基于改进DPSO算法的航空发动机失谐叶片排序

通过叶片模态实验获得叶片失谐参数,建立了叶盘系统动力学模型,提出了一种新的排序方式.在标准粒子群算法中引入遗传算法的交叉算子和变异算子以及遗传选择的思想,利用罚函数法兼顾错频与减振的应用需求,保留了粒子群算法收敛较快的优秀特性,改善了粒子群的全局寻优能力,并得到比其他优化算法精度更高的排序结果.结果表明,恰当的叶片排布顺序可有效降低叶盘系统振动局部化,采用提出的离散遗传粒子群算法进行叶片排布可使叶盘系统振动幅度较小或者在可接受范围内.

云计算环境下的DPSO资源负载均衡算法

负载均衡问题是云计算研究的热点问题之一。运用离散粒子群算法对云计算环境下的负载均衡问题进行研究,根据云计算环境下资源需求动态变化,并且对资源节点服务器的要求较低的特点,把各个资源节点当做网络拓扑结构中的各个节点,建立相应的资源-任务分配模型,运用离散粒子群算法实现资源负载均衡。验证表明,该算法提高了资源利用率和云计算资源的负载均衡。

基于CRLB与改进DPSO算法的多传感器分配

针对地面防空武器系统中多传感器分配问题,首先研究基于Cramér-Rao下限的多传感器跟踪分配模型,根据目标跟踪过程的特点将Cramér-Rao下限引入分配模型,使得在进行跟踪分配时无需考虑目标跟踪滤波算法的选择,同时通过细化约束条件使模型更加贴近实际作战情况。利用离散粒子群优化算法求解模型,通过改进其搜索策略以及惯性权值和加权因子提高算法准确性与时效性,给出了模型的求解步骤。关联仿真结果表明该分配方法的可行性,并通过对比算法求解模型验证了改进DPSO算法的快速准确性。

基于改进DPSO算法的并行测试任务优化调度研究

并行测试以减少测试时间和降低测试成本的强大优势,已成为当前自动测试系统发展的方向;针对并行自动测试过程中,测试任务调度复杂,难以优化的问题,以PSO算法为基础,通过对问题空间编码的重新定义,并运用交叉、变异算子给出了新的粒子位置的更新公式,提出了一种改进后的DPSO算法;依据并行测试完成时间极限定理,给出了并行测试任务调度的目标函数与约束条件;以某雷达电子装备并行测试系统中三块电路板并行测试为例,对改进的DPSO算法进行了仿真验证,得到了最优调度测试序列;结果表明:与遗传算法相比,改进后的DPSO算法迭代次数更少,寻优性能更好,适用于工程应用。

基于DPSO的无等待混合流水车间调度方法

研究了无等待混合流水车间调度问题,调度目标为最小化工件的最大完成时间。针对问题中工件加工无等待特点,设计了分阶段实现的无等待算法,并将机器的能力约束嵌入到算法之中。在此基础上,首次应用离散粒子群优化算法对无等待混合流水车间调度问题进行了优化求解。通过仿真实验表明,离散粒子群算法的优化质量优于遗传算法及LTPT、STPT和FCFP三种启发式算法,同时验证了分阶段无等待算法的有效性。

基于改进DPSO算法的航空发动机失谐叶片排序

通过叶片模态实验获得叶片失谐参数建立了动力学模型。在标准粒子群算法中引入遗传算法的交叉算子和变异算子以及遗传选择,保留了粒子群算法收敛较快的特性,增加种群的多样性,改善了粒子群的全局寻优能力,并得到比其他优化算法精度更高的排序结果。研究表明,选择适当的叶片排布顺序可以有效降低叶盘系统受迫振动幅值、减轻系统振动局部化程度,采用提出的离散粒子群算法(discrete particle swarm optimization,简称DPSO)进行叶片排布可以使叶盘系统振动幅度较小或者在可接受范围内。

