二进制量子粒子群优化算法及其在化工过程故障诊断中的应用

针对实际化工生产过程中故障数据缺乏,采用适合小样本问题的支持向量机(SVM)对化工过程稳态故障进行诊断。为了保证在线故障诊断的实时性,消除高维监控数据以及系统噪声对故障诊断的干扰,提出了一种新的基于二进制量子粒子群优化(BQPSO)算法和SVM的故障特征选择方法。仿真实验表明:BQPSO算法具有良好的全局搜索能力,能够快速、准确地搜索到故障特征变量;而基于特征选择的SVM故障诊断方法能可靠地实现对复杂化工过程的在线故障诊断。

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。

马氏田口系统的量子行为二进制粒子群特征选择优化方法

针对标准二进制粒子群用于马氏田口系统的特征选择优化时,存在迭代速度慢,容易陷入局部最优解等不足,提出一种改进的基于量子行为二进制粒子群的马氏田口系统变量选择优化方法。首先,为了规避可能存在的复共线性特性对距离度量结果的影响,本研究采用Gram–Schmidt正交化法计算马氏距离值,对系统进行标准化处理,对各属性向量进行正交化后计算各类别的马氏距离集合,通过ROC曲线确定系统分类的最佳阈值点,定义误分类率概念和被选择变量占比最小作为变量筛选标准,构建多目标的混合规划模型。运用改进的量子行为粒子群算法求解优化组合,为适应二值化的变量优化问题,算法基于概率对粒子进行二进制编码,求取目标函数的适应值,并完成粒子群的优化迭代过程。采用优化的变量组合,构建精简的马氏田口系统,建立度量预测模型,完成精确判别的任务。最后,以胎心分娩力造影术测量的胎儿健康诊断为例,对标准二进制粒子群算法和二进制量子粒子群优化算法进行对比验证,实验结果表明,本文方法可以有效地提升粒子的迭代速度和寻优精度,优化后的马氏田口系统的预测准确率明显提高。

基于二进制量子行为粒子群优化的WSN自适应设计

无线传感器网络(WSN)所处的物理环境,探测对象以及WSN本身都存在很多不确定的因素,这要求WSN能够适时地调整和优化。提出一种基于簇结构的自适应WSN,采用二进制量子行为粒子群算法实现网络拓扑控制优化与网络覆盖优化,提高了全局搜索能力。算法中采用基于并行位操作的高效率算子处理二进制串。该算法融合于WSN动态结构设计,能有效延长WSN的使用寿命。

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。

基于混沌二进制粒子群算法的独立微网系统的微电源组合优化

建立了多目标多约束的独立微网系统优化运行数学模型,以经济运行成本最小与系统网损最小构成多目标函数,采用赋权的方式将多目标转化成单目标,考虑功率平衡、电压越限、机组启停时间等约束条件,并计及了微网中可控型微电源的启停控制策略。将二进制粒子群算法与混沌优化算法相结合求解模型。典型微网模型仿真结果验证了所提算法与模型的正确性,采用所提方法可确保微网的优化经济运行。

改进二进制粒子群优化的节点选择算法

针对无线传感器网络多目标跟踪节点选择问题,提出了一种最大化跟踪精度的二进制粒子群优化节点选择算法.该算法基于目标的预测位置,以费舍尔信息矩阵的迹为精度度量,构建节点优化选择模型,提出了二进制粒子群优化的改进形式,并用于节点选择模型的求解.改进的二进制粒子群优化算法采用矢量的二进制编码方式、约束满足的循环移位种群初始化方法,带V型转换函数的位置更新规则,并设计了引导因子引导粒子群的进化.仿真结果表明,所提出的节点选择算法能够有效地应用于多目标跟踪问题,与基本的二进制粒子群优化算法和遗传算法相比,改进的二进制粒子群优化算法能够在全局寻优和局部探索间取得平衡,且能有效地避免局部最优,对较大规模的网络具有很强的适用性.

一种适于求解离散问题的二进制粒子群优化算法

分析了二进制粒子群优化算法(BPSO)的缺陷。为克服此缺陷提出了“粒子位置的双重结构编码”的概念,以此为基础给出一种新的二进制粒子群优化算法———具有双重结构编码的二进制粒子群优化算法(简称DS_BPSO)。DS_BPSO算法既保留了PSO的优点,又非常适用于求解离散优化问题。对随机3-SAT测试实例的数值计算表明:该算法的性能远远超过BPSO算法。

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。

基于二进制量子粒子群的含电动汽车主动配电网多目标重构

电动汽车(EV)在配网中的渗透率不断增加,影响到电网的经济性和稳定性。提出了适用于主动配电网(ADN)多目标重构的二进制量子粒子群算法(BQPSO),建立了有功网损、电压偏移指标(VSI)和开关操作次数的多目标优化数学模型,以确定接入分布式电源(DG)和电动汽车(EV)后系统的最佳重构方案,并在修改后的IEEE33节点配电系统中进行计算,通过与不同的算法进行对比,验证了文中方法的实用性和有效性。

