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。

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。

基于混合离散粒子群优化的控制模式分配算法

连续微流控生物芯片是生物化学实验自动化、微型化的革命性技术.多路复用器的控制模式分配作为连续微流控生物芯片自动化设计的关键环节之一,是难的NP(Non-deterministic Polynomial)优化问题.现有工作采用粒子群优化算法求解控制模式分配问题存在过早陷入局部最优解、收敛速度慢以及算法稳定性差的缺点.为此,本文提出一种连续微流控生物芯片下基于混合离散粒子群优化的控制模式分配算法.首先,为了加快算法收敛速度及避免过早陷入局部最优解,提出了离散的自适应区域搜索策略.其次,通过基于样例的社会学习机制提高了算法的稳定性.然后,采用等距抽值的方式筛选出自适应区域搜索策略中重要参数的最佳组合,以进一步提高分配方案的质量.最终实验结果表明,所提算法在多路复用器中阀门使用数量上平均优化了19.01%,在算法稳定性上提高了29.18%,且在现实的生化应用中有良好的性能表现.

基于离散粒子群算法的电力芯片电路运行参数优化

电力芯片电路运行中受到不确定因素的干扰,信噪比较低。为此基于离散粒子群算法提出了一种新的电力芯片电路运行参数优化方法,分析输出功率和发电功率,根据计算结果得到目标函数,确定离散粒子群的分布状态,平行转换最优粒子,建立参数序列,构建电力芯片电路运行参数优化模型,提取运行参数特征,二次优化调试数据,剔除异常数据,建立离散阵列模型,通过数据扫描实现参数优化。实验结果表明,所设计方法在面对连续运行电路数据和随机电路数据时,具有极好的优化效果,平均绝对值误差低于0.10,均方根误差低于0.20,信噪比较高,具有较好的效果。

流水车间调度中的离散粒子群优化算法

针对传统的流水车间调度不能适应存在并行机的工作过程的缺陷,本文提出了求解柔性流水车间调度FFSSP(Flexible Flow Shop Scheduling Problem,FFSSP)的方法。针对无等待阻塞柔性流水车间调度问题中流水车间最大时间最小化的问题,设计了一个优化求解模型,实现了多约束条件下的柔性流水车间调度,实验结果验证了该算法的有效性和可行性。

基于动态粒子群优化的X结构Steiner最小树算法

Steiner最小树(SMT)是总体布线的最佳连接模型,其构造是1个NP-难问题。粒子群优化(PSO)算法在解决NP-难问题中具有良好的表现,而PSO算法中种群的拓扑结构及搜索信息的传递机制对其性能有着很大的影响。1个适用于具体问题的种群拓扑结构对算法性能的提升极为显著。因此,利用PSO求解总体布线问题需要根据具体布线问题的特性来选择合适的粒子拓扑结构策略,以提升PSO的性能。提出基于动态PSO的X结构Steiner最小树(XSMT)算法以解决总体布线问题。首先,设计动态子群与信息交换策略,对种群进行子群划分,引入信息交换的概念,让子群在保持独立性的同时与其他子群进行信息交换,增加子群多样性;其次,设计粒子学习与变异策略,通过设置子群中粒子的学习对象使子群趋向于全局最优,并选择每个子群中适应度值最好的粒子进行变异,使粒子更易于跳出局部最优;最后,设计从多群局部学习过渡到单群全局学习策略,使算法在迭代次数到达阈值之后从局部学习过渡到全局学习,使得粒子在较优拓扑结构的基础上内部连接以获得更好的线长优化率。实验结果表明,与现有的2种R结构SMT(RSMT)算法相比,所提算法在优化线长方面分别优化了10.25%、8.24%;与现有的3种XSMT算法相比,该算法在优化线长方面分别优化了2.44%、1.46%、0.48%,验证了算法的有效性。

FBMC/OQAM中基于离散粒子群优化的峰均比抑制方法

部分传输序列(Partial Transmit Sequence,PTS)是降低正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统峰均比(Peak-to-Average Power Ratio,PAPR)的有效方法,但是PTS穷举法搜索最优解,使系统复杂度增加。针对这一缺点进行改进,提出了基于离散粒子群优化的部分传输序列(Partial Transmit Sequence based on Discrete Particle Swarm Optimization,PTS-DPSO)方法,并将其应用到基于偏移正交幅度调制的滤波器组多载波系统(Filter Bank Multicarrier with Offset Quadrature Amplitude Modulation,FBMC/OQAM)中。PTS-DPSO利用离散粒子群优化搜寻最优解,避免了系统复杂度的增加。通过仿真验证,PTS-DPSO可以有效抑制FBMC/OQAM系统过高的PAPR且误码率低。

