基于全局优化改进混沌粒子群遗传算法的物料平衡数据校正

结合遗传算法(GA)和粒子群算法(PSO)的优点以及混沌运动的特性,提出了加入混沌扰动的混沌粒子群遗传算法(DCPSO-GA),并使用5个高维非线性测试函数考察全局优化混合算法的性能。DCPSO-GA解决了在寻优搜索时出现的停滞现象,扩大了全局优化的搜索空间,丰富了粒子的多样性,且不需要函数梯度信息。测试结果证明,针对本文的5个测试函数DCPSO-GA能找到全局最优解,其收敛速度很快,大大减少了计算量。而且,经过与其他相关算法比较可知,当总的目标函数调用次数较接近或更少时,改进算法不论在计算精度还是收敛速度上,均有很大的提高。并将DCPSO-GA算法应用到重油裂解参数估计和预测中,测试结果证明,其提高了参数估计和预测的准确性,降低了误差,能有效找到全局最优解,收敛速度快,大大减少计算量。

基于改进粒子群算法的工业机器人轨迹规划

针对传统工业机器人轨迹规划工作效率低的问题,提出一种多约束条件下的改进粒子群轨迹优化算法。采用4-3-4分段多项式对工业机器人的路径点进行轨迹拟合,运用改进粒子群算法对工业机器人进行时间最优轨迹规划。该方法引入基于混沌映射的惯性权重更新策略、终端弹性机制和交叉机制,使粒子在迭代后期跳出局部最优,平衡了粒子的全局探索能力和局部开发能力。实验结果表明:采用改进粒子群算法对机器人进行轨迹优化,能够使目标函数快速收敛,并获得满足各关节位置、速度和加速度约束的全局最优时间轨迹。与传统方法相比,该方法使得机器人在约束条件下工作时间最短、运行速度最快,在保证运行平稳的前提下较为明显地提升了机器人的工作效率。

基于改进的粒子群遗传算法的DNA编码序列优化

在DNA计算中,DNA编码序列的设计是影响DNA计算可靠性的重要手段.在不同的DNA序列设计中,应该选择适当的约束条件,并且根据相应的约束条件提出每个DNA应该相应满足的评估公式.文中从DNA编码设计应满足的多约束条件中选取适当的约束条件,提出评估公式,并采用改进的粒子群遗传算法来解决多目标优化问题.同时根据得到的序列与已有序列在综合适应度函数结果上进行对比,结果证明了该方法的有效性.

改进遗传算法与粒子群优化算法及其对比分析

进化算法作为一类新的优化搜索方法 ,广泛应用于各种优化问题 .现对简单遗传算法进行了改进 ,采用实值编码 ,并与模拟退火算法及基于适值排序和随机选择的方法相结合 ,形成了改进遗传算法 .同时还介绍了一种新的进化算法—粒子群优化算法 .将这两种优化算法应用于函数优化 ,并对优化结果进行了对比分析 .比较结果表明 ,改进遗传算法和粒子群优化算法都可以在函数优化方面表现出较好的健壮性 ,但在找寻最优解的效率上 ,粒子群优化算法较好 .

基于改进混沌粒子群的PEMFC模型参数辨识

基于质子交换膜燃料电池(PEMFC)电堆的输出特性及相关电化学反应建立输出特性模型,提出改进混沌粒子群优化(CPSO)算法来优化PEMFC输出特性模型参数辨识问题。首先采用6种标准测试函数验证了CPSO算法的寻优性能,然后针对两种参数不同的电堆进行了输出特性模型参数辨识。结果表明,相较于遗传算法(GA)、粒子群优化(PSO)算法、受约束粒子群优化(B-PSO)算法、具有收缩系数的粒子群优化(PSO-χ)算法、引力粒子群优化(GSAPSO)算法以及差分进化算法(DE),CPSO算法辨识精度最高且收敛速度最快。静态工况下电堆1的均方根误差为0.213,平均相对误差为2.339%;电堆2的均方根误差为0.481,平均相对误差为1.243%,充分说明CPSO算法在PEMFC输出特性模型参数辨识方面的优越性。

基于改进粒子群算法的结构测点优化方法研究

针对工字梁结构受力过程中测点数目过多及优化较困难的问题,提出一种基于模拟退火思想及遗传算法的改进粒子群算法,综合考虑受力状态识别误差与测点优化,进行了测点的筛选。首先将遗传算法的初始化、选择、交叉、变异融入粒子群算法中;其次在变异部分引入模拟退火的思想。改进后的粒子群算法改善了标准粒子群算法的“早熟”局部寻优能力较差等问题。通过测试函数对比改进粒子群算法与标准粒子群算法的性能,改进的粒子群算法稳定性更好,抗“早熟”能力较强,精度明显提高。通过工字型梁选点及受力状态识别仿真与试验表明,改进粒子群算法在受力状态识别的测点选择过程中具有较高的效率,选择测点的受力状态识别误差均小于3%,在工程应用范围内,为受力状态识别提供了一种较好的方法。

