基于三群协同粒子群优化算法的区域交通控制

根据我国城市交通的特点,提出一种基于三群协同粒子群优化算法的城市区域交通自适应协调控制方法。采用两层递阶分布式结构,分阶段优化控制参数(周期、相位差和绿信比),每个阶段长10-3O分钟,周期、相位差由区域控制级每阶段优化一次,绿信比由交叉口控制级每周期优化一次。采用车辆延误为性能指标,周期、相位差和绿信比均采用三群协同粒子群算法进行优化。仿真结果表明该方法是可行而有效的。

三群协同粒子群优化算法

针对基本粒子群优化算法易陷入局部极值点、搜索精度低等缺点,提出了一种三群协同粒子群优化算法(TSC-PSO)。搜索时,如果全局极值连续若干代没有改善,粒子未找到全局最优点,就任选某个优群,将其群内粒子和差群粒子交换。仿真结果显示,对一些经典多峰值函数、非凸病态函数,TSC-PSO增强了全局搜索能力,具有比基本PSO更好的优化性能。

基于协同进化粒子群优化算法的水资源配置模型及应用

面向新发展阶段的城市水资源配置具有多目标、多变量、约束条件复杂、求解结果非线性、求解过程困难等特征。针对线性规划、动态规划、非线性规划等传统优化算法在解决水资源配置问题中求解结果不合理、计算效率低,求解多目标问题收敛慢等问题,提出了基于协同进化粒子群优化(CPSO)算法的多目标水资源优化配置模型。以郑州市为例,构建了以实现社会、经济和生态效益的最大化为目标,供水量、需水量、供水能力和水库库容为约束的水资源配置模型。通过输入郑州市各计算单元和用水部门的用水需求量和可用水量,该模型计算并输出郑州市9个区在2019年、2035年的缺水率。结果表明:郑州市供水的区域分布比较均衡,缺水率在可接受范围内;该模型算法进化速度较快,进化的稳定性较优,优化结果在种群中可以很好地保留且对进化方向的主导性很强,可以有效地应用于解决水资源配置问题,并提升模型计算效率,为水资源管理部门提供技术支持。

基于改进混合粒子群优化算法的多无人机协同围捕方法研究

针对多无人机协同围捕问题,在无人机运动学约束基础上,考虑各无人机应同时到达围捕位置,提出了多机协同围捕任务规划两层求解架构。在任务协调层通过改进混合粒子群优化方法,以各无人机同时到达指定围捕位置的最小时间为目标,优化调度给出多目标围捕方案;在航路规划层考虑无人机初始状态及运动学约束,通过Dubins曲线调整实现各无人机同时到达围捕位置。仿真结果表明了所提方法的有效性。

基于竞争式协同进化的混合变量粒子群优化算法

现实工业生产应用中存在大量的混合变量优化问题,这类问题的决策变量既包含连续变量,又包含离散变量。由于决策变量为混合类型,导致问题的决策空间变得不规则,采用已有的方法很难进行有效求解。引入协同进化策略,提出一种基于竞争式协同进化的混合变量粒子群优化算法(competitive coevolution based PSO,CCPSO)。设计基于容忍度的搜索方向调整机制来判断粒子的进化状态,从而自适应地调整粒子的搜索方向,避免陷入局部最优,平衡了种群的收敛性和多样性;引入基于竞争式协同进化的学习对象生成机制,在检测到粒子进化停滞时为每个粒子生成新的学习对象,从而推动粒子的进一步搜索,提高了种群的多样性;采用基于竞争学习的预测策略为粒子选择合适的学习对象,充分利用了新旧学习对象的学习潜力,保证了算法的收敛速度。实验结果表明:相比其他主流的混合变量优化算法,CCPSO可以获得更优的结果。

基于改进粒子群优化算法的多无人机协同欺骗干扰技术

多无人机协同对组网雷达系统进行航迹欺骗干扰属于大规模优化问题,通常需要利用群体智能算法优化无人机的飞行任务。针对采用标准粒子群算法优化时出现的求解效率低下的问题,提出了一种基于改进粒子群优化算法的多无人机协同欺骗干扰技术。首先建立了多无人机协同欺骗干扰组网雷达的数学模型以及对应的优化函数。其次阐述了利用改进粒子群优化算法求解多机协同干扰模型的步骤。最后通过仿真实验对比了改进粒子群优化算法和标准粒子群优化算法在优化求解多机协同干扰模型的差异性。

