基于动态粒子群算法的ARAIM可用性优化方法

卫星导航的完好性监测技术对保障航空领域的导航安全至关重要。针对高级接收机自主完好性监测算法将完好性风险概率和连续性风险概率平均分配给所有可见卫星,导致垂直保护级较为保守,进而造成可用性降低的问题,本文提出了一种基于动态粒子群算法(dynamic particle swarm optimization,DPSO)的ARAIM可用性优化方法。通过优化风险概率分配过程,在完好性指标不变的情况下,可有效降低垂直保护级,提高了ARAIM算法的可用性。选取全球均匀分布的6个MGEX(multi-GNSS experiment)测站对所提方法进行验证,并分析了算法的全球可用性。同时,为验证该方法的有效性,在沈阳法库通航机场采集飞机全飞行阶段的卫星导航试验数据,对算法进行验证。静态数据与动态数据试验结果表明:采用基于DPSO算法的分配策略,降低了垂直保护级,提高了ARAIM可用性,全球范围内ARAIM可用性大于99.5%的覆盖比率由98.2%增加到99.7%。

基于后随机非线性动态粒子群算法的地震模拟振动台参数优化设计

地震模拟振动台系统控制参数的质量影响着台面波形复现精度,进而影响试验效果。为实现对系统控制参数的高效校调与智能化寻优,提高系统对台面的控制效果,在标准粒子群算法的基础上提出了一种基于后随机非线性动态粒子群算法的三参量控制参数寻优方法,用于地震模拟振动台系统控制参数的优化整定。仿真结果表明,改进算法寻优参数控制下复现波形的相关系数比理论参数控制时提高了25%以上;与试验反馈数据波形仿真结果相比,寻优参数控制下的系统仿真波形相关度均提升至0.95以上,绝对峰值误差降至10%以内;对比结果证明了改进算法可行有效,优化参数控制下系统对不同输入波形具有更好的适应性,系统受控效果良好。

动态粒子群算法在经济负荷分配中的应用

将一种惯性权重动态调整的粒子群算法用于求解复杂的不连续、非凸、非线性电力系统的经济负荷分配(ED)问题,使其在满足各机组负荷和运行约束的条件下总的发电费用最小。算法惯性权重随不同粒子距全局最优点的距离不同而动态调整,从而提高了基本粒子群算法的收敛速度,避免其容易陷入局部极值。将算法应用到经济负荷分配问题的Matlab仿真结果表明,所提出的方法不仅提高了解的寻优能力和收敛速度,而且随着问题规模的增大,其优化结果要好于其它方法。

基于幅相分离和动态粒子群算法的SAR图像属性散射中心参数估计

针对SAR图像属性散射中心估计问题,提出了基于幅相分离和动态粒子群算法的参数估计方法。首先利用传统的图像域分析方法对单个属性散射中心进行解耦。然后,利用位置参数仅仅与相位信息有关的特性,采取了幅度、相位分离进行参数优化的方法。同时,对幅度相位分离后得到的较为简洁的参数表达形式,利用运算量更小的动态粒子群算法(DPSO),进一步提高了参数优化的效率和精度。基于仿真数据对提出方法进行了测试,结果验证了其有效性。

FBG非均匀应变分布的动态粒子群算法重构研究

基于动态粒子群算法(DPSO)和传输矩阵法,提出了一种新的光纤布喇格光栅(FBG)轴向非均匀应变分布重构方法。利用光栅轴向采样点处的应变值作为粒子,让其在解空间中模拟鸟群行为进行搜索,算法的惯性权重w根据不同粒子与当前种群中全局最优粒子距离的大小进行动态调整,加快了算法收敛到最优点的速度。采用DPSO对线性、二次、正弦、不连续等4种应变分布形式进行了应变重构,并与量子行为粒子群优化算法(QPSO)的重构结果进行了比较,仿真结果表明,DPSO优化算法可有效地进行光栅轴向非均匀应变分布的重构,精度和迭代速度较QPSO法有显著提高。

求解高维函数优化的动态粒子群算法

针对基本粒子群优化算法对高维函数优化时搜索精度不高的缺陷,提出了一种动态粒子群优化算法。该算法采用了通过调节阈值对粒子运动轨迹进行动态改变的策略,使得粒子对周围环境的适应能力不受进化代数的影响,从而保证了算法在迭代后期仍具有较强的搜索能力。实验结果表明,与文献算法相比,该算法在处理高维函数优化时具有更强的寻优能力和更高的搜索精度。

动态粒子群算法用于负荷变化的配电网重构

使用动态粒子群算法针对负荷变化的配电网进行重构,针对负荷随时间的变化,在常规的粒子群算法中引入了探测机制和响应机制,将某一时段分成若干等分,以网络损耗和开关的最小操作次数为目标函数,根据配电网负荷的变化采取不同的重构方式,分析计算,合并具有相同重构方式的区间,减少不必要的重构方式切换,从而达到系统最佳运行的方案,最后对IEEE33节点系统进行动态重构,通过仿真结果分析了各个时间段的重构效果,验证了该方法的合理性与有效性.

