基于粒子群优化的生物质燃烧过程环保经济预测控制

考虑包含状态约束与控制约束的生物质非线性循环流化床锅炉(CFBB)燃烧过程的多目标控制问题,提出一种环保经济模型预测控制(EMPC)算法。采用机理建模方法建立约束生物质非线性燃烧过程模型。为了在系统稳定的前提下,优化生物质燃烧过程经济性能和环保性能,结合字典序方法与收缩约束关联优化问题,通过粒子群优化算法(PSO)求解优化问题,并结合滚动时域控制原理,设计CFBB燃烧过程环保型经济模型预测控制算法。最后仿真验证本文控制算法的有效性与优越性。

基于粒子群算法的室外配用电场景射线追踪优化方法

为高效地利用射线追踪(ray tracing,RT)方法对室外配用电环境毫米波段进行传播特性研究,提出一种将RT方法与粒子群优化(particle swarm optimization,PSO)算法相结合的RT优化方法.首先进行低分辨率RT,利用距离参数筛选出可能到达接收端的射线发射角度,并将其划分成多个搜索区域;然后在每个搜索区域中利用PSO算法寻找最优路径.该方法的路径损耗仿真结果与传统RT仿真结果以及实测数据都表现出了良好的一致性,场强覆盖预测也和传统RT仿真结果相一致.结果表明,该方法在保证精确度的同时可以有效提高RT计算效率,并避免了传统RT中的接收球问题,具有一定的工程应用价值.

基于粒子群优化与卷积神经网络的电能质量扰动分类方法

针对传统电能质量扰动分类方法中人工选取特征困难、步骤繁琐和分类准确率低等问题,提出了一种基于粒子群优化(particle swarm optimization,PSO)算法与卷积神经网络(convolutional neural network,CNN)的扰动分类方法。首先,利用reshape函数将各电能质量扰动信号的一维时间序列分别转成行列相等的二维矩阵,并对这些二维矩阵进行适当划分,形成训练数据集和测试数据集;其次,基于CNN构建电能质量扰动的分类模型;再次,采用PSO算法对该分类模型的参数进行优化,使用训练数据集对优化后的电能质量扰动分类模型进行训练;最后,使用测试数据集对经过训练的电能质量扰动分类模型进行测试,根据输出标签得到各类电能质量扰动的分类结果。仿真结果表明:该分类模型可以自行提取电能质量扰动数据的特征,相较于其他电能质量扰动分类模型,其对电能质量扰动信号的分类准确率更高。

改进粒子群优化(MPSO)算法在动态配水中的应用

基于在水资源不充足的情况下,对都江堰灌区六大干渠水资源的合理分配,使农业效益达到最大。首先建立灌区优化配水模型,并将粒子群优化算法(PSO)及其改进的算法应用于该模型。分别对标准PSO、两种改进PSO(MPSO)算法与遗传算法进行仿真对比,结果显示采用PSO算法及其MPSO在农业经济效益上可获得更好的寻优效果,提高了水资源的利用率。

聚集度指标引导的注意力学习粒子群优化算法

尽管目前粒子群优化(PSO)算法在求解很多优化问题上表现出了良好的性能,但如何在保持种群多样性的同时确保收敛精度,防止群体陷入局部最优,平衡勘探与开发之间的矛盾,仍是粒子群优化算法研究需要解决的问题。针对这些问题,提出了一种聚集度指标引导的注意力学习粒子群优化算法(ALPSO-AI)。首先,为了有效保持种群多样性,整个种群被分成若干大小相等的子群,并且在进化过程中重新组合,在每一代中,子群中的不同粒子根据其性能自适应地选择多个优质的学习对象。种群外部设有存档,用于指导种群的搜索并评估进化程度;其次,引入注意力机制,根据每个学习对象与更新粒子适应值的差异,对每个学习对象赋予不同的注意力权重,生成一个高质量的学习榜样,用于粒子的更新。针对搜索前期和后期不同的搜索需求,分别设计不同尺度的注意力分配方式,进行全局搜索和局部搜索;此外,对存档引入聚集度指标,通过判断当前最优粒子周围的适应值相似度,评估当前种群进化水平,当聚集度指标达到阈值时,开启局部搜索,以增强算法的整体收敛能力。实验对CEC2013测试集的28个基准函数在30维和50维的空间分别进行测试,并与主流的5种变体PSO和其他优化算法进行比较,实验结果证明了ALPSO-AI的优越性。此外,注意力学习和聚集度指标的有效性也进行了充分的验证。

基于铀尾矿库核素监测的WSN粒子群优化路由算法

为提高铀尾矿库无线传感器网络(WSN)现有路由算法的网络寿命,提出一种基于铀尾矿库核素监测的WSN粒子群优化路由算法(EBPSO)。首先,在簇头(CH)选举阶段,考虑传感器节点的能量、簇内节点距离、CH到基站的距离等参数,利用粒子群优化(PSO)算法选出最合理的CH,并将筛选出来的CH节点应用于铀尾矿库核素监测组建WSN;其次,在数据传输阶段,提出转发节点的选择方法;然后,用能量阈值重分簇方案来减少能量消耗;最后,对比基于PSO优化模糊C均值的分簇路由算法(POFCA)、低功耗自适应分簇(LEACH)以及高效非均匀分簇算法(EEUC)性能。结果表明:在网络生命周期上,EBPSO算法比POFCA、LEACH、EEUC分别提升1.7%、24.7%、9.2%。EBPSO算法能够延长网络生命周期,适用于铀尾矿库核素监测应用场景。

