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。

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。

自适应策略优化的粒子群优化算法在神经网络架构搜索中的应用

针对神经网络架构搜索(NAS)任务,提出一种自适应重启策略驱动的协作学习粒子群优化(ARCLPSO)算法。算法核心流程包括协作学习与信息共享、策略切换和参数自适应,以改进传统粒子群优化(PSO)算法在NAS中的性能。ARCLPSO算法结合了全局与局部信息的协同作用和智能切换学习策略。具体地,ARCLPSO利用全局和局部信息的协同作用令粒子向更优的方向移动,通过智能的切换粒子学习策略平衡粒子的搜索性能和收敛速度,提高搜索速度和搜索质量。在NAS-Bench-101数据集上的实验结果表明,ARCLPSO的收敛时间相较于传统进化算法(REA)和随机搜索(RS),分别减少了40.9%和55.2%。

基于免疫粒子群混合算法优化BP网络的矿压预测方法

为攻克综采工作面顶板矿压显现规律预测预报的难题,构建一种基于免疫粒子群混合算法优化BP神经网络的矿压预测模型(IA-PSO-BP),针对BP神经网络收敛速度慢和易陷入局部最优的问题,采用免疫粒子群混合算法优化BP神经网络,并选取11种矿压主要影响因素作为模型基础数据,对工作面来压强度和来压步距进行预测。结果表明:IA-PSO-BP网络模型的收敛速度较BP网络模型和PSO-BP网络模型分别提高8倍和2倍,IA-PSO-BP网络模型的预测值与实测值基本吻合,预测结果的相对误差分别约为BP网络模型和PSO-BP模型的1/5和1/3。基于IA-PSO-BP的工作面矿压预测方法具有较快的收敛速度和较高的准确率,实现了工作面初次来压强度、周期来压强度、初次来压步距和周期来压步距距预测,为煤矿井下工作面矿压预测提供了一种新的技术途径。

免疫粒子群算法的测试数据生成

为有效改善粒子群算法进化后期收敛速度慢,克服易陷入局部极值的缺陷,提出一种自适应免疫粒子群算法并在面向路径的测试数据生成中得到应用。本文提出自适应的惯性权重的调整方法和学习因子的调节策略,加快算法的搜索速率;引入免疫算法中的免疫算子,提出抗体的浓度调节机制,使得粒子群的多样性更加丰富,提升算法的寻优能力;通过免疫选择操作,避免算法的早熟收敛;以分支函数叠加法构造适应度函数。实验结果表明,该算法避免了粒子群算法早熟收敛现象的发生,有效地提高了测试数据自动生成的效率。

融入重心反向学习和单纯形搜索的粒子群优化算法

针对粒子群优化PSO算法后期种群多样性差和易陷入局部最优解等问题,提出具备重心反向学习和单纯形搜索行为的粒子群优化COLS-PSO算法。初始时,基于混沌策略构造出搜索空间。进化过程中,基于Spearman系数选择需要进行重心反向学习的粒子,以帮助算法逃离局部极值区域。进一步引入局部搜索能力较强的单纯形搜索方法增强对最优粒子邻近区域的开发,以提高搜索精度。实验先在若干标准测试函数上进行,之后将COLS-PSO算法应用于软件测试数据生成问题。实验结果表明,COLS-PSO算法在求解精度、收敛速度和有效性方面表现较好,能够有效平衡种群多样性和算法收敛性的矛盾。

基于粒子群优化和卷积神经网络的电力系统运行状态辨识

随着“双碳”目标的提出,高比例可再生能源和高比例电力电子设备正成为电力系统发展的重要趋势和关键特征,其间歇性、不确定性使电力系统实时运行状态辨识面临严峻挑战。为此,该文提出一种基于粒子群优化和卷积神经网络(particle swarm optimization and convolutional neural network,PSO-CNN)的高精度电力系统实时运行状态辨识方法。首先,该方法同时考虑电力系统安全域与稳定域下的暂态问题,适用于暂态稳定故障前、故障中及故障后多场景的电力系统运行状态辨识。其次,为确保样本数据中新能源机组出力方式的全面性,采用拉丁超立方抽样方法对精细化仿真数据采样,考虑到实际电力系统中存在状态类别极端不平衡问题,引入PSO算法调节模型不同类别损失函数权重以提高模型对极端不均衡样本的辨识效果。最后,分别在IEEE39节点系统及某省级电网系统中对所提方法进行评估,实验结果证明了所提状态辨识方法的有效性及鲁棒性。

