基于微粒子群优化算法的差速器壳体轻量化设计

针对汽车差速器的轻量化,提出了基于微粒子群优化算法和参数化模型相结合进行优化的设计方法。通过计算模态和试验模态相结合,验证了差速器壳体有限元模型的准确性;基于微粒子群算法,建立了以质量最小和安全系数均方根值最大为目标的优化模型,进行了轻量化设计。优化结果显示:壳体质量由优化前的6.26kg下降到5.67kg,减轻了10.4%;优化后壳体的最大应力、最大应变和最小安全系数等性能指标均有不同程度的提高,验证了轻量化是成功的。

基于微粒子群优化算法的数字散斑图像相关方法

为了能够通过一步搜索同时得到数字散斑图像中所测点的整像素和亚像素位移信息,采用灰度插值的方法构造了亚像素子区,改进了基于微粒子群算法的数字图像散斑相关方法。对含有平移信息的模拟散斑图和具有应变的模拟散斑图进行相关计算,验证了该方法的适用性;在对具有微小面内位移转动的试件进行测量时,比较了整像素的微粒子群算法和不同量级的灰度插值下的亚像素微粒子群算法。结果表明,基于微粒子群算法的亚像素数字散斑图像相关方法在测量小位移方面具有一定的优越性。

基于协同微粒子群算法的暂态稳定约束最优潮流

针对电力系统预防控制的实现问题,提出了一种基于协同微粒子群算法的暂态稳定约束最优潮流计算方法。暂态稳定约束最优潮流问题是在最优潮流问题上加入暂态稳定功角约束,形成的高维非线性动态优化问题。微粒子群算法能够通过较少的粒子数搜索到全局最优解,有效地求解高维复杂优化问题。利用该方法,对存在失稳预想事故的新英格兰10机39节点系统进行了分析计算,并与多种智能算法的调度结果进行了比较。研究结果表明,使用协同微粒子群进化算法求解暂态稳定约束最优潮流是有效与准确的,其计算量小于已报道算法,优化结果更优,能够应用到电力系统的暂态稳定分析中,为电力系统预防控制提供了一种思路。

微粒子群算法在有源电力滤波器优化配置中的应用

以电压总谐波畸变率平均值为目标函数,以各节点电压总谐波畸变率为约束条件,建立了单个有源滤波器及多个有源滤波器优化配置问题的数学模型,并利用微粒群优化算法进行了有源滤波器的优化配置。以IEEE12节点系统进行了有源滤波器的优化配置仿真。结果表明,所述算法可以较快地收敛到全局最优解,很好地解决了有源滤波器的优化配置问题。

基于微粒子群理论的二维最大类间方差阈值分割算法

针对传统二维最大类间方差(Otsu)阈值分割算法处理红外图像耗时的缺点,提出了一种应用微粒子群理论的二维Otsu阈值分割算法。该算法利用粒子群理论的群体智能的特点,通过优化得出粒子的个体极值和全局极值,并根据这两种极值来更新粒子的位置和速度以获得最佳的分割阈值向量。通过对算法中惯性权重和学习因子的讨论确定了最佳的参数选择方案。仿真结果表明,该算法计算准确,流程简单,其运行时间仅为原始算法的5%左右,是一种快速有效的图像阈值分割算法。

基于混沌粒子群算法的城市无人机路径规划

结合城市无人机复杂运行环境特点,针对三维空间路径规划问题,提出基于混沌粒子群算法的城市无人机路径规划方案。首先利用地理信息系统GIS获取城市相关信息构建三维城市环境模型,然后针对PSO粒子群算法中rand()函数伪随机的问题,引入Zaslavskii混沌序列生成随机数,构建城市无人机路径规划经济效益、飞行高度和障碍物规避3个适应度函数,并对PSO粒子群算法和函数的参数进行调整。选取天津某区域进行仿真,结果表明本文所提方法比传统PSO粒子群算法更具有优越性。

改进粒子群优化(MPSO)算法在动态配水中的应用

基于在水资源不充足的情况下,对都江堰灌区六大干渠水资源的合理分配,使农业效益达到最大。首先建立灌区优化配水模型,并将粒子群优化算法(PSO)及其改进的算法应用于该模型。分别对标准PSO、两种改进PSO(MPSO)算法与遗传算法进行仿真对比,结果显示采用PSO算法及其MPSO在农业经济效益上可获得更好的寻优效果,提高了水资源的利用率。

基于PSO微粒群算法的复杂网络社区结构发现

复杂网络社区结构划分日益成为近年来复杂网络的研究热点,到目前为止,已经提出了很多分析复杂网络社区结构的算法。但是大部分算法还存在一定的缺陷,而且有些算法由于其时间复杂度的过高导致其不适合应用于对大型网络的分析。提出了一种基于PSO微粒群算法的复杂网络社区结构分析方法。此方法无需预先知道组成该复杂网络的社区数量、社区内的节点数以及任何门限值。该算法的可行性用Zachary Karate Club和College Football Network模型进行验证。

