ACCQPSO:一种改进的量子粒子群优化算法及其应用

针对量子粒子群优化算法前期易陷入局部极值点、后期寻优精度不高等问题,文章提出一种自适应交叉算子的混沌量子粒子群优化算法,并将其应用于BP神经网络超参数寻优。首先,利用Logistics映射初始种群为混沌序列进行最优解搜索,增强初始种群的随机性与遍历性,提高算法寻优能力;然后,通过纵向交叉操作进行种群中个体的信息交换,并引入自适应交叉概率公式,增加种群多样性,提高算法的寻优精度;最后,在实验中,一方面,选取8个函数在高低两个维度进行验证,同时进行Wilcoxon秩和检验分析以及消融实验,验证该算法相较其他算法的有效性;另一方面,通过算法优化BP神经网络应用到网络安全态势预测任务中,实验结果表明该算法收敛速度相较于对比算法有大幅度提升。

一种改进的量子粒子群优化算法及其应用

为提高基于概率幅编码的量子粒子群算法的优化效率,提出了一种改进的量子粒子群优化算法。在改进的算法中,采用量子Hadamard门实现粒子位置的变异,将概率幅对换变异改进为更具柔韧性的旋转调整,有效避免了种群在搜索空间中多样性的丢失;通过分析惯性因子、自身因子和全局因子的关系,提出了一种根据粒子当前适应度自适应确定全局因子的方法。以函数极值优化问题为例,仿真结果表明改进算法的搜索能力和优化效率优于原量子粒子群算法。

改进的量子粒子群优化算法对多维多选择背包问题的求解

针对多维多选择背包问题无法在多项式时间内找到最优解,且由于其强约束限制条件,在求解过程中易陷入局部最优的问题,提出一种改进的量子粒子群优化算法对该问题进行求解.首先,在量子粒子移动过程中,通过判断其与下次迭代个体的位置关系确定其位置信息的可用性,通过该信息充分保留粒子位置的多样性;其次,提出一种新的位置扰动方法,避免种群陷入局部最优.最后,将该算法在标准数据集上进行测试,对算法的收敛速度和运行时间进行分析,测试结果表明,该算法在求解准确性上得到明显提升.

基于改进量子粒子群优化算法的机器人逆运动学求解

针对工业机器人在逆运动学求解过程中存在的位姿奇异、解不唯一、求解精度低等问题,提出了一种改进量子粒子群算法。首先,利用D-H参数法建立机器人运动学模型,以机械臂末端最小位姿误差为主要优化目标,加入运动前后关节角变化最小、行程平稳连续的约束条件,设计了目标函数;其次,通过采用Levy飞行策略改进粒子更新方式、非线性地动态调整收缩膨胀因子、采用变权重方法计算最优平均位置等方法设计了一种改进量子粒子群优化(IQPSO)算法;然后,模拟单点位姿和连续轨迹两种不同的求解情况进行三种算法(IQPSO、APSO、QPSO)的仿真对比实验,结果表明IQPSO算法具有收敛速度快、求解精度高等优点;最后,将IQPSO算法用于机械臂本体进行实物验证,实验结果表明IQPSO算法求解出的插值点所组成的轨迹连续且平滑,进一步证明了该算法应用于实际运动控制中的稳定性和可行性。

采用改进量子粒子群优化算法的虚拟电厂参与二次调频两阶段优化

虚拟电厂(virtual power plant,VPP)作为一种新型区域能源管理系统,可通过“源—荷—储”的协调优化调度,高效参与电网二次调频辅助服务。介绍虚拟电厂内部结构,建模分析新能源机组及可控负荷特性;搭建虚拟电厂参与二次调频两阶段调度模型,该模型能够兼顾二次调频净利润及调频效果;研究一种自适应权重的改进量子粒子群优化(quantum particle swarm optimization,QPSO)算法,通过引入自适应权重机制,在量子粒子更新过程中动态调整权重参数以提高算法的搜索能力和收敛速度;并将改进算法应用于两阶段优化过程中,使虚拟电厂获得更高的二次调频净利润及更好的调频效果;仿真结果表明,所提改进算法的收敛速度更快且全局寻优能力更强。

