带压缩因子的粒子群算法在汽包压力控制系统中的应用

针对基本粒子群算法的原理,阐述了一种改进算法(带压缩因子的粒子群算法),简述了PID控制器的工作原理、粒子群参数优化方法的实现,并举例说明此改进算法在某汽包压力控制系统中的应用,利用matlab进行仿真优化,证明此改进算法优化的性能优于基本的粒子群优化算法,有很好的工程应用前景。

带压缩因子的粒子群算法求解复杂遮阴MPPT问题

光伏发电系统中,光伏阵列受灰尘、树叶等物体遮盖,输出功率降低,功率和电压生成的特性曲线表现为多个峰值,为使系统运行在最大功率状态,需要最大功率点追踪(MPPT)。将带压缩因子的粒子群优化(PSO)算法应用于多个峰值的最大功率点寻优过程中,峰值寻优能力在全局中相较于单峰寻优有巨大提升,峰值搜索速度得到极大提高,并且能避免陷入局部极大值。

基于多目标粒子群算法的隔膜压缩机膜腔曲线优化

膜腔曲线直接影响着隔膜压缩机排气量与膜片可靠性,原始膜腔曲线不能较好满足今后加氢站隔膜压缩机高压力、大流量工况需求。针对此问题,依据隔膜压缩机工作原理,采用多目标粒子群算法对膜腔曲线进行面积与弧长的双目标优化计算,得到了一种新曲线。同时,结合压缩机工程实际对膜腔曲线进行了改进,并对改进后的膜腔曲线与原始曲线进行容积计算与有限元应力对比。研究结果表明:在给定新曲线内参数m=0.95、n=2.5且膜腔半径与膜片厚度不变的情况下,新曲线膜腔下膜片气侧最大径向应力较原始曲线降低了13.89%,膜腔容积较原始曲线增加13.72%。

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。

粒子群算法优化涡旋压缩机几何参数及性能对比研究

为了提高微型涡旋压缩机的制冷性能,以某款微型制冷涡旋压缩机为研究对象,建立涡旋压缩机制冷性能系数的数学模型,添加几何参数约束条件,通过粒子群算法对制冷涡旋压缩机的几何设计参数进行优化以达到提高性能的目标。以能效比为优化目标函数,通过MATLAB软件进行迭代优化。在得到优化前后涡旋型线几何参数的基础上,建立优化前后涡旋压缩机动静涡旋盘的流体域数学模型,利用流体力学(CFD)的方法对优化前后模型进行数值模拟。对比分析优化前后涡旋压缩机几何、性能参数以及工作腔中工质流动规律和状态分布。分析表明:在通过粒子群算法优化后的微型制冷涡旋压缩机涡旋盘总体质量减小7.92%,吸气容积增大87.77%,性能系数提高88.08%。在数值模拟中对比优化前后进出口的质量流量,优化后的进口质量流量提高84.25%,出口质量流量提高82.14%;工作腔的压力分布在优化后过压缩现象降低,但出口压力大幅增大,其优化后工作腔中的瞬态峰值压力比优化前增大67.78%。但由于中心压缩腔变大,出现排气口被遮挡现象,导致优化后工作腔压力在某时刻会呈现不对称分布。该研究可为微型制冷涡旋压缩机的设计提供参考。

带随机变异及感知因子的粒子群优化算法

针对传统粒子群算法(PSO)在求解高维空间中复杂函数时容易发生“早熟”现象,根据粒子在空间中的运动规律和散布特点,提出带随机变异因子和动态感知因子的粒子群优化算法。算法通过引入对邻域具有质疑策略的随机变异因子,促使个体粒子对自身邻域进行探索,降低粒子因过于信赖个体最优和全局最优而发生的“早熟”现象,从而改进速度更新策略;同时,为粒子位置更新引入感知因子,使粒子在同一维度上动态自适应控制自身与其他粒子的空间距离,从而避免陷入局部最优。通过测试函数实验、算法对比分析实验、随机参数影响实验和算法复杂性实验,验证了该算法在求解高维空间中的复杂函数等问题时,具有明显的优越性和鲁棒性。

