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。

基于离散粒子群算法的管道保温结构优化研究

针对目前管道保温结构优化算法不稳定、结果优化程度不高的问题,建立以经济效益为目标函数,以满足国家散热损失标准等条件为约束函数的离散型数学模型。以BPSO算法为基础改变其位置更新规则,防止种群进化失效;采用自适应权重增加粒子的全局和局部搜索能力;充分利用模拟退火算法的思想避免出现早熟现象。应用改进的算法分别对普通蒸汽管道和核电站的蒸汽管道进行系统仿真实验。结果表明,该算法能够在满足国家散热损失标准等条件下取得最优解,可以为管道保温结构提供合理的优化方案。

基于改进二进制粒子群算法的家庭负荷优化调度策略

为降低家庭用电成本以及提高户用光伏发电的就地消纳率,提出了一种基于实时控制储能充放电行为的家庭负荷调度策略。首先,对家庭负荷分类并建立以电费最低、电力碳排放量最小及舒适度最大为目标的调度模型;其次,提出以实时光伏出力和峰谷分时电价为依据,通过控制储能充放电实现家庭负荷用电需求的调度策略;最后,利用场景分析法和分等级多策略学习的二进制粒子群改进算法(HLSBPSO)对模型进行仿真求解。结果表明,所提策略和算法可使用户电费降低49.2%,舒适度提高67.9%,可为户用光伏发电的安全经济运行提供新的理论支持。

基于小生境离散粒子群算法的不规则排样优化策略

针对目前二维不规则排样算法中存在的问题,提出一种基于小生境离散粒子群算法的二维不规则排样算法。该算法模拟两个相对独立的粒子群,两个粒子群并行进化,并在每迭代一次后相互交流信息,具有很强的全局搜索能力。实验结果表明,该算法在求解二维不规则排样问题时可以大幅提高板材的材料利用率,具有实际应用价值。

基于离散粒子群算法的电力芯片电路运行参数优化

电力芯片电路运行中受到不确定因素的干扰,信噪比较低。为此基于离散粒子群算法提出了一种新的电力芯片电路运行参数优化方法,分析输出功率和发电功率,根据计算结果得到目标函数,确定离散粒子群的分布状态,平行转换最优粒子,建立参数序列,构建电力芯片电路运行参数优化模型,提取运行参数特征,二次优化调试数据,剔除异常数据,建立离散阵列模型,通过数据扫描实现参数优化。实验结果表明,所设计方法在面对连续运行电路数据和随机电路数据时,具有极好的优化效果,平均绝对值误差低于0.10,均方根误差低于0.20,信噪比较高,具有较好的效果。

融合禁忌搜索和惯性权重动态调整的二进制粒子群优化算法

传统的二进制粒子群算法在优化过程中容易出现收敛速度慢和容易陷入局部最优的问题,因此提出了一种融合禁忌搜索和惯性权重动态调整的二进制粒子群优化算法。该算法不仅综合了粒子群优化算法的快速性、随机性、全局收敛性的优点,而且能够进行禁忌搜索以实现局部寻优。通过在4个基准测试函数上进行实验,实验结果表明该算法在逃离局部最优解方面具有更好的能力,提高了算法的收敛性能。

离散二进制粒子群算法在基于模型配电网故障诊断中的应用

提出一种基于模型的配电网故障诊断方案,该方案首先根据配电网原理模型的仿真数据和实际观测值存在的差异得到极小冲突集,然后由离散二进制粒子群优化算法推出可能的故障元件和故障形式,最后由贝叶斯方法确定概率最高的诊断结论。通过实际建模、编程和实验证明了该方案的可靠性和有效性。仿真结果表明,与HS-Tree、Boolean Algebra方法、遗传算法等算法相比,离散二进制粒子群算法搜索效率更高,可节约1/3～1/2的搜索时间,并且可以避免当问题规模较大时出现内存溢出问题。

离散二进制粒子群算法分析

粒子群算法(Particle Swarm Optimization,PSO)主要用优化计算实值的连续性问题,而离散二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)则用来优化离散空间问题,它扩展了PSO算法的应用,现已广泛应用到各种离散优化问题计算中,但目前对BPSO算法的理论分析研究还很少,难以指导算法性能.本文从位改变概率和遗传算法的模式定理两方面对BPSO进行分析.分析得出,BPSO算法具有很强全局搜索能力,但不能收敛于粒子的全局最优位置,而且随着算法迭代运行,BPSO的随机性越来越强,缺乏后期的局部搜索能力.本文利用基准的函数,通过仿真实验计算,验证本文的分析结果.基于分析的结果,本文提出BPSO的改进方法,新方法采用新的概率映射函数和混合遗传算法的方法.通过对基准函数的仿真试验,验证了改进方法的有效性.

