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。

基于改进二进制粒子群算法优化DBN的轴承故障诊断

针对滚动轴承故障振动信号非平稳性的特点,对二进制粒子群优化算法(binary particles swarm optimization,BPSO)和深度信念网络(deep belief network,DBN)进行研究,提出一种基于局部均值分解(local mean decomposition,LMD)和IBPSO-DBN的轴承故障诊断方法。提出用加权惯性权重改进BPSO迭代过程中的固定权重,再用改进BPSO优化DBN的隐含层神经元个数和学习率。该方法先对信号进行LMD,提取出各PF分量的散布熵和时域指标,并构建特征矩阵,然后把特征矩阵输入改进BPSO-DBN模型中训练,实现滚动轴承故障诊断和分类。采用试验轴承数据做验证并与其他诊断方法对比,结果表明,基于LMD和BPSO-DBN的滚动轴承故障诊断方法具有较好的故障识别率。

基于粒子群优化模糊PID控制的水厂加氯系统

水厂加氯过程具有非线性、大时滞等特点,采用传统的PID控制方式难以实现消毒剂精准投加。因此,以某采用次氯酸钠消毒系统的水厂为例,首先通过分析该水厂加氯系统工作原理,结合工程经验和运行数据确定了加氯过程的近似数学模型。然后综合使用粒子群优化算法、模糊控制算法和PID控制算法,设计了一种粒子群优化模糊PID控制器,并利用MATLAB软件搭建了粒子群优化模糊PID控制系统和传统PID控制系统的模型进行仿真验证,结果表明:相较于传统PID控制系统,粒子群优化模糊PID控制系统的超调量减少了89.36%,调节时间减少了46.63%,其抗干扰能力也更强,系统整体控制效果有了较大提升。最后使用基于粒子群优化的模糊PID控制法对水厂加氯控制系统进行改造,试运行后发现,新系统控制效果良好,出厂水游离氯值能够稳定在设定值附近。

邻域自适应粒子群算法求解地源热泵区域能源系统鲁棒优化调度问题

针对地源热泵区域能源系统中冷热负荷和机组效能的不确定性,本文提出了一种考虑双重不确定性的鲁棒优化调度方法.首先,基于多面体不确定模型描述调度模型中的鲁棒变量.然后,针对建筑冷热负荷不确定性,采用对偶原理将双层优化模型等价为单层优化模型;对于机组效能不确定性,采用场景法进行分析.最后,采用多目标优化约束处理方法处理鲁棒优化调度模型中的约束条件.同时,为更加高效、准确求解所构建的优化调度模型,提出了一种邻域自适应粒子群优化算法(NAPSO).实验结果表明,在制冷和制热工况下,与经验运行策略相比,本文所提方法可分别减少7.22%和5.55%的系统运行成本,是一种解决地源热泵区域能源系统鲁棒优化调度的有效方法.

采用改进多目标粒子群算法的斜拉桥阻尼器参数优化

为克服大跨度斜拉桥黏滞阻尼器优化设计效率低、多个相互制约的减震控制目标的问题难以权衡,基于遗传算法的“变异”方法,提出了改进多目标粒子群算法来进行阻尼器参数优化设计。建立大跨度斜拉桥的有限元模型,开展了全桥地震响应分析,根据抗震需求在桥梁纵向设置黏滞阻尼器;分别建立了塔底弯矩、阻尼力和梁端位移的减震响应与阻尼器参数之间的响应面数学模型;以减震响应面模型为研究对象,通过该算法进行阻尼器参数全局自动寻优分析,确定了阻尼器的最优参数,并与采用参数敏感性分析方法确定的一组阻尼参数进行对比分析。研究结果表明:该优化方法具有计算精度好、优化效率高和更好地权衡多个相互制约的减震控制目标的优点;通过优化算法获得的阻尼器参数组合相比采用参数敏感性分析方法获得的阻尼参数组合的减震响应,塔底弯矩增大1.73%,阻尼力减小5.97%,梁端位移减小1.66%;在无需多次有限元试算的基础上确定了更高精度的阻尼器优化参数组合,在提高减震效果的同时大大提升了计算效率。

电推进GEO卫星的改进粒子群轨道保持优化设计

针对地球同步轨道(GEO)卫星轨道保持问题,提出了一种基于改进粒子群算法(PSO)的序列电推力轨道保持方法。首先,建立了GEO卫星高精度非线性轨道动力学模型和序列电推力模型。然后,设计了GEO卫星相对轨道保持策略,建立了以燃料消耗为性能指标的序列电推力轨道保持问题优化模型并进行了离散化。接着,通过引入差分进化算法和维度学习策略对粒子群优化算法进行了适应性改进,同时对推力大小和作用时间进行寻优计算。最后,通过数值仿真对所提出的改进粒子群优化算法进行了对比校验。结果表明,该方法在完成GEO卫星轨道保持任务的同时具备燃料消耗低和收敛速度快等优点。

