生存进化阶段性搜索微粒群算法及其可靠性冗余分配优化应用

为高效解决含有异质冗余的多态系统(MSS)可靠性优化问题,并弥补微粒群优化(PSO)算法易早熟收敛的不足,从作用力方式和种群拓扑结构两方面对算法进行改进。改进PSO算法中单一的作用力方式,设置前后两个搜索阶段,对应两个搜索阶段分别构造平衡引斥力方式和双层引力(个体和全局最优解引力、中间适应度微粒引力)方式,提出阶段性搜索微粒群(SPSO)算法;利用生物个体“择友而交”和优胜劣汰的生存体系构建生存进化(SE)拓扑结构,以结构演化和算法进化并行方式将该拓扑结构融入SPSO算法,提出生存进化阶段性搜索微粒群(SPSO-SE)算法,进一步提升算法的优化性能;利用Benchmark函数对所提算法与PSO的改进算法进行测试对比,结果表明,所提SPSO-SE算法具有更好的寻优能力。采用SPSO-SE算法对串-并联和桥式结构的多态系统的可靠性冗余分配问题进行优化,得到的系统结构费用更低、可靠度更高。

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。

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。

基于量子微粒群优化算法的半透明介质光学参数反演

针对半透明介质光学参数估计问题,建立了脉冲激光辐照下半透明介质光学参数反演模型,采用量子微粒群优化(QPSO)算法反演了折射率和吸收系数,分析了测量误差、热物性参数对反演结果的影响,并利用敏感性分析揭示了反演精度与测量误差的关系.计算结果表明:建立的反演模型和采用的QPSO算法可以精确估计折射率和吸收系数,即使人为添加10%的测量误差,反演结果依然具有较强的鲁棒性和准确度.本研究可为半透明介质物性参数获取提供技术参考.

差分进化微粒群优化算法—DEPSO

微粒群优化算法是一种新的进化计算技术,具有良好的优化性能,但是对于高维多模态函数,因进化后期微粒多样性的降低导致算法早熟收敛。文章提出的差分进化微粒群优化算法(DEPSO),拓宽了微粒信息传递的途径,增加了微粒的多样性,保证了算法的全局收敛。实验结果表明,DEPSO比PSO有更好的性能。

基于GA-PSO算法的冻土本构模型参数识别

遗传算法(GA)与粒子群算法(PSO)分别具有缺乏目标导向性和易陷入局部最优的缺点,但同时分别具有全局搜索能力强与能有效传递优势信息的优点。本文以GA计算步结合精英保留策略作为PSO计算步的优势信息,避免PSO算法陷入局部最优,以PSO计算步结合非精英优化策略作为GA计算步的导向信息,克服GA算法缺乏目标导向的问题,建立了GA-PSO新算法。其具体过程为,通过采用GA计算步对解空间进行全局搜索并对精英个体进行保留,进一步,将适应度较差的个体利用PSO计算步进行优化。基于多峰函数的验证结果表明,GA-PSO算法在解空间中具有更强的全局搜索能力,同时具有更快的收敛速度。将GA-PSO算法应用到冻土非正交弹塑性本构模型的参数识别中,通过模型的参数识别以及模型预测结果对比与验证,结果表明GA-PSO算法能够有效识别冻土非正交弹塑性本构模型的参数,提升了模型的预测效果。

基于微粒群优化算法的最优电力系统稳定器设计

传统电力系统稳定器的性能受其参数影响很大,为提高电力系统机电暂态模型的阻尼,文中提出了一种优化电力系统稳定器参数的新方法。该方法以两个特征值基目标函数为基础,采用改进的微粒群优化技术对电力系统稳定器进行参数优化。特征值分析和非线性仿真结果表明,经过参数优化的电力系统稳定器能有效抑制本地和区域间振荡,提高系统的鲁棒性。

微粒群算法在模拟移动床色谱分离过程优化中的应用

运用微粒群算法开发出一种非线性模拟移动床(SMB)色谱分离过程的优化策略。该优化策略将模拟移动床的最大吸附剂生产率作为优化问题的目标函数,采用模拟移动床的TMB模型来计算微粒群优化算法的适应值。采用该优化算法对手性化合物萘酚对映体(b i-naphthol)的模拟移动床色谱分离操作条件进行了优化,仿真结果表明了该优化策略的有效性。

基于微粒群优化聚类数目的K-均值算法

K-均值算法是广泛使用的聚类算法,但该算法的聚类数目难以确定,且聚类结果对初始聚类中心比较敏感.本文提出一种基于微粒群优化聚类数目的K-均值算法,该算法采用聚类中心的坐标和通配符表示微粒位置,通过定义微粒更新公式中新的加减运算符,动态调整聚类中心的数目及坐标,此外,以改进的聚类有效性指标Davies-Bouldin准则作为适应度函数.5个人工和真实数据集的聚类结果验证了所提算法的优越性.

