基于模拟退火的粒子群算法优化的二次回归在矿井通风机故障诊断中的应用

针对矿井通风机故障诊断过程中样本数据有限的特点,提出了一种经模拟退火的粒子群算法优化的二次回归诊断方法。将样本数据分为建模数据和测试数据,测试结果表明该方法具有适用性强、操作简单、精准度高,且无需太多样本数据等特点,值得推广。

基于模拟退火的粒子群算法的配电网区间故障定位研究

目前配电网的区间故障定位技术,已有少部分应用于市场上,但是仍然有着很多技术问题,其中比较重要的一个问题就是由于现场设备上传至控制中心的故障信息出现信息丢失时造成的矩阵法无法准确判断的问题,虽然使用人工智能算法可以解决此类问题,但是在配电网故障定位算法中以粒子群为代表的人工智能算法存在容易陷入局部最优陷阱等问题。针对此问题,提出基于模拟退火的粒子群算法的配电网区间故障定位算法,并通过仿真验证了该算法的可行性,结果表明该算法能够精确判断出在配电网中出现的单点及多点故障时的区间位置,并且在现场设备上传信息有缺失的情况下仍然可以得出正确的结果,容错性能和收敛性能优越。

基于模拟退火的粒子群算法求解约束优化问题

针对复杂约束优化问题,提出一种基于模拟退火(SA)的粒子群(PSO)算法(SAPSO)。该算法使粒子的飞行无记忆性,结合模拟退火算法重新生成停止进化粒子的位置,增强了全局搜索能力。同时采用双群体搜索机制,一个群体保存具有可行解的粒子,用SAPSO算法使粒子逐步搜索到最优可行解;另一个群体保存具有不可行解的粒子,并且可行解群体以一定的概率接受具有不可行解的粒子,有效地维持了群体的多样性。仿真结果表明:该算法能够快速准确地找到位于约束边界上(或附近)的最优解,具有较好的稳定性。

基于模拟退火的粒子群算法优化的二次回归在混凝土抗压强度预测中的应用

混凝土抗压强度与其影响因素之间存在着很强的非线性关系,精确预测混凝土抗压强度对提高工程质量和施工进度等具有重要意义。为了提高预测值的精确度,建立了二次回归预测模型,利用基于模拟退火的粒子群算法对模型系数进行了优化和求解。实例仿真表明这种经智能算法优化后的二次回归预测模型优于传统神经网络预测模型,预测精度得到了较大提高。

一种新的基于模拟退火的粒子群算法

鉴于标准粒子群优化算法易陷入局部最优、收敛精度低,我们提出了一种改进的基于模拟退火的粒子群算法(NPSO)。将模拟退火算法的思想引入粒子群算法中,并对更新公式进行简化;提出了一种自适应随机惯性权重,实现了自适应平衡局部搜索和全局搜索的能力;提出了"优胜劣汰"的更新机制,加快了算法的收敛速度。与其它几种粒子群算法在4个基准测试函数上的实验比较,实验研究表明,NPSO算法的性能很好。

基于模拟退火的粒子群算法在函数优化中的应用

为了克服标准粒子群搜索算法在函数优化中出现的迭代速度慢、精度低且易陷入局部最优等缺点,提出了一种基于模拟退火的粒子群优化算法.该混合算法利用模拟退火算法中的概率突变能力,在接受新解时既能接受好解也能以一定的概率接受坏解,能够跳出算法的局部最优解,不仅提高了算法的灵活性与多样性,还能提高粒子的多样性,从而获得了较强的全局与局部优化能力.对5个非线性基准函数进行仿真实验对比后发现,混合算法在非线性复杂函数优化中具有更好的寻优能力,表现出调节精度高,收敛速度快等优点,同时避免了"早熟"现象和陷入局部最优的问题.