基于改进量子粒子群算法的叶片延长翼型厚度优化设计

针对如何平衡载荷与升阻比以优化翼型厚度的问题,采用一种改进量子粒子群算法(IQPSO)对翼型厚度进行计算优化,以国产某2 MW风机为例,通过对延长前后的叶尖速比、风能利用率、叶根载荷、升阻比、功率以及发电量等试验数据对比分析来验证所采用的方法。验证结果显示,叶片延长后,优化翼型厚度为15%。同时,在升阻比平均提高约3.156%的基础上,叶根增加载荷水平在Mx、My、Mz方向上最多分别提高了12.3%、12.7%、12.5%,且均在安全范围13%内,发电量相较于历史水平提升34.71%。从而表明通过采用IQPOS进行叶片翼型厚度优化后,在满足叶片承受载荷的前提下,能够显著提高升阻比,可实现风力发电机的性能提升,达到稳定提高发电量的目的。

基于改进量子粒子群算法的机器人关节空间运动轨迹规划优化

机器人轨迹规划是机器人运动控制实现的关键步骤,轨迹规划的效率与精度直接关系到机器人运动控制的实时性与准确性。将机器人运动轨迹映射到关节空间,并建立轨迹规划的数学模型,使其满足运动过程中的各项物理约束,并避免各关节间的耦合问题。针对量子粒子群算法进行改进,提高其收敛速度,避免陷入局部最优,提出改进量子粒子群算法,并将之应用于机器人轨迹规划的数学模型求解。并且对基于改进量子粒子群算法的机器人关节空间轨迹规划进行测试。测试结果表明,该方法可以代替传统的机器人轨迹规划算法,并且在精度和效率方面具有更高的优势。

基于改进二进制粒子群算法优化DBN的轴承故障诊断

针对滚动轴承故障振动信号非平稳性的特点,对二进制粒子群优化算法(binary particles swarm optimization,BPSO)和深度信念网络(deep belief network,DBN)进行研究,提出一种基于局部均值分解(local mean decomposition,LMD)和IBPSO-DBN的轴承故障诊断方法。提出用加权惯性权重改进BPSO迭代过程中的固定权重,再用改进BPSO优化DBN的隐含层神经元个数和学习率。该方法先对信号进行LMD,提取出各PF分量的散布熵和时域指标,并构建特征矩阵,然后把特征矩阵输入改进BPSO-DBN模型中训练,实现滚动轴承故障诊断和分类。采用试验轴承数据做验证并与其他诊断方法对比,结果表明,基于LMD和BPSO-DBN的滚动轴承故障诊断方法具有较好的故障识别率。

采用改进多目标粒子群算法的斜拉桥阻尼器参数优化

为克服大跨度斜拉桥黏滞阻尼器优化设计效率低、多个相互制约的减震控制目标的问题难以权衡,基于遗传算法的“变异”方法,提出了改进多目标粒子群算法来进行阻尼器参数优化设计。建立大跨度斜拉桥的有限元模型,开展了全桥地震响应分析,根据抗震需求在桥梁纵向设置黏滞阻尼器;分别建立了塔底弯矩、阻尼力和梁端位移的减震响应与阻尼器参数之间的响应面数学模型;以减震响应面模型为研究对象,通过该算法进行阻尼器参数全局自动寻优分析,确定了阻尼器的最优参数,并与采用参数敏感性分析方法确定的一组阻尼参数进行对比分析。研究结果表明:该优化方法具有计算精度好、优化效率高和更好地权衡多个相互制约的减震控制目标的优点;通过优化算法获得的阻尼器参数组合相比采用参数敏感性分析方法获得的阻尼参数组合的减震响应,塔底弯矩增大1.73%,阻尼力减小5.97%,梁端位移减小1.66%;在无需多次有限元试算的基础上确定了更高精度的阻尼器优化参数组合,在提高减震效果的同时大大提升了计算效率。

基于人工免疫-改进粒子群优化算法的机械臂轨迹规划研究

焊接机器人运动轨迹复杂、控制精度要求高。提出了一种满足多目标约束的轨迹规划方法。针对机器人轨迹平滑性要求,以5次非均匀有理B样条(Non-Uniform Rational B-Splines,NURBS)曲线为基础,对笛卡儿空间路径点进行参数化表达;根据工业机器人路径约束及工况需求,选取时间、能耗、跃度3个运动学指标作为目标优化函数,采用人工免疫双态粒子群进行轨迹优化;为了平衡粒子“探索”与“利用”,增加双模态模型,引入人工免疫系统,提升了粒子多样性与后期收敛能力;根据Pareto解集得到满足约束的焊接机器人各关节最优轨迹,通过Matlab仿真证明了方法的有效性;最后,针对空间相贯曲线焊缝进行了焊接试验。结果显示,规划的轨迹符合实际工程需求。

