Optimization of jamming formation of USV offboard active decoy clusters based on an improved PSO algorithm

Offboard active decoys(OADs)can effectively jam monopulse radars.However,for missiles approaching from a particular direction and distance,the OAD should be placed at a specific location,posing high requirements for timing and deployment.To improve the response speed and jamming effect,a cluster of OADs based on an unmanned surface vehicle(USV)is proposed.The formation of the cluster determines the effectiveness of jamming.First,based on the mechanism of OAD jamming,critical conditions are identified,and a method for assessing the jamming effect is proposed.Then,for the optimization of the cluster formation,a mathematical model is built,and a multi-tribe adaptive particle swarm optimization algorithm based on mutation strategy and Metropolis criterion(3M-APSO)is designed.Finally,the formation optimization problem is solved and analyzed using the 3M-APSO algorithm under specific scenarios.The results show that the improved algorithm has a faster convergence rate and superior performance as compared to the standard Adaptive-PSO algorithm.Compared with a single OAD,the optimal formation of USV-OAD cluster effectively fills the blind area and maximizes the use of jamming resources.

Research on Trajectory Tracking Method of Redundant Manipulator Based on PSO Algorithm Optimization

Aiming at the problem that the trajectory tracking performance of redundant manipulator corresponding to the target position is difficult to optimize,the trajectory tracking method of redundant manipulator based on PSO algorithm optimization is studied.The kinematic diagram of redundant manipulator is created,to derive the equation of motion trajectory of redundant manipulator end.Pseudo inverse Jacobi matrix is used to solve the problem of manipulator redundancy.Based on the tracking ellipse of redundant manipulator,the tracking shape of redundant manipulator is determined with the overall tracking index as the second index,and the optimization method of tracking index is proposed.The redundant manipulator contour is located by active contour model,on this basis,combined with particle swarm optimization algorithm,the point coordinates on the circumference with the relevant joint point as the center and joint length as the radius are selected as the algorithm particles for iteration,and the optimal tracking results of the overall redundant manipulator trajectory are obtained.The experimental results show that under the proposed method,the tracking error of the redundant manipulator is low,and the error jump range is small.It shows that this method has high tracking accuracy and reliability.

High-Reliability Photovoltaic Converter Based on Improved PSO Algorithm

An improved particle swarm optimization(PSO)algorithm based on dynamic inertia weight and adjustment coefficient is proposed in this paper.The expressions of inertia weight and adjustment coefficient are established based on inter-particle distance and iterations.The improved algorithm is applied to a novel two-stage photovoltaic(PV)converter.The later DC/AC circuit chooses a dual-DC-input multi-level dual-buck inverter.This converter has the advantages of no shoot-through problem and high efficiency.Finally,the validity and effectiveness of the algorithm and the converter are verified with experimental results.

Dynamic Multi-objective Optimization of Chemical Processes Using Modified BareBones MOPSO Algorithm

Dynamic multi-objective optimization is a complex and difficult research topic of process systems engineering. In this paper,a modified multi-objective bare-bones particle swarm optimization( MOBBPSO) algorithm is proposed that takes advantage of a few parameters of bare-bones algorithm. To avoid premature convergence,Gaussian mutation is introduced; and an adaptive sampling distribution strategy is also used to improve the exploratory capability. Moreover, a circular crowded sorting approach is adopted to improve the uniformity of the population distribution.Finally, by combining the algorithm with control vector parameterization,an approach is proposed to solve the dynamic optimization problems of chemical processes. It is proved that the new algorithm performs better compared with other classic multiobjective optimization algorithms through the results of solving three dynamic optimization problems.

Data-Driven Joint Estimation for Blind Signal Based on GA-PSO Algorithm

Without any prior information about related wireless transmitting nodes,joint estimation of the position and power of a blind signal combined with multiple co-frequency radio waves is a challenging task.Measuring the signal related data based on a group distributed sensor is an efficient way to infer the various characteristics of the signal sources.In this paper,we propose a particle swarm optimization to estimate multiple co-frequency"blind"source nodes,which is based on the received power data measured by the sensors.To distract the mix signals precisely,a genetic algorithm is applied,and it further improves the estimation performance of the system.The simulation results show the efficiency of the proposed algorithm.

