基于改进双中心粒子群算法的电动公交车运营数量优化策略研究

针对电动公交车在一定容量约束的馈线充电的情况,采用了一种改进的双中心粒子群算法对电动公交车充电进行优化调度,以获得最大的电动公交车运营数量。首先,建立公交车充电后馈线负荷曲线峰谷差最小的模型,设公交车运营初始数量,利用改进的双中心粒子群算法进行优化。然后,根据优化结果对比该馈线容量约束修改电动公交车运营数量,重新优化,逐步逼近并最终找到最优的运营数量。改进的双中心粒子群优化算法是在原算法的基础上,增加了5条粒子运动路线,扩大了搜索精度,抑制了粒子群的早熟。同时,为了提高寻优速度,粒子的初始化是根据日负荷曲线距离馈线约束容量的远近来确定。最后以南方某城市典型的馈电线路为例进行仿真计算,结果表明,该方法具有更优的调度效果。

求解机械优化的Pareto多目标中心粒子群算法

针对基于权重法的多目标算法无法求解约束多目标问题的缺陷,将中心粒子群算法与Pareto解集搜索算法相结合,提出一种Pareto多目标中心粒子群算法。将此方法用来优化气门弹簧的模型,实验结果表明,该优化方法能够快速准确地收敛于Pa-reto解集,并且使其对应的目标域均匀地分布于Pareto最优目标域。

考虑容差的接地网故障诊断研究

为了更好地提高接地网腐蚀的诊断结果精度与速度,以探索接地网在具容差情况下的故障诊断途径为核心,在此基础上结合电网络理论和矩阵理论构建了新的接地网故障诊断方程。提出了双中心粒子群算法,在充分利用粒子群算法的快速收敛性和全局寻优能力的同时,也改善了个体极值的更新方式以及全局极值的质量,并增强了种群平均解的质量,从而使得诊断结果有了明显的改善。对110 kV蒲城变电站接地网的仿真结果验证了该方法的准确性与有效性。

一种基于深度学习的改进萤火虫频谱分配算法

针对使用萤火虫算法(FA)解决认知无线电中频谱供需矛盾分配不均时,FA全局寻优能力欠佳以及过早的收敛使得频谱分配效率并不理想的问题,基于深度学习思想提出了一种改进萤火虫算法(IFA),IFA将频谱分配变量映射为萤火虫的位置信息,再将平均最大化网络效益转化为萤火虫的亮度函数,然后在萤火虫寻优中采用了移动变化规则模式,利用深度学习思想寻找最优中心粒子,提高了中心粒子的搜索精度。学习后的粒子引导种群进化,从而提升寻优性能。与其他智能优化算法相比,IFA频谱分配算法寻优精度及收敛速度更佳,所对应通信状态下的频谱分配更优。

基于CDPSO-EBRB的锂离子电池健康状态估计

锂离子电池在武器系统中广泛应用,对其健康状态的评估对于保证武器系统作战效能具有重要意义。但构建锂离子电池退化过程的物理模型难度较大,同时由于数据的不确定性与不完整性影响,使用纯数据驱动的方式也不能准确描述此过程。扩展置信规则库模型结合了知识结构和证据推理的特性,可对数据的不确定性与不完整性进行定量描述,但原始模型的参数选择对其性能影响较大,针对以上问题,提出了一种中心离散粒子群算法(CDPSO)优化的扩展置信规则库(EBRB)模型,并将该模型应用于锂离子电池的健康状态评估中,使用数据驱动方式将规则集转化为规则,采用CDPSO对初始参数进行训练,最后使用测试数据集来测试模型的有效性,通过与传统的方法进行比对,验证了所提出方法的有效性。