采用粒子群优化算法的三回路自动驾驶仪设计优化

提出了一种伪攻角三回路自动驾驶仪的设计方法,从控制系统的开环性能指标出发,在舵控处依次断开增稳回路和过载回路,建立开环参数与伪攻角三回路自动驾驶仪参数的关系式,并以开环性能参数为自变量,闭环性能参数为优化目标,设计粒子群算法结构与边界条件,实现伪攻角三回路自动驾驶仪的快速调参。仿真结果表明,本文提出的设计方法,可使伪攻角三回路自动驾驶仪获得良好的开环性能和闭环性能,具有一定的工程应用价值。

基于粒子群优化算法的工业可调负荷协同优化调控方法研究

针对工业负荷调度中的负荷类型多、总量大且调度空间大的特点,基于需求响应的负荷调度是削峰填谷、提升电网可靠性、降低企业与电网成本的重要方法。为了对不同类型负载进行全面的建模,且兼顾电网与企业的利益问题,提出一种工业负荷调度方法,对于工业场景中的可调负荷、恒功率负荷、从属负荷、储能负荷进行建模,同时考虑降低峰值负荷与生产成本,在实时电价的背景下,通过改进的粒子群优化算法进行求解。对于所提出的工业负荷调度方法进行仿真分析,验证其在工业场景下的可靠性与实用性。

基于改进二进制粒子群算法优化DBN的轴承故障诊断

针对滚动轴承故障振动信号非平稳性的特点,对二进制粒子群优化算法(binary particles swarm optimization,BPSO)和深度信念网络(deep belief network,DBN)进行研究,提出一种基于局部均值分解(local mean decomposition,LMD)和IBPSO-DBN的轴承故障诊断方法。提出用加权惯性权重改进BPSO迭代过程中的固定权重,再用改进BPSO优化DBN的隐含层神经元个数和学习率。该方法先对信号进行LMD,提取出各PF分量的散布熵和时域指标,并构建特征矩阵,然后把特征矩阵输入改进BPSO-DBN模型中训练,实现滚动轴承故障诊断和分类。采用试验轴承数据做验证并与其他诊断方法对比,结果表明,基于LMD和BPSO-DBN的滚动轴承故障诊断方法具有较好的故障识别率。

采用改进多目标粒子群算法的斜拉桥阻尼器参数优化

为克服大跨度斜拉桥黏滞阻尼器优化设计效率低、多个相互制约的减震控制目标的问题难以权衡,基于遗传算法的“变异”方法,提出了改进多目标粒子群算法来进行阻尼器参数优化设计。建立大跨度斜拉桥的有限元模型,开展了全桥地震响应分析,根据抗震需求在桥梁纵向设置黏滞阻尼器;分别建立了塔底弯矩、阻尼力和梁端位移的减震响应与阻尼器参数之间的响应面数学模型;以减震响应面模型为研究对象,通过该算法进行阻尼器参数全局自动寻优分析,确定了阻尼器的最优参数,并与采用参数敏感性分析方法确定的一组阻尼参数进行对比分析。研究结果表明:该优化方法具有计算精度好、优化效率高和更好地权衡多个相互制约的减震控制目标的优点;通过优化算法获得的阻尼器参数组合相比采用参数敏感性分析方法获得的阻尼参数组合的减震响应,塔底弯矩增大1.73%,阻尼力减小5.97%,梁端位移减小1.66%;在无需多次有限元试算的基础上确定了更高精度的阻尼器优化参数组合,在提高减震效果的同时大大提升了计算效率。

退火粒子群算法优化外加电流阴极保护方案

为了解决目前提出的各种外加电流阴极保护设计方法在同时优化电流和阳极位置时,由于被保护构件几何形状复杂往往陷入局部最优而导致效果欠佳的问题,本文提出了一种改进的模拟退火粒子群算法。传统方法在退火环节中,将每个粒子迭代后都要通过Metropolis规则对全局最优粒子进行替换,本文改进为待所有粒子迭代完毕后,从中选中最优粒子,通过Metropolis规则对全局最优粒子进行替换,这在一定程度的上保护了最优解;将外加电流、电极空间位置合成为一个粒子,运用上述算法进行迭代求解最优方案:阳极的最优位置为[0.3389,3.1551,0.47706,1.1943]、输入电流为[0.09639 A,0.099079 A]。据此计算了船体表面电位分布。结果表明:船体表面电位分布均匀,标准偏差最大为0.0028,最小为0.0014,达到了保护的目的。

