粒子群算法在多种数据联合反演断层三维滑动速率的应用研究

建立多种大地测量数据联合反演的数学模型。利用青藏高原东北缘地区的GPS、水准、重力三种观测数据,结合附有LDW策略的惯性权重的粒子群算法,反演龙首山断裂的三维滑动速率。结果表明:龙首山断裂主要以右旋、逆冲为主,兼具挤压趋势,且具有空间分布不均匀性的特征。相比单一数据的反演结果,多种数据联合反演更具稳定性和规律性。

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.

基于遗传粒子群动态聚类算法的物流柔性分拣系统品规分配

目的针对目前烟草物流配送中心条烟分拣量大,不同条烟品规的分配对订单的总处理时间影响较大的问题,研究平衡各个分拣区品规的分配,提高分拣效率。方法建立以各分区品规相似系数和最小为目标函数的数学模型,并采用改进的遗传粒子群动态聚类(GAPSO-K)算法进行求解。首先,结合各品规分拣量对品规相似系数进行改进,并将其作为适应度函数;然后在粒子群算法中对惯性权重因子进行改进,使其值可以进行自适应改变;最后,在粒子群动态聚类算法中引入遗传算法中的交叉变异扩大解的搜索范围,基于Matlab对文中的其他算法进行求解对比,求得结果在EM-plant中进行仿真验证。结果结合某烟草物流配送中心数据仿真验证,利用GAPSO-K算法处理订单的时间为234.5 s,较传统时间大幅度较少,有效提升了柔性物流分拣效率。结论采用该算法可充分发挥2种算法的优良性,具有更好的收敛性及寻优性,为柔性物流品规分配提供了新思路。

基于粒子群-遗传混合算法的深沟球轴承优化设计

为了提高深沟球轴承的服役性能,提出一种基于粒子群-遗传混合算法的优化设计方法。其以额定动载荷和额定静载荷为目标函数,以滚动体直径、节圆直径、滚动体数目和内外圈滚道沟曲率半径系数为设计变量,基于粒子群算法,引入罚函数和遗传交叉、变异操作,解决带约束优化问题求解和局部最优问题。并以6206型轴承为算例,对优化后的轴承进行应力分析和敏感度分析。结果表明,所提出算法的收敛性能较好、优化能力较强、运算速度较快,优化后的深沟球轴承接触应力下降了31.7%,从而验证了所提出方法的有效性。

基于粒子群遗传算法的纱线生产过程参数反演

针对传统纱线质量的正演、反演模型中存在收敛速度慢、精度低等问题,以及标准粒子群算法存在陷入局部极值的缺陷,提出一种粒子群遗传混合算法。使用该算法优化BP神经网络的权值和阈值并建立纱线条干正演模型。在此基础上,以纱线条干CV值为对象构建了粒子群遗传算法反演模型;使用历史生产数据对生产过程参数进行反演。结果表明:各生产过程参数反演结果的平均相对误差均低于4%。认为:该反演方法具有较高的可行性与准确性。

基于模糊粒子群算法的配网指令调度联合优化方法

配网指令调度的联合优化可以保证配电网的安全稳定运行。为了提高配网指令调度的联合优化能力,提出基于模糊粒子群算法的配网指令调度联合优化方法。根据配电网的物理架构组成,给出配电网与通信网的连接结构,通过分析配电网的负荷特征和储能特征,挖掘出配电网的运行特征。依据分布式电源在微电网系统中的出力,计算燃料消耗费用、发电设备的维修折旧费用、停电赔偿费用和电能交易费用,以发电费用最低为目标,建立配网指令调度的目标函数。通过粒子群算法的模糊处理,利用模糊粒子群算法设计配网指令调度的联合优化算法,实现配网指令调度的联合优化。算例结果表明,所提方法可以降低配电网的损耗,并保证系统负荷的稳定性。

