基于量子粒子群算法的钢包残厚反问题并行化数值分析

本文基于量子粒子群算法,将有限元语言及其编译器准稳态热传导有限元分析计算温度与温度的误差作为广义目标函数,反向算钢包工作层的残余厚度,从而对钢包内衬使用情况的检查、判定工作提供一定指导。钢包是炼钢过程中重要的高温移动熔融容器之一,其内衬使用的耐材会由于侵蚀和机械热应力造成开裂、剥落,其使用寿命的长短直接影响生产节奏和生产成本。目前炼钢厂主要依靠人工观察并结合工作经验来判断钢包是否能够继续使用,但往往为了保证生产安全,会下线钢包提前维修,造成材料和能源的浪费。

改进粒子群算法的不相关并行批处理调度优化

针对粒子群优化(particle swarm optimization,PSO)算法在处理不相关并行批处理调度问题中存在的种群多样性丢失、易陷入局部最优等问题,提出了一种改进PSO的调度优化算法,用于最小化最大完工时间求解。采用基于工件序列的实数编码方式进行编码操作;基于该问题的混合整数规划模型,设计了一种J_B局部搜索的新策略;将模拟退火算法的Metropolis准则引入种群粒子的个体极值搜索。通过随机生成的小型、中型和大型实例对该算法的性能进行了测试,并与针对该调度问题提出的元启发式算法和其他3种元启发式算法进行了比较。实验结果和统计测试表明,该算法的性能明显优于对比算法。

粒子群自进化算法求解物流装箱问题

为了解决当今物流行业中装载货物类型为强异构的情况,提高装载填充率和效率,提出了一种求解三维装箱问题的元启发式算法——粒子群自进化算法。算法包含两部分:极限点构造启发式算法和粒子群自进化规则。极限点构造启发式算法引入了极限点的概念,利用新的极值点思想推导出了三维装箱问题的启发式算法。粒子群自进化规则提出了在货物装载序列中表示粒子的方法,推导了粒子间交叉、变异算子,在极限点构造启发式算法的基础上不断迭代进化完成货物的装载。通过不同结果的比对,证明该算法显著提高了物流装载的空间利用率,强异构货物的平均装载率达到了85%,验证了算法在强异构货物下的有效性与优越性,并给出了货物装载的三维模型。由于实际测试集的缺少,分别为机腹仓装载类和集装板类模型提出了实例生成器,通过生成器的测试集验证了算法在实际应用中的紧凑性、实用性和快捷性。

基于改进粒子群的并行自动测试任务调度方法

为解决航空电子设备在进行大规模多线程自动测试任务时任务调度效率低、资源利用率低的问题,设计负载均衡筛选机制,建立了并行测试静态资源调度模型,提出了基于粒子编解码的改进粒子群任务调度方法。通过混沌初始化序列和决策权重选择双向学习或引斥力机制,提高了粒子群算法效率和准确性。在此基础上,针对自动测试中的重调度问题,以待测件紧急度为判据建立不同目标函数,完成测试过程紧急件的测试,提高了调度方法的动态规划能力。通过仿真实验验证了调度方法能够有效提升并行测试任务调度效率和资源利用率。

基于退火优化粒子群算法的负荷辨识方法

在粒子群算法对非侵入式负荷辨识的研究中,粒子的随机性是影响负荷辨识的重要因素之一.针对粒子随机性导致的辨识结果准确度不高及容易陷入局部最优陷阱等问题,结合模拟退火算法,提出了一种基于退火优化粒子群算法的非侵入式负荷辨识方法.首先,对用于电力负载分析的REDD数据集中的家用电器负荷数据进行特征分析提取;然后,利用粒子群算法作为模拟退火算法的基本框架,对数据集中各自家庭的不同电器进行负荷辨识;最后,以辨识功率与实际功率为标准量进行误差分析.在以数学模型进行求解的单一目标及多目标负荷辨识问题中,对现有模型不同类别算法的辨识结果进行比较,结果表明提出的优化粒子群算法辨识准确度较高及收敛性更好.

云计算环境中基于改进粒子群优化的任务调度算法

针对云计算环境中的任务调度目的,采用了一种改进的粒子群优化(PSO)初始化方法,该方法将最长作业优先(LJFP)和最小完成时间(MCT)算法用于初始化PSO,通过与其他任务调度算法进行对比试验,得出所提出的LJFP-PSO和MCT-PSO算法在任务调度方面表现更优,能够实现更少的最大完成时间、更短的执行时间、更低的不平衡程度以及更少的总能耗,并且收敛速度可以加快一倍。