基于三重博弈的多微网-产消者群自适应鲁棒分布式协同优化

在多主体能源共享背景下,提出一种基于三重博弈的多微网-产消者群自适应鲁棒分布式协同优化。首先,构建三重博弈框架模拟多微网-产消者群的能源交易模型,即上层多微网系统合作博弈,各微网与其下层产消者群主从博弈,下层产消者群联盟合作博弈。其次,考虑到多微网系统内部受可再生能源出力、负荷功率随机性,外部受日前电价波动性等多重不确定性影响较大,各微网建立两阶段自适应鲁棒优化(adaptive robust optimization,ARO)模型,在第一阶段优化微网与外部主体的交易策略,包括与其他微网的合作博弈、与产消者群的主从博弈以及与配网日前电价的不确定性;在第二阶段基于多面体不确定集来决策微网内部源荷的不确定性,优化本地机组的调度策略。然后,对于各层合作博弈收益,采用改进纳什谈判模型对其进行分配。最后,采用一种可变惩罚参数交替方向乘子法-列与约束生成算法(variable penalty parameters alternating direction multiplier method-column and constraint generation,VPPADMM-C&CG)分布式求解三重博弈ARO模型,以保护各主体的隐私。通过不同博弈场景的算例结果对所提模型能够实现多微网-产消者群社会总成本最小化及效益最大化进行了验证,可为不确定环境下多微网-产消者群协同优化提供参考。

改进粒子群优化算法在机械臂轨迹规划中的应用

针对机械臂运动效率与稳定性问题,提出了一种基于改进粒子群算法的时间优化轨迹规划方法。该方法以3-5-3组合分段多项式插值算法为基础,以分段区间的时间为优化目标,通过带有动态学习因子与收缩因子的改进粒子群优化算法进行优化。本文以实验室的空中作业机器人作业机械臂为模型,将本文方法与标准粒子群优化规划方法进行比较,仿真结果证明该方法收敛速度和精度都有明显改善,且算法未陷入局部收敛,最终优化结果有12.8%的提升。在该轨迹下机械臂的关节角度、速度、加速度曲线平滑无突变,机械臂运动平稳,方法具有可行性。

基于人工免疫-改进粒子群优化算法的机械臂轨迹规划研究

焊接机器人运动轨迹复杂、控制精度要求高。提出了一种满足多目标约束的轨迹规划方法。针对机器人轨迹平滑性要求,以5次非均匀有理B样条(Non-Uniform Rational B-Splines,NURBS)曲线为基础,对笛卡儿空间路径点进行参数化表达;根据工业机器人路径约束及工况需求,选取时间、能耗、跃度3个运动学指标作为目标优化函数,采用人工免疫双态粒子群进行轨迹优化;为了平衡粒子“探索”与“利用”,增加双模态模型,引入人工免疫系统,提升了粒子多样性与后期收敛能力;根据Pareto解集得到满足约束的焊接机器人各关节最优轨迹,通过Matlab仿真证明了方法的有效性;最后,针对空间相贯曲线焊缝进行了焊接试验。结果显示,规划的轨迹符合实际工程需求。

基于改进的粒子群优化算法的暖通空调制冷机房BIM自动优化布置方法

采用结合Revit API和MATLAB的编程模式,对Revit平台进行了有效的二次开发,从而实现了暖通空调制冷机房设备的自动化布置设计,不仅有效地实现了设备布置方案的自动生成,还支持了布置方案的预览与验证,显著提高了设计效率和准确性。该研究的创新之处在于成功将粒子群优化算法与BIM技术相结合,为暖通空调系统的自动化设计提供了新的视角,并验证了BIM在暖通空调领域正向设计中的应用潜力。