基于改进粒子群算法的电路板测试路径规划

针对飞针测试机检测电路板时检测时间长、测试效率低、单针检测容易撞针等问题,提出了一种基于改进粒子群算法的测试路径规划算法.首先,使用分区检测的方式解决两针相撞问题;其次,提出一种改进的粒子群算法,在粒子群算法的基础上加入混沌初始化公式用于约束和更新搜索的最大速度,引入遗传算法的交叉、变异的思想,改进粒子群算法易于趋于局部最优的缺陷,提升了算法的全局搜索能力.与粒子群算法、遗传算法进行有效性的对比分析与实机测试.结果表明:此算法可以有效解决测试时两针相撞问题;比起其他两种算法改进粒子群算法在更少的迭代数的同时全局搜索能力更强,可以减少30%算法运算时间、降低10%的测试距离,具有一定的工程应用价值.

粒子群优化算法的收敛性分析及其混沌改进算法

分析了粒子群优化算法的收敛性,指出它在满足收敛性的前提下种群多样性趋于减小,粒子将会因速度降低而失去继续搜索可行解的能力;提出混沌粒子群优化算法,该算法在满足收敛性的条件下利用混沌特性提高种群的多样性和粒子搜索的遍历性,将混沌状态引入到优化变量使粒子获得持续搜索的能力.实验结果表明混沌粒子群优化算法是有效的,与粒子群优化算法、遗传算法、模拟退火相比,特别是针对高维、多模态函数优化问题取得了明显改善.

基于混合粒子群算法的配电网故障重构研究

为了实现含分布式电源的配电网络故障时的恢复供电,在分析粒子群算法基本原理与配电网络结构模型的基础上,提出一种基于混沌映射改进的自适应混合粒子群算法。将压缩因子与自适应权重引入粒子群算法,并借鉴遗传算法中的杂交与自然选择思想,在每次迭代中根据杂交率选取一定粒子进行两两杂交,把每次迭代结果中优秀的一半替换差的一半,并对适应度值良好的粒子进行Logistic混沌优化。接入分布式电源的IEEE 33节点算例,模拟不同算法进行故障重构。仿真测试结果体现出了改进算法具有更快的收敛速度与更好的稳定性。

Ahut-Delta并联机构改进混沌粒子群算法尺度综合

针对Ahut-Delta并联机构,提出了一种基于改进混沌粒子群算法的尺度综合方法。首先提出一种改进混沌粒子群算法,即采用混沌立方映射初始化种群,并根据迭代状态指数性调整惯性权重因子,同时进行早熟判断和混沌扰动,迭代获得最优粒子。其次将Ahut-Delta并联机构优化参数转变为粒子维度决策变量,雅可比矩阵的全域均值条件数和全域波动量构建的全域综合性能评价指标在其几何条件约束、传动角约束条件下转换为改进混沌粒子群算法的适应度函数。最终通过改进混沌粒子群算法优化搜索,优化出适应度函数值最小的最优粒子,从而获得Ahut-Delta并联机构在全域运动性能最佳的尺度参数。仿真分析结果表明,所提尺度综合方法具有正确性和有效性。

基于改进混沌粒子群算法的光伏阵列建模方法研究

准确地建立光伏阵列模型对光伏电站性能分析具有十分重要的意义。由于传统光伏阵列建模方法具有模型参数计算困难、计算结果精度低、对铭牌参数依赖性高等不足,导致传统光伏阵列模型具有适应性差等。文章从实测数据出发,提出了一种基于改进混沌粒子群算法的光伏阵列建模方法。模拟结果表明,相比于传统的建模方法,基于改进混沌粒子群算法的光伏阵列模型模拟结果的精度较高,更符合光伏阵列的实际输出特性,且不依赖于出厂参数,因此,适应性较好,并具有操作简单、易于实现的优点。

基于粒子群遗传算法的光伏MPPT控制研究

局部阴影条件下,光伏阵列的功率输出呈现多峰特性,传统的MPPT跟踪算法容易陷入局部极值点,无法准确地跟踪到最大功率点。粒子群优化算法可以有效解决多峰寻优问题,但是普通粒子群算法容易出现收敛速度慢、早熟现象。提出一种改进的粒子群遗传(IPSO-GA)算法,该算法的惯性权重与学习因子随着迭代次数不断发生变化,可以同时兼顾算法的局部搜索与全局寻优能力,并且引进遗传算法的交叉、变异操作以增加种群多样性。仿真结果表明,改进算法在多峰最大功率跟踪过程中,具有良好的跟踪速度与寻优精度。

基于混沌粒子群算法的压电微纳平台迟滞模型参数辨别

针对压电微纳平台存在迟滞非线性问题,建立改进的Bouc-Wen模型描述压电微纳平台迟滞现象并使用混沌粒子群算法对模型参数进行参数辨识。通过引入迟滞非线性项对原始Bouc-Wen模型进行改进来获得更好的迟滞拟合曲线;为了解决辨识精度低的问题,使用混沌粒子群算法来增强算法在局部的寻优能力。结果表明,以频率为1 Hz驱动电压为例,改进的Bouc-Wen模型相较于传统Bouc-Wen模型能更加准确地描述其迟滞现象。同时使用混沌粒子群优化算法参数拟合的平均误差以及均方根误差均优于传统粒子群算法,有效提高了位移迟滞数据的拟合精度。

