基于粒子群遗传优化算法的多机器人任务分配研究

在粒子群优化算法中,引入遗传算法中的克隆算子和变异算子,提出了粒子群遗传优化算法,并将多机器人系统的任务分配问题转换为在多维解空间内寻找最优解的问题,利用粒子群遗传优化算法在此空间寻找最优解,以实现对多机器人任务的协调分配。算例仿真表明,粒子群遗传优化算法不但具有粒子群优化算法所具有的易于工程实现、计算效率高等优点,还克服了粒子群优化算法易早熟、粒子群整体收敛性差等缺点,能够解决多机器人任务分配问题。

基于自适应遗传-粒子群优化算法的风电场微观选址优化

为了减小尾流效应对风电场发电量的影响,提高风能利用率,提出了一种自适应权重的遗传-粒子群优化算法(genetic-particle swarm optimization algorithm,GA-PSO)。首先,以风电场单位发电成本为目标函数,风机坐标为优化变量,通过在优化变量的速度更新中加入惯性权重,以改变算法的寻优速度;其次,在WASP软件选址的基础上,对风电机组进行布局优化;进而,将计算结果与遗传算法(genetic algorithm,GA)、萤火虫算法(firefly algorithm,FA)和粒子群(particle swarm algorithm,PSO)优化算法进行对比。结果表明:运用PGOA算法优化后的风电场单位发电成本为2016元/GWh,减少了232元/GWh,年发电量为82.633 GWh,比优化前提高了8.538 GWh,同时尾流损失减小了1.12%。可见研究结论对未来的风电场微观选址具有一定指导意义。

利用遗传-粒子群优化混合算法求取剩余静校正量

剩余静校正是一个具有多参数、多极值的全局优化问题,当大量未知参数存在时,常规的遗传算法(GA)几乎无法避免早熟现象,难以保证收敛于全局最优。结合粒子群优化算法(PSO)和遗传算法的优势,提出了一种新颖的粒子群优化-遗传混合算法。混合算法利用了粒子群优化算法的速度和位置的更新规则,并引入遗传算法里的交叉变异思想。用混合算法和遗传算法分别对两个理论模型进行试处理,处理结果表明,混合算法比遗传算法具有更好的性能,是一种求取复杂地形条件下剩余静校正量的实用方法。

一种混合粒子群优化遗传算法的高分影像特征优化方法

针对高分遥感影像分类过程中面临的特征维数高、数据冗杂度严重问题,从机器学习的角度提出了混合粒子群优化遗传算法的特征优化方法。此方法发挥2种机器学习算法优势,以Relief F算法进行初步特征筛选,再利用新二进制粒子群优化遗传算法确定优化特征集用于随机森林分类器进行城市用地信息的提取。通过与全特征、Relief F算法、GABPSO算法3种特征提取方法进行比较,验证此方法的优越性。结果表明,基于Relief F和GANBPSO算法的混合特征选择方法能够在提取较少特征变量的情况下获得较高的精度,总精度和Kappa系数分别为91.17%和0.874,与传统方法相比具有更好的分类效果。

基于遗传-粒子群优化算法带有缓存机制的卸载策略

为了满足移动边缘计算(Mobie Edge Computing,MEC)场景中时延敏感型应用的需求,提出一种基于遗传-粒子群优化算法(Genetic-Particle Swarm Optimization Algorithm,GA-PSO)和缓存机制的卸载策略。该策略将遗传算法和粒子群优化(Particle Swarm Optimization,PSO)算法融合起来,以便求取边缘计算卸载中的最优卸载比例和缓存决策;将已完成且重复请求的任务及相关数据在边缘云上进行缓存,用以最小化任务的卸载时延。仿真实验结果表明,该策略可以有效降低移动边缘计算的时延。

