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。

面向动态公交的离散分层记忆粒子群优化算法

随着智慧城市、智慧交通的发展,移动互联网和公交智能基础设施以及相关数据的不断完善,通过用户手机预约公交服务的新型公交运营方式——动态公交,已经成为许多城市公交发展的重要探索方向。但目前,对动态公交问题的建模、算法研究不足。基于这一研究现状,提出动态公交问题模型和面向动态公交的离散分层记忆粒子群优化(PSO)算法。首先给出动态公交问题的目标函数和约束条件,给出动态公交问题的解的形式,并定义解的编辑距离;其次提出使用数据驱动的预计算路径集生成PSO算法的优质初始解的方法,给出基于解的编辑距离的PSO算法中粒子的变异概率和自适应收敛系数的计算方式;最后提出将粒子群分层求解的方法,其中低层粒子群可复用、可继承,从而减少单时间片内、时间片间复制和重初始化带来的性能损耗。基于重庆市北碚区蔡家岗街道的真实场景和亿级历史数据建立仿真环境进行实验,实验结果表明:相对于不分层PSO算法,分层PSO算法通过复用和继承能缩短超80%计算用时;自适应参数和变异机制能帮助算法更稳定地收敛到更优解;相对于传统公交系统,动态公交能在同等运力限制下,提高22%的乘客接单率,节省39.1%的乘客出行时间,所提算法能满足公交运营商在片区内进行动态公交调度的需求;相对于对比算法,所提算法平均缩短了85.3%的计算用时,并且在仅耗用80%里程的情况下提高了至少12%的接单率。

基于粒子群优化长短记忆网络算法的有创呼吸机使用量预测模型研究

目的研究基于粒子群优化长短记忆网络算法的有创呼吸机使用量预测模型。方法选取2019年4月至2023年4月医院有创呼吸机使用情况数据,建立基于粒子群优化长短记忆网络(PSO-LSTM)算法的有创呼吸机使用量预测模型,预测全院及重症监护病房(ICU)有创呼吸机每天使用数量。采用平均绝对误差(MAE)、平均绝对百分比误差(MAPE)及均方根误差(RMSE)作为准确性评价指标。结果PSO-LSTM模型预测重症ICU有创呼吸机每天在用量与LSTM模型比较,其MAE值降低41.15%、MAPE值降低50%、RMSE值降低44.36%;PSO-LSTM模型预测全院有创呼吸机每天在用量与LSTM模型比较,MAE值降低81.93%、MAPE值降低83.33%、RMSE值降低79.08%,PSO-LSTM模型预测精度高于LSTM模型。结论PSO-LSTM模型能够准确预测有创呼吸机的每天在用量,为有创呼吸机采购决策提供科学依据,为创建全院呼吸机管理共享中心提供数据分析基础,进一步提升医疗设备精细化管理水平。

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。

采用改进多目标粒子群算法的斜拉桥阻尼器参数优化

为克服大跨度斜拉桥黏滞阻尼器优化设计效率低、多个相互制约的减震控制目标的问题难以权衡,基于遗传算法的“变异”方法,提出了改进多目标粒子群算法来进行阻尼器参数优化设计。建立大跨度斜拉桥的有限元模型,开展了全桥地震响应分析,根据抗震需求在桥梁纵向设置黏滞阻尼器;分别建立了塔底弯矩、阻尼力和梁端位移的减震响应与阻尼器参数之间的响应面数学模型;以减震响应面模型为研究对象,通过该算法进行阻尼器参数全局自动寻优分析,确定了阻尼器的最优参数,并与采用参数敏感性分析方法确定的一组阻尼参数进行对比分析。研究结果表明:该优化方法具有计算精度好、优化效率高和更好地权衡多个相互制约的减震控制目标的优点;通过优化算法获得的阻尼器参数组合相比采用参数敏感性分析方法获得的阻尼参数组合的减震响应,塔底弯矩增大1.73%,阻尼力减小5.97%,梁端位移减小1.66%;在无需多次有限元试算的基础上确定了更高精度的阻尼器优化参数组合,在提高减震效果的同时大大提升了计算效率。