基于改进粒子群算法的永磁同步电机参数辨识

针对一般粒子群算法辨识永磁同步电机参数由于其粒子在迭代后期易陷入局部最优而导致收敛速度慢和辨识精度差的缺陷,提出了一种基于混沌映射和高斯扰动改进的粒子群算法实现对永磁同步电机参数高精度辨识。利用混沌Sine映射构造了一种非线性随机递减惯性权重,并在粒子群的“个体认知”部分引入高斯扰动策略。采用Sine函数构造学习因子。改进算法仅需采集电机定子电流、电压以及转速信号便可实现永磁同步电机多参数的准确辨识。对比仿真结果表明:基于混沌映射和高斯扰动改进的粒子群算法具有更快的收敛速度和更高的辨识精度,对于永磁同步电机控制性能改善具有重要意义。

面向全局优化的混沌粒子群遗传算法

结合遗传算法(GA)和粒子群算法(PSO)的优点以及混沌运动的特性,提出了混沌粒子群遗传算法(CPSO-GA),并使用五个高维非线性测试函数考察此算法的性能。在固定进化代数、所调用目标函数次数接近以及固定收敛精度三种情况下对算法进行数值试验,结果表明,与其他文献中提出的算法相比,CPSO-GA能100%地找到最优解,收敛效果及寻优能力好,并能有效摆脱局部极小点,且调用目标函数次数最少,大大降低了计算量。

基于改进混沌粒子群算法的火电厂经济负荷分配

提出了一种改进混沌粒子群算法,将抛物线与混沌序列相融合产生惯性权重,并引入遗传算法中的交叉思想,增加种群中粒子的多样性.建立了考虑汽轮机阀点效应的火电厂经济负荷分配模型,并采用等概率负荷调整约束处理方法处理经济负荷分配中的约束条件,以40台机组经济负荷分配为例进行仿真计算.结果表明:与传统混沌粒子群算法相比,改进混沌粒子群算法优化后的煤耗成本最佳值约降低0.78%;通过与其他智能优化算法的对比,验证了所提出的改进算法具有更好的优化效果和鲁棒性.

基于云遗传的混合混沌粒子群算法研究

为了解决PSO算法种群随机初始化遍历性差、易陷入早熟收敛以及不具备全局收敛性的缺点,提出一种基于云遗传的混合混沌粒子群优化算法,使用均匀性更优的无限折混沌叠映射实现粒子初始化,通过自适应云算子、改进的Metropolis接受准则以及动态调整粒子集规模等策略,实现了云遗传算法和PSO算法的协同,最后通过全局收敛性证明、时间复杂度和实验分析,验证了算法的有效性。

基于改进型混沌粒子群优化算法的FIR高通数字滤波器设计

文中采用混沌粒子群算法并结合权重改进对线性相位FIR数字滤波器进行设计。将最小均方误差函数作为适应度函数,并通过优化得到线性相位FIR数字滤波器的系数。通过实例进行仿真验证,并将所提算法与最小二乘法、基本粒子群算法等进行比较。仿真结果表明,采用混沌粒子群算法设计的线性相位FIR数字滤波器具有更好的收敛特性、带通特性和阻带特性。

基于改进双粒子群算法的舰船电力系统网络故障重构

舰船电力系统环形网络故障重构本质上是带约束的多目标非线性组合优化问题。为了解决舰船电力系统发生故障时的供电恢复问题,提出了一种改进双粒子群优化算法进行求解。此算法分为主、辅两个粒子群,主粒子群改进了种群初始化、自适应调整惯性权重和学习因子,提高了主粒子群算法的全局寻优能力。同时,辅助粒子群还采用改进的混沌局部搜索策略,增强了种群多样性及局部寻优能力,有效地解决了粒子群算法中容易陷入局部极值的问题。通过系统仿真,分别将几种不同的优化算法进行比较。结果表明该算法具有很高的搜索效率和寻优能力,能有效地提高故障恢复的速度与精度,在处理舰船电力系统网络故障重构方面具有较好的效果。

基于混沌DNA遗传算法与PSO组合优化的RNN短期风电功率预测

提高短期风电功率的预测精度对保证电力系统安全、稳定地运行具有重大意义。针对风速信号的强奇异性,采用脊波神经网络建立短期风电功率的预测模型;同时利用混沌DNA遗传算法确定脊波神经网络的隐层结构,采用粒子群算法优化网络的连接权值及方向向量。对新疆某风电场的输出功率进行了预测实验,并比较了优化前后脊波网络模型的预测性能。研究结果表明采用粒子群与混沌DNA遗传算法组合优化后的脊波神经网络均方根误差降至12.3%,预测精度得到显著提高。