免疫综合学习粒子群优化算法

针对综合学习粒子群算法后期收敛速度慢、一旦所有粒子陷入局部最优,则无法跳出等缺陷,提出免疫综合学习粒子群优化(ICLPSO)算法。ICLPSO算法引入人工免疫系统中的克隆选择机制,利用克隆复制、高频变异、克隆选择等操作,增加种群的多样性,提高算法的收敛速度,利用柯西分布较宽的两翼分布特性进行精英粒子学习以进一步增强粒子逃离局部极值及多峰函数优化问题全局寻优能力。针对标准测试函数的仿真结果表明,与其他改进粒子群算法相比,ICLPSO算法收敛速度快,求解精度更高。

基于粒子群优化BP神经网络的中空夹层钢管混凝土柱轴压承载力研究

圆中空夹层钢管混凝土(concrete filled double-skin steel tube,CFDST)柱因其独特的结构形式与优异的力学性能,已成为现代工程结构中的主要受力构件。然而外钢管、内钢管与核心混凝土之间的相互约束作用导致其受力比较复杂。为此,采用PSO-BP混合神经网络算法对圆CFDST柱的轴压承载力进行了研究。收集了167组数据建立数据库,并选取8种影响因素作为输入层参数,轴压承载力作为输出层参数,分析了传统BP神经网络模型所存在的缺陷,建立了PSO-BP神经网络模型。此外,将机器学习模型与3种规范的结果进行比较,结果表明机器学习模型的精度比3种规范的精度更高。相较于BP神经网络模型,PSO-BP神经网络模型具有更好的预测能力,更有助于预测CFDST柱的轴压承载力,对工程上研究CFDST柱的力学性能有着重要意义。

一种免疫粒子群优化算法及在小波神经网络学习中的应用

粒子群优化算法是一类简单有效的随机全局优化技术。受生物体免疫系统抗体多样性保持机制的启发,将抗体多样性保持机制引入到粒子群优化算法中,并给出了一种免疫粒子群优化算法。该算法在保留高适应度粒子的同时,确保了粒子的多样性,从而改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。该算法应用于函数优化和小波神经网络学习的计算机仿真,结果表明该算法有良好的收敛性能。

改进粒子群算法的自动充电机械臂时间最优轨迹研究

针对桁架充电机械臂关节空间轨迹规划的时间优化问题,提出了一种非线性动态学习因子的粒子群算法。通过运动学分析获取工作空间,引入3-5-3多项式插值进行轨迹规划。结合运动过程中的速度与加速度约束,寻求运动过程中的最短时间。对比改进粒子群算法和基本粒子群算法的收敛速度,分析各关节优化前后运动时间的变化情况,并进行仿真实验验证。结果表明:改进粒子群算法的收敛性能较基本粒子群算法更快,整体运动时间缩短约33%,证实改进粒子群算法的可行性。

基于社会学习粒子群的大规模多目标优化算法

现实世界中存在大量多目标优化问题,其中大规模多目标优化问题是目前研究的热点,然而现有多目标进化算法缺少有效进化算子来处理大规模优化问题。因此,本文提出了一种基于社会学习粒子群的大规模多目标优化算法(A largescale multi-objective algorithm based on a social learning particle swarm optimization algorithm,LMOSLPSO)。LMOSLPSO首先采用转换的密度估计策略求解每个粒子的适应值;然后基于社会学习粒子群思想,设计了一种有效的粒子进化的方法;最后执行多目标优化算法RVEA(a reference vector guided evolutionary algorithm)的环境选择操作来选择下一代个体。其中,转换的密度估计策略有利于平衡算法种群收敛性和多样性,新设计的粒子进化的方法有利于提高算法的搜索能力。在9个标准的大规模优化测试问题上,与多个近期提出的多目标优化算法进行对比。实验结果表明,该文所提出的LMOSLPSO算法具有较好的收敛性及分布多样性。

冗余机械臂轨迹的增广Lagrange-改进粒子群算法优化

为了减小冗余机械臂的工作时间和运动冲击,提出了基于增广lagrange-多学习行为粒子群算法的轨迹优化方法。介绍了7自由度冗余机械臂的构型,以减小工作时间和运动冲击为目标建立了约束优化模型。使用增广拉格朗日乘子法将约束优化问题转化为无约束优化问题。在粒子群算法中引入了3种新型的粒子学习行为,并依据学习行为价值确定粒子选择各学习行为的概率,既保证了粒子多样性也保证了收敛的快速性。经实验验证,多学习行为粒子群算法优化的轨迹在时间和冲击方面好于传统粒子群算法优化轨迹,且改进粒子群算法优化轨迹平滑,运动参数在约束范围内,以上结果验证了增广lagrange-多学习行为粒子群算法在机械臂轨迹优化方面的有效性和优越性。