基于离散粒子群算法的光伏微电网储能容量优化配置

传统储能容量配置策略为确保微电网运行的稳定性,在一定程度上增加了冗余投资,为此提出基于离散粒子群算法的光伏微电网储能容量优化配置。通过蓄电池组与超级电容器的工程模型,获取光伏微电网储能装置的工作特性,以容量配比最优、投资成本最小为目标构建储能容量优化配置模型,并引入离散粒子群算法求解模型,获得最优储能容量配置结果。实例分析结果表明,对于蓄电池组与超级电容组成的储能装置,该方法在满足输出功率平衡的基础上,给出了一个最优容量配比和最强经济效益的容量优化配置方案。

一种适于求解离散问题的二进制粒子群优化算法

分析了二进制粒子群优化算法(BPSO)的缺陷。为克服此缺陷提出了“粒子位置的双重结构编码”的概念,以此为基础给出一种新的二进制粒子群优化算法———具有双重结构编码的二进制粒子群优化算法(简称DS_BPSO)。DS_BPSO算法既保留了PSO的优点,又非常适用于求解离散优化问题。对随机3-SAT测试实例的数值计算表明:该算法的性能远远超过BPSO算法。

离散二进制粒子群优化的频谱分配算法研究

随着无线通信技术在各领域的广泛应用,通信设备对频谱资源的需求程度不断提高。频谱资源的稀缺问题已经成为制约无线通信技术进一步发展的关键因素。利用图论模型,得到可用频谱矩阵、网络效益矩阵、频谱干扰矩阵以及分配矩阵,并将频谱分配问题转换为网络效益与分配矩阵寻优问题。借助离散二进制粒子算法,以网络效益、最大比例公平网络效益为目标函数,寻找最优分配矩阵。寻优过程中,为解决传统离散二进制粒子算法易陷入局部最优的问题,采用线性减少惯性权重因子,平衡局部和全局关系,提高寻优精度。试验表明:与遗传算法、敏感图着色法相比,基于离散二进制粒子群算法可取得更高的网络效益和最大比例公平网络效益。

基于离散粒子群的Web前端缓存协作任务优化分配方法

Web前端缓存任务众多,导致分配平均时延较长,网络节点内信息的处理效率较差,为提高数据处理速度,基于离散粒子群算法提出了Web前端缓存协作任务优化分配方法。规划Web前端缓存访问路径,在相邻的节点上,以缓存节点为中心,定义一个线性结构的访问体系。基于离散粒子群建立任务优化分配模型,更新粒子的最优位置,获取粒子系数概率,得到替代节点的目标函数与约束条件。设计缓存协作任务分配优化算法,处理空白节点,并替代被删除的内容区块,得到Web前端缓存协作任务优化分配方法。测试缓存节点中权重指标最大的部分,在目标节点中对比不同算法的平均网络时延,由实验数据可知,离散粒子群算法的平均时延低于10 ms。

基于粒子群优化算法的天然河道纵向离散系数估计

明晰纵向离散系数对于研究河流污染物的迁移至关重要,目前学者对此已经提出了许多经验公式和理论公式,但是计算结果准确性并不高。基于收集的纵向离散系数实测值及对应的河道水文数据与河道形态数据,通过对纵向离散系数计算准确度和计算值与实测值的相关性双重目标的加权组合,采用粒子群优化算法(一种数据驱动的算法)对加权组合后的目标函数进行优化,从而获得了纵向离散系数一般表达式中的待定系数,最终提出了具有高准确度和高相关性的天然河道纵向离散系数计算公式。验证结果表明:该公式能够适用于纵向离散系数在0~100 m 2/s之间的常见天然河道的纵向离散系数估计。

无线传感器网络基于离散二进制粒子群算法的分簇优化

为提升分簇无线传感器网络能量效率,延长网络生存时间,文章利用离散二进制粒子群算法对簇首选取进行优化。首先采用二进制编码方式对簇首选取结果进行编码,综合考虑节点能量、位置及簇首数目等因素,设计适应度函数,通过粒子群不断迭代寻优,获取最优分簇结果。然后引入簇首多跳的簇间路由方式,进一步降低节点能耗。通过仿真实验证明,所提分簇优化算法有效均衡了节点负载,降低了网络能耗,使网络生命周期明显延长。

