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。

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。

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。

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。

采用PSO-LSTM联合算法的MEMS陀螺仪温度误差补偿方法

MEMS陀螺仪是一种用来测量角速度的惯性器件。是一种具有成本低、体积小、性能好、可靠性好等优点的微机械陀螺仪,可广泛应用于微惯性导航系统、军事、汽车、消费电子等领域。然而,由于MEMS陀螺仪的材质特性,其输出数据受温度影响较大,这一问题限制了其在工业生产领域的进一步应用。通过对MEMS陀螺仪温度误差补偿模型中所用算法的对比分析,结合用于优化人工神经网络的PSO粒子群优化算法提出了一种采用PSO-LSTM联合人工神经网络算法的MEMS陀螺仪温度误差补偿方法,并通过多种数据检测函数进行了仿真对比实验,基于RMSE和MAE两项参数验证了优化后算法的有效性,以期为MEMS陀螺仪工作过程中的温度误差补偿模块设计提供新思路。

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PSO算法的商旅问题探讨

【目的】商旅问题是指商人在访问多个城市时,要求不能走回头路且最终要回到起点,寻求这个过程中最短路径的问题。通过分析旅行商问题,探讨不同算法的应用范围,选择合适的算法来优化解决旅行商问题。【方法】根据目前各种寻优算法的特点,选择粒子群算法作为求优算法来解决商旅问题,并在此基础上进行优化改进。先确定权重因子和加速因子,再根据随机函数对粒子个体和种群进行算法变异,从而实现旅行商问题寻优算法的改进。在此基础上,通过粒子群算法和MATLAB算法编程,以实现优化结果。【结果】通过改进参数和引入变量函数进行寻优算法改进,有利于算法的收敛。【结论】改进后的寻优算法可以快速找到商人旅行过程的最优路径规划。

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。

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.

基于动态参数的微粒群算法(PSO)的研究

标准的PSO算法一般不能兼顾收敛速度、全局探索能力和局部精细搜索能力.本文通过同时动态调整惯性权重和加速度权重以平衡运算性能,并通过寻找LevyNo.5函数极值加以验证.结果表明,与标准的固定参数PSO算法相比,该方法取得了更好的效果.

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。

改进灰狼算法优化GBDT在PM_(2.5)预测中的应用

针对灰狼算法易陷入局部最优解和全局搜索能力不足的问题,通过霍尔顿序列(Halton Sequence)搜索算法初始化狼群位置,避免灰狼算法陷入局部最优解和重复运算;引入莱维飞行和随机游动策略对灰狼算法的寻优过程进行优化,以增加算法的全局搜索能力;利用粒子群算法模拟灰狼种群得出的最佳适应度以用于惩罚项改进灰狼算法中的头狼更新策略。使用改进算法优化的梯度提升树(Gradient Boosting Decision Trees,GBDT)模型对北京市大气污染物监测数据中PM_(2.5)质量浓度进行预测,采用3种评估函数对各模型以及混合模型预测效果得分进行评估。结果显示,本文改进的灰狼算法对梯度提升树的优化效果优于其他算法,均方根误差E RMS为6.65μg/m^(3),平均绝对值误差E MA为3.20μg/m^(3),拟合优度(R^(2))为99%,比传统灰狼算法优化结果的均方根误差减少了19.19μg/m^(3),平均绝对值误差降低了10.03μg/m^(3),拟合优度增加了9百分点;与霍尔顿序列和莱维飞行改进的(Levy Flight-Halton Sequence,LHGWO)相比,改进的灰狼算法预测得分的均方根误差降低了10.39μg/m^(3),平均绝对值误差减小了6.71μg/m^(3),拟合优度提高了5百分点。研究表明了预测模型优化的有效性,为未来城市改善空气质量提供了科学依据和技术支持。

引入PID反馈的SHAEKF算法估算电池SOC

电池荷电状态(SOC)的估算精度是电动汽车电池组的重要指标。为提升SOC估算精度,在融合Sage-Husa扩展卡尔曼滤波(SHEKF)算法与自适应扩展卡尔曼滤波(AEKF)算法的基础上,增加比例积分微分(PID)反馈环节,形成改进算法。采用粒子群优化(PSO)算法对二阶RC等效电路模型进行参数辨识;用开源电池数据集对模型和算法进行实验和分析。改进的SHAEKF算法在电池动态应力测试(DST)、北京动态应力测试(BJDST)和美国联邦城市驾驶(FUDS)等工况下的平均估计误差都在1%以内,与单纯的融合算法SHAEKF算法相比,最大误差可减小5%。