粒子群优化算法在MEMS压力传感器电桥电阻计算与零偏补偿中的应用

采用粒子群优化(PSO)算法对微机电系统(MEMS)压力传感器电桥电阻进行了优化设计和验证。基于PSO算法的基本原理,建立电桥参数模型,充分利用冗余的测量数据配置优化条件,通过迭代运算得到了传感器惠斯通电桥电阻数值解,并将其作为零偏补偿的依据。然后根据计算和测试结果进行了零偏补偿,对补偿后结果进行了验证。结果表明,计算输出零偏值与实测输出零偏值之间的相对误差<1%;补偿后传感器的零偏值控制在0.5mV以内,实测零偏满量程误差≤0.1%。研究证明采用该算法模型可有效计算出MEMS压力传感器的电桥电阻参数,基于其计算结果的补偿方案可提升传感器电桥精度。

基于粒子群优化算法的急诊科心电监护设备风险管理模式研究

目的:基于粒子群优化(PSO)算法构建设备风险管理模型,探讨其在急诊科心电监护设备管理中的应用价值。方法:采用PSO算法优化神经网络模型构建心电监护设备风险管理模型,收集北京市普仁医院心电监护设备运行风险数据进行归一化处理,并将2021年11月至2023年10月北京市普仁医院急诊科在用的30台心电监护设备,按照设备管理模式不同对其分别采用反向传播(BP)神经网络模型(简称传统BP模式,设备运行时段为2021年11月至2022年10月)和PSO算法的设备风险管理模型(简称PSO算法模式,设备运行时段为2022年11月至2023年10月)进行管理,比较两种管理模型设备风险故障识别效果(测试集与训练集)、警报风险控制效果和设备故障维修诊断用时。结果:采用PSO算法的测试集风险故障数据识别受试者工作特征(ROC)曲线下面积(AUC)值、准确率、灵敏度和特异度分别为0.869、93.6%、92.8%和95.1%,训练集风险故障数据识别AUC值、准确率、灵敏度和特异度分别为0.839、95.6%、97.9%和96.7%,均高于传统BP模式,差异有统计学意义(x_(测试)^(2)=3.691、4.023、3.557、3.409,x_(训练)^(2)=6.884、5.962、5.334、3.215;P<0.05)。采用PSO算法的心电监护设备警报阈值合格率和设备维护平均合格率分别为(98.61±3.07)%和(98.79±3.11)%,均高于传统BP模式,警报静音率为(1.14±0.27)%,低于传统BP模式,差异均有统计学意义(Z=11.831、10.020、21.141,P<0.05)。采用PSO算法的心电监护设备内部报修用时、外部报修用时、故障诊断用时和报修总用时分别为(1.21±0.96)、(3.18±1.09)、(5.08±1.93)和(10.95±2.81)min,均少于传统BP模式,差异有统计学意义(t=15.404、19.020、16.694、25.511,P<0.05)。结论:基于PSO算法构建的心电监护设备风险管理模型应用,能够提高心电监护设备风险故障数据识别灵敏度、特异度和准确性,提升警报阈值合格率和设备维护合格率,降低警报静音率,缩短故障诊断报修用时。

PSO粒子群算法在神经网络泛化能力中研究

利用PSO粒子群算法对神经网络的权值和阈值,隐藏层中神经元的传递函数系数进行优化。针对网络训练效果好,而泛化能力很差的情况,将训练样本均方差和权值的平方和结合作为PSO算法的目标函数。实验表明,该方法比惯性权值PSO-BP算法和基本梯度下降法好,不但稳定性好,而且预测精度高,泛化能力得到明显加强。

粒子置换的双种群综合学习PSO算法

针对粒子群算法(PSO)种群多样性低和易于陷入局部最优等问题,提出一种粒子置换的双种群综合学习PSO算法(PP-CLPSO)。根据PSO算法的收敛特性和Logistic映射的混沌思想,设计并行进化的PSO种群和混沌化种群,结合粒子编号机制,形成双种群系统中粒子的同号结构和同位结构,其中粒子的惯性权重根据适应度值自适应调节;当搜索过程陷入局部最优时,PSO种群同位结构下适应度值较差的粒子,根据与混沌化种群间的同号结构执行粒子置换操作,实现了双种群系统资源的合理调度,增加了种群的多样性;进而综合双向搜索的同位粒子学习策略和线性递减搜索步长的局部学习策略,进行全局探勘和局部搜索,提高了算法的求解精度。实验选取9个基准测试函数,同时与4个改进的粒子群算法和4个群智能算法进行对比验证,实验结果表明,PP-CLPSO算法在求解精度和收敛速度等方面具备较好的综合性能。

