基于新型分数阶粒子群优化算法的分布式电源选址定容

大规模分布式电源并网带来巨大的经济效益和环境效益的同时也会对电网的稳定性造成威胁。为使配电网可以消纳更高比例的分布式电源,需要对分布式电源接入电网的位置及容量进行优化。首先,建立了风速、光照强度、负荷的不确定性分析模型,构建了以年综合费用最低为目标函数的分布式电源选址定容规划模型;然后,提出新型分数阶粒子群优化算法,测试了算法在复杂优化问题上的性能。最后,IEEE-33节点配电网算例的仿真结果验证了所建立模型的合理性与所提算法的有效性。

非线性极小极大问题的分数阶粒子群算法

针对非线性极小极大问题中目标函数不可微的特点以及传统计算方法对初始点的依赖,结合分数阶粒子群算法与极大熵函数法,给出一种解决非线性极小极大问题的新算法。先利用极大熵函数法将目标函数转化成可微函数,再利用分数阶粒子群算法求解可微的近似优化问题。8个问题的数值测试结果表明,所给算法收敛速度快,稳定性好,可有效解决非线性极小极大问题。

基于分数阶粒子群的Otsu图像分割算法

为避免传统粒子群优化算法陷入局部最优,提出基于分数阶粒子群优化的Otsu图像阈值分割(ImFpsoOtsu)算法。采用基于灰度级-梯度二维直方图算法,以Otsu算法的最大类间方差为适应度函数;通过引入粒子进化因子,利用粒子的状态信息自适应更改分数阶次α,通过速度增量为零来更新粒子速度、位置值;结合传统粒子群粒子更新公式,采用粒子对称分布的改进粒子群算法获取最佳阈值,将目标从图像中分割出来。实验结果表明,所提算法保证了图像的分割效果,有效提升了算法的收敛速度。

分数阶粒子群的模糊聚类图像分割算法研究

针对模糊C-均值聚类算法易受初始聚类中心的影响而陷入局部极值的缺陷,提出基于分数阶粒子群的模糊聚类图像分割算法。利用分数阶微积分容易跳出局部极值的固有优势,将其引入粒子群的速度、位置更新进程,同时改进分数阶阶次的自适应调整机制并引入步长控制因子。实验结果表明,该算法与传统算法相比,具有更高的分割精度与更快的收敛速度。

邻域自适应的微分变异约束分数阶粒子群优化

分数阶粒子群算法(FOPSO)是一种具有路径记忆的改进型粒子群优化算法。在多峰约束优化问题中,针对FOPSO易于早熟和依赖于初始参数的问题,文中提出了一种邻域自适应的约束分数阶粒子群优化方法(NAFPSO)。在算法中,依据进化状态来动态调整邻域拓扑从而更新粒子位置和速度,以提高可行解的全局寻优能力和收敛速度;采用带惩罚因子的罚函数约束处理技术,迫使粒子趋向可行区域;设计了微分变异策略以增加种群多样性,增强粒子逃脱局部最优的能力。用9个约束优化基准函数实验验证了NAFPSO的有效性和收敛性能,并应用于2个约束工程设计问题,结果表明,提出的算法寻优能力强、收敛快、精度高、稳定性好,可用于有效地解决复杂的约束工程设计优化问题。

自适应的分数阶达尔文粒子群优化算法

针对分数阶达尔文粒子群算法收敛性能依赖于分数阶次α,易陷入局部最优的特点,提出了一种自适应的分数阶达尔文粒子群优化(AFO-DPSO)算法,利用粒子的位置和速度信息来动态调整分数阶次α,并引入自适应的加速系数控制策略和变异处理机制,以获取更优的收敛性能。对几种典型函数的测试结果表明,相比于现有的粒子群算法,所提的AFO-DPSO算法的搜索精度、收敛速度和稳定性都有了显著提高,全局寻优能力得到了进一步提高。

基于分数阶达尔文粒子群FODPSO算法的图像分割

图像分割主要用于提取用户感兴趣的目标,是图像分类和识别的基础。采用一种基于分数阶达尔文粒子群算法的图像分割方法,该算法采用分数阶微积分控制系统收敛性,能够对n尺度图像进行n-1个阈值寻优计算。实验结果表明,对比于APSO、CFPSO算法,该算法具有收敛速度快、稳定性强、精度高、全局寻优等特点,有效地克服了传统算法易陷入局部最优和收敛速度慢等缺陷,可满足实际工程需求。