基于改进粒子群算法优化的染色木材颜色检测算法研究

为提高染色木材颜色的检测精度和速度,对樟子松木材单板进行染色,选取染色单板的光谱反射率作为输入,以极限学习机模型为基础构建预测模型,对染色单板的色度参数L^(*)、a^(*)、b^(*)进行预测,运用粒子群算法对ELM权值和阈值进行寻优,并引入非线性惯性权重和新的位置与速度更新策略改进粒子群算法,以消除其易陷入局部最优的缺点。此外,以L^(*)、a^(*)、b^(*)平均绝对误差为评价指标,与基础ELM模型及其他模型作对比,发现优化后的模型平均绝对误差为0.16,测色效果相较于基础ELM的0.68、麻雀算法优化的ELM的0.37等具有明显优势,这对于提高木材染色生产效率具有重要意义。

基于改进粒子群算法的定日镜场优化设计模型

定日镜场是塔式光热电站的重要子系统.定日镜的优化布置问题是塔式光热电站建设需要解决的关键问题.以塔式光热电站的定日镜场为研究对象,建立阴影遮挡效率模型、余弦效率模型、截断效率模型以及大气透射率模型,得出定日镜场的光学效率.以镜场年平均输出热功率作为目标函数,建立非线性规划模型,用基于同心圆的粒子群算法进行圆形定日镜场的参数设计及优化求解.通过迭代寻优,找到年平均输出热功率最大时即可找到粒子的特征因子的最优解.

基于改进粒子群算法的标签天线结构参数多目标优化设计

为了解决天线设计人员应用电磁仿真软件优化天线结构时存在的优化方向不明确和优化速度慢的问题,文中以干式水表的嵌入式射频识别标签天线设计为例,提出了基于改进粒子群算法的标签天线结构参数多目标寻优方法。首先,根据干式水表产品追溯需求,提出了中心频点尽可能接近理想中心频点、回波损耗尽可能低、带宽尽可能宽、面积尽可能小的四个目标函数。其次,为避免粒子群算法陷入局部最优,采用多维均匀拉丁超立方初始化、Logistic混沌映射非线性变化惯性权重、网格划分变化学习因子、高斯扰动策略等方法对算法进行改进,并应用于标签天线结构参数多目标优化中。最后,进行了实例验证。验证结果表明:利用改进后的粒子群算法得到的标签天线结构参数优化结果可更大程度满足优化目标需求,优化耗时仅为电磁仿真软件的40.1%。

基于改进粒子群算法的卫星星座优化设计

面向区域覆盖的卫星星座设计是一个多约束的优化问题,提出一种基于改进粒子群(Particle Swarm Optimization,PSO)算法的中轨(Medium Earth Orbit,MEO)卫星星座优化设计方法。以最大化卫星星座对中国区域的平均覆盖率为目标,基于3+4P星座构型进行卫星星座优化设计,并采用改进PSO算法对卫星的轨道参数进行优化。通过仿真软件和卫星仿真工具包(Satellite Tool Kit,STK)互联进行算法验证,并将改进PSO算法、标准PSO算法和遗传算法(Genetic Algorithm,GA)的优化结果进行对比。仿真结果表明,改进PSO算法优化后的卫星星座对中国区域的覆盖率均值为95.34%,分别比标准PSO算法和GA算法高0.68%和9.55%,同时具有更高的平均覆盖重数和总覆盖时长。因此,基于改进PSO算法的卫星星座优化设计方法可以实现较好的覆盖性能。

基于改进粒子群算法的综合能源系统多目标优化运行

“双碳”目标下,电力能源系统需要逐步向节能低碳的方向发展,综合能源系统(IES)是解决能源与环保问题的重要举措。目前对IES的研究主要集中在分布式能源、储能并网和多目标优化等方面,智能算法是处理优化问题的重要途径,但随着模型复杂化,传统的智能算法存在收敛性差、容易陷入局部最优的问题。基于此围绕IES经济、环保与稳定运行目标,构建了考虑经济性、环保性及出力不平衡性3个指标的基于改进粒子群算法的IES多目标优化模型。首先,以3个指标最优为目标搭建了IES模型;其次,采用隶属度函数和层次分析法(AHP)进行归一化处理并确定权重系数;最后,引入粒子浓度评价算子改进粒子群算法,对所提模型进行求解,并分析系统在单一目标和多目标情况下的运行结果,验证了模型和算法的有效性。改进算法显著提高了收敛速度,有效避免了粒子陷入局部最优。

