基于改进双粒子群算法的舰船电力系统网络故障重构

舰船电力系统环形网络故障重构本质上是带约束的多目标非线性组合优化问题。为了解决舰船电力系统发生故障时的供电恢复问题,提出了一种改进双粒子群优化算法进行求解。此算法分为主、辅两个粒子群,主粒子群改进了种群初始化、自适应调整惯性权重和学习因子,提高了主粒子群算法的全局寻优能力。同时,辅助粒子群还采用改进的混沌局部搜索策略,增强了种群多样性及局部寻优能力,有效地解决了粒子群算法中容易陷入局部极值的问题。通过系统仿真,分别将几种不同的优化算法进行比较。结果表明该算法具有很高的搜索效率和寻优能力,能有效地提高故障恢复的速度与精度,在处理舰船电力系统网络故障重构方面具有较好的效果。

结合双粒子群和K-means的混合文本聚类算法

传统K-means算法对初始聚类中心选择较敏感,结果有可能收敛于一般次优解,为些提出一种结合双粒子群和K-means的混合文本聚类算法。设计了自调整惯性权值策略,根据最优适应度值的变化率动态调整惯性权值。两子群分别采用基于不同惯性权值策略的粒子群算法进化,子代间及子代与父代信息交流,共享最优粒子,替换最劣粒子,完成进化,该算法命名为双粒子群算法。将能平衡全局与局部搜索能力的双粒子群算法与高效的K-means算法结合,每个粒子是一组聚类中心,类内离散度之和的倒数是适应度函数,用K-means算法优化新生粒子,即为结合双粒子群和K-means的混合文本聚类算法。实验结果表明,该算法相对于K-means、PSO等文本聚类算法具有更强鲁棒性,聚类效果也有明显的改善。

一种基于混沌优化机制的双粒子群优化算法

针对标准粒子群优化算法PSO(Particle Swarm Optimization)在处理高维复杂函数时存在收敛速度慢、易陷入局部最优和算法通用性不强等缺点,提出了一种基于混沌优化机制的双粒子群优化算法。它借鉴群体适应值方差的早熟判断机制,同时提出了一种逐步缩小搜索变量空间的新方法。典型数值实验表明,该算法效率高、优化性能好、对初值具有很强的鲁棒性。尤其是该算法具有很强的避免局部极小能力,其性能远远优于单一优化方法。

骨干双粒子群算法求解柔性作业车间调度问题

针对柔性作业车间调度问题,以最小化最大完工时间为优化目标,提出了一种骨干双粒子群算法(Double Bare Bones Particle Swarm Algorithm,DBBPSO)。算法结合基于冯诺依曼拓扑结构的改进骨干粒子群算法与基于混沌变异的骨干粒子群算法,利用种群交流机制使两个种群协同进化,实现了算法在全局搜索与局部开发之间的平衡,并提出一种基于最小加工时间的机器选择策略。将所提算法在四个经典算例与一个柔性作业车间调度实例上与其他不同算法进行仿真对比,结果表明所提算法比其他对比算法具有更好的寻优能力,更适合解决该类调度问题。

基于双粒子群算法的船舶电力系统网络重构

船舶电力系统网络重构是一个多目标、多约束的非线性组合优化问题。粒子群算法在解决这类问题具有独特的优势,但基本粒子群算法存在易早熟而陷入局部极值的缺陷。本文采用双粒子群算法解决船舶电网重构的问题,算法将粒子群分为主辅两个子群来协同进化,对主群引入伪变异策略,提高了算法的求解精度,减少陷入局部最优的危险。对辅助群采用基于爬山思想的位置更新策略,提高了算法的收敛速度。仿真结果表明双粒子群算法在解决船舶电力系统网络重构问题方面具有较好的效果。

基于双粒子群算法的矿井搜救机器人路径规划

针对在复杂地形中标准的粒子群算法用于矿井搜救机器人路径规划存在迭代速度慢和求解精度低的问题,提出了一种基于双粒子群算法的矿井搜救机器人路径规划方法。首先将障碍物膨胀化处理为规则化多边形,以此建立环境模型,再以改进双粒子群算法作为路径寻优算法,当传感器检测到搜救机器人正前方一定距离内有障碍物时,开始运行双改进粒子群算法:改进学习因子的粒子群算法(CPSO)粒子步长大,适用于相对开阔地带寻找路径,而添加动态速度权重的粒子群算法(PPSO)粒子步长小,擅长在障碍物形状复杂多变地带寻找路径;然后评估2种粒子群算法得到的路径是否符合避障条件,若均符合避障条件,则选取最短路径作为最终路径;最后得到矿井搜救机器人在整个路况模型中的最优行驶路径。仿真结果表明,通过改进学习因子和添加动态速度权重提高了粒子群算法的收敛速度,降低了最优解波动幅度,改进的双粒子群算法能够与路径规划模型有效结合,在复杂路段能够寻找到最优路径,提高了路径规划成功率,缩短了路径长度。