建筑结构钢板热轧轧机DBN-PSO振动预报及应用

利用实时监测数据(Real-Time Monitoring Data,RMD)参数分析轧机振动状态,综合运用深度置信网络(Deep Belief Networks,DBN)与粒子群(Particle Swarm Optimization,PSO)算法构建轧机振动仿真模型,实现RMD参数的深度挖掘,并达到轧机振动的预报效果。通过融合处理能够获得非常接近实际振动过程的预测数据,具备优异预测能力。结合现场测试的初始数据预测误差在3.5%范围内,跟轧机振动情况相符。当轧制速率变慢后,振动加速度出现了降低结果;入口张力对轧机的振动加速度具有反向作用;轧机振动加速度相对出口张力表现为正相关特点;以不同宽度的轧件进行测试发现轧机振动加速度保持基本恒定的状态。该研究对提高热轧轧机运行稳定性,对保证建筑结构钢板成形精度具有很好的指导意义,可以拓宽到其它的成形设备优化领域。

基于改进PSO-Elman的液晶显示器颜色特性化

液晶显示器颜色特性化可以实现同一幅图像在不同设备上的准确显示。为解决液晶显示器颜色特性化存在模型建立复杂、模型鲁棒性差导致特性化精度较低的问题,提出基于改进PSO-Elman神经网络的方法建立RGB颜色空间到CIEXYZ颜色空间的转换模型(ACOPSO-Elman)。首先根据粒子种群规模和粒子位置关系构造惯性权重与学习因子的自适应调节函数提高PSO算法的全局寻优能力和收敛速度,并在寻优过程中添加混沌优化(CO),防止粒子陷入局部最优解,将改进的粒子群算法用于Elman模型参数寻优,解决了Elman模型参数较难选取的问题。通过仿真验证并与BP、Elman神经网络模型比较表明,ACOPSO-Elman模型特性化的平均色差为1.9247ΔE^(*)_(ab),最大色差为5.1252ΔE^(*)_(ab),在特性化精度上取得了较好的效果。

局部遮荫下基于改进PSO算法的光伏发电MPPT控制

为解决光伏阵列在局部遮荫工况下最大功率点跟踪问题,在分析光伏阵列输出特性的基础上,提出惯性权重自适应调整、飞行速度动态钳位、迭代周期动态更新的改进型粒子群优化算法对光伏阵列输出调节电路实施控制。MATLAB仿真结果表明:与常规扰动观察法、基本粒子群优化算法相比,该算法在静态与动态的局部遮荫工况下均能获得较高的最大功率点跟踪精度,且缩短了近50%的跟踪时间,提高了光伏阵列的发电效率。

基于PSO-SVM的Φ-OTDR系统模式识别研究

针对相位敏感光时域反射仪(phase sensitive optical time domain reflectometer,Φ-OTDR)系统中误报率高的问题,提出一种多域特征提取与粒子群算法优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)相结合的模式识别算法。首先,对原始信号进行差分处理后提取时域特征,并利用小波包分解方法,通过验证不同分解层数下的事件分类准确率,设定最优分解层数为6层,提取差分信号的能量特征。然后以SVM分类器为基础,利用PSO算法优化SVM分类器参数,提高光纤振动信号识别准确率。最后利用Φ-OTDR事件数据集进行验证,实验结果表明,该模式识别算法达到了95.6%的振动事件分类准确率。

基于K-PSO算法的机器人运动学参数标定方法

针对机器人运动中产生的误差的问题,提出了一种基于K-PSO算法的机器人运动学参数标定方法,该方法用于机器人参数标定中可对误差进行弥补,大大提高机器人的运动精度。K-PSO算法结合了K均值聚类和粒子群优化的思想,利用K均值聚类算法对机器人的运动学参数初始粒子进行分组,然后通过改进的粒子群优化算法对参数进行优化。实验结果表明,改进K-PSO方法能够有效地减少计算复杂度,并且具有更快的收敛速度和较高的参数估计精度,该方法对于机器人的精确控制和运动规划具有重要意义。