基于改进粒子群算法的PID参数优化研究

针对加氢裂化分馏过程的闪蒸罐压力控制系统的非线性、延迟性等问题,提出一种通过改变粒子群算法学习因子的计算方式,对PID控制器参数进行优化。通过MATLAB的仿真结果表明,改进粒子群PID算法的闪蒸罐压力控制系统在调节时间、超调量和抗干扰能力等方面均优于传统PID控制算法,其将超调量降低到了3.22%,调节时间缩短到了51.844 s,优化了该系统闪蒸罐压力的动、静态特性。

基于改进粒子群优化极限学习机的弹丸参数辨识

针对随机产生输入权重和隐含层神经元阈值导致利用极限学习机辨识弹丸气动参数时会出现辨识结果发散问题,本文将粒子群算法与极限学习机结合,并且引入自适应更新策略以及粒子变异策略,提出了一种自适应变异粒子群优化极限学习机算法。该算法利用自适应变异粒子群算法寻优产生极限学习机的输入权重和隐含层阈值,有效改善算法性能。仿真实验表明,利用自适应变异粒子群优化极限学习机算法辨识弹丸气动参数,精度高、收敛速度快,能够充分满足实际工程需要。

面向大规模特征选择的自监督数据驱动粒子群优化算法

大规模特征选择问题的求解通常面临两大挑战:一是真实标签不足,难以引导算法进行特征选择;二是搜索空间规模大,难以搜索到满意的高质量解。为此,提出了新型的面向大规模特征选择的自监督数据驱动粒子群优化算法。第一,提出了自监督数据驱动特征选择的新型算法框架,可不依赖于真实标签进行特征选择。第二,提出了基于离散区域编码的搜索策略,帮助算法在大规模搜索空间中找到更优解。第三,基于上述的框架和方法,提出了自监督数据驱动粒子群优化算法,实现对问题的求解。在大规模特征数据集上的实验结果显示,提出的算法与主流有监督算法表现相当,并比前沿无监督算法具有更高的特征选择效率。

人工免疫粒子群算法在系统可靠性优化中的应用

为了优化舰载装备系统在其设计初期的可靠性,根据模糊优选理论,建立了基于正负理想方案的可靠性分配的多指标模糊优化模型.针对基本粒子群(PSO)算法易陷入早熟状态以及群体缺乏多样性等不足之处,将人工免疫系统(AIS)原理与改进的粒子群算法有机结合,并对粒子的飞行速度进行控制,提出一种基于人工免疫的粒子群算法(AI-PSO).将该算法应用于系统可靠性优化求解中,仿真试验结果表明,相比其他算法而言,该算法具有较强的全局搜索能力,其优化结果更为合理.

基于边界自适应技术的精英交互学习粒子群算法

粒子群优化(PSO)算法依靠粒子之间的合作行为,使其在解决诸多优化问题上显示出极大的智能。然而,由于寻优机制,粒子很容易突破可行域的边界限制,若能使该行为在寻优过程中具有明确的指导意义将有助于提高算法的优化性能;更关键的是,原始粒子群优化算法中粒子的学习对象主要集中在全局最佳粒子上,这种更新机制无疑加速了种群多样性的损失,并使种群倾向于陷入局部最优。为了进一步提高求解复杂问题时的种群多样性和收敛精度,提出了一种基于边界自适应技术的精英交互学习粒子群算法(A-EIPSO)。该算法首先在原有的PSO算法中引入了新的边界处理技术,根据越界粒子的历史位置信息和越界距离自适应地赋予粒子在解空间内的分布特征;接着在多种群技术的基础上设计了一种精英学习策略来促进子群间社会信息的交换,并由精英粒子代替全局最佳粒子指导各子群内粒子的优化行为。实验结果表明,在大多数情况下,自适应处理技术保证粒子在搜索空间内实现均匀探索的同时显著提升了PSO算法的性能。此外,还将A-EIPSO在CEC2017基准测试套件上与5种先进的粒子群变体算法及2种主流的进化算法进行了比较。结果表明,A-EIPSO在不同类型函数上均表现出了优越的性能,改进了大多数优化问题的收敛精度,优于其他代表性的PSO变体算法和进化算法。

基于免疫粒子群算法的电力系统无功优化

为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE30节点系统算例仿真表明,IA-PSO算法与标准PSO算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。