离散二进制粒子群优化的频谱分配算法研究

随着无线通信技术在各领域的广泛应用,通信设备对频谱资源的需求程度不断提高。频谱资源的稀缺问题已经成为制约无线通信技术进一步发展的关键因素。利用图论模型,得到可用频谱矩阵、网络效益矩阵、频谱干扰矩阵以及分配矩阵,并将频谱分配问题转换为网络效益与分配矩阵寻优问题。借助离散二进制粒子算法,以网络效益、最大比例公平网络效益为目标函数,寻找最优分配矩阵。寻优过程中,为解决传统离散二进制粒子算法易陷入局部最优的问题,采用线性减少惯性权重因子,平衡局部和全局关系,提高寻优精度。试验表明:与遗传算法、敏感图着色法相比,基于离散二进制粒子群算法可取得更高的网络效益和最大比例公平网络效益。

基于多点速度向量和自适应速度值的离散二进制粒子群算法改进

针对标准的离散二进制粒子群算法在高维环境下迭代速度慢和易早熟的缺点,通过引入多点速度向量和自适应的速度计算方法,提出一个多点基于速度向量和自适应速度值的改进的自适应离散二进制粒子群算法,通过理论推导改进的离散粒子运算法可有效提高离散差分进化算法对于复杂问题先的全局最优值搜索能力和离散粒子群算法对于复杂优化问题的收敛速度。实验验证了理论推导的结果。

基于动态搜索策略离散粒子群算法的稀疏阵列约束优化

针对目前稀疏阵列优化算法搜索策略单一和适用范围受限问题,对离散粒子群(Discrete Particle Swarm Optimization,DPSO)算法进行改进,提出了一种基于多种融合的综合粒子学习策略的算法,用其设计具有多个约束条件的稀疏平面阵列.该方法在粒子速度更新时使用基于小生境的分散解集合替换群体最优解,以形成高多样性种群.为了增强后期局部收敛性,在适时启动局部变异策略,利用变异概率自适应地调整粒子位置,并通过两个观测参数监控其运动状态.经典函数测试和平面稀疏阵列数值仿真结果证明了算法的有效性和鲁棒性.相同仿真条件下,相比于现有三种算法,该算法峰值旁瓣电平(Peak Side-Lobe Level,PSLL)分别降低了8.45%,6.77%和8.27%.

一种非线性因子的粘性二进制粒子群算法

为了解决粘性二进制粒子群算法在优化过程中易陷入局部最优、全局搜索能力弱、后期收敛性能差的弊端,提出了一种非线性因子的粘性二进制粒子群算法(NFSBPSO)。NFSBPSO算法采用非线性递减策略优化粘性权重,平衡全局与局部探索能力;同时,利用混沌策略对种群进行初始化,在每个迭代过程中对最差和最优粒子进行优化,以提高种群质量,扩大种群的全局探索能力。将新算法与3个对比算法在基准函数上进行测试,实验表明新的算法能较好地跳出局部最优,提高了算法的稳定性和收敛能力。

UFMC系统基于改进离散粒子群的峰均比抑制算法

针对通用滤波多载波(UFMC)系统中相同相位信号叠加而引起的峰均比(PAPR)过高的问题,提出一种基于改进离散粒子群(IDPSO)的峰均比抑制算法。该算法在离散粒子群(DPSO)算法的基础上,引入一种对控制参数分段线性调整的改进方式,提升了算法的搜索性能。将改进后的离散粒子群算法与部分传输序列(PTS)相结合形成IDPSO-PTS算法,并对每个子块进行加扰。所提算法在规定迭代次数内搜索最佳的相位因子组合,以降低UFMC系统的峰均比。仿真结果表明:IDPSO-PTS算法与原始UFMC相比,PAPR可降低3.5 dB;与DPSO-PTS算法相比,PAPR可降低0.2 dB;存在大量候选相位因子组合时,IDPSO-PTS算法与PTS技术相比可显著降低计算复杂度。