基于遗传粒子群算法的水闸底板优化设计

为获得最佳的水闸底板设计方案,降低建造材料用量,对水闸底板尺寸进行优化设计。首先,以水闸底板总截面积为目标函数,底板抗滑稳定、底板基底应力为约束条,以底板尺寸为优化变量建立水闸底板尺寸优化数学模型;其次,提出了一种耦合粒子群优化算法和遗传算法的遗传粒子群算法,用于优化求解水闸底板尺寸优化数学模型。选取狮子山水闸为分析对象,计算结果表明:遗传粒子群算法对狮子山水闸底板尺寸的优化率为11.44%,其对于狮子山水闸底板尺寸的优化效率明显优于粒子群优化算法和遗传算法。

基于改良粒子群遗传算法的无人机配送路径可视化

为满足无人机配送的需要,实现配送路径的最优化,文中提出了一种计算最优配送路径的方案。首先,分析了对无人机飞行路径规划的研究现状,介绍了算法的改进,其中单个无人机主要考虑实现飞行路径最短,多个无人机需要综合飞机配送的均衡度和总配送路径给出飞行路径。其次,使用Web前端实现算法计算,给出建议的配送路线,并使用高德地图API实现路径的动态飞行模拟。该无人机配送路径规划模型对空中配送的研究和建设提供了借鉴,具有一定的实际参考价值。

基于混合简化粒子群算法的贝叶斯网络结构学习研究

为改善当前贝叶斯网络结构学习算法易陷入局部最优、过早收敛和寻优效率低的问题,进行了混合简化粒子群算法优化贝叶斯网络结构学习的研究。该算法利用最大支撑树约束搜索空间,并提出V-结构与条件相对平均熵相结合的初始定向策略,然后利用爬山策略建立初始粒子群,再利用改进的粒子群优化算法和遗传算法对初始种群迭代优化,在迭代过程中提出条件交叉和变异策略避免粒子的随机发散更新,并结合副粒子增缓策略更新未优化粒子,避免算法陷入局部最优。该算法与其他算法在4种标准网络下进行了仿真实验。实验结果表明,所提算法在ASIA、CAR、CHILD、ALARM网络中相比于MMHC、GS、BNC-PSO、PC-PSO算法BIC评分分别平均高5.775%、5.8%、0.475%、2.75%;汉明距离HD更低,正确率ACC更高。

基于改进粒子群算法的卫星星座优化设计

面向区域覆盖的卫星星座设计是一个多约束的优化问题,提出一种基于改进粒子群(Particle Swarm Optimization,PSO)算法的中轨(Medium Earth Orbit,MEO)卫星星座优化设计方法。以最大化卫星星座对中国区域的平均覆盖率为目标,基于3+4P星座构型进行卫星星座优化设计,并采用改进PSO算法对卫星的轨道参数进行优化。通过仿真软件和卫星仿真工具包(Satellite Tool Kit,STK)互联进行算法验证,并将改进PSO算法、标准PSO算法和遗传算法(Genetic Algorithm,GA)的优化结果进行对比。仿真结果表明,改进PSO算法优化后的卫星星座对中国区域的覆盖率均值为95.34%,分别比标准PSO算法和GA算法高0.68%和9.55%,同时具有更高的平均覆盖重数和总覆盖时长。因此,基于改进PSO算法的卫星星座优化设计方法可以实现较好的覆盖性能。

基于多目标粒子群优化算法的某轻型商用车操纵稳定性优化研究

针对某轻型商用车稳态回转时侧倾度偏大的问题对其悬架进行优化改进。基于ADAMS/car搭建整车多体动力学模型,通过前悬架反向平行轮跳试验、后悬架理论计算验证了悬架仿真模型的准确性。进行整车稳态回转工况和转向盘中间位置转向工况仿真分析,结果表明,车身侧倾度偏高。为实现操纵稳定性优化分析的流程自动化,提出了基于modeFRONTIER的联合仿真方法。以悬架设计参数为优化变量,以汽车的侧倾度与横摆角速度响应滞后时间为优化目标,采用拉丁超立方试验设计方法拟合得到混合代理模型,并结合多目标粒子群优化算法对悬架系统进行多目标优化,获得了悬架系统优化方案。优化结果显示,在不影响平顺性的前提下,汽车车身侧倾度降低了13.93%,横摆角速度响应滞后时间降低了2.75%,整车操纵稳定性得到了提升。

