电力系统无功优化的多智能体粒子群优化算法

无功优化是电力系统实现电压和无功功率最优控制和调度的基础,提出了一种全新的优化算法——多智能体粒子群优化算法来求解此类优化问题。该算法结合 multi-agent系统和粒子群优化技术,构造了一个格子环境,所有 Agent都固定在格子环境中。每一个 Agent 相当于粒子群优化算法中的一个粒子,它们通过与其邻居的竞争、合作和自学习操作,并且吸收了粒子群优化算法的进化机理,能够更快地、更精确地收敛到全局最优解。在 IEEE 30 节点系统上进行校验,并与其它方法比较,结果表明,提出的算法具有质量高的解、收敛特性好、运行速度快的突出优点。

电力系统故障诊断的多智能体粒子群优化算法

电力系统的故障诊断是利用保护和断路器的动作信息来推断可能的故障位置,识别故障的元件和误动作的保护与断路器,并对保护和断路器的动作情况作出评价;其中故障元件的识别是故障诊断实现的关键;文中首次应用粒子群优化算法研究故障元件的识别方法;基本思想是根据保护动作原理将故障诊断问题表示为0-1整数规划问题,然后用粒子群优化算法求解;与传统的遗传算法求解比较,结果表明文中采用的粒子群优化算法具有稳定性高、收敛特性好、运行速度快的突出优点;仿真研究验证了该方法的可行性和有效性。

基于粒子群算法智能算法的TSP问题优化

旅行商问题(TSP)是组合优化领域最著名的问题之一,具有深远的理论意义,并在现实应用中产生广泛影响。本研究采用基于粒子群优化(PSO)的智能算法来解决TSP问题。PSO算法利用集体智慧寻找最优解,相比传统方法,能更快速地接近最优解,特别是在处理大规模问题时表现突出。此外,PSO算法不需要问题的具体细节知识,如梯度信息,因此非常适合解决复杂优化任务,这些任务难以通过精确的数学模型定义。将PSO算法应用于TSP问题不仅展示了其在具体问题上的有效性,还证明了该算法在处理更广泛复杂优化问题上的潜力和适应性。这突显了群体智能算法解决实际问题的能力,为解决其他复杂问题提供了有价值的启示。

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。

智能算法的亚群优化策略综述

群智能算法的优化是提升群智能算法性能的一个主要途径,随着群智能算法越来越广泛地运用到各类模型优化、生产调度、路径规划等问题中,对智能算法性能的要求也越来越高。亚群策略作为一种优化群智能算法的重要手段,能够灵活地平衡算法的全局勘探能力和局部开发能力,已经成为群智能算法的研究热点之一。为了促进亚群优化策略的发展和应用,对动态亚群策略、基于主从范式的亚群策略和基于网络结构的亚群策略进行了详细调查,阐述了各类亚群策略的结构特点、改进方式和应用场景。最后,总结了亚群策略目前存在的问题以及未来的研究趋势和发展方向。

基于群体智能算法的巡飞弹向心攻击优化方法及实验分析

近几年,无人机巡飞弹打击成为一种重要的作战方式。针对巡飞弹向心攻击问题,选用蝙蝠优化算法、人工蜂群算法、粒子群算法、鲸鱼优化算法,设计一种基于群体智能算法的巡飞弹向心攻击优化方法,通过实验设计和结果分析对比四种群体智能优化算法,以提高巡飞弹向心攻击的作战效率。实验验证了该方法的有效性,且结果表明人工蜂群算法和粒子群算法总体表现较优。

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。

改进粒子群优化算法在机械臂轨迹规划中的应用

针对机械臂运动效率与稳定性问题,提出了一种基于改进粒子群算法的时间优化轨迹规划方法。该方法以3-5-3组合分段多项式插值算法为基础,以分段区间的时间为优化目标,通过带有动态学习因子与收缩因子的改进粒子群优化算法进行优化。本文以实验室的空中作业机器人作业机械臂为模型,将本文方法与标准粒子群优化规划方法进行比较,仿真结果证明该方法收敛速度和精度都有明显改善,且算法未陷入局部收敛,最终优化结果有12.8%的提升。在该轨迹下机械臂的关节角度、速度、加速度曲线平滑无突变,机械臂运动平稳,方法具有可行性。