基于带压缩因子粒子群算法标定设计反应谱

粒子群优化算法是模拟群体智能所建立起来的一种全局优化算法,在解决多参数非线性函数的优化问题上具有良好的性能,为了有更好的收敛精度和更快的收敛速度,本文构建了带有压缩因子的粒子群算法,可用于设计反应谱的标定。利用这一方法可给出第一拐点周期、特征周期、平台值和衰减指数等刻画设计反应谱特征的参数值。本文以埃尔森特罗台(El Centro)加速度时程的反应谱标定为例,采用本文提出的改进粒子群算法、Newmark三参数法、双参数法和差分进化算法对其进行标定。对比分析了4种标定方法给出的特征参数及计算精度,实例证明,改进粒子群算法具有较高的精度,给出的设计反应谱较好地反映了地震反应谱的特征。

带自适应压缩因子粒子群优化算法

针对函数全局优化问题,提出了一种自适应压缩因子粒子群优化算法。研究的结果是对粒子群优化算法定义了一个与迭代步有关的压缩因子,随着迭代步不断增大压缩因子逐渐减小,使得在算法初期,压缩因子较大,提高算法的全局搜索能力,在算法后期,压缩因子较小,提高算法的局部搜索能力,另外,把差分进化算法中的交叉与变异思想引入到该粒子群优化算法中,改善了粒子的多样性。最后把算法应用到两类测试问题中,并与其他粒子群优化算法进行比较分析,数值结果表明,算法是可行的、有效的。该成果对全局优化问题的求解具有一定的参考价值和指导意义。

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。

基于遗传粒子群动态聚类算法的物流柔性分拣系统品规分配

目的针对目前烟草物流配送中心条烟分拣量大,不同条烟品规的分配对订单的总处理时间影响较大的问题,研究平衡各个分拣区品规的分配,提高分拣效率。方法建立以各分区品规相似系数和最小为目标函数的数学模型,并采用改进的遗传粒子群动态聚类(GAPSO-K)算法进行求解。首先,结合各品规分拣量对品规相似系数进行改进,并将其作为适应度函数;然后在粒子群算法中对惯性权重因子进行改进,使其值可以进行自适应改变;最后,在粒子群动态聚类算法中引入遗传算法中的交叉变异扩大解的搜索范围,基于Matlab对文中的其他算法进行求解对比,求得结果在EM-plant中进行仿真验证。结果结合某烟草物流配送中心数据仿真验证,利用GAPSO-K算法处理订单的时间为234.5 s,较传统时间大幅度较少,有效提升了柔性物流分拣效率。结论采用该算法可充分发挥2种算法的优良性,具有更好的收敛性及寻优性,为柔性物流品规分配提供了新思路。

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。

基于粒子群优化算法的二维路径规划方法研究

在现代社会中,路径规划问题广泛存在于各行各业,旨在独立探索一条从起始点到目标点的无障碍可行路径,这一过程通常涉及对不同路径工作代价、时间、距离等成本的考虑。针对二维平面对路径规划问题进行研究,基于粒子群优化算法,采用具有线性变换的惯性权重系数和加速常数,并引入三次样条插值约束路径,动态调整惯性因子,平衡算法的全局搜索和局部寻优能力,增加平滑度。实验结果表明,粒子群优化算法在解决二维路径规划方面具备良好的性能。

基于粒子群算法优化BP神经网络的沙颍河流域需水预测

需水预测作为水资源供需分析中的重要环节,准确的需水预测能够为水资源管理政策制定、区域水资源配置、流域水资源调度等提供科学依据。以沙颍河流域为研究对象,基于粒子群优化算法的神经网络模型,对沙颍河流域需水进行预测,以期为流域需水预测提供参考。

基于改进粒子群算法的应急资源优化调控方法研究

针对目前医疗机构人力资源管理策略应对突发事件能力不足的问题,文中提出了一种基于改进粒子群算法的应急资源优化调控方法。该方法利用模拟退火算法的Metropolis准则和人工鱼群算法的拥挤因子对粒子群算法进行改进,弥补了该算法全局搜索能力较差及容易陷入局部极值的问题,从而提高了算法寻找最优参数的能力。仿真实验证明,改进粒子群算法的决定系数R2比改进前增加了7.74%,与其他算法的对比实验则验证了所提算法的优越性,且相比于表现最优的极限学习机R2提升了5.43%。因此,所提出的应急资源优化调控方法可以有效应对医疗机构所面临的突发事件,并为人员优化配置提供理论支持。

