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.

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。

基于PSO-ELM的变压器油纸绝缘状态无损评估方法

油浸式电力变压器作为电网的重要组成部分,其可靠运行至关重要。针对变压器长期运行后无法定量评估其绝缘状态的问题,文中开展了油纸绝缘模型的加速老化及受潮试验,探究了油纸绝缘老化及受潮程度对其回复电压曲线的影响规律,并提出采用粒子群优化-极限学习机(particle swarm optimization-extreme learning machine,PSO-ELM)算法的参数预测方法,实现了基于回复电压曲线特征参量的油纸绝缘老化与受潮状态量化评估。由油纸绝缘模型理化性能分析的对比结果可知,基于PSO-ELM方法的预测值精度远高于传统ELM方法,油纸绝缘内含水率及纸板聚合度预测的绝对误差范围分别小于±0.4%、±30。

基于PSO-DBN-ELM的管道流型辨识算法研究

电容层析成像技术(Electrical Capacitance Tomography,ECT)是一种基于电容敏感场的过程层析成像技术,该技术通过传感器测量所需电容数据,实现充填管道流型检测,从而满足管道流型可控性。传统ECT流型辨识方法识别速率较低、运算较为复杂,成像结果也存在误差。为了改善传统方法存在的问题,提出一种基于粒子群优化算法(Particle Swarm Optimization,PSO)优化深度置信网络—极限学习机(Deep Belief Networks-Extreme Learning Machine,DBN-ELM)的流型识别算法,电容数据采集模块采集电容数据并制作相应数据集,经过DBN网络提取电容数据特征,在DBN网络顶层添加ELM完成对抽象电容流型数据的辨识;DBN隐含层神经元个数影响着整个模型的学习能力和信息处理能力,因此引入PSO优化算法首先计算出每层玻尔兹曼机(Restricted Boltzmann Machine,RBM)的最优神经元个数。与其他流型辨识算法相比,所需时间短,成像效果较好,对加快工业智能化发展有着重要的意义。

应用PSO-RBF神经网络预测太阳能PV/T系统的热、电性能

为准确预测太阳能光伏光热(Solar Photovoltaic/Thermal,PV/T)系统的热、电性能,文章利用PSO(Particle Swarm Optimization)算法优化了RBF(Radial Basis Function)神经网络,并基于此方法建立了太阳能PV/T系统性能的仿真预测模型,与基于未优化RBF神经网络建立的预测模型进行了对比分析。同时,搭建了太阳能PV/T实验平台,通过云平台采集实验数据用于上述模型。研究结果表明:使用PSO算法优化后的RBF神经网络模型相较于未优化模型预测精度提高了20%,预测稳定性提高了30%,拟合优度R值有所提升。基于PSO-RBF神经网络建立的预测模型可精确预测太阳能PV/T系统的热、电性能。

基于特征构造和改进PSO算法的分布式光伏功率预测

分布式光伏由于其历史数据缺乏,光伏出力的预测精度不高,提出改进粒子群优化算法(PSO)+长短时记忆网络(LSTM)与注意力机制结合的神经网络模型。构造基于聚类算法的特征工程扩充数据集;给出局部最优判据改进粒子群算法并应用于模型的超参数优化,提升模型泛化性;采用注意力机制与LSTM相结合的架构进行短期功率预测。在澳大利亚公开数据集上的实验表明,新的特征工程与光伏出力具有相关性,预测精度相比传统LSTM模型精度提高17.4%,且改进PSO算法相比标准算法收敛性更好。

基于PSO的电动汽车规模化充电接入配电网柔性负荷多目标优化控制

为了降低电动汽车大规模接入配电网后产生的负荷波动和网损,提出了基于粒子群优化(PSO)算法的电动汽车规模化充电接入配电网柔性负荷多目标优化控制方法。首先,建立交通网-配电网耦合模型,并结合出行链模型分析用户的充电需求,搭建接入电动汽车能量状态预测模型;其次,以最小化配电网负荷波动标准差和网损作为优化目标,设计电动汽车规模化充电接入配电网柔性负荷多目标优化函数,同时引入分布熵设计惯性权重更新策略,优化PSO算法;最后,采用改进的PSO算法在函数约束条件的基础上实现配电网的柔性负荷控制。测试结果表明,所提出的方法可准确分析用户的充电需求,降低配电网负荷波动峰值及网损。

PSO算法应用于悬滴法表面张力的计算

基于悬滴法理论,通过编写杨氏—拉普拉斯(Young-Laplace)微分方程,改进了求解实际液滴曲线的最优化参数等环节,对液体的表面张力进行了测量研究。针对通过CCD获取的液滴图像,使用Canny算子提取实际液滴轮廓,用4~5阶龙格库塔法计算理论轮廓。对两条轮廓进行拟合的过程中,使用遗传算法(GA)和粒子群优化(PSO)算法进行参数优化,得到接近实际曲线的理论曲线。根据寻优得到的最优化参数,参与计算出液滴的表面张力。本文通过两种算法对常温液体进行测量,测量结果表明:PSO算法具有较高的准确性和稳定性,且PSO算法无需给定初值,适宜仪器使用实际。