基于模拟退火的粒子群算法寻优

粒子群算法是一种基于群体智能的随机寻优算法,特别是针对复杂的工程问题,通过迭代寻优计算,能迅速找到近似解,因此粒子群算法在工程计算机中被广泛应用,但是粒子群优化算法容易陷入局部最优,收敛精度低且不易收敛。因此,针对粒子群优化算法的不足,通过同步改变学习因子以及将模拟退火算法与粒子群算法相结合的方法对函数进行极值寻优。结果表明,同步改变学习因子以及将模拟退火算法与粒子群算法结合后的算法提高了全局寻优能力,其中模拟退火与粒子群结合算法具有最好的收敛性和鲁棒性,求解结果更为精确。

基于模拟退火的粒子群算法的船舶空调系统能耗优化研究

结合粒子群算法与模拟退火算法各自的优点,文章提出一种基于模拟退火的粒子群优化算法。基于全局优化的思想,以中央空调系统总能耗的最低为优化目标,将各设备运行参数的变化范围以及设备之间的热交换作为约束条件,建立中央空调系统的全局优化模型。运用基于模拟退火的粒子群算法对空调系统运行参数进行动态优化,确定最佳工况点,仿真结果表明,优化之后的系统节能效果明显。

基于模拟退火粒子群算法与小冲杆试验确定材料塑性性能的方法

为了能够准确合理地从小冲杆试验曲线中获取材料的塑性参数,提出了一种基于模拟退火粒子群算法和有限元模拟获得材料断后伸长率及断面收缩率的方法。首先通过小冲杆试验获取X65、X70管线钢的载荷-位移曲线;其次利用模拟退火粒子群算法和有限元模拟相结合的方法,使得小冲杆模拟曲线逼近试验曲线,进而识别Johnson-Cook(J-C)本构模型参数;最后将识别的参数用于模拟单轴拉伸试验,从而获取材料断后伸长率和断面收缩率。该方法所获得的两种管线钢的断后伸长率、断面收缩率与单轴拉伸试验结果的最大相对误差分别为23.58%、3.70%。

基于模拟退火粒子群算法的甚高频台站补盲

目前中国西藏地区甚高频(very high frequency,VHF)通信台站在7000 m及以上高空航路通信信号覆盖存在覆盖盲区,但是并没有针对VHF通信信号盲区补盲方面的研究及对应的解决办法。为了解决以上问题,提出了一种以西藏地区的实际地形为优化算法搜索对象,以拉萨管制区管辖范围内航路通信信号的单重覆盖率、双重覆盖率及管制区的冗余度为指标的补盲部署数学模型。接着,在不改变西藏地区原有VHF通信台站数量和位置的基础上,利用模拟退火粒子群算法,采用最小频率最少台站个数寻找一个最优台站对未覆盖的一段航路进行VHF通信信号覆盖研究。仿真结果表明,该算法不仅实现了采用最小频率最少台站个数解决航路通信信号覆盖盲区的目标,而且克服了粒子群算法在寻优过程中易陷入局部最优解的缺点,同时也证明了提出的补盲部署数学模型的正确性及改进的粒子群算法的高效性。该算法和模型可以为航线网路规划、台站部署优化及最终通过该方法解决频谱资源匮乏问题提供理论支撑和技术支持。

基于模拟退火粒子群优化算法的ECT图像重建方法研究

电容层析成像系统中,其反问题的“病态性”特点,导致传统图像重建算法的重建结果伪影现象严重。粒子群算法(Particles Swarm Optimization,PSO)作为智能算法的一种,具有易实现,收敛快等显著优点,缺点也很明显,即粒子易收敛于局部最优解。将模拟退火算法与粒子群搜索算法相结合,利用模拟退火算法中的概率突变能力,能够有一定概率跳出算法的局部最优解。设计了五种不同的典型流型并进行了仿真实验,利用所提算法与LBP算法、Tikhonov算法、Landweber迭代算法以及标准PSO算法分别对其进行了图像重建。仿真实验所得到的主观结果和客观数据均表明,所提算法可以有效减少重建图像中的伪影,明确图像形状,提高重建图像质量,使得图像重建结果更加接近原始流型。

