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。

基于模拟退火粒子群算法的拱桥扣索索力优化

为得到拱桥斜拉扣挂施工阶段的合理扣索索力,使拱肋线形和受力达到最优状态。采用模拟退火算法对基本粒子群算法进行了优化,根据最小弯曲应变能法以及影响矩阵法得到了拱桥扣索索力优化的目标函数,分别采用基本粒子群算法和模拟退火粒子群算法对索力进行了优化,对优化效果进行了对比分析,同时将模拟退火粒子群算法与传统扣索索力优化方法得到的拱圈弯矩进行了对比分析,研究表明:模拟退火粒子群算法能有效改善基本粒子群算法易陷入局部最优和早熟收敛的问题,并且模拟退火粒子群算法收敛速度明显优于普通粒子群算法,收敛精度也有一定提高;采用模拟退火粒子群算法优化得到的各扣索索力值与优化前相比有增也有减,但优化后索力最大值较优化前有明显减小,减小了217.42 kN,优化后各扣索索力值变化幅度较优化前更加平稳;与传统的索力优化方法相比,采用模拟退火粒子群算法得到的拱圈弯矩变化幅度更小,并且最大正弯矩和最大负弯矩均有一定的减小。

基于粒子群算法与模拟退火算法的一种混合配电网重构算法

本文首先对配电网重构的意义,研究现状以及当下的几种方法等方面进行分析,并且对比了几种主要重构方法的优缺点。然后,介绍亚启发式算法中的粒子群算法与模拟退火算法,并将二者有效地进行融合互补,形成一种新的混合算法。此方法利用粒子群算法快速局部搜索能力和模拟退火算法全局收敛的优点,使其既能以较大的概率跳出局部的极值点,又能提高收敛速度。最后,将这种混合算法应用于配电网重构中,介绍了配电网的简化分析方法,并阐述了配电网的粒子群初始化、参数设置、编码规则等内容,并通过IEEE33节点和69节点系统基于MATLAB平台的仿真,验证算法的可行性和优越性。

基于退火优化粒子群算法的负荷辨识方法

在粒子群算法对非侵入式负荷辨识的研究中,粒子的随机性是影响负荷辨识的重要因素之一.针对粒子随机性导致的辨识结果准确度不高及容易陷入局部最优陷阱等问题,结合模拟退火算法,提出了一种基于退火优化粒子群算法的非侵入式负荷辨识方法.首先,对用于电力负载分析的REDD数据集中的家用电器负荷数据进行特征分析提取;然后,利用粒子群算法作为模拟退火算法的基本框架,对数据集中各自家庭的不同电器进行负荷辨识;最后,以辨识功率与实际功率为标准量进行误差分析.在以数学模型进行求解的单一目标及多目标负荷辨识问题中,对现有模型不同类别算法的辨识结果进行比较,结果表明提出的优化粒子群算法辨识准确度较高及收敛性更好.

混沌模拟退火粒子群优化算法研究及应用

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,提出混沌模拟退火粒子群优化(PSO)算法.引入混沌理论对粒子群优化算法的参数进行自适应调整,提高了算法的全局收敛性能;采用模拟退火(SA)算法,依据概率性的劣向转移,以一定概率接受劣解,使算法具有跳出局部最优而实现全局最优的能力.引入自适应温度衰变系数,使模拟退火算法能够根据当前环境自动调整搜索条件,从而提高算法的搜索效率.通过7个经典函数测试混沌模拟退火粒子群优化算法的性能,并将其应用于Job Shop调度问题.仿真实验结果表明,采用新算法有效地克服了停滞现象,增强了全局搜索能力,与遗传算法、粒子群优化算法相比寻优性能更佳.

基于模拟退火算法思想的粒子群优化算法

粒子群优化是由Eberhart博士和Kennedy博士于 1995年根据鸟或鱼群居社会行为而提出的。本文提出了 4种改进的算法 ,特别推荐结合模拟退火算法思想提出的一种新算法。经过与基本粒子群算法比较测试 ,证实它是一种简单有效的算法。

基于粒子群优化和模拟退火的混合调度算法

提出了一种离散粒子群调度算法,采用基于工序的编码方式及相应的位置和速度更新方法,使具有连续本质的粒子群算法直接适用于调度问题。针对粒子群算法容易陷入局部最优的缺陷,将其与模拟退火算法结合,得到了粒子群-模拟退火算法、改进的粒子群算法、粒子群-模拟退火交替算法以及粒子群-模拟退火协同算法等4种混合调度算法。仿真结果表明,混合算法均具有较高的求解质量。