微粒群优化算法及其改进形式综述

微粒群优化算法是一类新的基于群体智能的启发式全局优化技术,群体中的每一个微粒代表待解决问题的一个候选解,算法利用微粒之间的相互作用发现复杂问题解空间的最优候选区域。该文综述了算法的基本形式及其多种改进形式,并给出了未来可能的研究方向。

基于微粒群优化算法的电力系统动态无功优化

根据系统负荷曲线变化趋势按单调性将一天的预测负荷曲线划分为若干(小于24)个时段,并将动作次数约束还原为经济成本,将它与网损费用等之和作为目标函数,并考虑了各种运行约束条件,采用微粒群优化算法进行计算,该算法收敛速度较快。与静态无功优化模型相比表明,该无功优化模型更适合给定的地区电网,优化后全天的网损略有增大,但变压器抽头调节次数以及电容器组投切次数明显减少。

基于微粒群优化算法的空间优化决策

空间优化决策是GIS应用中复杂而又常见的问题。由于涉及到大量的组合,使用穷举法等方法难以找到最优的解决方案,因此需要运用新的理论方法来解决这类问题。微粒群优化算法是近年来新兴的一种优化技术,与GIS相结合可解决空间优化决策问题。首先,对微粒群优化算法和空间优化决策问题作了简单介绍;然后,基于人口密度、最短距离约束条件下,通过GIS技术,对微粒群优化算法用于空间优化决策的方法、实施过程作了详细阐述;接着,用4×4方格单元对PSO方法的正确性、有效性进行了验证;最后,以广州市芳村区为例,对该方法进行实例验证。通过实验,证明微粒群优化算法具有较好的收敛速度、较高的结果精度,是解决空间优化决策问题的一种有效方法。

基于禁忌搜索与微粒群优化算法的混合优化策略算法在目标分配问题上的应用

目标分配是地面防空作战指挥的关键环节。给出问题模型,并提出一种禁忌搜索与改进微粒群算法的混合优化策略用于解决该问题。仿真结果表明,与其它几种智能优化算法相比,该混合优化策略在解决目标分配问题时具有优良的优化性能和时间性能,在问题规模较大时表现更为突出。

基于多目标微粒群优化算法的土地利用分区模型

土地利用分区实质上是一个多目标的土地利用空间优化问题,将传统分区方法用于解决多目标优化问题明显不足。该文提出了一种基于多目标微粒群优化的土地利用分区模型,构建了土地利用分区的属性约束指标,提取4个能够体现土地利用分区目的及意义的目标函数,即分区间差异性最大区内相似性最强、空间分区集中连片、土地利用效益最大化、土地适宜性评价指数最高,同时考虑了土地利用分区图上最小图斑面积、用途区面积、用途转换规则3类约束条件,并详细阐述了算法的核心思想、编码策略、状态更新机制及其算子等内容,最后以湖北省宜城市为例,对模型的可行性和有效性进行验证,结果表明通过对目标的权重调控可以得到不同目标偏好的土地利用分区方案,该文所构建模型在土地利用规划实践中具有可操作性。

微粒群优化算法研究现状及其进展

对进化计算中引起广泛兴趣的微粒群优化(PSO)算法的研究现状进行了考察,介绍了一些最新研究进展,包括:杂交PSO、基于邻域算子的PSO和基于不同搜索方向的PSO,并简要介绍了PSO在求解复杂优化问题如多目标优化和带约束优化中的优势。最后给出了一些应用实例,讨论了将来可能的研究内容。

采用随机微粒群算法的舰船消磁系统优化调整

随着舰船消磁技术的发展,消磁线圈的数目越来越多,用于调整消磁系统的常规方法越来越难以实施.为解决这一问题,采用随机微粒群算法对舰船消磁系统进行了优化调整,给出了优化调整数学模型及优化结果.计算例子表明随机微粒群算法在舰船消磁磁场特征均方根最小和峰值最小方面均比常规方法更有优势,而且这种方法还能用于优化与舰船磁场特征相关的任意一个或多个参数.因此,利用这种新方法可以将舰船消磁系统调整到最优状态,从而能够保证舰船的磁性安全.另外,随机微粒群算法具有算法直观,编程简单,计算速度快的优点,可以方便地应用于工程实际.

基于微粒群算法的梯级水电厂短期优化调度研究

介绍了一种易于实现、参数少且收敛快的集群智能算法—微粒群算法,并将其应用于梯级水电厂的短期优化调度。提出以确定微粒群在多维空间中的最优位置来实现多阶段优化调度决策的方法,并针对算法易陷入局部最优的缺陷,引入遗传算法中的“杂交”因子以及采用自适应的惯性权重,以改进其全局优化能力。通过实际算例验证了该算法的有效性,从而为梯级水电厂的短期优化调度问题提供了一种新的求解途径。

改进微粒群优化算法求解旅行商问题

对微粒群优化算法的速度位置算式进行了改进,提出一种改进的微粒群优化算法。该算法符合组合优化问题的特点,在求解旅行商问题上有较高的搜索效率。将改进的PSO算法分别应用于14点的TSP问题以及中国旅行商问题中,该算法在较短时间内获得了目前已知的最好解。

微粒群优化算法

介绍了微粒群优化(PSO)算法的原理、算法流程、算法参数及其对算法性能的影响.讨论了各种改进的PSO算法.分析了多相微粒群优化算法(MPPSO)的原理、算法方程、算法参数及其对算法性能的影响.最后归纳了PSO算法的应用概况,并就PSO算法进一步的研究工作进行了探讨和展望.