一种改进的小波变异粒子群优化算法

为提高粒子群优化(PSO)算法的优化性能,提出一种改进的小波变异粒子群算法(IPSOWM)。在每次迭代时以一定的概率选中粒子进行小波变异扰动,从而克服PSO算法后期易发生早熟收敛和陷入局部最优的缺点。数值仿真结果表明,IPSOWM算法的搜索精度、收敛速度及稳定性均优于PSO和PSOWM算法。

改进小波变异粒子群优化算法用于直线阵综合

为了有效避免粒子群优化(Particle Swarm Optimization,POS)算法早熟收敛和陷入局部最优,提出了一种改进的小波变异粒子群优化(Improved PSO with Wavelet Mutation,IPSOWM)算法,该算法每次迭代时以一定的概率选中粒子进行小波变异扰动,将该改进算法应用于直线阵综合问题,结合实际应用中的数字衰减器和数字相移器进行了仿真试验.结果表明:该改进算法的搜索精度及稳定性均优于对比文献中结论,适合于天线阵综合问题.

基于小波变异粒子群优化算法和二维模糊熵的图像分割

在微粒子群算法中应用小波变换,解决搜索过程中容易陷入局部最优以及过早收敛的问题。将混合微粒子群算法与二维模糊熵阈值分割方法结合,提出了一种基于小波变换微粒子群算法和二维模糊熵的图像分割方法。该方法根据像素点灰度值和区域灰度均值所建立的二维灰度直方图,以二维模糊熵作为微粒群算法的适应度函数,利用小波变异微粒群算法搜索点灰度值和区域灰度均值所对应的模糊参数最优组合,进而确定相应的分割阈值。对真实目标图像的分割实验结果对比表明,本方法在阈值和时间指标的性能令人满意。

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。

基于自适应变异粒子群算法的装配式建筑施工安全投入优化

针对装配式建筑施工安全投入问题,以实际工程项目为例,对装配式建筑施工风险因素进行了二级分解;基于数学规划理论建立了非线性规划模型,并引入3种函数关系进行拟合;采用自适应变异粒子群算法在Matlab中进行求解,得到了相对较优方案。结果表明:在安全风险主要因素中,物的风险因素对安全投入最为敏感;在二级风险因素中,预制构件吊装器具的选择最为敏感,该结论可为日后施工安全投入的方向提供参考依据。

基于迁徙变异粒子群算法的微电网调度优化策略

微电网调度问题涉及多个电源和负荷因素,调控难度较大。通过建立微电网各电源系统的优化策略,并以分时电价为引导,旨在提高电动汽车充放电的积极性,从而有效提升微电网的调度优化能力。在传统粒子群算法的基础上,引入变异策略和迁徙策略,增强了算法的全局搜索能力,同时考虑了粒子种群的多样性,确保了模型对优化目标的求解能力。构建了以运行成本、用户满意度、电动车主费用为优化目标的多目标优化模型,并应用迁徙变异粒子群算法进行求解,结果表明该方法能显著降低系统运行成本,从256.3万元优化至225.8万元,电动车主费用从3.25万元降至2.13万元,有效提升了用户满意度。与现有算法相比,该方法在效率和结果上均更优越,为类似问题提供了一种新的解决方案。

基于变异粒子群算法的微电网多目标优化调度研究

微电网调度通常是一个多约束、非线性的优化问题,粒子群算法(PSO)用于微电网多目标优化调度容易陷入局部最优解。对传统粒子群算法引入变异操作进行改进,建立了包含光伏发电(PV)、风力发电机(WT)、燃气轮机(MT)、储能装置(ES)以及柴油发电机(DE)的并网优化调度模型,用改进后的算法建立微电网模型,并进行仿真求解,分时段验证了优化后的PSO算法应用于微网优化调度模型的可行性与优越性。

基于粒子群优化算法的地震数据品质因子及混合相位子波同时估计

非稳态地震数据高分辨率处理及反演是通过求解包含地震子波滤波效应及地层吸收衰减效应的反演方程,获得地下反射界面的地震响应。为实现高分辨率处理及反演中初始地震子波及数据品质因子Q模型的实施条件,结合地震子波Z变换的根移动编码及等效Q模型的二进制—十进制转换策略,引入粒子群全局优化算法,建立非稳态地震数据混合相位初始地震子波及数据品质因子同时估计的方法。利用井旁道与数据的互相关作为准则函数,判定粒子群是否收敛至最大,输出最佳初始地震子波及Q。应用理论合成数据和实际数据测试进行验证。结果表明:相较于传统常相位地震子波估计及反Q滤波,该方法在复杂干扰条件下能更精确捕获真实的子波波形及衰减参数。利用输出的地震子波及Q进行时变反褶积处理得到高分辨率剖面,说明方法具有准确性、计算效率高且输出结果优,估计的地震子波和Q更符合实际地震波传播特征,为后续高分辨率地震数据处理提供基本参数。

基于粒子群算法优化小波神经网络的BDS-3钟差预报研究

针对目前对于BDS-3钟差预报研究较少、BDS-3钟差预报模型不足的问题,提出利用粒子群算法(Particle Swarm Optimization,PSO)优化小波神经网络(Wavelet Neural Network,WNN)的BDS-3钟差预报模型,粒子群算法可以有效解决小波神经网络的权值和阈值的选择问题。该模型符合BDS-3钟差数据的特点,并且可以充分发挥粒子群算法优化的小波神经网络在非线性数据预报方面的优势。同时,利用IGS数据构建粒子群算法优化的小波神经网络BDS-3钟差预报模型,通过和GM(1,1)钟差预报模型、小波神经网络预报模型进行对比,说明了本研究的粒子群算法优化小波神经网络BDS-3预报模型具有较高的预报精度、模型稳定性更好、预报使用时间更少。由此证明,利用粒子群算法优化小波神经网络模型进行BDS-3钟差预报是具有可行性的。

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。

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。

融合T-分布小波变异的混沌鲸鱼优化算法

针对鲸鱼优化算法难以跳出局部最优导致收敛精度不足的问题,提出一种融合了T-分布小波变异和多项式差分学习策略的鲸鱼优化算法.该算法首先引入Circle混沌扩大搜索范围,提高收敛速度;然后采用T-分布小波变异策略平衡全局和局部搜索能力;最后采用多项式差分学习策略改进算法的优化精度.对3种改进策略作单一引入的仿真对比分析,并将改进的鲸鱼优化算法在12个可变维度的基准测试函数上进行仿真,对本文改进的鲸鱼优化算法与其他改进策略的鲸鱼优化算法以及其他几种智能算法进行比较.结果表明,基于T-分布小波变异和多项式差分学习策略的改进鲸鱼优化算法具有较好的稳定性,收敛速度和精度更好.

基于粒子群的旧工业建筑再利用空间优化算法

为了解决土地资源紧张的问题,优化旧工业建筑空间,提高建筑利用空间紧密度,实现空间再利用,提出基于粒子群的旧工业建筑再利用空间优化算法。将土地利用适宜性最大化、用地紧凑度最大化和转化成本最小化作为优化目标,构建空间优化模型,建立旧工业建筑再利用空间优化目标函数,在相关条件的约束下采用粒子群算法求解上述目标函数,实现旧工业建筑再利用空间的优化。仿真结果表明,所提方法的地类转换成本低,总适宜度、生态协调性和社会效益高,空间紧凑度高,优化效率高。

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。