基于动态粒子群算法的列车追踪节能优化研究

本文主要从节能的角度研究城市轨道交通中列车追踪运行曲线优化问题。移动闭塞下两车追踪运行时,将前车的 位置和速度信息考虑到后车运行曲线优化中,结合列车追踪运行的动态特性,采用动态粒子群算法对追踪列车运行曲线进行 优化。本文结合实际线路数据和车辆参数对算法进行仿真验证,结果表明,采用动态粒子群算法对追踪列车运行曲线进行优 化时,能够减少前车运行对后车运行能耗的影响,节能效果可以达到 6.59%。

基于遗传粒子群动态聚类算法的物流柔性分拣系统品规分配

目的针对目前烟草物流配送中心条烟分拣量大,不同条烟品规的分配对订单的总处理时间影响较大的问题,研究平衡各个分拣区品规的分配,提高分拣效率。方法建立以各分区品规相似系数和最小为目标函数的数学模型,并采用改进的遗传粒子群动态聚类(GAPSO-K)算法进行求解。首先,结合各品规分拣量对品规相似系数进行改进,并将其作为适应度函数;然后在粒子群算法中对惯性权重因子进行改进,使其值可以进行自适应改变;最后,在粒子群动态聚类算法中引入遗传算法中的交叉变异扩大解的搜索范围,基于Matlab对文中的其他算法进行求解对比,求得结果在EM-plant中进行仿真验证。结果结合某烟草物流配送中心数据仿真验证,利用GAPSO-K算法处理订单的时间为234.5 s,较传统时间大幅度较少,有效提升了柔性物流分拣效率。结论采用该算法可充分发挥2种算法的优良性,具有更好的收敛性及寻优性,为柔性物流品规分配提供了新思路。

基于改进粒子群算法优化LSTM的短期电力负荷预测

电力负荷数据具备时序性和非线性特征,长短时记忆神经网络(LSTM,long short-term memory)可以有效处理上述数据特性。然而LSTM算法性能对预置参数具有极大的依赖性,依靠经验设定的参数会使模型具有较低的泛化性能,降低了预测效果。为解决上述问题,提出非线性动态调整惯性权重粒子群算法(NIWPSO,nonlinear dynamic inertia weight strategy particle swarm optimization)与LSTM相结合的预测模型NIWPSO-LSTM。利用非线性动态调整惯性权重的方法来提升PSO的全局寻优能力,再通过NIWPSO对LSTM的参数进行优化。实验结果表明,NIWPSO-LSTM预测精度要远高于其他模型,验证了所提方案的可行性。

一种惯性权重动态调整的新型粒子群算法

在简要介绍基本PSO算法的基础上,提出了一种根据不同粒子距离全局最优点的距离对基本PSO算法的惯性权重进行动态调整的新型粒子群算法(DPSO),并对新算法进行了描述。以典型优化问题的实例仿真验证了DPSO算法的有效性。

基于动态调整惯性权重粒子群算法的冷热电联供系统运行优化

为实现能源梯级利用、冷热电联供系统优化运行,将基本粒子群算法、改进粒子群法、动态调整惯性权重的粒子群(IDWPSO)算法进行对比。结果表明,相较于其他两种算法IDWPSO算法在收敛速度与精度方面都有更好的表现。建立以运行成本和环保成本最小为目标的冷热电联供系统模型,并采用IDWPSO算法优化。结果表明,在满足系统负荷与约束条件下,IDWPSO算法优化后的系统综合成本有所降低,对CCHP系统优化运行具有指导意义。

基于改进粒子群算法的联供系统运行优化

为提升包含多种可再生能源的冷热电联供系统的经济、环境效益,在冷热电联供(CCHP)系统基础上,引入碳捕集(CCS)、电转气(P2G)技术,并在负荷端加入气负荷,建立碳捕集、电转气相结合的冷热电气联供系统模型。电转气装置利用碳捕集装置捕集的二氧化碳生成天然气,供给燃气机组及气负荷,缺额由气网购气补充,盈余的二氧化碳则封存起来。在满足各约束条件的前提下,采用所提出的自适应动态粒子群算法对系统中各设备的出力进行优化调度,并将所提算法与标准粒子群算法、改进粒子群算法进行对比。结果表明:相较于对照系统,所提方案单日运行总成本节省14.6%,环境成本降低420.24元,碳排放量减少46.5%,所提算法寻优效果更好。

