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。

自适应免疫粒子群算法在光伏MPPT中的应用

光伏阵列在局部遮阴条件下,其P-U特性曲线呈多峰特性,传统的最大功率点跟踪(MPPT)算法容易陷入局部最优,而无法追踪到最大功率点。粒子群(PSO)算法适用于复杂多极值的寻优问题,因而在多峰值MPPT中得到广泛应用。针对粒子群算法寻优过程中易早熟收敛至局部最优、迭代后期收敛速度慢以及精度低等问题,提出了一种自适应免疫粒子群算法。该算法对惯性权重和学习因子进行自适应调整,并且与免疫算法相结合。仿真结果表明:该算法在静态局部遮阴以及动态局部遮阴条件下,均能追踪到最大功率点,并且收敛速度更快,精度更高,稳定性更好。

免疫粒子群算法在修正高斯模型下的源强反演

为提高危险气体泄漏溯源定位的科学性和实效性,确定危险气体泄漏位置和强度是事故应急响应的关键。首先,根据质量守恒定律,分析、改进近似高斯分布的气体羽流扩散幅度,修正高斯烟羽模型;然后,基于免疫浓度筛选机制作为主策略的免疫算法(IA),通过与粒子群算法(PSO)耦合,将混合免疫粒子群(PSO-IA)算法应用到源强反演中;最后,验证PSO-IA算法溯源定位效果。结果表明:与模式搜索法(PS)、遗传算法(GA)、PSO相比,修正高斯烟羽模型预测值误差均下降2%左右;混合PSO-IA算法相较PSO算法反演源强效果有明显提升,其算法定位误差为1.3 m,求解源强误差为0.8%,单次计算时间小于1 s,能实现快速、准确定位并估算源强度。

免疫粒子群算法的测试数据生成

为有效改善粒子群算法进化后期收敛速度慢,克服易陷入局部极值的缺陷,提出一种自适应免疫粒子群算法并在面向路径的测试数据生成中得到应用。本文提出自适应的惯性权重的调整方法和学习因子的调节策略,加快算法的搜索速率;引入免疫算法中的免疫算子,提出抗体的浓度调节机制,使得粒子群的多样性更加丰富,提升算法的寻优能力;通过免疫选择操作,避免算法的早熟收敛;以分支函数叠加法构造适应度函数。实验结果表明,该算法避免了粒子群算法早熟收敛现象的发生,有效地提高了测试数据自动生成的效率。

基于免疫粒子群混合算法优化BP网络的矿压预测方法

为攻克综采工作面顶板矿压显现规律预测预报的难题,构建一种基于免疫粒子群混合算法优化BP神经网络的矿压预测模型(IA-PSO-BP),针对BP神经网络收敛速度慢和易陷入局部最优的问题,采用免疫粒子群混合算法优化BP神经网络,并选取11种矿压主要影响因素作为模型基础数据,对工作面来压强度和来压步距进行预测。结果表明:IA-PSO-BP网络模型的收敛速度较BP网络模型和PSO-BP网络模型分别提高8倍和2倍,IA-PSO-BP网络模型的预测值与实测值基本吻合,预测结果的相对误差分别约为BP网络模型和PSO-BP模型的1/5和1/3。基于IA-PSO-BP的工作面矿压预测方法具有较快的收敛速度和较高的准确率,实现了工作面初次来压强度、周期来压强度、初次来压步距和周期来压步距距预测,为煤矿井下工作面矿压预测提供了一种新的技术途径。

改进的免疫粒子群算法在TDOA定位中的应用

针对无线传感器网络中的TDOA节点无源定位估计中的非线性优化问题,提出了一种改进的免疫粒子群优化(Immune Particle Swarm Optimization, IPSO)的TDOA定位算法。该算法在自适应粒子群算法的基础上,引入免疫过程,增加了粒子种群的多样性,平衡局部搜索能力和全局搜索能力,有效地解决粒子易陷入局部最优问题,更快收敛到全局最优解。仿真结果表明,提出的算法相比于标准粒子群算法、自适应粒子群算法、Chan算法,当基站数量仅为4~5个、半径达到100 m时定位精度仍然较高,当加入随机噪声时,性能更加稳定,鲁棒性较好。