基于遗传粒子群算法风电机组变速与变桨系统PI控制器设计

为了提升风电机组的控制精度并降低关键承载部件的载荷情况,通过遗传粒子群方法研究了变速与变桨系统比例积分(proportional integral,PI)控制器的设计。首先,采用泰勒级数将风电机组线性化展开为状态空间方程。然后,通过提取输入、输出和平衡点分别构建变速与变桨系统的数学模型。其次,分别采用Routh法和最小二乘法将变速与变桨系统辨识为低阶惯性系统和惯性时延系统。然后分别基于时间加权绝对误差积分准则和Chien-Hrones-Reswick法整定变速与变桨系统PI控制参数。最后,采用帕累托方法分配控制目标的权重关系并基于遗传粒子群算法优化变速与变桨系统PI控制参数,进而采用最小二乘法将其分别与风速和桨距角拟合构建自适应PI控制。结果表明:在变速控制中能够有效提升输出功率并抑制塔架顶部侧向振动;在变桨控制中能够有效平抑输出功率和发电机转速波动并降低叶片根部载荷情况。可见通过遗传粒子群方法设计的变速与变桨系统PI控制器具有良好的有效性和适用性。

基于粒子群算法的农用轮胎柔性环模型参数辨识方法

轮胎柔性环模型能准确表达轮胎变形,但模型的刚度参数无法直接测定,因此模型刚度参数的辨识成为建模过程中的关键。本文基于轮胎柔性环模型运动学方程,分析农用轮胎固有频率与刚度参数之间的关系,提出基于粒子群算法的柔性环模型刚度参数辨识方法。通过轮胎模态试验获取轮胎固有频率,采用粒子群算法对柔性环模型刚度参数进行辨识。将固有频率的试验值与预测值的平均误差作为评价指标,对比粒子群算法与传统算法及遗传算法辨识结果,结果表明粒子群算法的参数辨识结果精度较高,平均绝对误差为1.67 Hz,平均相对误差为1.66%,相较于遗传算法,平均相对误差降低16.16%,运算时间减少93.19%。通过接地印痕试验获取农用轮胎接地角度,结合辨识所得刚度参数,估算轮胎所受到的垂向力,对比垂向力的试验值与预测值,结果表明粒子群算法的参数辨识结果精度较高,垂向载荷估算平均相对误差为1.97%,相对于遗传算法,平均相对误差降低12.05%。

混合驱动的粒子群算法

粒子群优化(particle swarm optimization,PSO)算法是一种在机器人运动规划、信号处理等领域有广泛应用的优化算法。然而该算法易陷入局部最优解,从而导致早熟问题。出现早熟问题的原因之一是粒子群仅依靠适应度值选择学习范例。为了克服上述问题,提出了一种基于适应度值、改进率和新颖性混合驱动的PSO算法(particle swarm optimization algorithm based on hybrid driven by fitness values,improvement rate,and novelty,FINPSO)。在该算法中,引入的新指标和遗传算法会平衡种群的探索与开发,降低粒子群早熟的可能性。适应度值、改进率和新颖性会作为粒子的评价指标。各指标独立地选择学习范例并保存到不同的档案中。粒子每一次速度更新都要确定各个指标的权重,并从每个档案中选择一个范例学习。该算法采用了遗传算法进行粒子间的信息交流。遗传算法中的交叉互换和突变会给种群带来更多的随机性,提升种群的全局搜索能力。以八个PSO算法变体作为对比算法,两个CEC测试套件作为基准函数进行实验。实验结果表明,FINPSO算法优于已有的PSO算法变体达到最先进水平。

基于粒子群遗传禁忌的武器目标分配优化算法

针对传统的粒子群算法与遗传算法在解决武器目标分配优化时存在收敛精度不高的问题,提出了一种基于粒子群遗传禁忌的武器目标分配优化算法WTAO-PGT。通过引入自适应选择比例调控种群多样性,并改进遗传算法的交叉、变异算子以及禁忌搜索的邻域动作,使算法具有较强跳出局部极值的能力。仿真实验结果表明,所提算法在收敛精度上较粒子群禁忌混合搜索等算法有较大提升。

