基于WPSO-BP和L-MBWO的多翼离心风机优化研究

针对多翼离心风机气动性能、噪声情况难以同时改进的问题,提出了一种基于变权重粒子群优化算法的反向传播神经网络风机性能预测模型(WPSO-BP),以及一种基于逻辑混沌初始化的多目标白鲸优化算法(L-MBWO),并将二者应用于多翼离心风机的优化设计中。首先,选取了叶片进出口角、倾斜蜗舌的最大蜗舌半径、叶片切除角度作为设计变量,把风机的全压、效率、声压级作为优化目标;然后,构建了WPSO-BP预测模型,以反映设计变量与优化目标之间的关系,定量分析对比了该模型与BP神经网络预测模型,预测值用于风机的性能优化;接着,将逻辑混沌初始化引入到白鲸优化算法(BWO),基于第三代非支配排序遗传算法(NSGA-Ⅲ)构建了L-MBWO优化算法;最后,在实验验证仿真可靠的前提下,将提出的预测模型和优化算法应用于风机优化,并对优化效果进行了综合分析。研究结果表明:优化后的风机全压增加了34.79 Pa,效率提高了0.67%,噪声降低了1.73 dB,实现了多个优化目标之间的平衡,有效改善了风机的综合性能,为多翼离心风机的优化设计提供了一种新思路。

BP神经网络遥感水深反演算法的改进

针对BP神经网络遥感水深反演算法(简称传统BP算法)的缺点,提出了改进型BP神经网络遥感水深反演算法(简称改进型BP算法),其基本原理是在模型训练过程中反复运用粒子群算法对BP神经网络的权值和阈值进行优化以弥补传统BP算法的不足。试验表明:改进型BP算法的训练迭代收敛速度明显快于传统BP算法,浅水区的水深反演精度优于传统BP算法,且学习算法对初始权值和阈值不敏感。

基于多种群遗传算法的永磁涡流驱动器的多目标优化设计

为了优化永磁涡流驱动器的几个关键结构参数,研究了基于多种群遗传算法的多目标优化算法。首先,在磁场分析模型的基础上,推导出关键结构参数的解析表达式。以永磁体厚度、极弧系数和铜盘厚度为变量,以输出转矩、转动惯量和驱动器体积为优化目标,提出了基于熵值权重的永磁驱动器多目标优化函数,然后应用多种群遗传算法对永磁涡流驱动器进行优化。通过三维有限元仿真和实验验证了优化结果的准确性和可行性。最后,将计算结果与其他两种优化方法得到的结果进行了对比。结果表明,相比其他优化算法,该基于解析模型的多种群遗传算法在结构参数优化设计中有更好的计算效果。

粒子滤波算法改进策略研究

为了改进粒子滤波算法的性能,这里研究了一种粒子滤波算法改进策略。该粒子滤波算法改进策略包括四部分:首先,采用了结合退火参数的混合建议分布,以考虑当前观测测量值的最新信息;接着,基于有效样本大小确定自适应重采样的阈值,以保证有合适的重采样次数;然后,基于权重优化思想提出了一种改进的部分系统重采样算法,在利用算法执行速度快的同时优化部分系统重采样算法;最后,在重采样后执行粒子变异操作,以保证样本的多样性。通过仿真实验,粒子滤波改进策略的性能和有效性均得以验证。

基于改进鲸鱼算法优化支持向量机的故障诊断的研究与应用

故障诊断在工业生产过程中具有很重要的作用,尤其是对于要求比较高的分子蒸馏来说,微小的故障都会造成其提纯率,因此提出一种基于改进鲸鱼算法优化支持向量机的故障分类方法(improved whale optimization algorithm-support vector machine,IWOA-SVM),加入反向学习策略和对数权重因子到普通鲸鱼算法中。首先,用反向学习策略(opposition-based learning,OBL)代替随机初始种群,用反向学习策略选取出反向种群,对种群进行择优选择,一方面OBL能够高效地提高群智能算法的全局搜索能力,另一方面提高鲸鱼算法在重复迭代中的多样性,使其跳出局部最优解;其次,引入自适应权重因子并将其加入到鲸鱼优化算法中,利用权重因子的动态变化,很大程度上增强了全局搜索能力;最后,采用改进之后的鲸鱼算法对SVM的参数进行寻优,并利用优化之后的支持向量机对刮膜蒸发过程获得的故障数据进行诊断识别,将IWOA-SVM的结果与其他3种做对比。结果表明,IWOA-SVM算法分类准确率提升了2%,且其准确率保持在98%以上,在分类结果的准确性以及算法的鲁棒性方面优于其他算法。

求解大规模车间调度问题的一种分解优化算法

针对以最小化加权拖期和为目标的大规模作业车间调度问题,提出了一种基于操作的分解优化算法。该算法采用迭代优化的框架,从原问题对应的操作集合中依次分解出部分操作,并确定其加工顺序。在每一次迭代过程中,首先用模拟退火算法搜索较优的操作分解方案,并形成子问题,然后用遗传算法求解该子问题。针对随机生成的测试问题,以及某减速器厂实际生产数据的计算实验表明,该算法能够在合理的计算时间内获得满意的优化质量。

基于自适应遗传算法的实现服务质量优化

服务质量优化问题是多维服务质量参数映射有限的资源问题 ,这个优化问题是一个 NP- hard问题 .我们采用通过改进流行遗传算法来解决这一棘手问题 ,于是提出了基于权的自适应遗传算法 (weighted based adaptive geneticalgorithm) ,通过实验说明这一算法优于目前为止最好的启发式算法 [4]和普通的遗传算法 ,算法运算时间短 ,鲁棒性强 .