基于免疫粒子群算法的非合作博弈Nash均衡问题求解

针对N人非合作博弈Nash均衡求解问题,将免疫算法中抗体浓度抑制机制和免疫记忆功能引入基本粒子群算法,提出了一种求解博弈问题Nash均衡的免疫粒子群算法。该算法通过抗体浓度抑制机制和免疫记忆功能来保持种群的多样性,不仅保持了粒子群算法简单、易于实现的特点,而且增强了粒子群算法的全局寻优能力,加快了算法的速度。实验表明,提出的算法具有较好的性能,优于免疫算法和基本粒子群算法。

人工免疫粒子群算法在系统可靠性优化中的应用

为了优化舰载装备系统在其设计初期的可靠性,根据模糊优选理论,建立了基于正负理想方案的可靠性分配的多指标模糊优化模型.针对基本粒子群(PSO)算法易陷入早熟状态以及群体缺乏多样性等不足之处,将人工免疫系统(AIS)原理与改进的粒子群算法有机结合,并对粒子的飞行速度进行控制,提出一种基于人工免疫的粒子群算法(AI-PSO).将该算法应用于系统可靠性优化求解中,仿真试验结果表明,相比其他算法而言,该算法具有较强的全局搜索能力,其优化结果更为合理.

基于免疫粒子群算法的电力系统无功优化

为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE30节点系统算例仿真表明,IA-PSO算法与标准PSO算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。

基于免疫粒子群算法的飞行控制器参数寻优

提出了一种免疫粒子群混合优化算法。该方法将免疫算法中的基于浓度的抗体繁殖策略与粒子群优化算法相结合。对浓度低的粒子进行促进,对浓度高的粒子进行抑制,因而保持了粒子的多样性,克服了PSO算法易于陷入局部最优点的缺点,寻优速度快。将该方法用于飞行控制器的参数优化设计。仿真结果表明:使用该方法进行参数优化设计获得了优良的飞行控制效果,能够较大地提高飞行控制器参数的设计效率。

免疫粒子群算法在梯级电站短期优化调度中的应用

将免疫原理引入粒子群算法(PSO)中,利用其免疫记忆与自我调节机制保持各适应度层次的粒子维持一定的浓度,保证种群的多样性;引入疫苗接种等操作,对算法的进化过程进行有目的、有选择地指导,提高算法的搜索性能。随后在分析梯级电站短期优化调度数学模型及该算法特点的基础上,建立了基于免疫粒子群(IPSO)算法的梯级电站短期优化调度数学模型,并给出其具体的求解步骤。最后应用该方法进行仿真计算,并与常规调度及PSO算法进行对比,结果表明,该算法可获得较优的优化调度方案,并可提高解的精度,加快其收敛速度。

基于免疫粒子群优化算法的梯级水电厂间负荷优化分配

免疫粒子群优化算法(IA-PSO)是将免疫系统的免疫信息处理机制引入粒子群算法(PSO)中,利用其特有的浓度选择机制以及疫苗接种原理,改进了粒子群优化算法的全局寻优能力,提高了收敛速度。在分析梯级水电厂间负荷分配的数学模型和IA-PSO算法特点的基础上,提出了基于IA-PSO算法的负荷优化分配方法,建立了数学模型,给出了具体求解步骤。经实例验证,IA-PSO算法得出的负荷分配方案优于PSO算法的计算结果,且算法后期收敛速度快,从而为梯级水电厂间负荷优化分配问题提供了一条新的求解途径,可应用于更广泛的优化问题。

免疫粒子群优化算法

受生物体免疫系统免疫机制的启发,论文把免疫系统的免疫信息处理机制引入到粒子群优化算法中,给出了免疫粒子群优化算法。这种免疫粒子群优化算法结合了粒子群优化算法具有的全局寻优能力和免疫系统的免疫信息处理机制,并且实现简单,改善了粒子群优化算法摆脱局部极值点的能力,提高了算法进化过程中的收敛速度和精度。一个求多维函数最优值的计算机仿真对比结果表明,免疫粒子群优化算法的收敛性能优于粒子群优化算法。

基于免疫记忆粒子群优化算法的风火联合系统的多目标优化调度

随着清洁可再生的随机性和间歇性风电大规模接入,其对电力系统发电调度的影响不容忽视。考虑风电机组的环境效益和并网对系统安全造成的影响,建立基于多目标机会约束规划模型,将燃煤机组发电成本最小、污染气体排放量最小作为目标,并计及系统的正、负旋转备用容量约束。使用风电出力的分布函数将随机模型转化为确定模型,采用模糊化处理技术将多目标优化转化为单目标优化,利用免疫记忆粒子群优化算法求解模型。最后,以修改后IEEE-30节点系统模型测试算例MATLAB仿真为例,通过算例仿真结果比较分析,验证了所建立模型的正确性以及算法的快速性、有效性和收敛性。