基于DPSO算法的联合防空调度方案仿真优化方法

联合是现代防空作战的重要趋势,但其效果难以定量计算,当考虑兵力编成、任务指派等离散、受约束的调度参数时,其方案优化更是NP-Hard难题。对此,提出了基于离散粒子群(DPSO)算法的仿真优化方法:利用作战仿真评估方案效能,再利用DPSO算法进行优化。概述了典型联合防空作战过程;建立了轰炸机、地空导弹、雷达干扰机等仿真模型和作战效能评估模型;介绍了DPSO算法的原理和基于DPSO算法的调度优化模型;最后,实例展示了方法的有效性。

基于优化DPSO算法的云平台任务调度研究

为提升离散粒子群优化算法(discrete PSO,DPSO)的全局收敛性和收敛效率,提出一种基于适应值的分段自适应惯性权重.根据粒子在空间搜索过程中适应度值的大小,将粒子的搜索性能分为4个状态区,粒子处于不同的状态区,拥有不同的惯性权重值.当粒子当前的适应值接近粒子群中最优粒子的适应值时,应赋予粒子较小的惯性权重值,反之,应赋予粒子较大的惯性权重值.通过动态调整粒子所处各个阶段的搜索状态,来加速粒子向全局最优解收敛.提升DPSO算法的全局搜索性能,并将优化的DPSO算法应用于云平台的任务调度.仿真实验表明,优化后的DPSO算法具有高效的全局搜索性能,能快速地为云平台提供最佳任务调度策略.

DPSO算法在导航卫星姿态测量中的应用

导航卫星载体姿态测量是航空、航天、航海和陆地导航中的关键技术。基于载波相位差的载体姿态测量,相位双差整周模糊度的求解是重点和难点。将离散粒子群(DPSO)算法应用于整周模糊度的搜索,无需进行模糊度的去相关处理,采用该算法直接搜索整周模糊度,进而求解出基线矢量。该算法可以提高整周模糊度解算的效率和实时性,适用于动态载体姿态测量。试验结果证明了该算法的有效性。

一种基于DPSO的无线传感器网络QoS路由算法

针对无线传感器网络中不同业务对服务质量(QoS)的不同需求,提出一种基于离散粒子群优化(DPSO)的无线传感器网络QoS路由(DPSO-QR)算法。算法将路由建立过程抽象为多目标优化过程,以节点间通信的传播损耗、时延、带宽、丢包率为优化目标,利用DPSO算法实现多目标优化,为拥有不同QoS需求的网络业务提供满足其特有需求的优化路由。仿真实验表明:与SAR,EQR算法相比,DPSO-QR算法降低了网络平均端到端时延,减小了丢包率,延长了网络寿命。

基于DPSO算法的黑启动负荷恢复方案

为了科学、合理制定负荷恢复方案，通过研究负荷恢复特性，提出了一种基于DPSO算法的负荷恢复算法。该方法对指定的目标节点进行负荷恢复计算，使得负荷恢复具有更强的针对性、适应性和可操作性。通过经典电网模型和实际运行电网的验证，结果表明了算法有效性。

基于DPSO-AO~*算法系统测试序列优化问题研究

为了使复杂装备信息处理系统在进行故障定位过程中耗时最少、成本最低,建立了系统测试序列优化问题的数学模型。基于DPSO-AO~*算法的改进,得到信息处理系统的最优测试策略决策树,根据信息处理系统的相关矩阵,按故障概率,随机生成故障,采用相应的测试序列进行测试,最后利用累计测试费用进行比较,从而证明了改进的DPSO-AO~*算法正确有效。

一种新的基于发散度函数的地形模型简化方法

提出了一种新的地形模型简化方法,该方法是在隐式四叉树层次结构基础上,结合离散粒子群思想建立地形的简化模型.文中重新定义粒子为具有层次信息的特征点的集合,从而每个粒子与简化模型的一个候选解相对应.为了实现多个粒子的空间压缩和快速检索,给出了隐式四叉树层次结构的快速索引方法.此外提出了基于法向矢量夹角的发散度函数的误差计算方法,重新定义了既满足地形模型误差要求同时兼顾模型简化比例的粒子评价函数,使地形简化模型在保持细节特征和轮廓特征的同时获得了更优的简化比率和模型精度.最后采用最优粒子作为启发信息引导简化过程,因此多个粒子迅速收敛于最优简化模型,从而模型的简化效率大大提高.文中方法均在多个基准数据上进行实验研究,结果表明与经典层次简化方法相比,算法效率和模型精度均显著提高.

