混合策略改进的粒子群算法

针对粒子群算法易陷入局部最优、收敛精度低、收敛速度慢等缺陷,提出了基于混合策略的改进粒子群算法。使用融合Circle映射与精英反向学习的策略初始化种群,提升初始种群的质量,同时加快收敛速度;在粒子速度更新方式中引入蜘蛛移动策略平衡算法的全局搜索与局部搜索;提出了基于自适应t分布的变异策略,增强算法全局搜索和跳出局部最优能力;对15个单峰和多峰函数进行仿真实验,与其他3种算法进行了对比分析,结果表明:所提出的改进算法具有很强的寻优能力与稳定性。

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。

基于改进T分布烟花-粒子群算法的AUV全局路径规划

针对传统粒子群算法在处理自主水下机器人(Autonomous Underwater Vehicle,AUV)全局路径规划时面临的寻优时间长、能耗高的问题,本文提出一种改进的T分布烟花-粒子群算法(T-distribution Fireworks-Particle Swarm Optimization Algorithm,TFWA-PSO),该算法融合了烟花算法的高效全局搜索能力和粒子群算法的快速局部寻优特性.在变异阶段,提出自适应T分布变异来扩大搜索范围,并在理论上证明了该变异方式能够使个体在局部最优解附近增强搜索能力.在选择阶段提出了适应度选择策略,淘汰适应度差的个体,解决了传统烟花算法易丢失优秀个体的问题,并对改进的T分布烟花算法与传统烟花算法的收敛速度进行对比.将改进算法的爆炸操作、变异操作和选择策略融合到粒子群算法中,对粒子群算法的速度更新公式进行了改进,同时从理论上对所改进的算法进行了收敛性证明.仿真实验结果表明,TFWA-PSO能够有效规划出一条最短路径,同时与给定的智能优化算法相比,TFWA-PSO在寻找最优路径的时间上平均降低了24.72%,能耗平均降低了17.33%,路径长度平均降低了16.96%.

基于粒子群算法的电机控制策略研究

针对电机速度控制存在的响应慢、精度差等问题,采用PSO优化PID控制器参数实现对无刷直流电机的速度控制。构建了直流电机的数学模型与控制模型,在此基础上提出了PSO优化PID参数的流程。在MATLAB/Simulink平台下搭建无刷直流电机控制系统仿真模型,对比传统PID控制、GA优化PID参数控制、PSO优化PID参数控制3种电机控制策略在电机空载工况、转速发生阶跃变化工况、电机负载发生阶跃工况下的仿真结果。结果表明,PSO优化PID参数控制相对于其它两种控制策略,其转速响应速度快、抗负载干扰能力强。

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。

基于正交试验的粒子群优化算法对火焰原子吸收光谱法分析金元素参数的优化

国内新一轮战略找矿行动全面启动,金矿产资源以其独特的稀有性和战略性具有特殊意义,其分析检测技术直接影响金元素的准确测试。以矿石中金元素为研究对象,采用正交试验设计方案对实验要素中的王水浓度、振荡时间和硫脲浓度进行方法测试,测定结果相对误差为量化指标;按照层次分析法(AHP)中确定要素指标、建立矩阵、一致性判断步骤计算要素权重为(0.252,0.159,0.589),通过客观赋权(CRITIC)法计算正交试验数据的对比强度和冲突性,计算要素权重为(0.452,0.172,0.377),提出基于AHP-CRITIC混合加权算法对要素权重综合分析,其结果为(0.314,0.075,0.611);利用粒子群算法构建粒子多维空间,通过粒子的速度和方向属性迭代位置设计算法流程图,在迭代过程中结合混合加权算法结果通过线性递减的方式校正惯性权重,优化粒子在迭代初期和末期的学习因子,结合正交试验结果利用粒子群算法建立目标适应度函数,改进算法流程,应用MATLAB软件仿真模拟粒子群迭代过程,从全局各位置和方向逐渐向最优组合收敛,得到优化后的粒子群算法寻找原子吸收光谱法分析金元素的最佳条件参数为王水浓度10.62%、振荡时间32.8 min、硫脲浓度9.5 g·L^(-1)。粒子群优化算法验证结果表明,在分析条件最优化参数下对金标准分析物质GAu-15a、GAu-16b、GAu-17b、GAu-18b、GAu-19b、GAu-22a进行11次平行性试验测试,计算其平均值、相对误差和相对标准偏差指标,均满足《地质矿产实验室测试质量管理规范》,表明基于正交试验的粒子群优化算法对于原子吸收光谱法分析金元素参数的优化问题科学可行,验证了该优化算法的正确性和稳定性,对国内新一轮战略找矿事业提供新的研究思路。该方法提出混合加权算法结合进化计算技术对多目标参数寻求最优解,有望拓展于分析实验室其他领域的测试环境,更展望应用于寻求参数优化方向的科学研究中。