基于PSO-Elman神经网络的井底风温预测模型

目前井下风温预测大多采用BP神经网络,但其预测精度受学习样本数量的影响,且容易陷入局部最优,Elman神经网络具备局部记忆能力,提高了网络的稳定性和动态适应能力,但仍然存在收敛速度过慢、易陷入局部最优的问题。针对上述问题,采用粒子群优化(PSO)算法对Elman神经网络的权值和阈值进行优化,建立了基于PSO-Elman神经网络的井底风温预测模型。分析得出入风相对湿度、入风温度、地面大气压力和井筒深度是井底风温的主要影响因素,因此将其作为模型的输入数据,模型的输出数据为井底风温。在相同样本数据集下的实验结果表明:Elman模型迭代90次后收敛,PSO-Elman模型迭代41次后收敛,说明PSO-Elman模型收敛速度更快;与BP神经网络模型、支持向量回归模型和Elman模型相比,PSO-Elman模型的预测误差较低,平均绝对误差、均方误差(MSE)、平均绝对百分比误差分别为0.376 0℃,0.278 3,1.95%,决定系数R^(2)为0.992 4,非常接近1,表明预测模型具有良好的预测效果。实例验证结果表明,PSO-Elman模型的相对误差范围为-4.69%~1.27%,绝对误差范围为-1.06~0.29℃,MSE为0.26,整体预测精度可满足井下实际需要。

基于PSO-GA的分片区块链系统性能优化方法

在这篇文章中,针对分片区块链(Sharded Blockchain)系统性能优化问题,提出了一种结合粒子群和遗传算法的系统性能优化方法(PSO-GA),目的是为了在尽可能满足当前网络环境情况下,提升其系统吞吐量.该方法考虑分片区块链中节点的计算能力、恶意节点的概率以及节点之间的传输速率等不同网络环境下,找到响应网络状态的最佳分片区块链系统参数;为了避免传统粒子群优化算法陷入局部最优的问题,引入遗传算法中的交叉操作和变异操作,有效提高方法的准确性.通过大量仿真实验对方法的有效性进行验证分析.实验结果表明,相比于其他的方法,本文所提出的方法可以在更短的时间取得更高的系统吞吐量.

基于GWO-PSO算法的小尺度地区LID布设优化模型研究

【目的】海绵城市通过低影响开发(LID)雨水系统来降低降雨相关灾害的影响,合理的LID布设方案是开发效果的决定性因素。【方法】通过耦合暴雨洪水管理模型(SWMM)和灰狼粒子群算法(GWO-PSO),建立了小尺度地区LID优化布设模型。GWO-PSO算法中粒子进行了基于社会等级制度的位置策略调整,以此得到更好地寻优性能。模型依据排放口流量,完成参数自动率定,并以洪峰流量为目标,经济成本为约束,求解雨水花园、生物网格、绿色屋顶和透水铺装四种包含相互独立与制约关系的LID设施的优化布设方案。【结果】将该模型应用于某试点小区,在预算182万元的情况下,得到5 a、10 a、20 a和50 a重现期下的布设方案,洪峰削减率分别为61.5%、53.2%、42.4%和31.1%。【结论】结果表明:在小尺度地区进行LID建设时,需要考虑子汇水区面积的影响;对于道路汇水区,需要联系地理位置布设;在低重现期下,各LID设施调控效果均较好,而在高重现期下,绿色屋顶的承受能力最强,且需要更多预算进行削峰。

基于PSO-SA算法的源项反演方法研究

针对大气污染事故突发时,事故发生点无法确定或人员不能接近的情况,研究了基于环境监测数据源项反演以获取事故源项数据的技术,设计实现了一种基于粒子群-模拟退火源项反演方法。采用自适应方法调整惯性权重系数,与高斯烟羽扩散模型结合,对事故源项数据进行反演。实验结果显示:在所选监测点监测数据的反演实验中,基于粒子群-模拟退火算法(PSO-SA)结合了两种算法的优势,能够获得与期望值较为符合的反演结果。进一步分析了监测点数据误差及监测点数量对反演结果的影响,并将文中方法与粒子群算法(PSO)进行对比,同等条件下,较粒子群算法精度提高了8%,能够快速实现对大气污染源强和位置的准确估计。