基于粒子群算法的定日镜场布局优化研究

针对定日镜场的优化设计问题展开讨论,旨在寻求最优布局以实现镜场平均光学效率的最大化。本文首先建立定日镜场的光学效率模型,并利用蒙特卡洛模拟计算集热器的截断效率;其次设计出“环形径向分层式”的布局方案,建立了平均输出热功率优化模型。同时,结合相关数据与背景,运用粒子群优化算法进行仿真模拟。基于此,为太阳能集热系统性能优化提供有效策略,有望推动可再生能源利用效率的提升。

基于改进粒子群优化T-S ANFIS算法的诊断油浸式变压器故障研究

为了有效提升油浸式变压器故障诊断的精度与速度,提出一种基于改进粒子群算法(IPSO)优化T-S型自适应模糊神经网络(T-S ANFIS)的油浸式变压器故障诊断模型;引入动态惯性权重和学习因子线性调整策略,并利用收敛域和欧式距离判别雷同粒子,以克服粒子群算法易早熟、后期易陷入局部最优的问题;接着通过IPSO对T-S ANFIS的前提参数进行优化,提高网络的收敛速度;最后通过仿真实验验证基于IPSO优化T-S ANFIS的变压器故障诊断模型效果,结果表明所构建模型的故障诊断最优准确率约为98%,与ANFIS及PSO-ANFIS模型相比具有较高的故障诊断精度及效率。

并行仿真的粒子群优化算法异步模式研究

粒子群优化算法,起源于鸟群行为的研究,是一种基于群智能的进化计算技术,通过粒子之间的协作与竞争以实现对多维复杂空间的高效搜索。该文研究了粒子群优化算法的生物特征,提出粒子群优化算法的异步模式,使进化中的粒子个体充分表现出独立性,种群表现出异步性。异步模式的程序实现通过MFC多线程并行仿真实现。最后,采用经典测试函数验证异步模式的有效性,测试结果表明:与同步模式(经典PSO算法)比较分析,异步模式的收敛速度显著提高,同时刻的寻优效果更好。

应用禁忌粒子群算法的车间调度及其并行化实现

为了解决批量生产、制造、装配等车间调度问题,基于Hadoop集群,提出应用禁忌粒子群算法的车间调度及其并行化实现.以某装载机制造车间最小化完成时间为目标,通过使用禁忌粒子群算法对车间调度问题进行求解.结果表明:在车间批量大的情况下,禁忌粒子群算法可得出有效的调度方案,避免算法陷入局部最优解.与现有的智能算法相比,禁忌粒子群算法更有利于实现全局最优解.

基于并行粒子群算法的电力系统分区抗差状态估计

随着对调度自动化水平要求的提高,状态估计发挥着越来越重要的作用。针对抗差状态估计器难以求解以及粒子群算法在高维空间寻优困难等问题,文章提出一种基于并行粒子群算法的抗差状态估计方法。该方法首先借鉴马尔可夫模型以及条件独立性假设对电力网络进行解耦,通过区域间的通信保证量测冗余度,然后对各区域分别采用粒子群算法求解,将求解一个高维空间问题转化为并行求解多个低维空间问题。最后仿真结果表明该方法相比直接使用粒子群算法收敛更快,计算效率更高,并且计算速度受目标函数影响较小,适用于多种抗差估计器。

基于分区和分层搜索的并行粒子群算法

为提高粒子群优化算法在优化问题中的效率,提出了并行粒子群优化算法(SLPSO)。其基本思想是并行机制+解空间压缩+分层搜索。主要工作包括:搜索空间划分为n个区,由n个子群并行搜索,将搜索结果最好的作为指定的搜索空间,即将搜索空间缩小到原解空间的(1/n);提出了粒子群两层划分模型,底层利于扩大搜索范围,上层利于全局精细搜索。在四个基准函数上的优化实验表明,新方法比经典的IPPSO并行粒子群算法在解的精度上提高了80.37%。

基于二进制粒子群优化算法的封装式特征选择研究

在监督学习中,封装式特征选择能够筛选数据集的冗余特征,从而提高目标监督算法的性能。该文主要研究将二进制粒子群优化算法用于封装式特征选择问题时,3种不同的转换函数对粒子群算法性能的影响。首先,论述了标准粒子群算法和二进制粒子群算法的原理。其次,对比分析了二进制粒子群算法的S型转换函数、V型转换函数和线性转换函数。在实验阶段,对不同转换函数的二进制粒子群算法在特征选择问题中的性能进行了比较。实验结果表明,采用V2型转换函数的二进制粒子群优化算法搜索的特征子集,与直接在原特征上使用KNN算法得到的预测准确率相比,在总体上平均提升3.29%。