一种基于内容的Web集群服务器负载均衡算法

提出了一种基于内容的Web集群服务器负载均衡算法,该算法通过引入一个衡量不同内容任务量并利用当前真实节点上的连接数和请求内容的任务量以及真实节点的处理能力来调整服务器负载。同时,算法引入了一个反馈环节,将真实节点的负载信息反馈到负载均衡器,让负载均衡器调整自己的负载均衡策略,提高它的自适应能力。

基于改进教学算法优化WNN的ORP预测

针对生物氧化提金工艺强耦合、非线性、不确定性的特点,提出一种基于改进的教与学算法优化小波神经网络(WNN)的氧化还原电位(ORP)预测模型。采用三层小波神经网络,采用一种改进的教与学优化算法(MTLBO)对其进行改进。在标准教与学优化算法的基础上,引入线性递减权值策略和混沌机制,加快小波神经网络参数训练速度,提高其训练精度。仿真结果表明,相较WNN方法、基本TLBO-WNN方法和GA-WNN方法,该方法预测精度更高、速度更快、效果更好。

自适应变异蝴蝶优化算法

针对基本蝴蝶优化算法存在的收敛速度慢、求解精度低和易陷入局部最优等问题,提出一种自适应变异蝴蝶优化算法。首先,利用改进帐篷映射结合重心反向学习初始化种群,获得更好的初始解;其次,在位置更新处引入非线性惯性权重,平衡算法的全局搜索与局部搜索能力;最后,在算法运行过程中,根据群体适应度方差以及当前最优解大小来决定是否对当前最优解和最差解进行高斯变异二次寻优,增强算法跳出局部最优的能力。对12个基准测试函数的多种维度仿真实验结果表明,该算法在收敛速度、求解精度和寻优稳定性方面明显优于其他对比算法。

基于PSO自适应双策略的人工鱼群算法

针对传统人工鱼群算法存在易陷入局部最优解、鲁棒性差和搜索精度低的问题,提出一种基于粒子群算法自适应双策略的人工鱼群算法。该算法首先模拟粒子群算法的移动算子调整人工鱼的移动方向和位置,使人工鱼具有惯性机制,更好拓展新区域,从而为探索潜在的较优解提供更多的机会,增强其跳出局部最优的能力。然后运用一种自适应视野和惯性权值的策略,更好地平衡全局搜索与局部搜索之间的关系。最后引入反向学习机制,设计2种策略的随机行为,避免原始随机行为的盲目性,增加鱼群的多样性。仿真实验结果表明,改进后的算法在寻优精度、收敛速度以及鲁棒性等方面较其他人工鱼群算法有较大提高,在高维问题求解上有较好的优化效果。

基于分解思想的导航星座多目标优化

导航星座多目标优化是寻找既能满足设计指标又能使代价最小的理想导航星座。首先,建立了一种由中轨道卫星(MEO)、地球静止轨道卫星(GEO)和倾斜同步轨道卫星(IGSO)组成的混合星座构型模型,并提出一种将星座性能和星座成本作为目标函数的多目标导航星座优化方法,其次,分析了优化目标函数加权几何精度因子WGDOP、可见星数目M和导航星座成本的选择及计算方法,并将基于分解思想的多目标优化算法(MOEA/D)引入导航星座优化中。最后,建立了导航星座多目标优化的数学模型,对基于北斗系统的混合星座进行优化,提出一种新的北斗系统的优化方案。

基于等效磁路的PMECD变种群规模遗传多目标优化设计

基于等效磁路模型,提出了一种使用引入死亡和战争因素的变种群规模遗传算法进行永磁涡流驱动器的多目标优化设计的方法.首先建立磁场分析模型,推导关键参数的解析表达式.在此基础上,以永磁体厚度、极弧系数、铜盘厚度以及永磁体个数为变量,以输出转矩、转动惯量和驱动器体积为优化目标,提出了基于熵值权重的永磁驱动器多目标优化函数,然后应用引入死亡和战争因素的变种群规模遗传算法来优化结构尺寸.优化结果得到了实验以及有限元仿真的验证,并且与其他算法进行了比较.结果表明,相比其他优化算法,该基于解析模型的变种群规模遗传算法在结构参数优化设计中有很好的计算效果.