无线传感器网络基于离散二进制粒子群算法的分簇优化

为提升分簇无线传感器网络能量效率,延长网络生存时间,文章利用离散二进制粒子群算法对簇首选取进行优化。首先采用二进制编码方式对簇首选取结果进行编码,综合考虑节点能量、位置及簇首数目等因素,设计适应度函数,通过粒子群不断迭代寻优,获取最优分簇结果。然后引入簇首多跳的簇间路由方式,进一步降低节点能耗。通过仿真实验证明,所提分簇优化算法有效均衡了节点负载,降低了网络能耗,使网络生命周期明显延长。

基于改进离散二进制粒子群的SVM选择集成算法

针对基于离散二进制粒子群(BPSO)的SVM选择集成算法的分类精度不高,以及所选分类器个数过多等问题,利用改进的离散二进制粒子群算法(IBPSO)和SVM选择集成算法相结合,提出基于IBPSO的SVM选择集成算法。通过选用合适的适应度函数以及调节因子k,进行多次仿真,实验表明,对由boostrap方式生成的SVM集合,基于IBPSO的SVM选择集成在精度和分类器个数方面均优于基于BPSO的SVM选择集成,证明了IBPSO算法的优越性。

基于混合离散二进制粒子群-遗传算法的测试配置方法研究

针对目前测试性建模工作中尚无具体方法指导测试配置这一问题,通过对系统内故障传播关系进行分析,提出了一种混合离散二进制粒子群-遗传算法用于求解测试配置的最优方案,使系统的测试性模型在满足规定测试性指标下使用的测试数量最少;将系统测试配置方案进行二进制粒子编码,并在粒子群算法中引入遗传算子,使混合算法具有较快的搜索速度的同时避免陷入局部最优;最后通过实例计算与仿真,证明所提出算法计算结果正确且对于指导复杂系统测试性建模工作具有实际应用价值。

离散二进制粒子群算法在MIMO系统检测中的应用

假设被检测的某个矢量信号外的其他信号已知,将离散二进制粒子群优化算法(DBPSO,Discrete Binary Particle Swarm Optimization)应用到MIMO(Multiple-Input Multiple-Output)系统中对信号进行检测,能够较好地解决检测技术在提高MIMO频率选择性信道传输质量的同时产生了极大的接收信号计算复杂度问题.理论分析和仿真结果表明,该算法可以在计算复杂度和检测性能之间取得一个较好的折中.

改进二进制粒子群优化算法在配电网络重构中的应用

配电网络重构是一个非常复杂的大规模组合优化问题。网络重构中,能否得到有效解,即保证辐射状网络,是一个很关键的问题。对电网拓扑进行简化,配合破圈法更新粒子,得到100%的有效解,大大提高了计算速度。提出一种应用于配电网络重构的改进二进制粒子群优化算法,并结合禁忌搜索算法,使PSO算法跳出局部最优化陷阱,改善了算法的搜索效果,加快了寻优速度。最后对IEEE 69节点系统进行计算,并与相关文献结果进行对比,表明本文改进算法具有快速、高效的全局寻优能力。

基于混合二进制粒子群-遗传算法的测试优化选择研究

测试优化选择是一个组合优化问题。通过对测试选择的目标和约束条件进行深入分析,建立了其数学模型,并提出了一种混合粒子群-遗传算法用于求解满足测试性指标要求的最小完备测试集。该算法将遗传算法中的遗传算子引入到二进制粒子群算法中,既避免陷入局部最优和早熟收敛现象,又提高了搜索效率。大量实验证明,对于测试优化选择问题,混合粒子群-遗传算法能够快速有效的获得全局最优解。

二进制改进粒子群算法在背包问题中的应用

提出了用于求解0 1背包问题的二进制编码的粒子群算法,阐明了该算法求解背包问题的具体实现过程.为了提高粒子群算法的收敛速度,在传统的二进制编码的粒子群算法中嵌入了记忆功能.通过对其他文献中仿真实例的计算和结果比较,表明该算法在寻优能力、计算速度和稳定性方面都超过了文献中提到的遗传算法和模拟退火算法.提出的求解背包问题的二进制改进粒子群算法,同样可以应用于其他离散优化问题.