基于粒子群优化最小二乘支持向量机的交通事故预测方法

为解决交通事故预测中非线性样本影响预测精度的问题,本文构建了基于粒子群算法(PSO)优化的最小二乘支持向量机(LSSVM)的交通事故预测方法.在构建交通事故数LSSVM预测模型的基础上,采用PSO算法优化LSSVM的惩罚系数和核函数宽度;设计了基于粒子群优化最小二乘支持向量机的交通事故预测模型;最后以我国连续48个月的道路交通事故数据建立模型,验证了该预测方法的有效性.实验结果表明:PSO优化LSSVM的交通事故模型比使用经验参数的LSSVM预测模型的预测效果更好.是准确预测交通事故的方法.

能谱熵向量法及粒子群优化的RBF神经网络在高压断路器机械故障诊断中的应用

高压真空断路器是电力系统开关设备中极其重要的一种高压电器,而高压断路器故障中80%是由于机械特性不良造成,为此通过小波包变换对高压断路器机械振动信号进行了分析,以信号的能谱熵作为特征输入向量,建立了粒子群优化(PSO)径向基函数(RBF)神经网络的高压断路器故障识别系统模型,最后对实际高压断路器振动信号进行获取分析并得到结果。实验结果表明,高压断路器正常信号能谱熵向量各元素分布比较均匀;而故障信号所得能谱熵向量各元素变化较大且有一定变化规律;粒子群优化后的RBF网络模型在正确率、精度等方面高于传统神经网络模型。实验结果表明该方法用于高压断路器的故障诊断是可行的,并且可以为断路器的故障诊断提供更好的理论依据。

用于机组组合优化的蚁群粒子群混合算法

提出了一种用于求解机组组合优化问题的蚁群粒子群混合优化算法。通过将机组组合解编码为机组操作序列,降低了蚁群算法搜索的难度,使其空间复杂度由指数型降为线性型,使采用蚁群算法求解更大规模的机组组合问题成为可能。采用协同粒子群算法求解多时段负荷的经济分配问题时,用一个粒子群处理一个时段的优化问题,通过共享粒子群间的惩罚项解决了机组爬升率的约束问题。10机和20机系统的仿真实验和分析结果验证了该方法正确性、有效性和优越性。

基于粒子群优化的非线性灰色Bernoulli模型在中长期负荷预测中的应用

将非线性灰色Bernoulli模型用于到中长期电力负荷预测,提出了优选模型参数的粒子群优化算法。该模型是将GM(1,1)模型与Bernoulli微分方程相结合的一种灰色模型,适用于对不同发展趋势曲线的预测。通过粒子群优化算法,以模型预测平均绝对百分误差最小为目标,选择最优的模型参数。采用不同测试数据以及实际电网负荷数据进行了验证,结果表明上述模型有很好的适应性及较高的预测精度。

基于混沌的改进粒子群优化粒子滤波算法

针对基本粒子滤波(PF)算法存在的粒子退化和重采样引起的粒子多样性丧失,导致粒子样本无法精确表示状态概率密度函数真实分布,提出了一种基于混沌的改进粒子群优化(PSO)粒子滤波算法。通过引入混沌序列产生一组混沌变量,将产生的变量映射到优化变量的区间提高粒子质量,并利用混沌扰动克服粒子群优化局部最优问题。利用单变量非静态增长模型(UNGM)在高斯噪声和非高斯噪声环境下将该算法与基本粒子滤波和粒子群优化粒子滤波(PSO-PF)的性能进行仿真比较。结果表明:该算法的性能在有效粒子数和均方根误差(RMSE)等参数都优于基本粒子滤波和粒子群优化粒子滤波,改善了算法的精度和跟踪性能。

基于粒子群优化算法的配电网重构和分布式电源注入功率综合优化算法

随着分布式电源(distributed generation,DG)在配电网中安装比例逐年增加,配电自动化应加强对DG的优化调度功能,发挥DG对配电网优化的有利作用。配电网重构是配电网优化的重要措施,DG联网后,DG注入配电网功率直接影响配电网重构结果。为使配电网性能达到整体最优,提出了一种基于粒子群优化算法(particle swarm optimization,PSO)的配电网重构和DG注入功率综合优化算法。该算法根据PSO并行计算的特点,采用PSO和二进制粒子群优化算法(binary particle swarm optimization,BPSO)相结合的方式,对转换开关状态和DG注入功率2种控制变量同时处理,达到配电网网损、电压偏差最小的目的。将DG作为可调度设备,对配电网重构和DG注入功率进行综合优化,提高了含DG配电网的电能质量和供电可靠性。将该算法应用到3馈线配电系统,仿真结果验证了所提算法的有效性。