基于互信息粒子群优化-长短期记忆神经网络医疗设备运行质量预测模型的慢性呼吸系统疾病诊疗设备智能管理研究

目的:基于互信息粒子群优化(PSO)-长短期记忆(LSTM)神经网络构建医疗设备运行质量预测模型,辅助慢性呼吸系统疾病诊疗设备智能管理。方法:采集设备基本数据、使用数据、维修数据和性能数据进行去噪和标准化处理,构建基于PSO-LSTM神经网络医疗设备运行质量预测模型(简称PSO-LSTM模型),制定设备使用、维护、维修及报废的智能管理方案。选取2019年8月至2023年7月新疆维吾尔自治区人民医院呼吸科临床在用的139台医疗设备,将2019年8月至2021年7月的67台设备采用经验管理模式,2021年8月至2023年7月的72台设备采用智能管理模式。计算传统循环神经网络(RNN)、LSTM神经网络模型训练集和测试集与PSO-LSTM神经网络模型的预测准确性,对比两种管理模式设备管理质量和设备使用操作与技术保障人员以及患者或家属对两种管理模式的管理满意度。结果:PSO-LSTM模型训练集预测准确性的平均绝对百分比误差(MAPE)值和均方根差(RMSE)值分别为0.014和0.008,测试集分别为0.032和0.018,均低于RNN和LSTM模型。采用智能管理模式的设备平均故障频次、平均开机率、管理成本平均增幅、平均维护执行率及平均报废合规率分别为(0.99±0.85)次/年、(95.74±2.16)%、(1.72±1.28)%、(96.49±1.97)%和(97.59±1.49)%,平均故障频次和管理成本平均增幅低于经验管理模式,平均开机率、平均维护执行率和平均报废合规率高于经验管理模式,差异有统计学意义(t=3.297、3.469、2.394、4.187、3.503,P<0.05);设备使用操作与技术保障人员及患者或家属对采用智能管理模式的设备性能、运行质量、管理方式、管理成本以及诊疗效果满意度评分分别为(94.73±1.85)分、(93.38±3.15)分、(93.48±2.02)分、(94.35±2.34)分和(95.14±2.07)分,均高于经验管理模式,差异有统计学意义(t=4.131、3.827、5.716、3.430、3.173,P<0.05)。结论:基于PSO-LSTM神经网络医疗设备运行质量预测模型能更准确地评估设备运行状况,提高医疗设备临床运行质量,改善临床服务满意度。

基于混合粒子群算法的波浪能发电集群优化方法

对波浪能发电集群的优化控制有助于波浪能的有效利用,为此文章提出了基于混合粒子群算法的波浪能发电集群优化方法。以直驱式发电装置为研究对象,探讨其构成发电集群短期尺度下稳定状态的数学模型,由简至繁依次考虑波浪动态压力、装置间辐射影响和遮挡效应,以便更准确地模拟一定密集度的波浪能发电装置部署下的实际效果。以集群功率最大化为优化目标,根据装置运动和海域能量约束,提出混合粒子群算法求解集群的最优参数,在传统算法基础上设定自适应惯性权重并加入交叉和变异操作,以应对复杂集群方程解空间的多峰性问题。算例结果验证了所述集群优化方法的有效性,求解质量良好;同时表明波浪能发电集群规模越大,装置之间的辐射影响越复杂,遮挡效应越明显。

陷阱标记联合懒蚂蚁的自适应粒子群优化算法

为解决现有粒子群改进策略无法帮助已陷入局部最优和过早收敛的粒子恢复寻优性能的问题,提出一种陷阱标记联合懒蚂蚁的自适应粒子群优化(adaptive particle swarm optimization based on trap label and lazy ant, TLLA-APSO)算法。陷阱标记策略为粒子群提供动态速度增量,使其摆脱最优解的束缚。利用懒蚂蚁寻优策略多样化粒子速度,提升种群多样性。通过惯性认知策略在速度更新中引入历史位置,增加粒子的路径多样性和提升粒子的探索性能,使粒子更有效地避免陷入新的局部最优。理论证明了引入历史位置的粒子群算法的收敛性。仿真实验结果表明,所提算法不仅能有效解决粒子群已陷入局部最优和过早收敛的问题,且与其他算法相比,具有较快的收敛速度和较高的寻优精度。