基于大数据和双量子粒子群算法的多变量系统辨识

针对智能算法与历史大数据相结合进行多变量系统辨识过程中不能精确量化每个子系统数学模型的问题,提出了一种有效的数据并行优化计算的解决方案。在辨识过程中,为了解决量子粒子群算法(quantum particle swarm optimization,QPSO)收敛速度和寻优精度方面的不足,提出了一种改进的QPSO算法——双量子粒子群算法(double quantum particle swarm optimization,D-QPSO)。该算法对粒子种群编码和原有的进化搜索策略同时进行了量子化处理,经过测试函数实验,改进的算法在搜索能力上优于PSO和QPSO算法。最后利用现场运行历史数据,通过D-QPSO算法进行参数估计,将设计的解决方案应用于热力发电厂负荷控制系统的传递函数辨识中,得到的模型为控制器的设计与优化奠定了基础。

基于双种群粒子群算法的分时段电力系统无功优化

提出了一种基于双种群粒子群算法的分时段无功优化算法,将复杂的动态无功优化问题转化为静态无功优化进行处理。文中把设备的调节代价和网损费用之和作为目标函数,考虑了包括设备相邻时段调节次数限制等约束条件。在该模型基础上,根据负荷的变化趋势,提出了一种考虑设备一天内调节次数限制的分时段算法。该方法简便,不需设置划分时段的门槛值,保证了分段的有效性和可操作性,且采用双种群粒子群算法对每个时段进行静态无功优化。该算法对离散变量进行了特殊编码,较好地解决了连续和离散变量的共同寻优,降低了网损,并减少了设备动作次数。IEEE30节点算例系统结果验证了所提算法的正确性和有效性。

基于改进双中心粒子群算法的电动公交车运营数量优化策略研究

针对电动公交车在一定容量约束的馈线充电的情况,采用了一种改进的双中心粒子群算法对电动公交车充电进行优化调度,以获得最大的电动公交车运营数量。首先,建立公交车充电后馈线负荷曲线峰谷差最小的模型,设公交车运营初始数量,利用改进的双中心粒子群算法进行优化。然后,根据优化结果对比该馈线容量约束修改电动公交车运营数量,重新优化,逐步逼近并最终找到最优的运营数量。改进的双中心粒子群优化算法是在原算法的基础上,增加了5条粒子运动路线,扩大了搜索精度,抑制了粒子群的早熟。同时,为了提高寻优速度,粒子的初始化是根据日负荷曲线距离馈线约束容量的远近来确定。最后以南方某城市典型的馈电线路为例进行仿真计算,结果表明,该方法具有更优的调度效果。

基于文化双量子粒子群优化的RFID 3D-LANDMARC定位算法

射频识别技术(RFID)三维定位是目前室内定位的主要技术,现有的RFID三维定位主要基于LANDMARC定位算法。针对传统的LANDMARC定位算法存在定位精度低、自适应性差的问题,提出一种基于文化双量子粒子群(CDQPSO)优化的RFID 3D-LANDMARC定位算法。该算法首先使用BP神经网络在数据拟合方面的优势对采集信号进行预处理,研究无线信号传输损耗模型,以提升LANDMARC算法的定位精度;然后引入CDQPSO算法在全局搜索与寻优方面的技术优势,求解模型,解决LANDMARC定位算法的自适应问题。实验研究表明,所提算法定位误差在0.56 m以下的标签达到75%,与基本LANDMARC算法和粒子群优化LANDMARC算法相比,定位精度和适应性均得到显著提高,而且能克服粒子群算法收敛速度慢的缺点。

一种混沌优化机制的双量子粒子群优化算法

针对量子粒子群优化算法(quantum delta Particle Swarm Optimization,PSO)在处理高维复杂函数时存在收敛速度慢、易陷入局部最优和算法通用性不强等缺点,提出了一种基于混沌优化机制的双量子粒子群优化算法。它借鉴群体位置方差的早熟判断机制,同时提出了一种逐步缩小搜索变量空间的新方法。典型数值实验表明,该算法效率高、优化性能好、对初始位置具有很强的鲁棒性。尤其是该算法具有很强的避免局部极小能力,其性能远远优于单一优化方法。

双种群粒子群算法的时间最优轨迹规划研究

针对以时间为目标的轨迹规划问题,提出一种工业机器人时间最优轨迹规划方法。将路径规划生成的关键点,两两之间通过3次多项式连接;以时间为优化目标,以运动学特征为约束,通过罚函数法构建适应度函数;提出双种群粒子群算法进行优化。以6自由度机械臂为例,仿真发现所提算法解的质量优于粒子群算法和量子粒子群算法,最优值分别减少43.83%和1.75%、平均值分别减少54.62%和17.05%、标准差分别减少91.38%和83.80%;结果表明所提方法能使机械臂各关节轨迹平滑,速度、加速度和加加速度最大值77.78%处于50%最大约束左右。所提方法在机器人最优时间轨迹规划中具有较强实用性,能够延长机器人使用寿命。

双种群变异粒子群算法

利用变异机制可以增加遗传算法全局寻优能力的特性,结合惯性权值线性递减PSO算法具有较快收敛速度的优点,提出了一种双种群变异PSO算法,对该算法与其他PSO算法进行了比较,仿真结果表明其性能优越。