基于粒子群优化算法的无线传感器网络节点优化部署研究

无线传感器网络是一种感知区域环境信息的分布式网络,在监测过程中其节点容易受到外界因素的影响,导致监测效果不理想。为此,研究基于粒子群优化算法的无线传感器网络节点优化部署方法。利用无线传感器网络的节点传播特性,对各节点间的分布关系展开分析,引入轮盘法,剔除无线传感器网络中的恶意节点。在网络中建立一个可将节点均分的网格,通过安全定位法划分未知节点的活动区域,引入数学形态的组合关系建立节点部署模型,通过粒子群优化算法对部署模型展开求解,完成节点的优化部署。仿真结果表明,所提方法的丢包率低于0.6%,在运行15轮之后感知误差降至0.55,能够有效延长网络的生命周期,实现无线传感器网络节点优化部署。

基于粒子群算法的车间设施布局优化

企业进行车间设施布局优化对于提升整体运营效率、降低物流成本至关重要。为优化车间设施布局,对车间内各个作业单位间的物流量和运输距离进行分析,建立以物流成本最小化为目标函数的数学模型,并应用粒子群算法(PSO)进行求解,应用某印刷车间作为案例,验证该方法的有效性。研究结果表明,优化后的车间实施布局较原始车间布局物流成本下降11.26%,降低了企业的经营成本,证明了该模型对于解决车间设施布局问题的有效性。

基于PSO融合蚁群算法的机器人路径规划研究

为解决水下机器人的路径规划问题,针对传统的蚁群算法存在算法收敛较慢、寻优路径较差等问题,提出了一种PSO融合蚁群算法。其利用PSO算法对蚁群算法的参数进行了各方面的优化。首先是将蚁群算法中各个参数代入到PSO算法进行寻优,设计出适应度函数,让各个参数向评价指数高的方向进行收敛,得出全局最优极值,最后再把每个参数代入蚁群算法,计算出路径及迭代次数。仿真结果对比表明,PSO融合蚁群算法在解决路径规划问题中具有更高的快速性和准确性。

基于粒子群优化算法的磁浮列车自抗扰悬浮控制器研究

为提高磁浮列车悬浮系统的抗干扰性和稳定性,本文提出基于粒子群优化算法(PSO)的自抗扰悬浮控制器。首先建立单电磁铁悬浮系统模型,然后基于该模型设计自抗扰控制器,最后引入粒子群优化算法对控制参数进行自适应寻优,得到适用于系统模型的自抗扰控制器。仿真和单悬浮架试验平台试验结果表明,系统受垂向加速度和悬浮气隙干扰时,相较于传统比例积分微分(PID)控制器,经粒子群优化算法自适应寻优的自抗扰控制器具有更好的抗干扰性和鲁棒性,可为磁浮列车悬浮系统控制算法的工程应用提供新思路。

基于CCA和PSO粒子群算法下企业原料订购和转运的研究

对于生产企业而言,原料订购方案的合理性对其生产发展有着非常重要的影响。因为原料性质差异,供应商不能严格保障供货质量达到企业要求,可能出现供不应求的情况。要维持正常的生产需要,企业需尽量保障仓库的原料库存量能满足不少于两周的生产需求。本文基于企业、供应商、转运商的相关数据,利用CCA典型相关分析、PSO粒子群算法等模型对供应商的选取、企业原料订购及转运方案等问题进行优化,保障企业的良好发展。

用于机组组合优化的蚁群粒子群混合算法

提出了一种用于求解机组组合优化问题的蚁群粒子群混合优化算法。通过将机组组合解编码为机组操作序列,降低了蚁群算法搜索的难度,使其空间复杂度由指数型降为线性型,使采用蚁群算法求解更大规模的机组组合问题成为可能。采用协同粒子群算法求解多时段负荷的经济分配问题时,用一个粒子群处理一个时段的优化问题,通过共享粒子群间的惩罚项解决了机组爬升率的约束问题。10机和20机系统的仿真实验和分析结果验证了该方法正确性、有效性和优越性。

一种惯性权重动态调整的新型粒子群算法

在简要介绍基本PSO算法的基础上,提出了一种根据不同粒子距离全局最优点的距离对基本PSO算法的惯性权重进行动态调整的新型粒子群算法(DPSO),并对新算法进行了描述。以典型优化问题的实例仿真验证了DPSO算法的有效性。

基于线性规划和遗传-粒子群算法的烧结配料多目标综合优化方法

针对钢铁企业二次配料工艺,本文采用将硫含量折算为可比成本,兼顾节能减排目标和配料成本,建立了二次配料多目标优化模型;提出了一种基于线性规划和遗传–粒子群算法(GA–PSO)的钢铁烧结配料优化方法.首先采用线性规划算法进行求解,若线性规划方法无法求得最优解,则采用GA–PSO算法进行搜索.该方法应用于某钢铁企业360m2生产线的"配料优化与决策支持系统"中,实际运行结果表明,该算法在保证烧结矿质量的前提下,能够有效地减少二氧化硫排放,降低配料成本.