面向柔性作业车间调度问题的混沌编码量子粒子群优化算法

为解决柔性作业车间调度问题,提出一种混沌编码量子粒子群优化算法。针对标准量子粒子群优化算法中粒子过早收敛于局部最优值的缺点,提出具有扰动行为的自适应收缩-扩张系数和关联粒子适应度值的计算方法,改善算法的全局搜索能力;通过引入混沌边界变异策略,减少粒子大量聚集在边界的概率,增加种群的多样性来提高搜索最优解的能力;针对量子粒子群优化算法的迭代特性,设计一种适用的混沌编码策略。将提出的改进量子粒子群优化算法应用于柔性作业车间调度问题,并通过多种基准算例与标准量子粒子群优化算法、粒子群优化算法和混合遗传算法进行对比,验证所提算法的性能。实验结果表明:混沌编码量子粒子群优化算法具有更好的稳定性和更强的寻优能力。

基于改进量子粒子群算法的新能源汽车换电站优化布局

为了针对在新能源换电汽车发展普及过程中的换电站建设相关问题,通过建立以换电站运营目标年限年均综合费用最小为目标,综合考虑土地价格、建站成本、运营成本、维护成本、道路流量、服务能力等因素的优化目标数学模型,以换电能力、换电距离为约束条件。同时利用改进的量子粒子群算法对模型求解,算法引入自适应调整的惯性权重,提高粒子的整体搜索能力,利用Logistic混沌映射初始化种群信息,提升种群的遍历性,通过Levy飞行策略与Cauchy变异策略,提升种群的多样性并扩大算法在迭代过程中的搜索空间,进一步提升算法的全局搜索能力并快速跳出局部最优区域。利用该算法对长春市宽城区进行实际规划,将该区域相关数据引入建立的数学模型,确定了该区域内建设四座换电站时符合预期建设目标,同时确定各电站建设位置及容量,证明研究结果的可行性与实用性。

基于混沌粒子群算法的城市无人机路径规划

结合城市无人机复杂运行环境特点,针对三维空间路径规划问题,提出基于混沌粒子群算法的城市无人机路径规划方案。首先利用地理信息系统GIS获取城市相关信息构建三维城市环境模型,然后针对PSO粒子群算法中rand()函数伪随机的问题,引入Zaslavskii混沌序列生成随机数,构建城市无人机路径规划经济效益、飞行高度和障碍物规避3个适应度函数,并对PSO粒子群算法和函数的参数进行调整。选取天津某区域进行仿真,结果表明本文所提方法比传统PSO粒子群算法更具有优越性。

基于混沌多目标粒子群算法的综合能源调度

目的针对当前综合能源系统中资源协同优化效率不足、微网运行经济性和环保性差的问题,提出了一种计及风电储能及不稳定因素的微网优化调度方法。方法该方法在微网负荷侧需求响应对新能源消纳影响的基础上,以消纳新能源和削峰填谷为目的,提出了优化负荷曲线的方案;然后,考虑微网调度侧风电出力的不稳定性以及微网内部设备的耦合,进行优化调度以降低微网运行成本、减少环境惩罚费用并提高风电消纳平稳性;最后,采用混沌多目标粒子群算法对优化问题进行求解,并在风电不稳定度占比0%、5%、10%和15%时进行了算例仿真分析。结果当风电不稳定度为10%和加入风电储能,系统运行成本和环境治理费用最少,比方案1和无风电储能少6919.4元,风电平稳量也提高38 kWh。在电热冷网中,负荷侧加入需求响应后,系统得到稳定运行和能源合理利用,可以很好地满足负荷侧用能需求。从算法对比中,混沌多目标粒子群算法加入自适应权重和变异率后,具有较强的全局搜索能力和更好的准确性。结论该方法通过合理设置风电不稳定度能够有效降低运行成本和环境惩罚费用,提高风电稳定性,其次,负荷侧的需求响应可以一定程度地削峰填谷和消纳新能源。

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。

基于遗传粒子群算法的超混沌S盒设计

针对目前基于混沌系统所构造的S盒难以拥有良好密码学性能的问题,提出一种基于超混沌系统及遗传粒子群优化算法的S盒设计方案.在一维混沌映射基础上,引入正余弦函数以及指数因子,构造一个二维超混沌系统,从系统分叉图、相图、Lyapunov指数图进行性能分析,该混沌系统在参数范围内有着连续的超混沌区间,混沌行为复杂.通过改变混沌系统的初值、参数以及迭代次数可以动态生成S盒,随后结合粒子群优化算法和遗传算法提出一种针对S盒的遗传粒子群优化算法,将混沌系统生成的S盒作为初始种群,利用粒子群算法改进遗传算法中的交叉操作,同时结合爬山算法提出一种新的变异策略.为验证所生成S盒性能,对S盒的双射特性、非线性度、严格雪崩准则、差分均匀性及输出比特间独立性进行仿真测试,仿真结果表明:所提出的优化算法能够生成非线性度、差分均匀性、输出比特间独立性方面表现良好的S盒.

