计要求.

基于响应面法和广泛学习粒子群算法的注塑件体积收缩优化

以柜式空调面板为研究对象,将体积收缩率作为优化目标。利用实验设计分析出对体积收缩率影响较大的4个工艺参数为熔体温度、模具温度、保压压力及保压时间。以这4个工艺参数为实验变量,通过响应面法(RSM)构建出它们与体积收缩率之间的响应面模型,使用残差分析检验响应面模型的拟合质量,并对响应面法优化结果进行CAE模拟验证,得出响应面模型具有较高精度。最后,运用广泛学习粒子群算法(CLPSO)对响应面模型进行迭代寻优,并验证优化结果。结果表明,将实验设计、响应面法及广泛学习粒子群算法相结合的优化效果好,能够显著降低塑件体积收缩率。

引入测评机制的综合学习粒子群优化算法

综合学习粒子群算法(CLPSO)能够改善粒子群算法多样性差且易局部收敛的问题,相比传统PSO算法能够一定程度避免算法早熟,但却存在收敛速度慢的问题。对此,提出一种CLPSO的改进算法(CLPSO-II),为每个粒子随机构造两个学习粒子,引入测评机制,择优学习。实验结果表明,CLPSO-II能有效提高CLPSO的搜索效率,在处理多峰函数时,其性能优于传统粒子群算法(PSO)、全面学习粒子群算法(FIPS)和综合学习粒子群算法(CLPSO)。

单个非球面扩束透镜的设计

为设计单个非球面扩束(缩束)透镜,由光线折射定律矢量形式和对非球面折射特性的理论分析,提出了一种设计单个非球面扩束(缩束)透镜的新方法—全面学习策略的粒子群算法,并用此方法设计出了线度小于170 mm缩束14.16倍的单个非球面缩束透镜,用光线追迹方法模拟了缩束或扩束过程。模拟结果表明,单个非球面透镜可以起到缩束或者扩束作用,全面学习策略的粒子群算法可用于非球面缩束透镜的设计。单个非球面透镜作为扩束镜使扩束系统结构大大简化,大大提高了出射光斑的均匀性。

含分布式发电的配电网规划方法研究

分布式电源的应用是解决目前的能源问题和环境问题的重要手段,但是大量的分布式电源接入配电网会给电网造成很大的影响。对分布式电源在配电网中的合理规划展开研究,从经济和环保的角度出发,建立了以含分布式发电的配电网建设和运行年总费用最小化为目标函数的规划模型,使用基于CLPSO的算法对规划模型优化求解,同时用IEEE33节点配电网测试系统对算例进行仿真,结果表明该种方案具有较强的应用价值。

改进粒子群算法在舰船备件配置优化问题中的应用

舰船备件在装备系统维修保障等各方面都有着举足轻重的地位,其随舰出海数量的合理性直接影响到保障效率。论文提出基于CLPSO算法的舰船备件配置优化方法,以系统任务可靠度与费用之比为研究问题的目标函数,系统任务可靠度、费用作约束条件构建模型并进行求解。通过实例验证了算法与模型的优越性和可行性。

基于综合学习策略粒子群优化算法的永磁同步电机模型辨识

在分析了永磁同步电机先验模型的基础上,引入线性二阶受控自回归模型。通过将系统辨识问题转化为优化问题,并引入综合学习策略粒子群优化算法实现了对二阶受控自回归模型参数的离线估计。为了验证模型的准确性和可靠性,在实际三轴运动控制平台上设计并完成了验证实验。实验结果表明,通过该方法获得的模型精度高,且能较好地表征永磁同步电机伺服控制系统的实际输入输出特性。

全面学习PSO算法与SUMT内点法在微电网调度中的应用

针对粒子群优化(PSO)算法易于陷入局部最优、收敛慢、对微电网的优化达不到最优等缺点,对粒子群优化算法进行改进。在对微电网的运行研究中,使用改进后的全面学习粒子群优化算法(CLPSO)对其经济效益进行优化,得到较好效果。以微电网的收益为目标,构建微电网各项电源发电的数学模型及经济成本,在系统运行(SOC设备功率等)约束条件和系统设计(可再生能源装机容量、失负荷率等)约束条件下,通过SUMT内点法的惩罚策略将带有约束条件的目标函数转化为无约束条件的目标函数,用全面学习粒子群优化(CLPSO)算法对微电网的收益进行优化。对影响微电网收益的各种因素进行简要分析。

多种群综合学习粒子群算法在动力定位能力分析中的应用

船舶动力定位能力的计算是一个多次求解非线性多峰问题的过程,综合学习粒子群算法是解决多峰问题较为适合的算法。但由于综合学习粒子群算法的速度更新机制,在算法后期的局部搜索能力较弱,导致收敛速度慢。为此,引入多种群思想,改变速度更新策略以及结合粒子变异机制和种群重组机制,提出一种多种群综合学习粒子群优化算法。最后基于该算法设计了一种动力定位能力计算方法。实例计算结果表明,利用该方法的计算结果与Kongsberg公司给出的结果相吻合,也明显好于基于综合学习粒子群算法而得到的结果。

基于惯性因子动态化的一种改进型粒子群算法

由于PSO算法采用了随机集群的理念，与其他智能算法类似，会出现“早熟”或收敛速度慢的问题。全面学习粒子群算法（CLPSO）是模拟鸟群的随机搜索行为的一种应用于连续空间的群体智能优化算法，其主旨是对每个粒子的历史最优值一种概率的形式出现进行更新。受全面学习粒子群算法启发，结合基于惯性因子的PSO改进算法，对惯性因子动态化，得到一种改进型粒子群算法。改进算法可以较好地拓展粒子的学习对象和搜索范围，避免“早熟”现象；能够较好地跳出求解聚类中心过程中易陷入某一局部的极小值的情况，从而得到全局最优解。