基于协同进化粒子群优化算法的水资源配置模型及应用

面向新发展阶段的城市水资源配置具有多目标、多变量、约束条件复杂、求解结果非线性、求解过程困难等特征。针对线性规划、动态规划、非线性规划等传统优化算法在解决水资源配置问题中求解结果不合理、计算效率低,求解多目标问题收敛慢等问题,提出了基于协同进化粒子群优化(CPSO)算法的多目标水资源优化配置模型。以郑州市为例,构建了以实现社会、经济和生态效益的最大化为目标,供水量、需水量、供水能力和水库库容为约束的水资源配置模型。通过输入郑州市各计算单元和用水部门的用水需求量和可用水量,该模型计算并输出郑州市9个区在2019年、2035年的缺水率。结果表明:郑州市供水的区域分布比较均衡,缺水率在可接受范围内;该模型算法进化速度较快,进化的稳定性较优,优化结果在种群中可以很好地保留且对进化方向的主导性很强,可以有效地应用于解决水资源配置问题,并提升模型计算效率,为水资源管理部门提供技术支持。

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。

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。

基于改进的粒子群优化算法的暖通空调制冷机房BIM自动优化布置方法

采用结合Revit API和MATLAB的编程模式,对Revit平台进行了有效的二次开发,从而实现了暖通空调制冷机房设备的自动化布置设计,不仅有效地实现了设备布置方案的自动生成,还支持了布置方案的预览与验证,显著提高了设计效率和准确性。该研究的创新之处在于成功将粒子群优化算法与BIM技术相结合,为暖通空调系统的自动化设计提供了新的视角,并验证了BIM在暖通空调领域正向设计中的应用潜力。

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。

基于改进粒子群算法的中深层地源热泵供暖系统运行优化

构建变工况运行且包含蓄热装置的中深层地源热泵供暖系统,基于改进粒子群算法,分别以运行费用、系统COP和地热能利用系数为目标函数对系统运行进行优化,并对优化结果进行比较和分析。结果表明:对应目标函数优化后的运行费用、系统COP和地热能利用系数分别为279.27元、6.4420和0.8527。以系统COP为目标函数的优化效果与运行费用相反,而与地热能利用系数相近。

基于精英知识引导的多种群协作粒子群优化算法

目的为了解决粒子群优化(particle swarm optimization,PSO)算法易早熟收敛、后期收敛速度慢、精度低等问题,方法提出一种基于精英知识引导的多种群协作粒子群优化算法(multi-group cooperation particle swarm optimization algorithm,MGCPSO)。首先,采用基于幂函数约束的logistic映射得到分布均匀的初始种群,加快寻优速度并提高找到最优解的概率;其次,在算法执行阶段动态划分多种群,并利用精英知识引导劣势粒子飞行,实现粒子间的信息共享和协同进化,降低粒子在解空间探索的盲目性;最后,综合融入精英知识的反向学习和极值扰动策略对粒子施加变异,帮助粒子扩大搜索区域并加强对最优邻域的精细探索。结果为验证MGCPSO的性能,在30维和100维的基准测试函数上进行了仿真实验研究,结果表明,相比于其他几种改进算法,提出的算法在收敛速度和收敛精度上均有良好表现。结论多种群协作粒子群优化可以有效避免算法早熟收敛和陷入局部最优,同时可以提高算法的全局搜索能力和局部开发能力。

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。

基于改进粒子群算法优化PID控制的主动悬架性能研究

针对二自由度主动悬架比例-积分-微分(PID)控制器参数整定问题,引入粒子群算法,借助粒子群算法的全局搜索能力解决PID控制器参数整定问题,考虑到传统粒子群算法收敛速度较慢,设计了一种改进粒子群算法,根据悬架性能评价指标建立目标函数,分别模拟了随机路面激励输入和减速带式梯形冲击路面激励输入,并验证了基于改进粒子群算法优化的PID控制器的有效性。仿真结果表明:改进粒子群算法后目标函数的收敛速度明显提高;基于改进粒子群算法优化PID控制的主动悬架在不同激励输入条件下均具有较好的行驶平顺性;验证了改进粒子群算法的有效性并解决了PID控制器参数整定问题。

基于神经网络和粒子群算法的硅钢工艺参数优化

结合BP神经网络与粒子群算法,提出了一种降低硅钢铁损的工艺参数优化策略。首先,采用BP神经网络建立了对硅钢铁损的预测模型,模型具有很高的拟合精度和预测精度。然后在工艺参数的优化方面,以BP神经网络预测模型作为适应度函数,选取连续退火RTF炉段的各段炉温作为优化变量,采用粒子群算法优化这些工艺参数。结果显示,基于BP神经网络,采用粒子群算法对部分工艺参数进行优化后,硅钢铁损明显降低,具有一定的指导意义。