基于改进粒子群算法优化的染色木材颜色检测算法研究

为提高染色木材颜色的检测精度和速度,对樟子松木材单板进行染色,选取染色单板的光谱反射率作为输入,以极限学习机模型为基础构建预测模型,对染色单板的色度参数L^(*)、a^(*)、b^(*)进行预测,运用粒子群算法对ELM权值和阈值进行寻优,并引入非线性惯性权重和新的位置与速度更新策略改进粒子群算法,以消除其易陷入局部最优的缺点。此外,以L^(*)、a^(*)、b^(*)平均绝对误差为评价指标,与基础ELM模型及其他模型作对比,发现优化后的模型平均绝对误差为0.16,测色效果相较于基础ELM的0.68、麻雀算法优化的ELM的0.37等具有明显优势,这对于提高木材染色生产效率具有重要意义。

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。

基于粒子群优化的盾构推进参数预测算法

为了提高传统机器学习模型在盾构推进参数方面的预测精度,提出了基于粒子群优化(PSO)的混合模型算法。以推进油缸推力和位置预测为例,阐述了PSO优化的混合模型构建流程。以粒子群优化模型为基础,分别建立混合多层感知机(MLP)油缸推力模型、混合长短期记忆(LSTM)人工神经网络油缸推力预测模型,以及混合LSTM油缸位置预测模型。以实际工程数据为例,完成多种混合预测模型的构建,并与RF、XGBoost等传统模型对比,验证所提方法和模型的有效性和先进性。实验表明:经过PSO优化的模型准确率均有不同程度的提升,本文提出的基于粒子群优化模型对指导掘进参数调控、辅助操作人员掘进等具有一定的工程价值。

基于粒子群的旧工业建筑再利用空间优化算法

为了解决土地资源紧张的问题,优化旧工业建筑空间,提高建筑利用空间紧密度,实现空间再利用,提出基于粒子群的旧工业建筑再利用空间优化算法。将土地利用适宜性最大化、用地紧凑度最大化和转化成本最小化作为优化目标,构建空间优化模型,建立旧工业建筑再利用空间优化目标函数,在相关条件的约束下采用粒子群算法求解上述目标函数,实现旧工业建筑再利用空间的优化。仿真结果表明,所提方法的地类转换成本低,总适宜度、生态协调性和社会效益高,空间紧凑度高,优化效率高。

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。

基于自适应混合粒子群算法优化支持向量机的乳腺癌预测

使用粒子群算法优化支持向量机的惩罚因子和核参数,提高分类的精度。粒子群算法收敛速度快,但是容易陷入局部最优。引入鲸鱼算法的包围运动和螺旋运动机制,形成参数自适应的混合粒子群优化算法,提升了算法的精度。在对数据进行预处理之后,80%的数据用于模型的训练,剩余20%用于模型的测试。每次实验分别按照比例随机生成的训练集和测试集进行20次预测,计算平均正确率。实验表明,自适应混合粒子群算法优化精度高于标准粒子群算法和鲸鱼算法。

基于粒子群优化算法的太阳能水培智能控制系统设计与实现

为实现水培营养液水质参数的高效、精确控制,减少设备供能产生的碳排量,构建了一个基于粒子群优化(Particle Swarm Optimization,PSO)算法和最大功率点跟踪(Maximum Power Point Tracking,MPPT)算法的水培智能控制系统。用PSO算法优化模糊控制器的量化、比例因子,加入Smith预估器补偿反馈时延,对pH为4.5、电导率(Electrical Conductivity,EC)为0 mS/cm的营养液进行精确调控。经过优化,分别在44 s和43 s后达到预设值,并能维持稳定状态。建立光伏发电模块,引入MPPT算法,缩短跟踪时长至0.04 s。结果表明,该系统能提高营养液水质参数的调节精度,缩短控制时长,增强水培环境的稳定性;同时,能提升发电效率,实现节能减排。