电动汽车电机故障时间的粒子群优化灰色预测

电动汽车电机故障因素多,可靠性分析需要大样本数据,为准确预测电机的故障时间,建立了故障率较高元件的故障树模型,给出了其可靠性计算式,并将基于小样本数据的灰色算法引入到电机可靠性计算中,利用传统和改进灰色模型进行仿真分析。为了进一步提高预测精度,以两种灰色模型为基础,利用粒子群算法的全局寻优能力,提出了以均方差最小为目标函数的优化模型,对电机故障时间进行预测,并利用两组实测数据进行了验证。结果表明,优化算法的相对平均误差分别为3.36%和5.05%,相对误差最大值分别为5.62%和8.41%。该结果验证了所提算法的有效性,为电动汽车电机的故障预测提供了理论依据。

基于遗传粒子群混合算法的机组组合优化

节能发电调度的目标是实现能耗量最小,合理安排机组发电计划则更为至关重要。在参考文献的基础上,提出了一种用于机组组合优化的遗传粒子群混合优化算法。先用遗传算法求解机组组合,再用粒子群优化算法求解负荷经济分配。按照节能调度思路对遗传算法进行了改进,提高了优化性能。给出了10机算例系统优化结果,验证了该混合算法的可行性和有效性。

基于粒子群优化算法的支持向量机研究

基于粒子群优化算法提出了一种通过优化支持向量机模型参数,建立更佳的支持向量机数学模型的方法.针对双螺旋分类问题,分别利用基于粒子群优化算法所建立的支持向量机分类器和标准支持向量机分类器进行了仿真实验,利用所建立的评价体系对仿真实验所获得的实验数据进行了评估,评估结果表明基于粒子群优化算法的支持向量机分类器明显优于标准支持向量机分类器,其分类结果表明基于粒子群优化算法的支持向量机分类器提高了分类结果的准确性,同时也验证了基于粒子群优化算法的支持向量机分类器在数据分类中的有效性.

混合粒子群优化算法在电网规划中的应用

在含被动聚集因子的粒子群优化(particle swarm optimization with passive congregation,PSOPC)算法和和谐搜索(harmony search,HS)的基础上,构建了一种新的混合粒子群优化(heuristic particle swarm optimization,HPSO)算法。该算法根据电网规划的特点,采用"飞回机制"处理变量的约束条件,利用和谐搜索处理规划问题的约束条件,使粒子群在迭代过程中始终保持在可行域内,同时该算法中引入了被动聚集因子,有效改善了粒子的进化机制,提高了粒子的自由搜索能力。18节点算例验证了该算法应用于电网规划的正确性和有效性,HPSO算法、粒子群优化算法和PSOPC算法的比较结果表明该HPSO算法具有较好的收敛性能。

改进的粒子群优化算法在QoS选播路由中的应用

QoS选播路由问题是一个非线性的组合优化问题,已被证明是NP完全问题.提出一种基于改进的粒子群优化的多QoS选播路由算法.算法引入一种特殊相加算子,让较差的路径能够不断向较好的路径学习,使算法尽可能向全局最优者靠近;设计一种随机变异算子,通过对全局极值进行随机变异,保证了粒子的多样性,提高了算法跳出局部最优解的能力.实验结果表明,该算法是可行和有效的,能够在资源预留的基础上较好地满足用户对带宽和时延的要求.

粒子群优化算法用于高光谱遥感影像分类的自动波段选择

针对传统SVM分类方法的缺点,采用粒子群优化(particle swarm optimization,PSO)算法自动选择合适的波段影像并对SVM核函数参数进行优化,提出一种新的PSO-BSSVM分类模型。经过对高光谱遥感影像的分类试验,并与K-最近邻(K-NN)、径向基神经网络(RBF-NN)和标准的支持向量机(SVM)三种分类方法进行对比实验,证明PSO-BSSVM方法能优选高光谱遥感影像的波段和优化SVM参数,明显提高影像的分类精度。

粒子群优化算法中惯性权重综述

粒子群优化(particle swarm optimization,PSO)算法是基于鸟群觅食行为的一种新型的群体智能算法,而惯性权重是PSO算法中一个极其重要的参数,其值的选取直接关系粒子在寻优过程中的开发能力和探索能力。在介绍PSO算法的基本原理的基础上,分析惯性权重对粒子群优化算法在收敛性方面的影响,综述了现有文献对惯性权重的研究进展,并评述了各种惯性权重取值策略所取得的研究成果和存在的不足之处。

粒子群优化算法在源强反算问题中的应用研究

在危险化学品泄漏事故中泄漏源强是预测事故后果的主要影响参数,也是事故应急救援决策的基础。为了在化学品泄漏事故过程中快速准确地获取泄漏源强数据,将粒子群优化(PSO)算法应用于危险化学品泄漏源强的反算中。利用高斯烟羽扩散模型和下风向浓度测量数据,将计算浓度与测量浓度的误差平方和作为目标函数,采用粒子群算法来优化,以确定源强并通过模拟的测量浓度数据进行算法有效性验证。结果表明,PSO算法及其参数改进算法不依赖于初值的选择,计算速度快,能满足事故应急响应救援的需要。