基于探测粒子群的小波核极限学习机算法

在分析核极限学习机原理的基础上,将小波函数作为核函数运用于极限学习机中,形成小波核极限学习机(WKELM)。实验表明,该算法提高了分类性能,增加了鲁棒性。在此基础上利用探测粒子群(Detecting Particle Swarm Optimization,DPSO)对WKELM参数优化,最终得到分类效果较优的DPSO-WKELM分类器。通过采用UCI基因数据进行仿真,将该分类结果与径向基核极限学习机(KELM)、WKELM等算法结果进行比较,得出所提算法具有较高的分类精度。

改进离散粒子群算法求解柔性流水车间调度问题

针对以最小化完工时间为目标的柔性流水车间调度问题(FFSP),提出了一种改进离散粒子群(DPSO)算法。所提算法重新定义粒子速度和位置的相关算子,并引入编码矩阵和解码矩阵来表示工件、机器以及调度之间的关系。为了提高柔性流水车间调度问题求解的改进离散粒子群算法的初始群体质量,通过分析初始机器选择与调度总完工时间的关系,首次提出一种基于NEH算法的最短用时分解策略算法。仿真实验结果表明,该算法在求解柔性流水车间调度问题上有很好的性能,是一种有效的调度算法。

基于动态双种群粒子群算法的柔性工作车间调度

针对标准粒子群优化算法存在易陷入局部最优点的缺点,提出了一种基于动态双种群的粒子群优化算法(DPSO).DPSO算法将种群划分成两个种群规模随进化过程不断变化的子种群,两个子种群分别采用不同的学习策略进行进化,并在进化过程中相互交换信息.该算法提高了全局寻优能力,有效地避免了早熟收敛的发生.将以DPSO算法为基础的排序算法和启发式分配算法(HA)相结合形成了解决柔性工作车间调度问题的新方法(DPSO-HA).通过对算例的研究和与其他方法的比较表明,该方法是有效可行的.

求解多模式资源约束项目调度问题的离散粒子群算法

多模式资源约束项目调度问题(MRCPSP)是在传统的资源约束项目调度问题基础上增加多种执行模式和不可更新资源约束条件后,再寻求总完工时间的最小化。为此提出了一种改进的离散粒子群算法(DPSO)用于求解此类问题。为了验证算法的有效性,选取了不同规模的上千算例进行了测试,并与相关文献给出的结果进行了比较,各算例平均偏差均小于其他算法的计算结果,且获得最优解的百分比明显高于文献中其他算法的结果。表明该算法无论在计算精度还是计算效率方面都具有较强的可比性。

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。

基于离散粒子群优化的轧辊热处理调度方法

以某轧辊企业铸钢分厂的轧辊热处理调度问题为实际背景,研究了两阶段及三阶段无等待混合流水车间调度问题.针对问题中工件加工无等待特点,设计了分阶段实现的无等待算法;在此基础上,结合离散粒子群优化算法对建立的整数规划模型进行优化求解.通过对真实数据仿真实验所得结果的比较与分析,验证了算法的可行性和有效性,并给出了具有实际参考价值的设备改进策略,对生产决策者合理安排生产具有一定的指导意义.

废水中和过程的RBF神经网络预测控制

废水中和过程有较强的非线性、时变性和滞后特性,对于过程模型的辨识与控制较为困难,采用常规的线性化模型或传统PID控制方法存在模型过于复杂,算法难以在线实施,控制精度不能保证等问题,很难取得满意的控制效果、针对该问题,应用酸碱中和的强酸当量模型,提出了一种基于敏感度(Sensitivity Analysis,SA)和动态粒子群优化算法(Dynamic Particle Swarm Optimization,DPSO)相结合的RBF神经网络模型辨识方法,通过调整网络结构和辨识出系统的滞后时间来提高模型辨识效率和预测精度,将RBF神经网络辨识器与神经网络控制器相结合构成电厂废水处理pH中和过程的预测控制系统。经过仿真研究和试验验证,与电厂实际应用的PID控制方法相比较,该方法能有效地对pH值进行控制,并实现较小的控制误差和节约药剂的效果。