基于混沌自适应变异粒子群优化的解相干算法

针对相干信源波达方向估计的需要,结合粒子群优化算法,论文提出了一种基于混沌自适应变异粒子群优化的广义极大似然算法(CAMPSOGML),算法对阵列的几何结构没有任何约束,分辨的信源数可大于阵元数,算法把混沌初始化和自适应变异策略引进粒子群算法中,有效地提高了收敛速度,克服了粒子群算法容易陷入局部最优值的缺点。计算机仿真表明:与基于实数遗传算法和粒子群算法的广义极大似然估计方法相比,CAMPSOGML算法在收敛速度和估计精度上都有优势,是一种新颖的有效的解相干算法。

基于混沌自适应变异粒子群算法的铁路空车调配

为求解大规模的空车调配方案的最优解,提出了一种混沌自适应变异粒子群算法。该算法利用混沌的遍历性来初始化粒子群以增强群体的多样性,根据群体适应度方差调整变异概率的大小,并通过调整惯性权重因子以提高整个群体的全局和局部搜索能力。将该算法用于铁路空车调配,建立了以空车总走行距离最小为目标的数学模型,并在此基础上设计了相应的算法。算例结果表明该算法的寻优结果和寻优效率要优于蚁群算法和标准粒子群算法。

基于自适应变异混沌粒子群优化和SVM的导弹命中预测模型

针对国内外关于导弹命中预测方面存在的研究深度不足、算法寻优能力不强、模型预测精度不高等缺陷,提出一种基于自适应变异混沌粒子群算法(AMCPSO)和支持向量机(SVM)的导弹命中预测模型。首先,对空战数据进行特征提取,构建模型训练所需样本库;然后,采用改进的AMCPSO算法对SVM中的惩罚因子C和核函数参数g进行寻优,并用优化后的模型对样本进行预测;最后,与经典PSO算法、BP神经网络法、网格法构建的预测模型进行了对比实验。实验结果表明,所提算法的全局寻优能力与局部寻优能力均得到提高,模型预测精度较高,可为导弹命中预测研究提供一定的参考依据。

双策略学习和自适应混沌变异的郊狼优化算法

针对郊狼优化算法(coyote optimization algorithm,COA)存在收敛速度慢、求解精度低、易陷入局部最优的不足,提出一种基于双策略学习机制和自适应混沌变异策略的改进郊狼算法(coyote optimization algorithm based on dual strategy learning and adaptive chaotic mutation,DCSCOA)。首先,引入振荡递减因子,以产生具有多样性的个体来增强全局搜索能力;其次,利用双策略学习机制,适度地增强组群头狼的影响,以平衡算法的局部挖掘能力和全局搜索能力,同时提高算法的求解精度和收敛速度;最后,使用自适应混沌变异机制,在算法停滞时产生新个体,以使算法跳出局部最优。通过对20个基本测试函数和11个CEC2017测试函数进行仿真实验,结果验证了改进算法具有更高的求解精度、更快的收敛速度和更强的稳定性。

基于AMCPSO优化Kriging插值的温度补偿方法研究

为了降低温度变化对转换力传感器测量精度的影响,提出一种自适应变异混沌粒子群算法(AMCPSO)优化Kriging插值的温度补偿算法(AMCPSO-Kriging)。研发转换力传感器,分析温度对传感器输出的影响,建立温度补偿标定实验平台,通过标定实验获得建立温度补偿模型所需要的样本集,采用数据稀疏化方法对样本数据进行优化。通过Kriging插值构建了温度补偿模型,利用AMCPSO算法以交叉验证方式下模型预测产生的均方根误差和作为适应度函数,对Kriging插值中的范围参数θ和平滑度参数pk进行寻优求解,得到性能最佳的温度补偿模型。基于AMCPSO-Kriging温度补偿模型对转换力传感器的测量效果进行实验验证,与标准力传感器进行对比。实验结果表明:对样本数据进行稀疏化处理,算法平均运行时间从1076 s减少到6 s,提高了温度补偿算法的运行效率。在−20~70℃温度范围内,经过AMCPSO算法优化的Kriging模型有效提高了转换力传感器的测量精度,相比于未经AMCPSO算法优化的Kriging插值,转换力传感器测量的平均满量程误差从1.2%FS降低到0.6%FS。通过现场实验验证温度补偿的效果,转换力传感器测量的绝对误差在70 N以内,最大满量程误差为2.3%FS。所提出的温度补偿方法有效消除了温度对传感器测量精度的影响,满足铁路工况使用要求,对转换力传感器在铁路上实际运用具有重要价值。

A new detector in EBPSK communication system

In order to raise the detection precision of the extended binary phase shift keying （EBPSK） receiver, a detector based on the improved particle swarm optimization algorithm （IMPSO） and the BP neural network is designed. First, the characteristics of EBPSK modulated signals and the special filtering mechanism of the impacting filter are demonstrated. Secondly, an improved particle swarm optimization algorithm based on the logistic chaos disturbance operator and the Cauchy mutation operator is proposed, and the EBPSK detector is designed by utilizing the IMPSO-BP neural network. Finally, the simulation of the EBPSK detector based on the MPSO-BP neural network is conducted and the result is compared with that of the adaptive threshold-based decision, the BP neural network, and the PSO-BP detector, respectively. Simulation results show that the detection performance of the EBPSK detector based on the IMPSO-BP neural network is better than those of the other three detectors.

计及风机出力和负荷随机性的配电网无功规划

为保证无功规划方案能够适应风机出力和负荷的随机变化、电网在所有负荷水平都能安全且经济的运行,本文计及风机出力和负荷的随机性,在不同负荷水平下研究了含风电机组的配电网无功规划问题。以不同负荷水平下系统支出费用最小为目标,建立了配电网无功规划数学模型。通过三点估计法将概率潮流计算转变为采样点处的确定潮流计算,来处理模型中的不确定因数。针对粒子群算法易陷入局部最优的缺陷,采用自适应混沌变异粒子群算法(ACMPSO)用于模型的求解。在已知无功补偿装置安装位置但安装容量不确定的情况下,确定各待补偿节点的最优容量配置。通过对改进的IEEE33节点配电网的仿真测试,验证了所提出的无功规划策略的有效性。