双评价粒子群算法确定非线性流含水层参数

在标准粒子群算法的基础上,对迭代后的粒子进行位置和适应值的双评价,得到改进的粒子群优化算法。在化简非稳定井流问题解析解的基础上,利用抽水试验数据,根据最小二乘原理,确定了求解含水层参数与非线性渗流参数的目标函数,编写了用于求解该问题的双评价粒子群优化算法程序。最后,通过数字算例验证了方法的可行性和可靠性。

基于双因子改进型粒子群算法的混合滤波系统的多目标优化设计

大容量混合滤波系统的应用前景十分广阔,其滤波器组的参数优化,尤其是无源滤波器的参数设计对综合性能的影响很大。本文提出基于双因子改进型粒子群优化算法的混合滤波系统中无源滤波器组的多目标优化设计方法。通过将加速因子和交叉因子引入优化算法,针对无源滤波器的多目标优化,高效搜索参数空间以获得最优解。与以往的优化设计相比,带双因子的改进型粒子群算法采用自适应的惯性权重,交叉因子增加了粒子的多样性,克服了算法寻优过程中易局部收敛等问题,提高其全局搜索能力。而收缩因子可以加快PSO的运算速度,明显提高了算法的寻优速度。测试结果表明利用该算法设计的混合型滤波系统具有较强的鲁棒性。

基于双态二进制粒子群优化算法的配电网故障定位

针对二进制粒子群算法在复杂配电网故障定位时易出现早熟收敛情况,本文提出一种双态二进制粒子群优化算法。通过引入进化因子,把粒子群分成捕食状态和探索状态两个部分,让陷入或即将陷入局部极值的粒子跳出来进行全局搜索。构造故障定位的评价函数,以33节点配电网为例,在故障信息完整和部分畸变的情况下,用该算法与二进制粒子群算法分别对配电网中的单点故障定位和多点故障定位进行仿真分析,结果验证了该算法的高效性和高容错性。

双目标区域化PSO热风炉均压滑模控制

目的针对热风炉冷风均压控制中存在的大惯性、大滞后和超调量大等问题,提出一种基于双目标区域化粒子群算法的热风炉冷风均压滑模控制策略。方法所提策略将冷风流量作为控制量,将冷风压力设为被控量,将滑模控制算法与粒子群优化算法相结合,选取常规滑模算法并对其进行改进,运用指数趋近律降低外部扰动对系统产生的影响,并加入双目标区域化粒子群算法对滑模切换增益系数和指数趋近系数进行寻优,通过粒子平均排名、环境检验参数等指标作为寻优条件,以求取最优滑模控制律对冷风压力进行调控,进而实现均压优化控制效果。结果仿真结果表明:所设计控制策略在适配条件下于58.2 s时达到稳定,超调量为4.1%,在失配且加入干扰条件下于72.4 s时达到稳定,超调量仅为17.6%,与串级PID控制和常规滑模控制相比,策略拥有良好的超调和快速达到稳定的能力。结论工程应用表明:冷风压力波动偏差仅为±6.48 Kpa,所提控制策略拥有稳定性高、响应快和超调量小的特点,能够较好应用于实际生产中热风炉冷风均压工况要求。

基于改进双态粒子群算法的BLDCM分数阶控制器

针对将普通PID控制器或智能PID控制器作为BLDCM伺服控制系统时出现灵活度及控制精度不高的问题,提出一种改进的分数阶PI^(λ)D^(μ)控制器,通过改进的双态粒子群算法对分数阶PI^(λ)D^(μ)控制器参数整定的方法。仿真和实验结果都证明:改进的双态粒子群算法可以克服普通粒子群算法容易陷入局部最小解及收敛速度慢的不足,该方法具有更好的控制精度和鲁棒性,可以提高BLDCM伺服系统的控制精度、灵活度及抗干扰性。

云计算环境下基于改进粒子群的任务调度算法

现有云计算任务调度算法为追求最短完成时间不能很好地兼顾成本。为此,提出一种基于改进粒子群的任务调度算法。采用间接编码方式对每个子任务占用的资源进行编码,给出解码方式,定义考虑时间和成本的适应度函数,确立粒子位置和速度的更新方法。实验结果表明,在相同的条件设置下,该算法的总任务完成时间和总任务完成成本小于传统粒子群优化算法。

双种群PSO结合MSWF-ESPRIT的间谐波参数分析

针对间谐波不易检测的特点,该文提出了一种新的间谐波参数分析方法。首先利用多维纳滤波器的旋转不变技术估计信号参数方法MSWF-ESPRIT(estimation of signal parameters via rotational invariance techniques based of multiple stage wiener filter)对间谐波信号进行频率估计,然后再利用粒子群算法PSO(particle swarm optimization)结合自适应最小均方LMS(least mean square)算法以两种群协同进化的方式对间谐波信号的幅值与相角进行估计。双种群自适应PSO算法的提出提高了算法的收敛速度与粒子位置向量的准确度,减小了陷入局部极值的概率。仿真结果表明,MSWF-ESPRIT算法在较高信噪比下谱估计结果优于总体最小二乘旋转不变子空间。