基于分数阶达尔文粒子群的不等间距节点部署优化算法

针对节点随机部署存在节点能耗不均衡、无线网络寿命不长等问题,借助分数阶达尔文粒子群算法的寻优优势,提出一种粒子群优化不等间距节点部署算法。结合星型和链式拓扑结构的优点,建立不等间距拓扑结构;根据粒子自身进化信息自定义进化因子,调整分数阶次系数实现寻优算法的快速收敛;利用Levy飞行对局部最优位置进行随机扰动以提高算法跳出局部最优的能力;利用改进的粒子群算法求解节点部署的不等间距和最优节点数。仿真结果表明,与节点等距部署、节点随机部署等算法相比,改进的不等间距节点部署优化算法不仅有较高的节点覆盖率,还均衡了节点能耗,延长了无线网络的寿命。

钢板缺陷识别的Volterra-SVM模型研究

针对钢板缺陷识别问题,结合超声波脉冲反射原理,提出一种基于Volterra级数和支持向量机的钢板缺陷识别方法。首先,利用Volterra级数模型建立起钢板缺陷的特征模型;其次,使用分数阶粒子群优化算法提取出原始信号中的特征参数,即Volterra级数时域核;最后,将提取到的特征向量输入支持向量机模型进行训练与测试,完成对钢板缺陷的分类识别。设计实验得到多组数据样本,进行模型验证,实验结果表明:基于Volterra级数和支持向量机的识别模型能够较好的完成对钢板缺陷的分类识别,识别准确率达93.3%。

基于粒子群优化的分数阶PFGM(1,1)模型在建筑物沉降预测中的应用

针对传统的灰色预测模型对建筑物沉降预测精度不高、拟合数据较差的问题,在传统的GM（1,1）模型基础上提出了分数阶建模的思想,采用粒子群优化算法求解最优分数阶次,建立基于粒子群优化的分数阶PFGM（1,1）模型.实例计算表明,分数阶FGM（1,1）模型可以提高建筑物沉降的预测精度,通过粒子群优化算法选取最优阶次可以进一步提高预测精度和误差检验等级.由此可见,基于粒子群优化的分数阶PFGM（1,1）模型对建筑物的沉降控制有着重要的指导作用.

求解并联冷机负荷分配问题的改进FODPSO算法

针对并联冷机负荷分配问题,以系统总功率最小为优化目标,建立满足系统末端负荷需求的并联冷机负荷分配优化模型,提出一种改进分数阶达尔文粒子群优化(IFODPSO)算法,以每台冷机的部分负荷率为优化变量进行求解,优化并联冷机系统的运行策略以节能。首先,针对基本分数阶达尔文粒子群优化(FODPSO)算法粒子初始化过于分散的问题,提出利用蒙特卡洛方法结合基本算数运算符生成初始种群;其次,针对其在高维优化中难以同时搜寻到每一维最优解的问题,引入多重优化提高算法稳定性并加快收敛速度;第三,针对易陷入局部最优的问题,通过自适应多策略行为使粒子能够根据其适应度选择合适的更新方式,提高了算法的搜索能力;最后,以2个典型的并联冷机系统作为案例验证所提出算法的性能,并与其他现有优化算法的实验结果进行对比。研究结果表明:相比于其他算法,IFODPSO算法在并联冷机负荷分配问题的求解中能够取得更加显著的节能效果,得到更优的运行策略,同时收敛精度、收敛速度和稳定性都有了显著提高。

基于FPSO优化的BP神经网络算法及环境监测应用

传统BP神经网络算法容易陷入局部最优,收敛较慢,预测数据时结果与真实数值相差较大。分数阶粒子群算法具有收敛速度快、全局寻优效果强、稳定性好、精度高等特点。提出基于分数阶粒子群（FPSO）优化的BP神经网络算法,用分数阶粒子群对BP神经网络初始权值阈值进行优化,形成最优的训练网络,并使优化后的BP神经网络输出预测值与期望值的误差达到最小。与传统BP算法、粒子群BP算法相比较,分数阶粒子群BP算法数据预测结果准确度更高,本文算法应用于环境监测中对污染物数据预测,获得较高的精确度。

基于神经网络的数控机床丝杠热评价模型

对在使用年限中的数控机床滚珠丝杠进行热评价,提出了基于支持向量机(support vector machine,SVM)与BP神经网络的数控机床滚珠丝杠热评价模型。采集同一类型、不同年限数控机床的滚珠丝杠温度变化数据,利用粒子群优化支持向量机(PSO-SVM)、BP神经网络以及分数阶粒子群优化BP(FPSO-BP)神经网络分别建立热评价模型并且仿真验证,验证结果显示PSO-SVM与FPSO-BP神经网络准确率都高于90%。模型的提出为数控机床的设计使用和故障诊断提供了思路和方法。