基于动态自适应粒子群算法的非侵入式家居负荷分解方法

非侵入式负荷监测可以在保证用户隐私的前提下深入分析用户独立负荷的用电信息,是智能用电技术体系的关键内容。为提高负荷辨识的准确性,提出一种基于动态自适应粒子群算法（dynamic adaptive particle swarm optimization,DAPSO）的非侵入式负荷分解方法。在传统功率特征的基础上,将总谐波失真系数（total harmonic distortion,kTHD）作为负荷新特征引入目标函数,采用DAPSO算法对实测用电数据进行负荷分解。仿真结果表明,在不同噪声背景下,DAPSO算法的负荷辨识率和收敛速度均得到一定提高,从而验证了DAPSO算法对家居负荷分解具有更优的可靠性和鲁棒性。

基于动态自适应粒子群算法的二次再热燃煤–捕碳机组热力系统优化设计

为了降低化学吸收法捕集CO_2对燃煤–捕碳机组热经济性的削弱作用,以某660MW二次再热机组为例,设计了一种带捕碳汽轮机的改进二次再热燃煤–捕碳热力系统集成型式;推导了该系统的通用性热经济性计算框架并建立了系统参数优化模型。应用动态自适应粒子群算法优化计算表明:改进设计的燃煤–捕碳机组与常规燃煤–捕碳机组相比,热经济性和减排效果明显提高,供电标准煤耗率下降了12.21g/(kW×h),CO_2排放率下降了4.07g/(kW×h);与未捕碳机组相比,CO_2排放率下降了576.15g/(kW×h)。捕碳汽轮机可以有效减少热力系统的损失,对二次再热燃煤–捕碳机组具有显著的降耗效应。

基于异构多种群策略的动态概率粒子群优化算法

结合动态概率粒子群优化算法(DPPSO)特点,针对传统的单种群粒子群优化算法易陷入局部最优、收敛速度较慢的缺点,文中提出一种基于异构多种群策略的DPPSO.该算法在进化过程中保持多个子种群,每个子种群以不同的DPPSO变体进行进化,子种群之间根据一定规律进行通信,从而保持整个种群内部的信息交流,进而协调DPPSO的勘探和开采能力.通过典型的Benchmark函数优化问题测试并分析基于异构多种群策略的DPPSO性能,结果显示,使用该策略的算法收敛速度较快,稳定性有较显著提高,具有较强的全局搜索能力.

求解大规模问题协同进化动态粒子群优化算法

随着工程技术的发展与优化问题数学模型的完善,许多优化问题从低维优化发展成高维的大规模复杂优化,成为实值优化领域的一个热点问题.通过对大规模问题的特点分析,提出了随机动态的协同进化策略,将其加入动态多种群粒子群优化算法中,实现了对种群粒子和决策变量的双重分组.最后,使用CEC2013的大规模全局优化算法的测试集对新算法进行测试,通过和其他算法的对比,验证算法的有效性.

基于动态多目标粒子群优化算法的资源受限研发项目进度

资源与进度优化调度已成为企业研发项目成功的关键。引入粒子群算法来解决这一问题,将普通粒子群多目标算法进行了改进,提出动态的多目标粒子群算法,通过采用VC++编程语言对模型及其求解算法进行案例仿真,证实了模型及算法的有效性与优越性。

基于动态粒子群小波动态加权多模盲均衡算法

为了提高对高阶正交振幅调制(QAM)信号的均衡效果,提出了基于动态粒子群优化(DPSO)的小波动态加权多模盲均衡算法(DPSO-WTDWMMA).该算法将DPSO算法和正交小波变换结合起来应用于动态加权多模盲均衡算法(DWMMA)中。利用DPSO对均衡器权向量进行优化,利用正交小波变换降低输入信号的自相关性,利用动态加权多模算法来选择合适的误差模型匹配发射的QAM信号,降低了稳态误差。理论分析及水声信道仿真结果表明:DPSO-WTDWMMA算法可获得较快的收敛速度和较低的稳态误差。

Logistic动态粒子群优化算法的改进及分析

分析了Kennedy最新提出的高斯动态粒子群优化算法(GDPSO)的寻优模式,针对GDPSO的特点,结合粒子群优化算法的新寻优模式,提出了Logistic动态粒子群优化算法(LDPSO);并基于LDPSO和GDPSO的特性,设计了LDPSO算法的两种改进策略——混合优化策略和最优粒子变异策略,混合优化策略用以提高收敛速度,最优粒子变异策略用以保持群体多样性,避免算法陷入局部最优。实验结果显示了LDPSO及其改进算法的有效性。