基于Kriging代理模型及改进PSO的变模温注塑成型翘曲变形优化

为提升变模温注塑成型的产品质量,提高优化效率,将翘曲变形作为优化目标,模具温度、保压压力、熔体温度、保压时间、冷却时间等工艺参数作为变量因素,采用Moldflow模拟变量因素对优化目标的影响,通过最优拉丁超立方试验设计选出试验样本,建立Kriging代理模型,并且,检测代理模型拟合精度。采用改进PSO算法,得到最优翘曲模型预测值及最佳工艺参数组合。对比改进后的PSO与标准PSO,平均迭代次数、迭代时间约降低了45%,最优适应度、平均适应度、最差适应度、局部最优解及未实现收敛等参数均得到提升。通过实验验证可知,与优化前翘曲值(1.293 mm)相比,优化后翘曲值(0.7512 mm)降低了41.9%,误差为4.84%。结果表明,基于Kriging代理模型及改进PSO能有效地优化变模温成型工艺,降低了翘曲变形量,对于生产应用有指导意义。

基于PSO-BP神经网络的轮胎负荷测量方法

研究基于粒子群优化(PSO)算法-BP神经网络的轮胎负荷测量方法。将采集的轮胎状态信息与提取到的加速度特征输入到BP神经网络,对轮胎负荷进行回归预测,使用PSO算法优化BP神经网络的权值与阈值,得到轮胎状态信息与轮胎负荷的关系。结果表明,采用PSO-BP神经网络预测轮胎负荷误差为1.8656%,PSO-BP神经网络预测精度较高,在转变工况条件下,预测误差为2.496%。

基于ARIMA-PSO-LSTM的太阳能预测

太阳能是新兴的可再生能源之一,可将其转化为电能以供无线传感器网络(Wireless Sensor Networks, WSN)使用,对太阳能进行预测可以有效地利用能量,从而达到节省能源、维持网络持续稳定运行的目的。提出了一种新的组合预测模型来预测太阳能辐照强度,其中改进的粒子群优化(Particle Swarm Optimization, PSO)算法被引入寻找长短期记忆(Long Short Term Memory, LSTM)神经网络模型的最优参数。选取自回归差分移动平均(Auto-Regressive Integrated Moving Average, ARIMA)模型来预测太阳辐照数据中的线性分量;采用PSO算法来优化LSTM神经网络模型的超参数,有助于提高模型预测的精度和鲁棒性;采用优化的LSTM神经网络模型来预测数据中的非线性分量;最后将两个模型的预测结果进行叠加。实验结果表明,新的组合模型比ARIMA、LSTM等模型,具有更高的预测精度。

基于PSO-LSTM的短时交通流量预测网站设计

短时交通流量预测是智能交通系统中的重要环节,选用在短时交通流量预测方面表现出色的LSTM神经网络,并利用PSO算法优化LSTM神经网络模型。实验结果表明,与传统LSTM模型相比,所构建的PSO-LSTM模型对未来5分钟和10分钟两种短时交通流量预测,达到了更高的准确率。在此基础上,设计了一个交通流量预测网站更好地展示了预测结果,也方便用户随时查询。

基于AM-PSO-BP神经网络的打印路径规划

为提高弧焊焊接效果,提出一种基于AM-PSO-BP神经网络的弧焊打印路径规划方法。方法采用基于自适应方差的自适应变异操作(AM)消除粒子群优化算法(PSO)后期迭代效率低的问题,然后利用AM-PSO算法优化BP(back propagation)神经网络的权重和阈值,实现BP神经网络参数的优化;最后将AM-PSO-BP神经网络算法对弧焊打印工艺参数进行预测,获取更准确的弧焊打印工艺参数。仿真结果表明:所提方法可精确预测弧焊打印工艺参数,在该工艺参数下,弧焊打印的六边形柱体、圆柱体、正方体预测值与实测值相差较小,且在误差允许范围内,具有较高的准确性。以上方法可为精确弧焊打印提供依据。

基于GWO-PSO算法的堆垛机混合作业优化研究

为减少堆垛机执行混合作业的运行时间,建立堆垛机运行时间最小的数学模型,并提出一种改进的GWO-PSO算法进行求解。首先,在初始化阶段,将灰狼个体随机分为若干群组,按照标准GWO算法进行独立寻优,推举产生首领狼王,然后采用PSO算法的位置更新方式对寻优结果进行更新,保证了种群的多样性和算法的寻优速度,接着引入速度交换算子进行离散化处理,并通过设置阈值解决了算法易陷入局部最优的问题,最后通过实例仿真分析,验证了GWO-PSO算法的有效性。