基于免疫粒子群算法的PID参数整定与自适应

针对粒子群算法容易陷入早熟以及免疫算法计算过程繁复冗长的缺点,将免疫系统的免疫信息处理机制引入PSO算法中,提出了一种基于免疫选择粒子群的算法(ISPSO)。将ISPSO算法应用到PID控制器的参数整定与自适应中,并设计了相关PID控制器参数。Matlab仿真试验结果表明,该算法能够解决PSO算法早熟收敛的问题,适用于PID控制器的自整定。

基于免疫克隆原理的改进粒子群优化算法的研究

提出了一种改进的粒子群优化(PSO)算法来进行函数优化,以克服PSO算法容易陷入局部极值的不足,加快收敛速度,从而实现全局搜索。PSO算法是基于群体智能的随机优化算法,参数结构简单,但收敛速度慢,容易陷入局部极值。通过对PSO算法的深入分析,基于传统的速度——位置更新操作,把免疫克隆(IC)原理引入PSO算法中,将抗体视为粒子,根据亲和度的高低进行粒子克隆选择、克隆抑制和高频变异,提高了种群的多样性和全局搜索的能力。测试结果表明,该算法完成全局搜索所需的迭代次数明显少于PSO算法,大大缩短了搜索时间,在多维函数最优解的搜索中具有优良的性能。

免疫粒子群算法及其在矿井提升机故障诊断中的应用

基于人工免疫系统的故障诊断方法是人工智能领域发展起来的一个十分活跃的分支.为了提高免疫算法在矿井提升机故障诊断系统中的执行效率，通过对诊断问题进行更精确的建模和分析,提出了将免疫模型和离散粒子群进化算法相结合的提升机系统的故障诊断方法.该方法在免疫形态空间中采用核主元形式的相似性度量，解决了传统距离判别函数法在故障诊断中存在误差较大等问题.仿真结果表明，该方法能够适应诊断过程中出现的不确定性，并实现多故障诊断.

基于免疫粒子群算法的涡扇发动机性能仿真

涡扇发动机稳态数学模型为一高度非线性的复杂系统,用传统的迭代方法求解发动机非线性方程组存在受初值影响不易收敛的问题。为此利用粒子群算法求解,并针对算法的局部收敛现象对其进行改进:借鉴免疫算法思想,设计出基于Logstic混沌变异的粒子克隆选择机制,基于概率的粒子多样性保持机制。对测试非线性方程组求解的结果表明引入免疫机制的改进算法较被比较的典型算法在搜索性能和收敛速度方面有明显改善。将改进的粒子群算法应用到某型涡扇发动机稳态性能计算,从仿真结果可知,基于免疫粒子群算法计算过程收敛速度明显加快,计算误差显然小于其他改进算法。经验证,该算法在不同的工作状态下与试车试验值的误差在0.5%左右,达到较高的计算精度。

免疫粒子群算法及其在水库优化调度中的应用

免疫粒子群优化算法(IA-PSO)是将免疫系统的免疫信息处理机制引入粒子群算法(PSO)中,利用其特有的浓度选择机制以及免疫接种功能的原理,改进粒子群优化算法的全局寻优能力,提高收敛速度.在分析水库优化调度的数学模型和IA-PSO算法特点的基础上,提出了基于IA-PSO算法的水库优化调度的方法,建立了数学模型,给出了具体求解步骤.经实例验证,IA-PSO得出的水库优化调度方案优于传统动态规划算法的计算结果,而且算法收敛速度快,为水库调度问题提供了一条新的有效求解途径.

基于免疫粒子群算法的特征选择

针对入侵检测中数据维数较高的问题,使用免疫粒子群算法Immune_PSO进行特征选择,消除冗余属性、降低问题规模、加快入侵检测速度。Immune_PSO算法使用二进制字符串序列来表示粒子位置,采用免疫算法思想进行粒子的选择,保持粒子的多样性,提高PSO算法的收敛精度。最后算法在KDD CUP1999数据集上进行了仿真实验,达到了预期的效果。