改进粒子群优化算法在机械臂轨迹规划中的应用

针对机械臂运动效率与稳定性问题,提出了一种基于改进粒子群算法的时间优化轨迹规划方法。该方法以3-5-3组合分段多项式插值算法为基础,以分段区间的时间为优化目标,通过带有动态学习因子与收缩因子的改进粒子群优化算法进行优化。本文以实验室的空中作业机器人作业机械臂为模型,将本文方法与标准粒子群优化规划方法进行比较,仿真结果证明该方法收敛速度和精度都有明显改善,且算法未陷入局部收敛,最终优化结果有12.8%的提升。在该轨迹下机械臂的关节角度、速度、加速度曲线平滑无突变,机械臂运动平稳,方法具有可行性。

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。

基于改进粒子群算法的ER8机器人轨迹规划

为解决传统机器人工作效率低、稳定性不足和传统粒子群算法易早熟等问题,提出了一种基于改进粒子群算法的时间最优轨迹规划算法。通过改进粒子群算法的惯性权重和学习因子,优化了粒子群算法的局部和全局搜索能力。首先,以国产ER8型机器人为研究对象,采用改进型D-H参数法获得机器人连杆参数数据,同时通过运动学正逆解理论计算求出了轨迹插值点;其次,利用MATLAB机器人工具箱建立了ER8机器人仿真模型,由于正逆解理论值与仿真结果完全相一致,证明了所建仿真模型的正确性;最后,通过MATLAB仿真得到机器人3-5-3多项式插值构造的轨迹中各关节的位置、速度和加速度等信息,在满足运动学约束的前提下,利用改进粒子群算法优化3-5-3混合多项式插值函数构造的轨迹,机器人用于完成轨迹的时间从3 s减少到1.0375 s,相对于优化前,整体运行时间缩短了大约65%,证明文中改进的粒子群算法可以有效实现时间最优的轨迹规划。

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。

基于粒子群算法的分数阶PID主动磁轴承控制

针对主动磁轴承(AMB)四自由度间强耦合、非线性导致控制器控制效果不佳的问题,将分数阶PID(FOPID)控制器引入AMB控制系统,提出了基于粒子群(PSO)算法的FOPID控制器以提高控制器的响应速度并抑制转轴位移超调量,提高控制精度。采用时间乘以误差绝对值积分(ITAE)作为性能指标,在限制电流模块不同幅值条件下,将FOPID控制器与PID控制器进行比较。仿真结果显示,PSO算法可以简化FOPID控制器参数的调节过程;随着限制电流的提升,FOPID控制器的控制效果明显优于PID控制器,在5 A输入电流的限制下其性能指标高出PID控制器约1.05%;随限制电流幅值增加,在60 A输入电流的限制下性能指标可高出PID控制器约26.25%。

改进粒子群算法的机器人避障偏差控制方法

为针对巡检机器人避障偏差进行良好控制,提升避障效果,提出改进粒子群算法的机器人避障偏差控制方法设计。先分析巡检机器人正向动力学和逆向动力学,获取双走轮坐标系下机器人的运动情况,建立机器人运动学方程。然后以此为基础,在双走轮坐标系中,通过改进粒子群算法确定巡检机器人全局避障最优路径,采用改进人工势场法完成局部避障路径规划,最后采用前馈补偿控制器为动力学方程和最优路径建立动态补偿,根据控制器输出的训练结果,实现巡检机器人避障偏差自动控制。实验结果表明:所提方法避障规划能力及避障运动控制能力均较强,避障偏差控制效果好,具有一定应用价值。