基于粒子群与遗传混合优化算法的输变电工程全过程造价管理数据处理

随着国网公司建设泛在电力物联网以落实"三型两网、世界一流"战略目标核心任务的提出,推动传统输变电工程造价管理模式向信息化、智能化、专业化造价管理模式变革。在分析输变电工程造价管理各个阶段影响工程造价成本的关键指标因素的基础上,基于隶属函数方法对输变电工程全过程造价管理的关键指标进行综合评价;基于粒子群与遗传混合优化算法(PSO-GA)对输变电工程全过程造价管理数据进行统一处理,提高了输变电工程造价分析的时效性和准确度。

粒子群算法与遗传算法的结合研究

自上世纪80年代以来,智能优化算法(粒子群算法、遗传算法等)通过模拟或者揭示某些自然现象和过程而发展起来,为优化理论提供了新的思路。通过将不同算法结合来达到更好的优化效果日益成为当前优化研究领域的热点。在粒子群算法中引入遗传算法的交叉和变异算子及种群分割策略,将两种算法有机结合,提出了粒子群算法与遗传算法的混合优化算法(GA-PSO)。为了验证该GA-PSO混合优化算法是否具有良好性能,将该算法用于一些标准测试函数的优化。

基于改进粒子群优化算法的电力系统有功最优潮流

提出了一种基于改进粒子群优化算法的有功最优潮流模型及求解方法,采用了自适应罚函数法处理最优潮流问题的各种约束条件。通过对IEEE-30节点系统的仿真计算,并且与遗传算法进行比较,验证了提出的模型和方法的有效性。

基于NSGA-Ⅱ-PSO算法的微电网多目标优化运行模式

解决微网中新能源出力的随机性与波动性是微电网优化运行的前提和关键,为此,提出一种快速非支配排序遗传算法NSGA-Ⅱ(non-dominated sorting genetic algorithm)和基本粒子群优化算法PSO(particle swarm optimization)相结合的NSGA-Ⅱ-PSO算法,考虑将经济运行成本和环境污染成本作为优化的目标函数,建立常见发电单元以及蓄电池储能的多目标优化运行模型。通过Matlab仿真对比PSO、NSGA-Ⅱ和NSGA-Ⅱ-PSO算法的适应度收敛曲线,验证所提算法具有收敛速度快、全局和局部搜索能力强的优点,较单一的PSO算法和NSGA-Ⅱ算法具有更优的特点;结合经典微网系统进行算例仿真,通过对单目标与多目标的分析,结果表明该算法能有效降低经济成本和使环境效益达到最优;并且进一步验证所提算法的优越性。

基于混合优化算法的粮食仓储机械通风工艺优化

机械通风作为储粮中最常用的技术,在调节粮食的温度和水分方面起着非常重要的作用。为了缩短储粮仓中小麦机械通风的时间,降低该过程中的能耗,采用多元非线性回归法,拟合了通风口处空气温度和相对湿度、小麦初始水分和温度与通风时长的函数关系,运用粒子群-遗传混合优化算法对小麦通风时长进行了单目标优化。结果表明,降水通风过程最佳工艺参数为通风口处空气温度28℃、相对湿度25%;降温通风过程最佳工艺参数为通风口处空气温度10℃。研究结果可为小麦机械通风过程工艺参数的设置提供理论依据,具有一定的实用价值。

基于改进LSTM算法的综合能源系统多元负荷预测

准确预测短期多种能源负荷,是确保综合能源系统可靠、高效运行的必要前提。为此,提出了一种基于遗传粒子群混合优化(genetic algorithm particle swarm optimization,GAPSO)算法的卷积长短期记忆神经网络(convolutional neural network-long short-term memory,CNN-LSTM)综合能源系统多元负荷预测模型。首先,利用皮尔逊系数来描述各影响因素与负荷之间的相关性强弱。其次,采用GAPSO算法对长短期记忆(long short-term memory,LSTM)网络模型进行改进,然后构建卷积神经网络(convolutional neural networks,CNN)以提取小时级高阶特征,并通过改进后的LSTM网络模型对提取的隐含高阶特征进行分位数回归建模,构建了基于GAPSO-CNN-LSTM综合能源系统多元负荷预测模型。最后,以美国亚利桑那州立大学坦佩校区综合能源系统负荷数据为算例进行验证,结果表明:改进后的算法具有更好的收敛能力,模型具有更高的预测精度。