基于改进粒子群算法的卫星星座优化设计

面向区域覆盖的卫星星座设计是一个多约束的优化问题,提出一种基于改进粒子群(Particle Swarm Optimization,PSO)算法的中轨(Medium Earth Orbit,MEO)卫星星座优化设计方法。以最大化卫星星座对中国区域的平均覆盖率为目标,基于3+4P星座构型进行卫星星座优化设计,并采用改进PSO算法对卫星的轨道参数进行优化。通过仿真软件和卫星仿真工具包(Satellite Tool Kit,STK)互联进行算法验证,并将改进PSO算法、标准PSO算法和遗传算法(Genetic Algorithm,GA)的优化结果进行对比。仿真结果表明,改进PSO算法优化后的卫星星座对中国区域的覆盖率均值为95.34%,分别比标准PSO算法和GA算法高0.68%和9.55%,同时具有更高的平均覆盖重数和总覆盖时长。因此,基于改进PSO算法的卫星星座优化设计方法可以实现较好的覆盖性能。

基于多目标粒子群优化算法的某轻型商用车操纵稳定性优化研究

针对某轻型商用车稳态回转时侧倾度偏大的问题对其悬架进行优化改进。基于ADAMS/car搭建整车多体动力学模型,通过前悬架反向平行轮跳试验、后悬架理论计算验证了悬架仿真模型的准确性。进行整车稳态回转工况和转向盘中间位置转向工况仿真分析,结果表明,车身侧倾度偏高。为实现操纵稳定性优化分析的流程自动化,提出了基于modeFRONTIER的联合仿真方法。以悬架设计参数为优化变量,以汽车的侧倾度与横摆角速度响应滞后时间为优化目标,采用拉丁超立方试验设计方法拟合得到混合代理模型,并结合多目标粒子群优化算法对悬架系统进行多目标优化,获得了悬架系统优化方案。优化结果显示,在不影响平顺性的前提下,汽车车身侧倾度降低了13.93%,横摆角速度响应滞后时间降低了2.75%,整车操纵稳定性得到了提升。

基于粒子群优化算法PID参数优化的双电机耦合驱动履带车辆转向控制

针对电驱动履带车辆转向灵敏度不高、控制精度难的问题进行转向控制策略研究,对双电机耦合驱动履带车辆开展动力学分析,利用数学仿真软件建立转向动力学模型。设计一种基于粒子群优化算法对比例-微分-积分控制器(Proportional-Integral-Differential controller,PID)参数优化的转向控制策略,以改进型时间乘绝对误差积分指标为粒子群优化算法目标函数,对PID转向控制策略中的控制参数进行实时优化,动态调节控制参数,实现车辆转向控制系统优化输出。利用硬件在环仿真平台和实车试验,对控制策略进行仿真和实车试验验证,试验结果验证了控制策略的有效性。

基于自适应粒子群优化算法的串联复合涡轮储能优化策略

针对发动机串联复合涡轮发电系统储能困难等问题,提出了一种基于自适应粒子群优化(SAPSO)算法的最大功率点追踪(MPPT)方法,增强发电系统功率的捕获能力。此外,采用混合储能系统(HESS)替代单一蓄电池储能,实现电能的高效、稳定存储。通过Matlab/Simulink软件,建立了基于发动机串联复合涡轮发电的储能优化控制仿真模型,对比分析了不同控制方法在设定工况下的功率追踪性能以及混合储能系统的储能特性。仿真结果表明,相较于传统扰动观测法(P&O)控制方法,在所提的SAPSO-MPPT方法下,发电功率提高了190 W,响应时间缩短了0.15 s。同时,HESS能够有效追踪母线上的需求功率,电能回收效率高达95.3%。最后,基于Y24型改装发动机台架搭建了串联复合涡轮发电系统实验平台,对所提储能优化控制策略的节油潜力进行了实验验证。结果表明,SAPSO-MPPT+HESS储能优化策略能够有效提高排气能量回收效率,优化后系统总热效率比原发动机提高了提高0.53个百分点。