基于离散二进制粒子群优化随机森林的平面变压器寄生参数预测模型

平面变压器的寄生参数是平面变压器结构设计以及电源电路设计的重要参考指标。由于寄生参数与平面变压器的结构、材料等存在非线性关系,寄生参数非常难以计算。针对现有的寄生参数预测算法以及寄生参数的特点,设计了一种基于离散二进制粒子群优化随机森林的平面变压器寄生参数预测模型。通过36组平面变压器数据对该模型进行训练和验证,结果显示此模型的预测精度符合实际需要。通过此模型与其他常用预测模型的比较,结果显示此模型的预测精度是最优的。以上结果表明了此模型的准确性和优越性,其预测结果可为平面变压器设计提供参考,具有重要的现实意义。

离散二进制粒子群算法在基于模型配电网故障诊断中的应用

提出一种基于模型的配电网故障诊断方案,该方案首先根据配电网原理模型的仿真数据和实际观测值存在的差异得到极小冲突集,然后由离散二进制粒子群优化算法推出可能的故障元件和故障形式,最后由贝叶斯方法确定概率最高的诊断结论。通过实际建模、编程和实验证明了该方案的可靠性和有效性。仿真结果表明,与HS-Tree、Boolean Algebra方法、遗传算法等算法相比,离散二进制粒子群算法搜索效率更高,可节约1/3～1/2的搜索时间,并且可以避免当问题规模较大时出现内存溢出问题。

改进二进制粒子群优化算法在配电网络重构中的应用

配电网络重构是一个非常复杂的大规模组合优化问题。网络重构中,能否得到有效解,即保证辐射状网络,是一个很关键的问题。对电网拓扑进行简化,配合破圈法更新粒子,得到100%的有效解,大大提高了计算速度。提出一种应用于配电网络重构的改进二进制粒子群优化算法,并结合禁忌搜索算法,使PSO算法跳出局部最优化陷阱,改善了算法的搜索效果,加快了寻优速度。最后对IEEE 69节点系统进行计算,并与相关文献结果进行对比,表明本文改进算法具有快速、高效的全局寻优能力。

离散粒子群优化算法研究现状综述

粒子群优化算法(PSO)是一类基于群体智能的新型全局优化方法,近年来其离散化形式和方法受到广泛关注。介绍了PSO的基本原理和更新机制,论述了离散PSO算法的研究进展和应用情况,详细介绍了两种离散化策略的机理、更新方法、计算模式和特点,讨论了离散PSO的发展趋势和进一步研究方向。

离散粒子群优化算法在输电网络扩展规划中的应用

输电网络扩展规划是一个非常复杂的大规模组合优化问题。文中研究了离散粒子群优化(DPSO)算法在单阶段输电网络扩展规划中的应用,提出一种基于黑板系统的多智能体协调模型。该模型中,DPSO算法利用黑板系统进行粒子间信息共享,有效地提高了算法的全局收敛能力。通过构造节点扩展矩阵和速度矩阵,建立了输电网络扩展规划问题的求解模型和DPSO求解算法。该算法已成功用于IEEE Garver-6等两个系统,计算结果表明了该方法的可行性和有效性。

基于混沌二进制粒子群算法的独立微网系统的微电源组合优化

建立了多目标多约束的独立微网系统优化运行数学模型,以经济运行成本最小与系统网损最小构成多目标函数,采用赋权的方式将多目标转化成单目标,考虑功率平衡、电压越限、机组启停时间等约束条件,并计及了微网中可控型微电源的启停控制策略。将二进制粒子群算法与混沌优化算法相结合求解模型。典型微网模型仿真结果验证了所提算法与模型的正确性,采用所提方法可确保微网的优化经济运行。

基于离散粒子群优化算法的多用户检测器

利用粒子群优化算法解决优化问题的基本思想,提出了一种新的粒子群算法,进而设计了两种使用NDPSO和多阶段检测器(MSD)相结合的混合方法进行CDMA通信系统的多用户检测.一种方法是使用NDPSO作为MSD的初始阶段给后面阶段的MSD提供一个好的初始值;男一种方法是把MSD嵌入到NDPSO 的每一代中.通过混合MSD到NDPSO中,可以加快NDPSO的收敛速度,减少计算复杂度.另外,NDPSO所提供的好的初值可以改善MSD的性能,嵌入的MSD还改善了NDPSO的性能.仿真结果表明,多用户检测方法与传统检测器和已有的DPSO多用户检测方法相比,在误码率、抗远近能力方面都有显著提高.