基于模拟退火粒子群算法的配电网分布式储能布局规划研究

储能系统可缓解大规模分布式新能源接入配电网所产生的不良影响,而储能系统在配电网中合理配置是其有效应用的前提。构建了一种考虑在配电网中全寿命周期成本的分布式储能布局规划模型,并以分布式储能接入配电网后安全稳定运行校核为约束条件,采用引入退火机制的粒子群算法对布局规划模型进行优化求解,提高算法迭代时寻找全局最优解的收敛速度和准确性。在IEEE 14节点配电系统上进行仿真分析,仿真结果表明该算法具有较好的收敛性和准确性,该规划方法可有效提高新能源发电就近消纳水平,可用于指导分布式储能在配电网中的规划布局。

基于改进模拟退火-粒子群的配电网分布式光伏承载力评估

大规模分布式光伏并网给中压配电网带来严重功率反送,导致中压配电网出现节点电压越限和配电变压器反向过载问题.以系统潮流平衡、节点电压偏差、配电变压器反向负载率和线路载流量为约束条件,以分布式光伏并网容量与系统网络损耗之差的分布式光伏等效并网容量为目标函数,建立中压配电网分布式光伏承载力评估模型,并提出改进模拟退火-粒子群(SA-PSO)算法.对IEEE33系统和实际中压配电网进行分布式光伏承载力计算,结果表明,所建立的分布式光伏承载力评估模型适用于中压配电网节点电压稳定性与配电变压器安全运行问题评估;相较于其他算法,改进SA-PSO算法提高了评估模型计算的收敛速度与寻优能力,在相同约束条件限值下,所得线路分布式光伏承载力更高,且系统网络损耗更低.

基于模拟退火-蚁群算法的输油管道碳排放量优化研究

为实现输油管道的节能降耗,以碳排放量最小为目标函数,在水力约束和热力约束的条件下,采用模拟退火-蚁群算法的机器学习方法对加热炉、外输泵的组合方式及运行参数进行求解,并在考虑设备运行可靠性的基础上,设计了全年运维方案。结果表明:优化后单日耗油量和耗电量均有所下降,单日碳排放量降低20%左右;对外输泵进行了可靠性分析,依据概率密度函数可知泵的正常检修周期应为1650 h(68 d),在连续运行1120 h(46 d)后应进行预防性保养;环境温度与碳排放量的优化效果呈负相关,全年运维方案中7—9月的碳排放优化效果较差,全年可减少碳排量185.61 t。研究结果可为油气田企业双碳目标的实现提供技术支撑。

基于模拟退火和樽海鞘群优化的DV-Hop定位算法

针对无线传感器网络(WSNs)中传统DV-Hop算法定位误差较大等问题,提出基于模拟退火和樽海鞘群优化的DV-Hop定位算法。该算法分别引入RSSI和修正因子来量化最小跳数以及校正平均跳距,在未知节点估计过程中,采用改进的樽海鞘群优化算法代替最小二乘法,并且与模拟退火算法相结合,缓解了樽海鞘群优化算法在寻优过程中容易陷入局部最优的缺点。仿真结果表明:改进后的DV-Hop算法相比于传统DV-Hop定位算法以及其他智能优化算法,定位精度得到明显改善。

求解集装箱装载问题的混合蚁群模拟退火算法

目的针对物流行业中存在的大规模、复杂、多规格货物的集装箱装载问题,提出一种基于塔装载启发式算法、二维装载点启发式算法、蚁群模拟退火算法的混合算法。方法首先,采用塔装载启发式算法将三维待装箱装载成塔集,即将三维装箱问题降为二维装箱问题,有效降低集装箱的装载规模;其次,蚁群算法通过融入信息素选择更新策略,并利用自适应信息素挥发系数来提升算法整体的收敛速度,同时结合模拟退火算法对每代优秀路径集进行局部搜索,避免算法因收敛过快而陷入局部最优;最后,将蚁群模拟退火算法与二维装载点启发式算法相结合,优化每座塔的装载顺序和放置姿态,寻找最优的装载方案。结果实验证明,在250组算例中,采用混合算法后,集装箱的平均空间利用率为90.92%,优于其他3种对比算法。结论设计的混合蚁群模拟退火算法适用于解决大规模集装箱装载问题。