基于改进粒子群算法的湿法冶金技术优化控制

分析了湿法冶金技术的关键工艺,构建了优化控制模型,并利用自适应惯性权重和模拟退火算子对粒子群算法进行改进,对湿法冶金技术进行优化控制。仿真试验结果显示:在A风力发电场优化数据集中测试中,AIW-SAO-PSO算法迭代225次时趋于稳定,适应度值约为0.165,且迭代100次时,算法的均方根误差、平均绝对误差、相对标准偏差分别为0.0080,0.0045和0.971%;在湿法冶金技术优化控制模型的寻优求解中,得到的综合效益值为1.9×10^(5)元/h,与目标期待值的绝对误差约为0.1×10^(4)元/h。实现了湿法冶金技术的优化控制,并为同类型优化控制提供理论支持。

基于改进粒子群聚类算法的出行热点提取方法

提出一种基于改进粒子群算法的聚类算法来实现城市出行热点挖掘。首先对轨迹数据进行清洗、标准化、分割等预处理;其次采用改进粒子群的聚类算法分析热点区域;最后以这些热点作为网络节点,以道路作为连接边建立网络模型,从节点和连接边出发,实现出行热点可视化。算法的全局寻优能力和分布式随机搜索特性能够解决传统聚类算法易陷入局部最优的问题,算法引入了压缩因子,能通过配置最优参数控制粒子群更新速度,从而有效改进粒子群算法准确率和全局收敛性。

带有权重函数学习因子的粒子群算法

粒子群算法(PSO)中惯性权重和学习因子的独自调整策略削弱了算法进化过程的统一性和粒子群的智能特性,很难适应复杂的非线性优化,为此提出一种利用惯性权重来控制学习因子的PSO算法。该算法将学习因子视作惯性权重的线性、非线性以及三角函数,在惯性权重随时间线性或非线性递减的过程中,学习因子发生相应的递减或递增变化,进而通过增强两者之间的相互作用来平衡算法的全局探索和局部开发能力,更好地引导粒子进行优化搜索。同时为了分析惯性权重和学习因子的融合性能,采用线性和非线性权重法进行比较,测试函数的优化结果表明了采用非线性递减权重的优越性。最后通过对多个基准测试函数的优化分析,并与带有异步线性变化和三角函数学习因子调整方法的PSO进行比较发现,该策略利用惯性权重调整学习因子,能达到平衡粒子个体学习能力和向群体学习能力的作用,提高了算法的优化精度。

带压缩因子粒子群优化的混合动力汽车模糊能量管理策略

针对改装后的哈飞赛豹混合动力汽车,以混合驱动系统需求转矩和电池组荷电状态(SOC)为输入,以发动机转矩为输出,应用带压缩因子粒子群算法优化量化因子的方法构建了能量管理模糊控制器,克服了传统的模糊控制存在精确度不高、自适应能力有限等问题,使模糊控制器的鲁棒性和控制精确度都得到提高。基于混合动力汽车专用仿真软件的研究表明,经过优化的模糊能量管理策略与未优化的策略相比燃油经济性提高了14.19%;优化前蓄电池的回收效率分别为18.95%、23.95%和14.47%,而优化后的分别提高至29.37%、26.20%、和20.12%;尾气中NOX、CO、HC由优化前0.202 g/km1、.1 g/km和0.282 g/km分别降至0.104 g/km0、.46 g/km和0.279 g/km。

带扰动因子的自适应粒子群优化算法

针对标准粒子群优化算法搜索精度不高、易陷入局部最优的问题,提出了一种带扰动因子的自适应粒子群优化算法。该算法进行混沌初始化,采用自适应的惯性权重,并将扰动因子加入粒子个体极值、全局极值和位置更新公式中。通过与其它算法的数值实验对比,新算法能够有效避免局部最优,全局收敛性能显著提高,收敛速度更快。

一种带正弦函数因子的粒子群优化算法

粒子群优化算法(particle swarm optimization,PSO)具有实现简单、在演化前期收敛速度快等优点,但在演化后期具有收敛速度慢、容易陷入局部最优以及精度低等不足.针对PSO算法容易陷入局部最优及精度低的不足提出一种带正弦函数因子的粒子群优化算法(TFPSO).该算法在PSO算法的位置更新方程中引入具有周期振荡性的正弦函数因子,使每个粒子位置获得周期振荡性,扩大搜索空间,更容易跳出局部最优,避免算法过早的收敛,找到最优值.实验研究表明,该算法不但实现简单、稳定而且提高了解的精度.