基于CSO-AUKF的锂电池SOC估算方法

电池荷电状态(SOC)估算是电池管理系统(BMS)的关键技术之一。针对锂电池提出了一种基于猫群(CSO)算法和自适应无迹卡尔曼滤波(AUKF)算法相结合的电池SOC估算方法;建立了基于二阶RC等效电路模型的锂电池状态方程,采用CSO算法提高电池辨识精度,联合AUKF算法对SOC进行估算;基于混合脉冲功率测试工况(HPPC)和间歇恒流放电工况下的数据对该方法有效性进行了验证。研究结果表明:基于CSO-AUKF估算,SOC最大误差小于1.64%,估算精度及稳定性均好于遗传算法。

融合猫群算法的动态分组蚁群算法

针对传统蚁群算法在旅行商问题(TSP)中容易陷入局部最优且收敛速度慢等问题,提出了一种融合猫群算法的动态分组蚁群算法。首先,在种群初始化时,人工地使蚂蚁均匀分布在不同的城市。其次,借鉴猫群算法中的分工思想,在蚁群系统中引入动态分组机制,将蚂蚁分为搜索蚂蚁和跟踪蚂蚁两类:搜索蚂蚁通过路径构建规则的改善使算法在前期多样性增加;跟踪蚂蚁利用信息素扩散机制对局部信息素进行自适应更新,突出较优子路径的作用,避免算法陷入局部最优。最后,通过信息素全局更新机制加快收敛速度。通过Matlab对TSPLIB中的多组案例进行仿真实验,结果表明改进后的算法平衡了多样性和收敛速度,有效提高了解的质量。

一种基于猫群优化算法的焊缝跟踪自调整规则模糊控制方法

机器人焊缝跟踪系统由于焊接环境的复杂性是一个存在不确定信息的非线性复杂系统,一般的控制方法不能很好地适应受控对象的多变性。对此本文提出了一种基于猫群优化算法(CSO)的机器人焊缝跟踪自调整规则的模糊控制器(CSO-FC),使用解析形式的控制规则表达式,以简化机器人焊缝跟踪中模糊推理过程,并将一个权系数加入到表达式中,不同的权系数代表不同的控制规则,以实现焊缝跟踪的自调整。通过仿真实验,将本文提出的自调整规则模糊控制方法与其他控制方法进行对比和分析,验证了本文方法的有效性和适应性。

猫群算法的锂离子电池辨识参数及仿真

针对锂离子电池模型参数辨识问题,应用猫群算法(CSO)进行研究,并在SIMULINK环境下搭建电池仿真模型,进行有效性验证。CSO较最小二乘法、遗传算法取得了更优的效果:两种放电情况下对剩余电量估计的平均相对误差减少约0.02%;均方根误差平均减少0.00057;CSO达到最优适应度的迭代次数仅为遗传算法的一半。

基于CSO-RVM的瓦斯涌出量预测模型研究

为了实时监测和精准预测煤矿回采工作面绝对瓦斯涌出量,提出猫群算法(CSO)优化相关支持向量机(RVM)的绝对瓦斯涌出量预测方法。相关向量机的组合核函数可实现多特征空间的信息融合,为有限样本、高维数瓦斯涌出量预测建模问题提供一种行之有效的方法。并用CSO算法对RVM瓦斯涌出量预测模型的核函数权重p和高斯核参数σ快速寻优。利用矿井无线传感器网络检测到的各项历史数据试验。结果表明,相比BP、SVM算法,该耦合模型有效提高了预测精度,具有更好的泛化能力,为矿井瓦斯预测提供理论支持。