粒子群差分混合算法在PID参数优化中的应用

为有效提高PID控制器的性能,提出了一种粒子群差分混合算法(PSO-DE),并应用于PID参数优化中.算法利用一个选择判断因子来确定每个个体的更新方式,使用简化粒子群算法(s PSO)和改进后的差分进化算法(DE)来共同产生新一代个体,并将其应用于PID的参数整定中.仿真结果表明,相较于粒子群算法和差分算法,混合算法在PID控制器的参数优化中具有更好的全局搜索能力,而且控制精度较高.

基于差分进化粒子群混合算法的多无人机协同区域搜索策略

为提高无人机群在未知环境中的区域搜索效率,提出一种多无人机协同区域搜索策略。首先,根据区域搜索任务需求,建立包含区域覆盖率、区域不确定度、目标存在概率三种属性的区域信息地图;其次,以最大化搜索效率、同时最小化无人机搜索过程中的能耗为目标,建立无人机区域搜索滚动时域优化目标函数,指导无人机在线决策搜索路线;然后针对传统群智能优化算法易陷入局部最优的缺陷,设计差分进化粒子群混合算法在线求解该多目标优化问题,提高算法的寻优性能,从而提高无人机的搜索效率。最后,通过数值仿真实验,对所提算法进行验证,仿真结果表明,文中设计的基于差分进化粒子群混合算法的多无人机协同区域搜索策略与传统的群智能优化算法相比具有更高的区域搜索效率。

基于异维变异的差分混合粒子群算法

针对粒子群(Particle Swarm Optimization,PSO)算法和差分进化(Differential Evolution,DE)算法存在容易陷入局部极值、进化后期收敛速度慢和收敛精度低的局限性,提出了一种基于异维变异的差分混合粒子群(UDEPSO)算法。首先,为了提高群体多样性,使用熵度量初始化粒子;其次,在粒子迭代的过程中,根据粒子的分布特点,引入异维变异学习策略和维度因子以引导粒子及时跳出局部极值达到最优解;最后,将所提算法在10个典型的测试函数上进行了仿真,其在9个测试函数的收敛精度和标准差上取得了显著的效果,远优于PSO算法、DEPSO算法以及CDEPSO算法。实验结果表明,UDEPSO算法在优化收敛精度和效率上具有较强的优势。

差分进化混合粒子群算法求解项目调度问题

针对求解资源受限项目调度问题(RCPSP),提出了基于差分进化(DE)的混合粒子群算法(PSODE)。通过在PSO种群和DE种群之间建立一种信息交流机制,使信息能够在两个种群中传递,以避免个体因错误的信息判断而陷入局部最优点。采用标准测试函数和具体算例进行检验,结果表明PSODE算法可以较好地解决RCPS问题。

基于差分进化粒子群算法的城市电动汽车充电站最优规划

针对如何确定电动汽车充电站的位置及充电机数量问题,分析了快速充电站的服务对象,建立了考虑建设成本、充电途中行驶成本、充电站等待成本的综合优化模型。模型考虑了城市地理信息,以充电便捷、等待时间为约束条件,以充电站固定成本、车主充电行驶成本和在充电站等待成本之和最小为目标函数。电动汽车充电站规划问题是非凸、非线性、组合优化问题。为此,对目标函数的求解,提出用差分进化混合粒子群算法,该算法增加了种群的多样性和全局寻优能力。算例分析验证了所提规划方法的有效性和实用性。

一种求解热电联供经济调度问题的双种群混合智能优化算法

随着电力系统中热电联供所占比重的越来越多,热电联供经济调度问题的解决迫在眉睫。本文针对热电联供经济调度问题的特点,结合粒子群算法(PSO)和差分进化算法(DE)的各自优势,设计了一种双种群混合智能优化算法,该算法在一个种群中采用PSO算法产生新个体并进行更新迭代操作,在另一个种群中采用DE算法产生新个体并进行更新迭代操作,通过对每次迭代过程中两个种群产生的最优个体进行信息交流,协调维持了整个种群的多样性,使得算法在最优解寻找过程中的性能得到提升。对两个热电联供测试系统的仿真实验表明,相比于其他进化算法,本文提出的混合差分进化与粒子群优化算法(DEPSO)在热电联供经济调度问题中可以得到更好的结果。

多目标约束下的电力网络负荷优化分配研究

当电力网络某些区域负荷过重时,会导致电压下降、频率不稳定,进而影响电子设备的正常工作和供电质量。合理优化分配电力网络的负荷,是典型的多目标优化问题。对此,提出电力网络负荷多目标优化分配方法。以负荷平衡与功率总和作为约束条件,建立多目标下的电力网络负荷优化分配模型。引入非劣分层理论改进差分粒子群混合算法,求解负荷优化分配模型,以获取负荷优化分配解集。利用基点和熵的多指标评价方法,在负荷优化分配解集中确定唯一解,以完成电力网络负荷优化分配。试验结果表明,该方法可有效优化分配电网中的负荷,减少供电煤耗、污染物排放量与调度机组数量,缩短负荷调整时间,提升电力网络发电机组出力值,且具有较高的负荷优化性能。该研究对智能电网和智能优化领域具有借鉴意义,能使电力网络运行和管理更加高效和智能化。

订单不确定下双资源约束多装配线鲁棒调度

考虑生产过程中的订单不确定等因素,建立了以最大化交付满意度、最大化装配线平衡率及最小化完工时间跨度为目标的鲁棒调度模型,基于差分进化算法和粒子群算法提出了对模型进行求解的混合优化算法,并通过算例验证了混合优化算法求解该鲁棒调度模型的可行性和有效性。最后综合分析PTCN公司二厂多装配线生产车间的实际生产情况,将所建立的鲁棒调度模型和提出的混合优化算法应用于实际的多装配线生产过程,获得了较优的调度结果。

汽车主动悬架LQR控制器平顺性控制仿真

LQR控制器的汽车主动悬架中控制器的权重系数矩阵Q主要依靠计算机的不断计算或人员的先验知识来确定,难以得到全局最优的LQR控制器。因此,提出一种新的混合优化算法PSO-DE来优化系数矩阵Q,PSO-DE混合优化算法能够保持粒子多样性,同时还可以对粒子群进行全局搜索以获得全局最优解。将混合优化算法PSO-DE-LQR与DE-LQR控制算法相比较,并结合某车参数在Simulink中建立混合型1/4悬架仿真模型。将被动悬架、DE-LQR主动悬架和混合优化算法PSO-DE-LQR主动悬架的车身加速度、悬架动行程及轮胎动位移三项性能指标的均方根值进行了对比分析。仿真结果表明,混合优化算法PSO-DE-LQR明显优于DE-LQR主动悬架和被动悬架,在很大程度上能减少路面冲击对车身振动的冲击,能显著地改善乘客乘坐的平顺性与驾驶员的操作稳定性。