基于粒子群优化和卷积神经网络的电力系统运行状态辨识

随着“双碳”目标的提出,高比例可再生能源和高比例电力电子设备正成为电力系统发展的重要趋势和关键特征,其间歇性、不确定性使电力系统实时运行状态辨识面临严峻挑战。为此,该文提出一种基于粒子群优化和卷积神经网络(particle swarm optimization and convolutional neural network,PSO-CNN)的高精度电力系统实时运行状态辨识方法。首先,该方法同时考虑电力系统安全域与稳定域下的暂态问题,适用于暂态稳定故障前、故障中及故障后多场景的电力系统运行状态辨识。其次,为确保样本数据中新能源机组出力方式的全面性,采用拉丁超立方抽样方法对精细化仿真数据采样,考虑到实际电力系统中存在状态类别极端不平衡问题,引入PSO算法调节模型不同类别损失函数权重以提高模型对极端不均衡样本的辨识效果。最后,分别在IEEE39节点系统及某省级电网系统中对所提方法进行评估,实验结果证明了所提状态辨识方法的有效性及鲁棒性。

基于人工免疫-改进粒子群优化算法的机械臂轨迹规划研究

焊接机器人运动轨迹复杂、控制精度要求高。提出了一种满足多目标约束的轨迹规划方法。针对机器人轨迹平滑性要求,以5次非均匀有理B样条(Non-Uniform Rational B-Splines,NURBS)曲线为基础,对笛卡儿空间路径点进行参数化表达;根据工业机器人路径约束及工况需求,选取时间、能耗、跃度3个运动学指标作为目标优化函数,采用人工免疫双态粒子群进行轨迹优化;为了平衡粒子“探索”与“利用”,增加双模态模型,引入人工免疫系统,提升了粒子多样性与后期收敛能力;根据Pareto解集得到满足约束的焊接机器人各关节最优轨迹,通过Matlab仿真证明了方法的有效性;最后,针对空间相贯曲线焊缝进行了焊接试验。结果显示,规划的轨迹符合实际工程需求。

基于非线性动态重心粒子群优化的分数阶PI^(λ)D^(μ)控制器设计

针对现有Oustaloup滤波器拟合精度不佳、结构复杂的缺点,提出了最优精简Oustaloup滤波器。针对粒子群优化算法整定分数阶PI^(λ)D^(μ)控制器参数时学习能力不充分、迭代收敛乏力的问题,提出了一种改进的粒子群优化算法。该算法设计了双异步非线性动态学习因子,以提高粒子的思考能力与信息共享能力,并增加了粒子群质量重心项,用以加速收敛过程。将改进的算法结合最优精简Oustaloup滤波器应用于分数阶PI^(λ)D^(μ)控制器的设计过程,选取了2个分数阶系统模型进行仿真验证。结果表明,改进的算法收敛速度更快且不易陷入局部最优,所设计的控制系统超调量更小、调节时间更短、稳态误差更小,提高了系统的抗干扰能力。

基于混合粒子群算法的波浪能发电集群优化方法

对波浪能发电集群的优化控制有助于波浪能的有效利用,为此文章提出了基于混合粒子群算法的波浪能发电集群优化方法。以直驱式发电装置为研究对象,探讨其构成发电集群短期尺度下稳定状态的数学模型,由简至繁依次考虑波浪动态压力、装置间辐射影响和遮挡效应,以便更准确地模拟一定密集度的波浪能发电装置部署下的实际效果。以集群功率最大化为优化目标,根据装置运动和海域能量约束,提出混合粒子群算法求解集群的最优参数,在传统算法基础上设定自适应惯性权重并加入交叉和变异操作,以应对复杂集群方程解空间的多峰性问题。算例结果验证了所述集群优化方法的有效性,求解质量良好;同时表明波浪能发电集群规模越大,装置之间的辐射影响越复杂,遮挡效应越明显。

