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。

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。

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。

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。

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.

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.

基于改进二进制粒子群算法的配电网故障恢复

鉴于现有的配电网故障恢复算法普遍存在着计算速度慢或难以搜索到全局最优解的问题,提出了一种基于改进二进制粒子群算法的配电网故障恢复算法。首先采用等效负荷模型简化网络;在确定目标函数时,引入了层次分析法求解各指标的权重值,较之传统的经验确定法更符合实际;然后从惯性权重和学习因子的选取及粒子相似性控制2个方面对基本二进制粒子群算法进行了改进。算例分析表明,文中所提出的方法计算速度快,易收敛到全局最优解,能有效地求解配电网故障恢复问题。

基于二进制量子粒子群算法的含分布式电源配电网重构

配电网重构是一个复杂的非线性组合优化问题。为了克服基本优化算法易陷入局部最优解的问题,提出了一种改进的二进制量子粒子群算法(BQPSO),对含分布式电源(DG)的配电网重构模型进行求解。通过引入遗传算法的交叉操作和变异操作来避免早熟来提高算法的全局搜索能力,改进了算法的性能。并且选择了适当的不可行解处理方式来提高了算法的计算效率。最后通过对IEEE33节点配电系统进行仿真,验证所提算法在求解重构问题时得到的解更好,收敛速度和全局寻优能力都有提升。

改进二进制粒子群算法在配电网重构中的应用

将混合蛙跳思想引入粒子群算法,并结合遗传算法中的选择交叉操作,提出一种改进二进制粒子群算法,来解决配电网重构中的问题。并且动态调整粒子速度更新公式中的惯性系数,使粒子能够随更新次数的变化动态改变全局和局部搜索能力,防止算法早熟,以找到全局最优解。文章最后对典型IEEE33节点算例进行仿真,并与遗传算法进行对比分析,结果表明该方法不仅能有效避免算法早熟、快速收敛,而且稳定性好。

基于二进制混沌粒子群算法的认知决策引擎

为了解决不同通信模式下认知无线电发射机参数合理优化的问题,提出了一种基于二进制混沌粒子群算法(BCPSO)的认知决策引擎,该引擎利用粒子群优化算法收敛速度快和混沌运动全局遍历性的特点,使认知决策在多目标优化过程中有效地摆脱了局部极值点,提高了参数优化的精度和稳定性.基于认知正交频分复用(OFDM)系统的仿真结果表明,相对于现有认知引擎,该引擎具有平均适应度值高、对不同通信模式鲁棒性强的特点,实现了有效优化发射机参数的目的.

改进二进制粒子群算法在PMU优化配置中的应用

以电力系统状态完全可观测和相量测量装置(PMU)配置数目最少为目标,提出概率偏移二进制粒子群优化配置算法。该算法是全局优化算法,可得到多组可行解。针对普通二进制粒子群算法收敛较慢的缺点,在算法中引入概率偏移因子,根据节点出线度的差异,设置不同的取0或1的概率,从而提高了收敛速度。最后,采用新英格兰39节点系统和湖南长株潭42节点系统算例对所提方法进行了验证。

二进制粒子群算法在路径规划中的应用

全局路径规划是智能机器人的一个重要研究领域,将二进制粒子群算法应用于路径规划是一种新的尝试。提出一种机器人路径全局路径规划方法,介绍了利用改进的二进制粒子群算法进行路径规划的详细实现过程。机器人工作空间中的障碍物表示为多边形,对多边形顶点进行编号。利用二进制粒子群算法进行路径规划,粒子的长度定义为工作环境中障碍物顶点的个数,每一位为0或1表示路径是否经过该顶点。为了克服传统的二进制粒子群算法的早熟收敛问题,在改进的算法中采用了双重编码结构,并引入变异操作。最后给出仿真结果证明该方法的正确性和有效性。

基于改进二进制粒子群优化算法的网络重构研究

提出了一种基于改进二进制粒子群优化算法的网络重构方法,该算法在二进制粒子群优化算法的基础上,通过结合破圈法理论以控制粒子的更新过程,使更新后的粒子100%符合网络的辐射状要求,从而减少了以往网络重构中辐射网判断的环节。此外算法还引入了禁忌搜索算法的思想,克服了粒子群算法易陷入局部最优的缺陷。最后对IEEE单馈线33节点系统进行计算,证实了算法的有效性,并与相关文献中的算法进行比较,表明算法具有较高的搜索效率和较强的全局寻优能力。

基于二进制交叉和变异的粒子群算法及应用

粒子群算法在求解多峰问题时极易陷入局部最优解,提出了基于模拟二进制交叉和多项式变异的粒子群算法(SPDPSO)。在该算法中,为了更好地利用每个粒子的历史信息,引入了外部存档存储每个粒子的最优位置(pbest);同时,对外部存档中的pbest进行二进制交叉,而对新产生的全局最优粒子进行多项式变异。基准函数的测试结果显示,SPDPSO算法在求解多峰问题上有一定的优势。在实际应用中,以TSP为研究对象,结果显示SPDPSO算法获得了比其它算法更好的解。

无线传感器网络LEACH协议的二进制粒子群改进算法

针对无线传感器网络LEACH协议分簇时,能量较低的节点可能会成为簇头,簇头在簇中的位置未必最优的问题,提出了一种基于二进制粒子群的LEACH协议优化算法。首先在成簇过程中使簇的个数最优,然后应用二进制粒子群算法在每个簇中选择最优簇头。仿真证明,二进制粒子群优化的LEACH协议较原始LEACH协议有效降低了总的能量消耗,延长了网络的生命期。

基于技术成熟度和二进制粒子群优化算法的装备测试设计优化方法研究

针对复杂装备测试性设计过程中测试设计优化问题,在分析现有优化方法的基础上,提出了一种基于技术成熟度评价(TRA)方法和二进制粒子群优化(BPSO)算法的测试设计优化方法。该方法根据装备测试设计的技术成熟度分析结果建立目标优化模型,然后应用二进制粒子群算法对模型进行求解,得到的结果直接用于装备的测试性设计工作。由于考虑装备测试设计的影响因素较一般方法多,因此得到的结果更加优化。该方法已经在某型装备测试设计辅助系统中得到应用。

基于二进制粒子群算法的异构传感器网络成本最优节点部署机制

节点部署作为无线传感器网络应用的一个核心问题,是保证网络服务质量的重要手段。针对异构传感器网络节点的高密度部署和监测目标的非均匀分布的情况,提出一种基于二进制粒子群算法的异构节点成本优化部署方法。该算法在满足区域节点部署要求的条件下以最小化传感器节点的部署成本为目标函数进行优化操作,以达到降低网络冗余、提高网络服务质量的效果。仿真结果表明,该算法能快速收敛于最优解,能够降低网络部署的成本,提高网络中目标监测的质量。