基于PSO-GA算法的交叉口仿真优化研究

近年来,交通拥堵已成为城市发展中日益严峻的问题。为了有效地减少交通拥挤,建立了以时间延迟,停车次数和交通容量为评价指标的多目标函数。鉴于遗传算法-粒子群优化算法(PSO-GA)的快速收敛性和稳定性,以中国武汉市某一个交叉口为例,使用Synchro交通仿真软件将现实配时方案、Webster算法,遗传算法(GA)与PSO-GA算法的性能指标进行了数值比较。结果表明,提出的PSO-GA模型的时序优化效果远好于其它方案。在灵敏度分析方面也讨论了高低交通流状况对于车辆运行的影响。分析显示,合理控制交通流量对于缓解交通拥挤,提高道路运行效率具有重要意义。

自适应卡尔曼滤波与PSO-GA-BP算法的机器人误差补偿

采用七轴机器人设备夹持激光器的方式对某型号发射筒进行切割开孔加工。在加工过程中,因轨迹精度和绝对定位精度较低,容易对型号产品发射筒产生损伤和误差切割等问题,运用D-H算法建立七轴机器人理想模型,运用正逆运动学数值算法对理想模型进行验证,运用理想模型的理论位姿参数和激光跟踪仪的测量位姿参数基于Sage-Husa自适应卡尔曼滤波求解七轴机器人真实位姿坐标信息,得到理想位姿参数和真实位姿坐标信息的关节误差,然后结合粒子群优化-遗传算法-BP神经网络联合算法对七轴机器人建立误差预测模型,采用七轴机器人理论位姿参数作为输入样本,真实位姿与理论位姿的各关节角度差作为输出样本,通过库卡机器人Workvisual 5.0软件按照模型输出值对七轴机器人的各关节角度值进行补偿。经过仿真实验和加工,各关节误差补偿后的七轴机器人轨迹误差和绝对定位误差减小72%,满足工艺要求。

基于Armstrong能量模型的非线性动态维拉里磁滞行为建模与验证

磁致伸缩材料工作在应力激励条件下的输出特性在很大程度上取决于偏置条件(预应力、偏置磁场)和激励频率。为指导磁致伸缩材料在动态应力驱动下的应用,需要建立一个能够适应各种操作条件的动态磁滞模型。该文结合Armstrong能量模型和J-A磁滞模型,建立了磁致伸缩材料的静态维拉里磁滞模型,通过引入频率相关时间常数的一阶微分方程将静态模型拓展为考虑动态损耗的动态非线性维拉里磁滞模型。利用粒子群遗传优化算法通过三个递进步骤提取模型参数。实验数据与模型计算数据的对比结果表明,该模型不仅能够充分描述预应力和偏置磁场对准静态维拉里效应的影响,而且能够反映在不同频率动态应力下磁通密度-应力(B-σ)动态小环和主环的变化趋势,该模型可为磁致伸缩材料器件在应力条件下的应用提供理论指导。

基于HPSOGA的多目标电动汽车充电优化

随着电动汽车保有量的快速上升,电动汽车无序并网充电将会给配电网负荷平稳带来巨大的不确定性,因此对电动汽车的充电进行优化十分重要。为此,提出一种基于混合粒子群优化遗传算法(hybrid particle swarm optimization genetic algorithm,HPSOGA)的多目标电动汽车充电优化策略。使用Monte Carlo法基于用户出行规律建立电动汽车充电负荷曲线,在传统PSO算法的基础上引入GA算法的迭代机制,形成HPSOGA算法并用其对以用户充电费用最少和电网负荷波动率最小建立的多目标优化模型进行求解。结合具体算例进行仿真分析,结果显示基于HPSOGA算法的多目标电动汽车充电优化策略具有更快的优化速度以及更好的优化效果,进一步降低电网负荷峰值、提高电网负荷谷值,电网负荷波动率得到有效降低,同时用户充电成本得到有效减少。