混合模拟退火与粒子群优化算法的无人艇路径规划

针对水面无人艇路径规划中单独使用模拟退火算法存在的不足,以提高无人艇在执行任务时的安全性为研究目的,解决传统无人艇在航行中未考虑来往船只而导致的碰撞危险,提出了模拟退火算法与粒子群算法相结合的混合路径规划算法,利用该算法的高收敛性和容易跳出局部最优等特点,结合避碰规则,实现海事无人艇在同一静态环境下对遇、交叉和追越三种会遇局面的最优路径规划。仿真结果表明:本文提出的算法可以实现无人艇在复杂水域条件下快速路径规划,使与他船的自动避碰行为成为可能,给出的路径规划具有可行、有效,能够为无人艇安全的航行、顺利的执行任务提供保障。

基于模拟退火的粒子群优化算法

粒子群优化算法是一类简单有效的随机全局优化技术。该文把模拟退火思想引入到具有杂交和高斯变异的粒子群优化算法中,给出了一种基于模拟退火的粒子群优化算法。该算法基本保持了粒子群优化算法简单容易实现的特点,但改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。四个基准测试函数的仿真对比结果表明,该算法不仅增强了全局收敛性,而且收敛速度和精度均优于粒子群优化算法。

基于粒子群和模拟退火算法的混合算法研究

在标准粒子群优化算法的基础上给出了一种改进策略,利用混沌变量的随机性、遍历性、规律性对粒子群进行初始化选择。同时为了增加粒子多样性又不流失适值较好的粒子,在一定的周期内对所有粒子重新进行有选择的初始化,并对除了种群最优之外对应的所有个体最优变异。计算结果表明,改进的粒子群算法提高了收敛精度和速度,但是个别函数寻优失败。将改进的粒子群算法结合模拟退火算法再次计算了测试函数,结果表明,改进的混合算法可以达到目标函数的全局最优点。

一种模拟退火和粒子群混合优化算法

针对粒子群优化算法(PSO)容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点。把模拟退火技术(SA)引入到PSO算法中,提出了一种混合优化算法。混合优化算法在各温度下依次进行PSO和SA搜索,是一种两层的串行结构。由于PSO提供了并行搜索结构,所以,混合优化算法使SA转化成并行SA算法。SA的概率突跳性保证了种群的多样性,从而防止PSO算法陷入局部极小。混合优化算法保持了PSO算法简单容易实现的特点,改善了算法的全局优化能力,提高了算法的收敛速度和计算精度。仿真结果表明,混合优化算法的优化性能优于基本PSO算法。

基于模拟退火粒子群优化算法的拆卸序列规划

文章将模拟退火粒子群优化算法应用于拆卸序列规划求解过程,基于拆卸约束图构建了产品结构表达模型,将拆卸过程相关信息赋予拆卸约束图的节点与边,定义了判断拆卸序列优劣的适应度函数,将算法与模型进行了映射;最后以某款料理机主机体为例,运用模拟退火粒子群优化算法求解其拆卸序列,并与单一粒子群优化算法相比较,验证了该算法的有效性。

基于粒子群与模拟退火相结合的无功优化算法

针对电力系统无功优化采用粒子群算法容易陷入局部最优、模拟退火算法约束条件多和收敛速度慢的问题,提出一种新的基于粒子群与模拟退火相结合的算法.该算法根据粒子群的易实现性、快速收敛性及模拟退火的全局收敛性,进行协同搜索,求取系统无功优化的解集.对IEEE14、57、118节点系统进行了无功优化仿真计算,结果表明该算法原理简单易实现,计算效率高且能获得质量更高的解.

火电厂负荷优化分配的模拟退火粒子群算法

合理选择火电厂负荷优化分配的优化算法对快速完成电网调度指令、最大限度降低发电成本至关重要。在标准粒子群优化算法中引入模拟退火算法的思想,引入收缩因子对算法的重要参数进行了改进,并对种群初始化方式进行了改进,采用拉格朗日乘子法处理功率平衡约束。在严格满足约束条件的基础上,缩短了优化计算时间,进一步提高了算法精度。实例计算结果表明,模拟退火粒子群算法的分配结果比电网调度指令节省煤耗18.139g/(kW.h),比标准粒子群算法节省煤耗2.846g/(kW.h),同时计算时间也短于其它常规算法。

基于模拟退火粒子群算法的圆柱齿轮减速器的可靠性优化

模拟退火粒子群算法将模拟退火思想引入具有杂交和高斯变异的粒子群算法中,是一种简单快速的随机全局优化算法。将模拟退火粒子群算法与可靠性优化设计理论相结合,建立了最大化减速器传动系统可靠度的优化模型,提出了基于模拟退火粒子群算法的圆柱齿轮减速器可靠性优化方法。利用该优化方法进行一圆柱齿轮减速器的优化设计,其优化结果明显优于基本粒子群算法、混合罚函数法和传统设计方法。算例表明,该优化方法具有全局收敛且精度高的优越特性,是一种有效的可靠性优化设计方法,并对其他机械部件可靠性优化具有一定的参考意义。