基于改进粒子群算法的木材板材下料方法

木材板材在家具行业应用广泛,以绿色环保、节约能源为目的的木材板材优化下料已经成为研究的热点。木材板材下料优化问题属于二维矩形下料问题,是一种具有高度计算复杂性的问题。本研究主要针对单规格木材板材进行矩形零件下料问题,在木材板材长和宽都大于零件长和宽的情况下,通过建立二维下料的数学模型,采用标准粒子群算法、变邻域搜索算法、粒子群混合变邻域搜索算法分别进行求解,并以某企业的下料实例进行分析计算。首先,利用标准粒子群算法求解单规格板材下料问题;其次,利用变邻域搜索算法求解单规格板材下料问题。在获得局部最优解的基础上改变其邻域结构再进行局部搜索,找到另一个局部最优解,如此不断迭代,直到满足算法的终止条件,获得全局最优解;最后,利用粒子群变邻域搜索混合算法求解单规格板材下料问题。针对粒子群算法局部搜索能力较差、容易过早收敛的问题和具有较好包容性的特点,将变邻域搜索的思想融入粒子群算法中,使结果更加趋向全局最优。结果表明:粒子群变邻域搜索混合算法相比粒子群算法和变邻域算法效率都有显著提升,能显著提高该木材板材的利用率,增加企业经济效益。

基于粒子群算法的钢丝网垫隔振器参数识别

目的 证明粒子群优化算法对钢丝网垫隔振器参数识别的有效性和准确性。探究不同的加载条件对钢丝网垫元件力学性能的影响。方法 对钢丝网垫元件进行正弦加载试验,获取试验响应数据。以双折线模型对钢丝网垫的力学性能进行描述,建立隔振器的参数识别方程,应用粒子群算法和试验响应数据识别出模型参数,并研究不同加载条件下识别参数的变化规律。结果 用识别出的参数计算绘制的迟滞回线和试验结果吻合较好。改变激励幅值和频率,钢丝网垫的一次刚度、三次刚度、滑移刚度、等效阻尼均发生规律性变化,而改变钢丝网垫所受静载,曲线变化极为微小。结论 研究证明了粒子群优化算法对钢丝网垫隔振器参数识别的有效性和准确性,是一种有工程应用价值的参数识别方法。

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。

基于精英知识引导的多种群协作粒子群优化算法

目的为了解决粒子群优化(particle swarm optimization,PSO)算法易早熟收敛、后期收敛速度慢、精度低等问题,方法提出一种基于精英知识引导的多种群协作粒子群优化算法(multi-group cooperation particle swarm optimization algorithm,MGCPSO)。首先,采用基于幂函数约束的logistic映射得到分布均匀的初始种群,加快寻优速度并提高找到最优解的概率;其次,在算法执行阶段动态划分多种群,并利用精英知识引导劣势粒子飞行,实现粒子间的信息共享和协同进化,降低粒子在解空间探索的盲目性;最后,综合融入精英知识的反向学习和极值扰动策略对粒子施加变异,帮助粒子扩大搜索区域并加强对最优邻域的精细探索。结果为验证MGCPSO的性能,在30维和100维的基准测试函数上进行了仿真实验研究,结果表明,相比于其他几种改进算法,提出的算法在收敛速度和收敛精度上均有良好表现。结论多种群协作粒子群优化可以有效避免算法早熟收敛和陷入局部最优,同时可以提高算法的全局搜索能力和局部开发能力。

基于粒子群混合灰狼算法的配电网故障恢复策略

为进一步提高主动配电网在故障恢复过程中的高效性和可靠性,基于粒子群混合灰狼算法对含高比例分布式电源的主动配电网进行故障恢复分析。首先针对配电网故障恢复持续时间长、光伏与风机出力和负荷需求波动大的问题,建立分布式电源时变性和负荷特性模型。以故障时段内分布式电源恢复重要负荷总量最大为目标函数,对配电网进行初步孤岛划分。在初步孤岛划分的基础上综合考虑恢复重要负荷总量最大、网络损耗最小和开关操作次数最少三个目标函数,采用粒子群混合灰狼算法求解,得到孤岛与主网配合的最优故障恢复策略。运用IEEE33节点配电网模型进行仿真验证,结果表明:分布式电源时变性和负荷特性模型具有优越性,基于粒子群混合灰狼算法的主动配电网故障恢复策略能够可靠地恢复供电。

基于改进粒子群算法的中深层地源热泵供暖系统运行优化

构建变工况运行且包含蓄热装置的中深层地源热泵供暖系统,基于改进粒子群算法,分别以运行费用、系统COP和地热能利用系数为目标函数对系统运行进行优化,并对优化结果进行比较和分析。结果表明:对应目标函数优化后的运行费用、系统COP和地热能利用系数分别为279.27元、6.4420和0.8527。以系统COP为目标函数的优化效果与运行费用相反,而与地热能利用系数相近。

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。

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。