一种新的基于进化计算的聚类算法

聚类是数据挖掘领域的重要研究内容之一。针对遗传聚类算法较好的稳定性与粒子群优化算法较强的局部搜索能力,在交叉、变异算子后叠加粒子群优化算子的方法实现了二者的结合,提出了GAPSO聚类算法,既保持了遗传算法的稳定性与泛化性的优势,又发挥了PSO算法收敛效率高的特点。通过对10组二维空间上的聚类样本进行实验研究显示,GAPSO聚类算法在收敛效率上显著优于GA聚类算法,在稳定性上优于PSO聚类算法。

基于改进PSO_GA联合算法的电力线多用户通信资源分配

针对电力线信道在传输速率受限、子载波单用户独享和兼顾用户公平性的约束条件下,以余量自适应(MA)为准则,提出一种基于粒子群优化遗传(PSO_GA)联合算法的多用户自适应OFDM系统子载波和比特分配。在此联合算法中利用改进PSO算法中更新粒子速度和位置的思路来重构GA算法中的交叉、变异操作,可克服PSO算法早熟收敛、GA收敛速度慢等问题,能够提高联合算法对全局最优解的搜索能力及收敛速度。在典型电力线衰落信道下的实验结果表明,相比于已有的资源分配算法,基于所提联合算法的系统资源分配方案随着用户数增多,其收敛速度明显加快,且系统所需发射总功率最小,有效地提高了系统通信性能,从而充分证实了所提联合算法的有效性。

混合云环境面向安全科学工作流数据布局策略

为解决混合云环境下科学工作流数据布局问题,在考虑数据的安全需求的前提下,以优化跨数据中心传输时延为目标,提出了一种混合云环境下面向安全的科学工作流布局策略。分析数据集的安全需求以及数据中心所能提供的安全服务,提出安全等级分级规则;设计并提出基于遗传算法和模拟退火算法的自适应粒子群优化算法(adaptive particle swarm optimization algorithm based on SA and GA,SAGA-PSO),避免算法陷入局部极值,有效提高种群多样性;与其它经典布局算法对比,基于SAGA-PSO的数据布局策略在满足数据安全需求的同时能够大大降低传输时延。

基于克里金模型的微电热驱动器优化设计

基于局部型四维参数的函数,采用克里金代理模型和遗传-粒子群(GA-PSO)优化算法,开展大位移U型电热驱动器优化设计研究.建立U型电热驱动器的多物理场仿真模型并进行实验验证.发现在不同电压下,电热驱动器仿真位移与实验位移曲线一致,从而保证克里金模型中样本数据来源的可靠性.搭建ANSYS和MATLAB联合自动仿真平台以解决克里金模型中样本数据的批量采集问题.基于该平台,采用简单随机抽样的方法,得到不同采样点下电热驱动器的位移,从而形成样本数据.根据样本数据建立克里金模型并基于该模型采用遗传-粒子群算法进行参数优化.研究结果表明,克里金模型能代替有限元模型准确预测驱动器的位移;控制驱动器形状的4个关键参数与位移成单调关系;经形状优化后,18 V电压下U型电热驱动器的位移提高35.2%.

遗传策略粒子群优化的粗糙集神经网络在崩塌落石灾害风险评估中的应用

本文提出一种运用遗传策略粒子群优化的粗糙集神经网络的崩塌落石风险评估智能方法。首先利用基于邻域粗糙集模型的属性约简方法对样本数据进行属性约简,然后采用遗传策略对粒子群优化算法进行改良,用该改良后的优化方法替代传统BP算法来训练神经网络的权值和阈值,再用训练好的神经网络对崩塌落石风险进行评估。仿真结果表明:该方法降低了神经网络结构的复杂性,减少了网络训练时间,提高了预测精度。