基于互信息粒子群优化-长短期记忆神经网络医疗设备运行质量预测模型的慢性呼吸系统疾病诊疗设备智能管理研究

目的:基于互信息粒子群优化(PSO)-长短期记忆(LSTM)神经网络构建医疗设备运行质量预测模型,辅助慢性呼吸系统疾病诊疗设备智能管理。方法:采集设备基本数据、使用数据、维修数据和性能数据进行去噪和标准化处理,构建基于PSO-LSTM神经网络医疗设备运行质量预测模型(简称PSO-LSTM模型),制定设备使用、维护、维修及报废的智能管理方案。选取2019年8月至2023年7月新疆维吾尔自治区人民医院呼吸科临床在用的139台医疗设备,将2019年8月至2021年7月的67台设备采用经验管理模式,2021年8月至2023年7月的72台设备采用智能管理模式。计算传统循环神经网络(RNN)、LSTM神经网络模型训练集和测试集与PSO-LSTM神经网络模型的预测准确性,对比两种管理模式设备管理质量和设备使用操作与技术保障人员以及患者或家属对两种管理模式的管理满意度。结果:PSO-LSTM模型训练集预测准确性的平均绝对百分比误差(MAPE)值和均方根差(RMSE)值分别为0.014和0.008,测试集分别为0.032和0.018,均低于RNN和LSTM模型。采用智能管理模式的设备平均故障频次、平均开机率、管理成本平均增幅、平均维护执行率及平均报废合规率分别为(0.99±0.85)次/年、(95.74±2.16)%、(1.72±1.28)%、(96.49±1.97)%和(97.59±1.49)%,平均故障频次和管理成本平均增幅低于经验管理模式,平均开机率、平均维护执行率和平均报废合规率高于经验管理模式,差异有统计学意义(t=3.297、3.469、2.394、4.187、3.503,P<0.05);设备使用操作与技术保障人员及患者或家属对采用智能管理模式的设备性能、运行质量、管理方式、管理成本以及诊疗效果满意度评分分别为(94.73±1.85)分、(93.38±3.15)分、(93.48±2.02)分、(94.35±2.34)分和(95.14±2.07)分,均高于经验管理模式,差异有统计学意义(t=4.131、3.827、5.716、3.430、3.173,P<0.05)。结论:基于PSO-LSTM神经网络医疗设备运行质量预测模型能更准确地评估设备运行状况,提高医疗设备临床运行质量,改善临床服务满意度。

陷阱标记联合懒蚂蚁的自适应粒子群优化算法

为解决现有粒子群改进策略无法帮助已陷入局部最优和过早收敛的粒子恢复寻优性能的问题,提出一种陷阱标记联合懒蚂蚁的自适应粒子群优化(adaptive particle swarm optimization based on trap label and lazy ant, TLLA-APSO)算法。陷阱标记策略为粒子群提供动态速度增量,使其摆脱最优解的束缚。利用懒蚂蚁寻优策略多样化粒子速度,提升种群多样性。通过惯性认知策略在速度更新中引入历史位置,增加粒子的路径多样性和提升粒子的探索性能,使粒子更有效地避免陷入新的局部最优。理论证明了引入历史位置的粒子群算法的收敛性。仿真实验结果表明,所提算法不仅能有效解决粒子群已陷入局部最优和过早收敛的问题,且与其他算法相比,具有较快的收敛速度和较高的寻优精度。

基于改进粒子群算法优化的染色木材颜色检测算法研究

为提高染色木材颜色的检测精度和速度,对樟子松木材单板进行染色,选取染色单板的光谱反射率作为输入,以极限学习机模型为基础构建预测模型,对染色单板的色度参数L^(*)、a^(*)、b^(*)进行预测,运用粒子群算法对ELM权值和阈值进行寻优,并引入非线性惯性权重和新的位置与速度更新策略改进粒子群算法,以消除其易陷入局部最优的缺点。此外,以L^(*)、a^(*)、b^(*)平均绝对误差为评价指标,与基础ELM模型及其他模型作对比,发现优化后的模型平均绝对误差为0.16,测色效果相较于基础ELM的0.68、麻雀算法优化的ELM的0.37等具有明显优势,这对于提高木材染色生产效率具有重要意义。

基于粒子群优化的无人车双惯性测量单元姿态融合方法

为提高无人车系统中微机电惯性测量单元(MEMS IMU)的姿态角解算精度,提出了一种基于粒子群优化(PSO)算法和自适应强跟踪无迹卡尔曼滤波(STAUKF)算法的数据融合方法。首先,对两种不同精度的IMU模块通过STAUKF算法进行滤波,然后,利用构造的两类误差函数,引入PSO算法对两种IMU的后验估计进行融合,最后,在搭建的无人车平台上进行测试。试验结果表明,相较于两种单一IMU解算数据,所提出的方法解算获得的横滚轴与俯仰轴角度均方根误差分别减小了56.67%、58.94%,相较于冗余式双IMU系统直接加权平均所解算的数据分减小了36.55%、52.15%,解算精度更高、鲁棒性更强。