基于PSO-SVR算法的悬臂式掘进机工作性能预测

研究目的:悬臂式掘进机作为铣挖法中不可或缺的机械设备,其工作性能常受到围岩特征和机械设备等条件的制约。为预测悬臂式掘进机工作性能,本文以瞬时切割速率ICR作为评价指标,综合考虑围岩因素和机械设备因素,通过不同算法预测ICR,优选出基于粒子群优化的支持向量机算法(PSO-SVR),并据此建立了ICR预测系统,从而快速高效地预测铣挖隧道掘进机工作性能和施工速度。研究结论:(1)利用已开挖的铣挖法隧道数据作为训练样本,通过5种算法预测ICR,其中粒子群优化的支持向量机算法预测精度最佳;(2)通过粒子群优化算法搜寻最优惩罚系数C和核函数系数g,能有效避免陷入局部最优解问题,并显著提高模型预测精度和泛化能力;(3)十折交叉验证结果表明,PSO-SVR算法具有较好的鲁棒性,且鲁棒性高于其他4种算法;(4)依托赣州蓉江隧道工程,PSO-SVR模型可准确预测悬臂式掘进机瞬时切割速率和施工速度,预测精度显著高于经验公式和其他算法,可为铣挖机械设备选型以及铣挖隧道施工速度预测提供参考。

改进粒子群优化算法及其在电网无功分区中的应用

提出一种改进粒子群优化算法并将其应用于电网无功分区,以复杂网络社团结构理论为基础,建立以电气距离为权重的电力系统加权网络模型,以模块度为标准量化地评价无功分区的划分质量。改进粒子群优化算法采用了新的粒子编码方式与位置更新方式,提高了以模块度为目标函数的启发式算法的收敛速度并减少了存储空间。通过改进粒子群优化算法得到的无功网络具有较强的区域解耦特性,分区内部电气联系紧密,区域之间联系稀疏,无功分区结构合理。该算法在IEEE 39节点系统、IEEE 118节点系统及大型电网的应用结果表明了该算法的合理性及有效性。

一种自适应惯性权重的并行粒子群聚类算法

针对K-means聚类算法和基于遗传(GA)的聚类算法的一些缺点,及求解实优化问题时粒子群算法优于遗传算法这一事实,提出了一种自适应惯性权重的并行粒子群聚类算法。理论分析和实验表明,该算法在收敛速度和收敛精度方面明显优于基于遗传算法的聚类方法。

基于并行粒子群算法的带时间窗车辆路径问题

提出求解带时间窗车辆路径问题的多群并行的粒子群算法。为了提高算法的收敛速度,在每个粒子群中嵌入了记忆功能。针对基本粒子群算法在求解有时间窗车辆路径问题时初始解的单一性导致局部收敛的问题,对两个种群采用了两种不同的初始化方法,并在进化过程中,两个种群相互用记忆粒子替换对方种群中的较差粒子。最后将该算法的运行结果与其他算法进行比较,表明该算法的有效性。

并行自适应粒子群算法在电力系统无功优化中的应用

针对传统粒子群优化算法"早熟"与后期收敛速度慢的缺点,提出了一种基于并行自适应粒子群优化算法的电力系统无功优化方法。该方法首先将初始种群随机划分成N个子群,然后分别在各子群中以所提方法寻优,从而实现了算法的并行计算。为避免各子群陷入局部最优解,采用二值交叉算子使各子群间的信息共享并更新相关粒子位置,保证了算法的全局搜索能力并维持了种群的多样性。同时,各子群寻优过程中,根据利己、利他及自主3个方向对当前搜索方向自适应更新,提高了算法的收敛速度。将所提出算法在IEEE 30节点系统上进行了仿真验证,结果证明了并行自适应粒子群算法用于无功优化的可行性和有效性。

基于动态自适应粒子群算法的非侵入式家居负荷分解方法

非侵入式负荷监测可以在保证用户隐私的前提下深入分析用户独立负荷的用电信息,是智能用电技术体系的关键内容。为提高负荷辨识的准确性,提出一种基于动态自适应粒子群算法（dynamic adaptive particle swarm optimization,DAPSO）的非侵入式负荷分解方法。在传统功率特征的基础上,将总谐波失真系数（total harmonic distortion,kTHD）作为负荷新特征引入目标函数,采用DAPSO算法对实测用电数据进行负荷分解。仿真结果表明,在不同噪声背景下,DAPSO算法的负荷辨识率和收敛速度均得到一定提高,从而验证了DAPSO算法对家居负荷分解具有更优的可靠性和鲁棒性。

一种基于GPU加速的细粒度并行粒子群算法

提出了一种基于GPU加速的细粒度并行粒子群算法,将并行PSO求解过程转化为GPU纹理渲染过程,使PSO算法在GPU中加速执行,在取得了较好的优化效果的同时,增大了细粒度并行的粒子规模,提高了算法的运算速度,并为普通用户的并行PSO工作提供了一种可行的方法.