采用多目标粒子群-遗传算法的井筒钻孔机械臂臂长设计

为了解决井筒工程人工钻爆法施工突出问题,采用4自由度机械臂替代人工完成井底炮孔钻掘.首先,在无初始臂长参数下,通过算法获得一组结构参数小,在有限封闭作业空间内末端执行器可达位置范围大的臂长参数.然后,借助MDH(modified Denavit-Hartenberg)坐标运动学参数化正向建模,以末端位置包络线为约束逆向筛选,以臂长参数、可达度为目标,采用多目标粒子群-遗传算法(MOPSO-GA)进行参数寻优,得到若干组Pareto最优解集,并根据适应度选择最优参数结果.最后,对最优参数蒙特卡洛法和运动学进行仿真验证.结果表明:末端点云布于井底,包覆井筒钻孔工作区域,各臂运动学参数相对平稳,能够完成目标任务.

基于混合粒子群算法的配电网故障重构研究

为了实现含分布式电源的配电网络故障时的恢复供电,在分析粒子群算法基本原理与配电网络结构模型的基础上,提出一种基于混沌映射改进的自适应混合粒子群算法。将压缩因子与自适应权重引入粒子群算法,并借鉴遗传算法中的杂交与自然选择思想,在每次迭代中根据杂交率选取一定粒子进行两两杂交,把每次迭代结果中优秀的一半替换差的一半,并对适应度值良好的粒子进行Logistic混沌优化。接入分布式电源的IEEE 33节点算例,模拟不同算法进行故障重构。仿真测试结果体现出了改进算法具有更快的收敛速度与更好的稳定性。

自纠正混合粒子群算法的动车组接续问题

针对动车组在不固定周转方式下的接续优化问题,首先在满足列车时刻表时空约束的条件下建立以接续时间最短为目标函数的数学模型。设计自纠正的混合粒子群算法求解该模型,为了减少算法优化复杂度,每隔T周期比较前一半T周期和后一半T周期的平均目标值,若目标值递减即按照正常粒子群速度更新公式更新,反之则按速度更新公式反向更新;得到新的种群后,按照目标值从升序排列粒子,在排序后的粒子中依次挑选两个粒子进行交叉变异操作,生成使得接续时间最短的粒子。最后分别利用自纠正混合粒子群算法(SCHPSO)、混合粒子群算法(HPSO)、粒子群算法(PSO)和遗传算法(GA)对武广线数据进行实验验证,证明了SCHPSO的有效性。

混合粒子群算法计算数控加工逼近误差研究

数控精加工中,逼近误差是刀具进给方向上相邻刀位点之间的加工误差,它的高效、精确计算是生成高质量数控加工刀轨的前提。为了提高逼近误差的计算效率,提出一种结合遗传算法的混合粒子群优化算法。建立逼近误差计算的刀触点区间与粒子搜索区间之间的映射关系和适应度计算模型,以适应度值的最大值作为逼近误差;运用Tent映射进行粒子种群初始化,提出基于sigmoid函数的惯性权重系数和基于迭代次数的学习因子两种非线性控制方法;引入遗传算法的交叉和变异策略提高粒子全局搜索能力,以此构建出混合粒子群优化算法并进行编程实现。以典型自由曲面为例计算逼近误差并生成等误差刀轨,使用本算法的刀轨生成时间小于几何迭代算法和标准粒子群算法,验证了算法的可行性和有效性。

基于改进粒子群算法的高速载荷控制参数优化

高速载荷入水前需要实现合成攻角的瞬时控制,而高速载荷瞬时姿态控制参数是决定高速载荷能否在合理的合成攻角范围内入水的关键。因此,针对高速载荷瞬时姿态控制参数的整定与优化,本文设计一种改进的粒子群优化算法,设计惯性权重自适应调整方式,使不同粒子根据自身搜索效果产生不同的惯性权重,并且引入遗传算法的思想改善粒子群的搜索能力,从而提高粒子群优化算法的寻优能力,得到恶劣初始条件下高速载荷瞬时姿态控制较高的寻优成功率。