基于粒子群优化-人工势场的多AUV拦截技术研究

在复杂多变的水下环境中,针对港口等环境下的运动入侵目标的拦截问题,提出了一种新的多自主水下机器人(autonomous underwater vehicle,AUV)拦截算法——预测规划拦截法。首先,通过AUV和入侵目标的运动轨迹,依据拦截点思想快速简单地确定拦截位置,对三维环境下拦截点难以计算的问题采用粒子群优化算法选择最优拦截点,有效降低拦截距离。其次,利用人工势场法规划每个AUV在海流环境下的拦截路径。当目标物被环境中任意一个AUV拦截时,则认为拦截成功。仿真结果表明,在存在海流、障碍物的不同水下环境中,预测规划拦截法的拦截效率较传统的跟踪拦截法有较大的提升。

基于粒子群优化BP神经网络的中空夹层钢管混凝土柱轴压承载力研究

圆中空夹层钢管混凝土(concrete filled double-skin steel tube,CFDST)柱因其独特的结构形式与优异的力学性能,已成为现代工程结构中的主要受力构件。然而外钢管、内钢管与核心混凝土之间的相互约束作用导致其受力比较复杂。为此,采用PSO-BP混合神经网络算法对圆CFDST柱的轴压承载力进行了研究。收集了167组数据建立数据库,并选取8种影响因素作为输入层参数,轴压承载力作为输出层参数,分析了传统BP神经网络模型所存在的缺陷,建立了PSO-BP神经网络模型。此外,将机器学习模型与3种规范的结果进行比较,结果表明机器学习模型的精度比3种规范的精度更高。相较于BP神经网络模型,PSO-BP神经网络模型具有更好的预测能力,更有助于预测CFDST柱的轴压承载力,对工程上研究CFDST柱的力学性能有着重要意义。

基于粒子群优化的盾构推进参数预测算法

为了提高传统机器学习模型在盾构推进参数方面的预测精度,提出了基于粒子群优化(PSO)的混合模型算法。以推进油缸推力和位置预测为例,阐述了PSO优化的混合模型构建流程。以粒子群优化模型为基础,分别建立混合多层感知机(MLP)油缸推力模型、混合长短期记忆(LSTM)人工神经网络油缸推力预测模型,以及混合LSTM油缸位置预测模型。以实际工程数据为例,完成多种混合预测模型的构建,并与RF、XGBoost等传统模型对比,验证所提方法和模型的有效性和先进性。实验表明:经过PSO优化的模型准确率均有不同程度的提升,本文提出的基于粒子群优化模型对指导掘进参数调控、辅助操作人员掘进等具有一定的工程价值。

基于粒子群的旧工业建筑再利用空间优化算法

为了解决土地资源紧张的问题,优化旧工业建筑空间,提高建筑利用空间紧密度,实现空间再利用,提出基于粒子群的旧工业建筑再利用空间优化算法。将土地利用适宜性最大化、用地紧凑度最大化和转化成本最小化作为优化目标,构建空间优化模型,建立旧工业建筑再利用空间优化目标函数,在相关条件的约束下采用粒子群算法求解上述目标函数,实现旧工业建筑再利用空间的优化。仿真结果表明,所提方法的地类转换成本低,总适宜度、生态协调性和社会效益高,空间紧凑度高,优化效率高。

基于自适应混合粒子群算法优化支持向量机的乳腺癌预测

使用粒子群算法优化支持向量机的惩罚因子和核参数,提高分类的精度。粒子群算法收敛速度快,但是容易陷入局部最优。引入鲸鱼算法的包围运动和螺旋运动机制,形成参数自适应的混合粒子群优化算法,提升了算法的精度。在对数据进行预处理之后,80%的数据用于模型的训练,剩余20%用于模型的测试。每次实验分别按照比例随机生成的训练集和测试集进行20次预测,计算平均正确率。实验表明,自适应混合粒子群算法优化精度高于标准粒子群算法和鲸鱼算法。

基于离散粒子群算法的管道保温结构优化研究

针对目前管道保温结构优化算法不稳定、结果优化程度不高的问题,建立以经济效益为目标函数,以满足国家散热损失标准等条件为约束函数的离散型数学模型。以BPSO算法为基础改变其位置更新规则,防止种群进化失效;采用自适应权重增加粒子的全局和局部搜索能力;充分利用模拟退火算法的思想避免出现早熟现象。应用改进的算法分别对普通蒸汽管道和核电站的蒸汽管道进行系统仿真实验。结果表明,该算法能够在满足国家散热损失标准等条件下取得最优解,可以为管道保温结构提供合理的优化方案。