基于粒子群与模拟退火算法的改进矿井克里金定位方法

位置信息对于矿井作业中的人员管理和灾后救援至关重要,指纹定位可显著提高矿井定位精度,但费时费力的指纹库构建过程阻碍了其大规模应用。为此,提出了一种基于粒子群与模拟退火的克里金插值算法(PSOSA-Kriging),初始阶段只需采集部分指纹采样点的数据,以这些采样点数据为依据,通过克里金模型插值获得全部指纹数据集,并利用粒子群与模拟退火算法对克里金理论模型进行优化,使得构建出的指纹库更贴合实际矿井环境。算法利用粒子群收敛速度快的优势,解决了指纹库快速构建难题。同时,利用模拟退火克服粒子群可能陷入局部最优的缺陷,使得模型拟合更准确、插值结果更精确。在上述分析的基础上,通过在矿井环境下采集指纹数据,建立全部采样数据库、半采样与插值混合数据库,并选用最近邻算法(KNN)进行了定位验证。结果表明:POS-SA-Kriging算法不但大幅降低了指纹构建工作量,而且显著提高了定位精度,实现了指纹库构建速度与目标定位精度的联合优化。

基于改进模拟退火算法的防空武器集群打击目标动态分配

传统的防空武器集群打击目标动态分配方法由于设定的约束条件不够全面,导致该方法在分配效果上表现不佳;因此,文章提出了一种基于改进模拟退火算法的防空武器集群打击目标动态分配方法;该方法综合考虑作战效果、作战成本和作战效率等多个因素,确定了相应的目标函数,并设定了相应的约束条件;通过计算打击目标的状态转移概率,并对打击目标的状态准则进行判定,定义了打击目标的状态转移方程;在改进的模拟退火算法的指导下,确定了最优的打击目标分配方案;实验结果分析表明,与传统的防空武器集群打击目标动态分配方法相比,文章设计的基于改进模拟退火算法的方法在实际应用中表现出较低的资源损耗量,均不高于4%,且具有良好的分配效果。

基于模拟退火粒子群算法的认知无线电功率分配

随着无线通讯技术的普及,频谱资源紧缺的问题日益凸显。认知无线电技术是解决该问题的一种重要方法,是一种能有效利用频谱资源的新技术,它能有效利用频谱资源。针对认知无线电网络的频谱资源紧缺问题,研究了基于粒子群算法的功率控制技术,使用等温模拟退火粒子群(Synthermal Simulated Annealing Particle Swarm Optimization,SSAPSO)优化方法,最大化认知无线网络的系统容量。本文提出的算法与传统方法效果相比更好。

基于随机增强量子粒子群算法的弹性波数值模拟

在本文中,我们提出了一种随机增强量子粒子群优化算法,并基于该随机增强量子粒子群算法提出了一种新的有限差分格式。随机增强量子粒子群优化算法具有明显的收敛速度优势,可以在第200代内收敛。在相同条件下,未改进的量子粒子群算法的收敛速度远低于随机增强量子粒子群算法。数值频散分析表明,基于随机增强量子粒子群算法的优化有限差分格式具有更大的频谱覆盖范围并将精度误差控制在了有效范围之内,这意味着随机增强量子粒子群算法具有更好的搜索全局精确解的能力。最后,采用基于随机增强量子粒子群算法的优化有限差分格式对弹性波动方程进行数值模拟。数值模拟结果表明,基于随机增强量子粒子群算法的优化有限差分格式能有效压制数值频散。