基于PSO-SVM算法的输电线路覆冰舞动预测模型

输电线路舞动往往会导致金具磨损、闪络、断线等电力事故,对电力系统的安全具有很大的负面影响。利用ANSYS软件模拟不同档距、风速等状态下覆冰四分裂导线在平均风与脉动风作用下的动态响应,进而根据模拟获得的数据集和PSO-SVM(particle swarm optimization-support vector machines)算法构建了四分裂导线覆冰舞动预警模型,将档距、风速、初始风攻角作为模型的输入,覆冰导线是否舞动作为输出。同时,为验证该预测模型的实用性及有效性,将PSO-SVM模型与其他智能算法如BP(back propagation)、支持向量机(support vector machine, SVM)、遗传算法优化支持向量机(genetic algorithm-optimization support vector, GA-SVM)模型的预测结果进行比较,结果表明PSO-SVM模型的预测结果精度更高,对输电线路覆冰舞动预警具有一定的参考意义。

基于改进粒子群算法的海流环境下无人水面艇路径规划

针对海流环境下无人水面艇(unmanned surface vessel,USV)的多目标路径规划问题,构建USV的多目标路径规划模型,并提出一种改进的粒子群(particle swarm optimization,PSO)算法。采用自适应惯性权重来平衡算法的全局和局部搜索能力,避免算法过早收敛;引入精英反向学习策略提升算法跳出局部最优解的能力。仿真结果表明,改进的算法具有更好的寻优能力和鲁棒性,能够有效解决海流环境下USV的路径规划问题。

基于粒子群算法和变分模态分解的起重机滚动轴承性能退化评估

针对港口起重机滚动轴承早期故障特征不易提取、识别精度不够高的缺点,提出一种以粒子群(PSO)优化变分模态分解(VMD),结合支持向量数据描述(SVDD)的滚动轴承性能退化评估模型。通过PSO优化VMD中的参数,更好地提取滚动轴承的特征。利用SVDD模型中球心距离度量性能退化程度,并借助隶属度函数量化轴承性能退化,进而实现对轴承性能退化程度的精确评估。应用滚动轴承的全寿命试验数据验证该模型,并与传统的时域特征指标比较,本方法对轴承性能退化评估具有更强的敏感性,验证该方法的优越性。

一种改进的自适应逃逸微粒群算法及实验分析

分析了变异操作对微粒群算法(particleswarmoptimization,简称PSO)的影响,针对收敛速度慢、容易陷入局部极小等缺点,结合生物界中物种发现生存密度过大时会自动分家迁移的习性,给出了一种自适应逃逸微粒群算法,并证明了它依概率收敛到全局最优解.算法中的逃逸行为是一种简化的确定变异操作.当微粒飞行速度过小时,通过逃逸运动使微粒能够有效地进行全局和局部搜索,减弱了随机变异操作带来的不稳定性.典型复杂函数优化的仿真结果表明,该算法不仅具有更快的收敛速度,而且能更有效地进行全局搜索.

基于离散微粒群算法的动态Web服务选择

Web服务作为一种新型的Web应用模式近年来得到了迅速的发展.如何高效动态地把现存的各种Web服务整合起来以形成新的满足不同用户需求的增值的复杂服务,已成为新的应用需求和研究热点.针对服务选择问题,设计了一种面向动态Web服务选择的离散微粒群算法,并结合服务选择研究背景,提出了3种速度计算算子和一种位置进化方程.针对进化算法容易陷入局部极值这一共同缺陷,定义了微粒无希望/重希望准则,以保证微粒群的多样性,增强全局搜索能力.理论分析和实验结果表明,该算法不仅具有较快的收敛速度,而且具有较好的全局收敛性能;同时说明Max运算在服务选择中具有较好的综合性能.

自适应扩散混合变异机制微粒群算法

为了避免微粒群算法(panicle swarm optimization,简称PSO)在全局优化中陷入局部极值,分析了标准PSO算法早熟收敛的原因,提出了自适应扩散混合变异机制微粒群算法(InfonnPSO).结合生物群体信息扩散的习性,设计了一个考虑微粒分布和迭代次数的函数,自适应调整微粒的"社会认知"能力,提高种群的多样性;模拟了基因自组织和混沌进化规律引入克隆选择使群体最佳微粒gBest实现遗传微变、局部增值,具有变异确定性;利用Logistic序列指导gBest随机漂移,进一步增强逃离局部极值能力.基于种群的随机状态转移过程,证明了新算法具有全局收敛性.与其他几种PSO变种相比,复杂基准函数仿真优化结果表明,新算法收敛速度快,求解精度高,稳定性好,能够有效抑制早熟收敛.