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。

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。

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。

基于种群熵偏移平均加权的改进量子粒子群算法

量子粒子群算法具有更好的全局搜索能力,被视为对粒子群算法极为有效的改进,然而其运行过程中仍存在种群多样性衰减问题。为进一步提升量子粒子群算法的全局寻优能力,在基于加权平均最优位置的量子粒子群算法的基础上,提出了基于种群熵偏移平均加权的改进量子粒子群算法,将种群熵与加权范围中心偏移值进行动态关联,有效增强了算法搜索空间的遍历性,避免了算法早熟收敛。应用常规测试函数,与传统粒子群算法、量子粒子群算法和加权量子粒子群算法进行了对比分析,证明了文章提出的改进算法的有效性。

基于混沌粒子群优化算法的电力大规模应急物资管控领域本体模型研究

针对评价指标关系丰富性和可解释性低,不能满足管控领域本体建模需求的问题,提出基于混沌粒子群优化算法的电力大规模应急物资管控领域本体模型。采用混沌粒子群优化算法,设计映射实体对集合。通过评价适应度和稀疏度,更新粒子位置并判断是否停止迭代。计算得到最优映射结果,并使用全局DEA评估模型是否符合要求。实验结果表明,综合考虑关系丰富性和可解释性指标,研究模型在整体上表现相对较好。

基于量子粒子群算法的钢包残厚反问题并行化数值分析

本文基于量子粒子群算法,将有限元语言及其编译器准稳态热传导有限元分析计算温度与温度的误差作为广义目标函数,反向算钢包工作层的残余厚度,从而对钢包内衬使用情况的检查、判定工作提供一定指导。钢包是炼钢过程中重要的高温移动熔融容器之一,其内衬使用的耐材会由于侵蚀和机械热应力造成开裂、剥落,其使用寿命的长短直接影响生产节奏和生产成本。目前炼钢厂主要依靠人工观察并结合工作经验来判断钢包是否能够继续使用,但往往为了保证生产安全,会下线钢包提前维修,造成材料和能源的浪费。

基于量子粒子群算法优化LSTM的短期风电负荷预测模型

为了提高短期电力负荷预测的精度,研究了一种基于QPSO算法对LSTM神经网络进行优化的算法,并根据LSTM神经网络以及QPSO算法的基本原理,利用QPSO算法优化模型隐含层节点数、训练次数和学习率,建立QPSO-LSTM短期风电负荷预测模型[1]。解决了因网络结构及模型参数的不确定性产生的精度问题,并将该模型与传统的神经网络模型进行了对比。仿真结果表明,QPSO-LSTM模型较传统的LSTM模型预测精度更高。

基于纳什均衡量子粒子群算法的分布式能源系统频率控制方法

含风能、太阳能等可再生能源的分布式能源系统存在频率波动过大和混合储能难以控制的问题。为此,文章提出了一种基于纳什均衡量子粒子群算法(NEQPSO)的分布式能源系统频率控制方法。首先,建立了一种含新能源和混合储能的分布式能源系统模型,并将滑模控制器(SMC)与LADRC观测器的输出共同作用于LADRC的PD控制器,实现滑模线性自抗扰控制器(SM-LADRC)的改进;接着,采用NEQPSO对控制器参数进行优化,以获取最优控制器参数;最后,设置不同情况下的对比验证实验。实验结果表明,优化控制器的控制效果明显优于常规PID和PI控制的;NEQPSO的寻优能力明显优于粒子群算法(PSO)和遗传算法(GA)的;同时,由负荷实验和灵敏度验证实验结果可知,基于NEQPSO滑模线性自抗扰控制的分布式能源系统响应快速、抗扰能力更强、频率效果更好且具有良好的稳态性能。

基于混沌粒子群算法的机器人动力学参数辨识

文中提出了一种改进的混沌粒子群算法以优化机器人的激励轨迹,提高动力学参数辨识精度。首先,构建简化的SCARA机器人的动力学模型,选用改进的傅里叶级数作为激励轨迹并建立其优化目标和约束条件的数学模型;其次,在粒子群算法中引入动态控制参数策略和混沌搜索增强机制以优化调整算法参数和早熟粒子;最后,评估改进算法的寻优效果并利用其优化机器人的激励轨迹,进行基于神经网络的动力学参数辨识。仿真结果表明,所求的激励轨迹曲线平滑,机器人动力学参数辨识精度较高。

混沌映射的粒子群算法分析比较

为解决粒子群算法(Particle Swarm Optimization, PSO)易受初值影响、迭代后期早熟收敛、局部寻优结果不稳定等问题,提出混沌映射粒子种群初始化的方案。即在算法前期根据混沌映射初值敏感性、随机性等特征,基于6种混沌映射对粒子群算法分别进行初始化,进而增加种群多样性和解的覆盖。引入动态惯性权重系数,提高算法收敛速度。通过6个测试函数进行仿真实验,对比不同混沌映射数据结果,实验证明该算法能在不改变原有时间复杂度的基础上较好地提高算法的收敛速度和寻优精度。

融合禁忌搜索和惯性权重动态调整的二进制粒子群优化算法

传统的二进制粒子群算法在优化过程中容易出现收敛速度慢和容易陷入局部最优的问题,因此提出了一种融合禁忌搜索和惯性权重动态调整的二进制粒子群优化算法。该算法不仅综合了粒子群优化算法的快速性、随机性、全局收敛性的优点,而且能够进行禁忌搜索以实现局部寻优。通过在4个基准测试函数上进行实验,实验结果表明该算法在逃离局部最优解方面具有更好的能力,提高了算法的收敛性能。