基于混合粒子群算法的波浪能发电集群优化方法

对波浪能发电集群的优化控制有助于波浪能的有效利用,为此文章提出了基于混合粒子群算法的波浪能发电集群优化方法。以直驱式发电装置为研究对象,探讨其构成发电集群短期尺度下稳定状态的数学模型,由简至繁依次考虑波浪动态压力、装置间辐射影响和遮挡效应,以便更准确地模拟一定密集度的波浪能发电装置部署下的实际效果。以集群功率最大化为优化目标,根据装置运动和海域能量约束,提出混合粒子群算法求解集群的最优参数,在传统算法基础上设定自适应惯性权重并加入交叉和变异操作,以应对复杂集群方程解空间的多峰性问题。算例结果验证了所述集群优化方法的有效性,求解质量良好;同时表明波浪能发电集群规模越大,装置之间的辐射影响越复杂,遮挡效应越明显。

基于精英知识引导的多种群协作粒子群优化算法

目的为了解决粒子群优化(particle swarm optimization,PSO)算法易早熟收敛、后期收敛速度慢、精度低等问题,方法提出一种基于精英知识引导的多种群协作粒子群优化算法(multi-group cooperation particle swarm optimization algorithm,MGCPSO)。首先,采用基于幂函数约束的logistic映射得到分布均匀的初始种群,加快寻优速度并提高找到最优解的概率;其次,在算法执行阶段动态划分多种群,并利用精英知识引导劣势粒子飞行,实现粒子间的信息共享和协同进化,降低粒子在解空间探索的盲目性;最后,综合融入精英知识的反向学习和极值扰动策略对粒子施加变异,帮助粒子扩大搜索区域并加强对最优邻域的精细探索。结果为验证MGCPSO的性能,在30维和100维的基准测试函数上进行了仿真实验研究,结果表明,相比于其他几种改进算法,提出的算法在收敛速度和收敛精度上均有良好表现。结论多种群协作粒子群优化可以有效避免算法早熟收敛和陷入局部最优,同时可以提高算法的全局搜索能力和局部开发能力。

基于改进粒子群算法的中深层地源热泵供暖系统运行优化

构建变工况运行且包含蓄热装置的中深层地源热泵供暖系统,基于改进粒子群算法,分别以运行费用、系统COP和地热能利用系数为目标函数对系统运行进行优化,并对优化结果进行比较和分析。结果表明:对应目标函数优化后的运行费用、系统COP和地热能利用系数分别为279.27元、6.4420和0.8527。以系统COP为目标函数的优化效果与运行费用相反,而与地热能利用系数相近。

陷阱标记联合懒蚂蚁的自适应粒子群优化算法

为解决现有粒子群改进策略无法帮助已陷入局部最优和过早收敛的粒子恢复寻优性能的问题,提出一种陷阱标记联合懒蚂蚁的自适应粒子群优化(adaptive particle swarm optimization based on trap label and lazy ant, TLLA-APSO)算法。陷阱标记策略为粒子群提供动态速度增量,使其摆脱最优解的束缚。利用懒蚂蚁寻优策略多样化粒子速度,提升种群多样性。通过惯性认知策略在速度更新中引入历史位置,增加粒子的路径多样性和提升粒子的探索性能,使粒子更有效地避免陷入新的局部最优。理论证明了引入历史位置的粒子群算法的收敛性。仿真实验结果表明,所提算法不仅能有效解决粒子群已陷入局部最优和过早收敛的问题,且与其他算法相比,具有较快的收敛速度和较高的寻优精度。

基于改进粒子群算法优化的染色木材颜色检测算法研究

为提高染色木材颜色的检测精度和速度,对樟子松木材单板进行染色,选取染色单板的光谱反射率作为输入,以极限学习机模型为基础构建预测模型,对染色单板的色度参数L^(*)、a^(*)、b^(*)进行预测,运用粒子群算法对ELM权值和阈值进行寻优,并引入非线性惯性权重和新的位置与速度更新策略改进粒子群算法,以消除其易陷入局部最优的缺点。此外,以L^(*)、a^(*)、b^(*)平均绝对误差为评价指标,与基础ELM模型及其他模型作对比,发现优化后的模型平均绝对误差为0.16,测色效果相较于基础ELM的0.68、麻雀算法优化的ELM的0.37等具有明显优势,这对于提高木材染色生产效率具有重要意义。