基于改进混合粒子群优化算法的多无人机协同围捕方法研究

针对多无人机协同围捕问题,在无人机运动学约束基础上,考虑各无人机应同时到达围捕位置,提出了多机协同围捕任务规划两层求解架构。在任务协调层通过改进混合粒子群优化方法,以各无人机同时到达指定围捕位置的最小时间为目标,优化调度给出多目标围捕方案;在航路规划层考虑无人机初始状态及运动学约束,通过Dubins曲线调整实现各无人机同时到达围捕位置。仿真结果表明了所提方法的有效性。

基于蜣螂优化的改进粒子群算法

针对标准粒子群算法存在的局部最优、早熟和慢收敛等问题,提出了一种新的粒子群更新方法。改进了算法惯性权重,引入一种新的更新方式;借鉴蜣螂优化算法中蜣螂滚球、繁殖、觅食和偷窃行为,将基本粒子群的操作划分为寻优、变异、波动和跳跃,从而提高了算法的全局寻优能力和收敛速度,并避免了早熟问题。通过与其他9种智能算法进行实验对比表明,在10个基准测试函数中,基于蜣螂优化的改进粒子群算法在寻优能力和收敛速度方面表现出色,证实了该算法的优越性。

基于量子行为粒子群算法的舱室噪声监测点优化布置

针对舱室噪声在线监测及声场预报问题,本文提出了一种基于量子行为粒子群算法的舱室内部声监测点优化布置方法。根据研究频段范围确定所需声腔模态阶数,计算全部备选监测点位置处各阶声腔模态的声场分布,采用模态置信矩阵作为目标函数,基于量子行为粒子群算法对监测点位置进行优化,获得优化布置方案。从声腔模态采样的正交性及内外声场响应的角度与其他测点布置方案进行了性能比较。研究表明:本文方法优化得到的测点布置方案采集声腔模态信息更全面,可有效提升舱室内声场的重建精度和基于舱室内声场监测的水下辐射噪声预报精度。

融合特征权重与改进粒子群优化的特征选择算法

随着教育信息化的发展,教育数据呈现特征数量高、冗余度高等特点,这使目前的分类算法在教育数据上分类准确率不理想。提出一种将特征权重算法与改进粒子群优化算法融合的混合式特征选择算法(RF-ATPSO)。该算法首先使用RELIEF-F算法计算各个特征的权重,筛除冗余特征,然后在筛选后的特征集合中利用改进粒子群算法搜索最优特征子集。实验结果表明,在6个UCI公共数据集上,经RF-ATPSO算法进行特征选择后,平均准确率提升了10.04%,且平均特征子集规模最小、收敛速度最快;在学生学业成绩画像特征数据集上,该算法以较小的特征子集规模达到较高的分类准确率,平均准确率为94.77%,明显优于其它特征选择算法,实验充分证明了该算法具有实际应用意义。

计及改进粒子群算法优化BP神经网络的沼气产量软测量预测模型

为准确预测大中型沼气工程的日产气量,提出一种利用基于PSO-BP模型的软测量方法。首先,依托软测量技术选取参数;其次,以进料量、发酵温度、液位、罐内液压等参数作为输入量,沼气日产量为输出量进行模型建立。在此基础上,使用线性降低权重系数法和引入变异算子对粒子群算法进行改进,并对BP神经网络进行初始化来提高模型性能。通过实验比较改进PSO-BP模型、传统BP神经网络以及遗传算法优化的BP神经网络在预测沼气日产量方面的性能,采用改进的PSO-BP模型进行预测时,均方根误差(RMSE)、决定系数(R2)和平均绝对误差(MAE)分别为1.38440、0.84011和1.00910,证明改进PSO-BP模型结合软测量技术对进行复杂非线性牛粪高温厌氧发酵过程预测的可行性,同时可保证预测结果的精准性。