基于大数据挖掘的LTE网络弱覆盖分析及覆盖优化研究

随着LTE移动网络的发展,基站和用户数量爆炸性增加使得当前网络环境越发复杂,导致LTE网络中的弱覆盖问题越来越多。针对复杂场景的弱覆盖问题,进行了基于大数据挖掘的LTE网络弱覆盖分析及覆盖优化研究。首先,通过数据挖掘技术对现网数据集进行相关性分析与数据清洗,用于将杂乱的数据转换成有用数据集;然后针对数据集采用加权KNN算法建立信号预测模型;最后,以信号预测模型为基础,采用粒子群算法建立网络覆盖优化模型得到满足要求的最少基站数目与最优基站部署。通过现网数据的实验结果表明,该模型可将采样区域的弱覆盖栅格全部优化并且减少基站数目。

基于改进鲸鱼算法的三峡水电站经济运行模型及其应用

针对大型水电站厂内经济运行问题,以最小发电耗水量为目标建立经济运行模型,同时针对传统鲸鱼算法(WOA)寻优能力不足及易陷入局部最优的缺点,引入惯性权重、反向学习机制和摄动变异机制,改进了随机搜寻方式,以三峡水电站为实例,将改进鲸鱼算法(IWOA)运用到经济运行模型中,计算不同水头和不同负荷下的最低耗水量,并将结果与遗传算法(GA)和粒子群算法(PSO)进行对比。结果表明,IWOA寻优速度和寻优能力均优于GA、PSO、WOA。

融合Sin混沌和分段权值的阿基米德优化算法

针对阿基米德优化算法(Archimedes optimization algorithm,AOA)存在全局搜索能力弱、收敛精度低,易陷入局部最优等问题,提出融合Sin混沌和分段权值的阿基米德优化算法(SAOA)。采用无限折叠迭代的Sin混沌反向学习策略初始化种群,提高初始阶段解的质量,为全局搜索多样性奠定基础;引入算数交叉算子,将当前个体向与全局最优个体进行交叉,引导种群向最优解区域寻优,提高全局搜索能力;引入分段权值策略,平衡算法的全局勘探与局部开发能力,降低算法陷入局部最优的概率;通过对8个测试函数和部分CEC2014函数进行仿真实验及Wilcoxon秩和检验来评估改进算法的寻优性能,实验结果表明改进算法在搜索精度、收敛速度和稳定性等方面均有较大提升。另外,引入优化机械设计案例进行测试分析,进一步验证SAOA在工程优化问题上的可行性和适用性。

全局替换的自适应权重调整MOEA/D

当多目标问题的帕累托前沿形状较为复杂时,基于分解的多目标进化算法MOEA/D的解的均匀性将受到很大的影响.MOEA/D利用相邻子问题的信息来优化,但早期因为种群中的个体与子问题的关联是随机分配的,仅在邻居间更新会浪费优秀解的信息,影响收敛速度.针对这些问题,本文提出一种MOEA/D的改进算法(MOEA/DGUAW).该算法使用种群全局更新的策略,来提高收敛速度;使用自适应调整权重向量的策略来获得更均匀分布的解集.将MOEA/D-GUAW算法与现有的MOEA/D,MOEA/D-AWA,RVEA和NSGA-Ⅲ算法在10个广泛应用的测试问题上进行了实验比较.实验结果表明,提出的算法在大部分问题上,反转世代距离评价指标IGD优于其他算法,收敛速度也快于其他算法.

用事例推理法估算注射模的加工工时

把基于事例推理的方法应用于注射模加工工时的估算上,重点研究了注射模加工工时事例的表示,事例的检索,事例的修改以及事例库的维护,并针对CBR系统中事例特征权重不易确定或确定依据客观性较差的问题,建立了一个了利用事例库数据,挖掘了事例特征权重的数学模型。最后开发了原型系统,并以1个注射模为应用对象,对系统进行了测试,测试结果表明用上述方法估算注射模加工工时是行之有效的。

基于混沌搜索和权重学习的教与学优化算法及其应用

针对教与学优化算法容易陷入早熟收敛的问题,本研究提出了一种基于混沌搜索和权重学习的教与学优化(teaching-learning-based optimization algorithm based on chaotic search and weighted learning,TLBO-CSWL)算法。在TLBO-CSWL算法的教学阶段,不仅利用权重学习得到的个体来指引种群的进化,而且还使用正态分布随机数来替代原有的均匀随机数。另外,TLBO-CSWL还使用Logistics混沌搜索策略来提高其全局搜索能力。仿真结果表明,TLBO-CSWL的整体优化性能要好于其他所比较的算法。最后,将TLBO-CSWL用于求解非合作博弈纳什均衡问题,获得满意的结果。

基于ELMS算法的电网谐波电流检测

在LMS自适应滤波方法的基础上,根据电网谐波快速检测的要求,导出实现最优权值快速计算的ELMS(Extrapolated LMS)算法公式,该算法在理论上能更有效地提高谐波检测的精度和检测实时性。理论研究和仿真表明,根据该ELMS算法设计的自适应滤波系统可实现对电网谐波的快速检测。