改进的带经验因子的二进制粒子群优化算法

针对传统二进制粒子群优化(BPSO)算法未充分利用粒子位置的历史信息辅助迭代寻优,从而影响算法寻优效率的进一步提高的问题,提出一种改进的带经验因子的BPSO算法。该算法通过引入反映粒子位置历史信息的经验因子来影响粒子速度的更新,从而引导粒子寻优。为避免粒子对历史信息的过度依赖,算法通过赏罚机制和历史遗忘系数对其进行调节,最后通过经验权重决定经验因子对速度更新的影响。仿真实验结果表明,与经典BPSO算法以及相关改进算法相比,新算法无论在收敛速度还是全局搜索能力上,都能达到更好的效果。

基于二进制具有量子行为的粒子群算法的多边形近似

提出了适合二进制搜索空间的具有量子行为的粒子群优化算法(BQPSO)。在二进制环境中重新定义粒子的位置向量及距离向量,调整了QPSO算法的进化公式。用二进制具有量子行为的粒子群算法求解平面数字曲线的多边形近似,解决了传统BPSO算法中粒子搜索范围受限的问题。用2条通用benchmark曲线进行测试,结果表明,该算法较BPSO加快了收敛速度,在相同的容忍误差和迭代次数下找到了更少顶点的多边形。

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。

改进的二进制粒子群算法的传感器优化配置

传感器组合优化问题是设备状态检测系统设计的重要问题。在研究传感器与故障有向图的基础上,提出了传感器优化配置模型;根据传感器组合优化自身特点,从位改变率、惯性权重两个方面对BPSO算法进行了参数分析。结合免疫算法的"亲和度"思想以及非线性惯性权重递减公式,提出了改进的二进制粒子群算法。案例显示,改进的二进制PSO算法提高了算法在整个解空间的搜索能力,加快了收敛速度,能够很好地用于解决传感器优化问题。

采用弧形映射函数的二进制粒子群优化算法

针对二进制粒子群优化算法(BPSO),采用S形映射函数,将粒子在空间中飞行速度的正负值大小映射为其位置向量取1的概率,易于陷入局部最优解的问题,本文提出了采用弧形映射函数的二进制粒子群优化算法(ABPSO).该算法采用弧形映射函数取代BPSO中的S形映射函数,将速度平方值大小映射为位置向量改变的概率大小,当粒子具有较低的速度平方值时能够维持在原位置,较高的速度平方值时改变位置,从而使算法更好地收敛于全局最优解;同时,采用了无强制性位置更新程序,符合弧形映射函数使用速度平方大小映射为位置改变概率大小的需要.通过六个基准函数的仿真实验发现,ABPSO具有更好的收敛精度和更高的收敛速度;ABPSO采用更加符合粒子运动规律的弧形映射函数,表现出更好的收敛于全局最优解的能力和更高的收敛速度.

改进二进制量子粒子群算法在蛋白质折叠中的应用

为了改善已有二维HP模型蛋白质折叠算法容易陷入局部最优、找不到理论最低能量构象的缺点,提出一种基于变异算子的改进二进制量子粒子群算法。采用二进制编码蛋白质序列,提出变异策略,并采用惩罚因子避免出现蛋白质重叠,最后将该算法应用于蛋白质序列进行测试。测试结果表明,改进算法能够找到更优的结果,算法具有一定的实用性和有效性。

ACCQPSO:一种改进的量子粒子群优化算法及其应用

针对量子粒子群优化算法前期易陷入局部极值点、后期寻优精度不高等问题,文章提出一种自适应交叉算子的混沌量子粒子群优化算法,并将其应用于BP神经网络超参数寻优。首先,利用Logistics映射初始种群为混沌序列进行最优解搜索,增强初始种群的随机性与遍历性,提高算法寻优能力;然后,通过纵向交叉操作进行种群中个体的信息交换,并引入自适应交叉概率公式,增加种群多样性,提高算法的寻优精度;最后,在实验中,一方面,选取8个函数在高低两个维度进行验证,同时进行Wilcoxon秩和检验分析以及消融实验,验证该算法相较其他算法的有效性;另一方面,通过算法优化BP神经网络应用到网络安全态势预测任务中,实验结果表明该算法收敛速度相较于对比算法有大幅度提升。

基于量子行为粒子群算法的舱室噪声监测点优化布置

针对舱室噪声在线监测及声场预报问题,本文提出了一种基于量子行为粒子群算法的舱室内部声监测点优化布置方法。根据研究频段范围确定所需声腔模态阶数,计算全部备选监测点位置处各阶声腔模态的声场分布,采用模态置信矩阵作为目标函数,基于量子行为粒子群算法对监测点位置进行优化,获得优化布置方案。从声腔模态采样的正交性及内外声场响应的角度与其他测点布置方案进行了性能比较。研究表明:本文方法优化得到的测点布置方案采集声腔模态信息更全面,可有效提升舱室内声场的重建精度和基于舱室内声场监测的水下辐射噪声预报精度。

自适应学习因子的混沌二进制粒子群优化算法

针对二进制粒子群优化算法存在求解精度低的问题,提出一种自适应学习因子的混沌二进制粒子群优化算法(SABPSO)。首先,SABPSO算法采用混沌策略初始化粒子种群;其次,根据适应度值以及当前粒子与最优粒子间距离设计粒子成长因子,反映种群的进化状态;再次,通过成长因子和迭代次数设计自适应学习因子更新机制;最后,实验结果表明:在4个经典测试函数上SABPSO算法具有更有效的收敛性能。