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K-近邻算法改进粒子群-反向传播算法的织物质量预测技术

为解决现有下机织物质量差异性较大且传统验布环节时间较长等问题,提出基于K-近邻(KNN)算法改进粒子群-反向传播(PSO-BP)算法的织物质量等级预测方法。首先分析织物质量预测模型,整理织物疵点类型与织物质量等级分类,并根据织物疵点特征将疵点划分为6类;其次选取14种影响织物质量的因子作为模型输入量;然后详细介绍依据KNN与PSO原理进行织物质量预测流程;最后以浙江兰溪某纺织厂近3个月16186条织物生产数据为例,建立织物质量预测模型。结果显示:该技术对织物质量预测的准确率达到98.054%,且训练时长仅需4.8 s,在保证织物质量预测准确性的同时,极大缩短了检测时间,提高了织造车间生产效率。

基于竞争式协同进化的混合变量粒子群优化算法

现实工业生产应用中存在大量的混合变量优化问题,这类问题的决策变量既包含连续变量,又包含离散变量。由于决策变量为混合类型,导致问题的决策空间变得不规则,采用已有的方法很难进行有效求解。引入协同进化策略,提出一种基于竞争式协同进化的混合变量粒子群优化算法(competitive coevolution based PSO,CCPSO)。设计基于容忍度的搜索方向调整机制来判断粒子的进化状态,从而自适应地调整粒子的搜索方向,避免陷入局部最优,平衡了种群的收敛性和多样性;引入基于竞争式协同进化的学习对象生成机制,在检测到粒子进化停滞时为每个粒子生成新的学习对象,从而推动粒子的进一步搜索,提高了种群的多样性;采用基于竞争学习的预测策略为粒子选择合适的学习对象,充分利用了新旧学习对象的学习潜力,保证了算法的收敛速度。实验结果表明:相比其他主流的混合变量优化算法,CCPSO可以获得更优的结果。

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。

基于差分进化-自适应Metropolis算法的桥梁工程研究

提出1种结合差分进化-自适应Metropolis算法(DREAM KZS)和克里金模型的多链贝叶斯模型更新框架。该框架融合敏感度分析以减少参数维度并便于参数选择。此外,利用克里金模型来节省计算成本。该框架还采用DREAM KZS算法与多采样策略,通过考虑模型参数、测量和模型输出之间的交叉协方差来增强后验分布的探索效率。通过增加样本多样性同时减少并行链的数量,实现快速准确的模型更新。结果表明通过对简支梁的数值研究,验证DREAM KZS算法的收敛速度和精度,提出的DREAM KZS贝叶斯模型更新框架在六跨铁路高架桥的模型更新应用中表现出优异的性能,由于需要重复的模型评估,高度耗时和高保真度的有限元模型阻碍有效的模型更新。

基于粒子-蚁群混合算法的截割头形状优化设计

针对EBH-150型横轴式掘进机截割头在截割过程中遇到的载荷波动问题,采用粒子-蚁群混合算法对现有抛物线形截割头进行优化设计。利用Matlab数值模拟软件,对截齿的排列参数进行多目标优化,以期减少载荷波动并提升掘进机的工作稳定性。优化结果显示,截割头的截线间距经过调整后,从外向内逐渐减小,使得单个截齿受力更为均匀。横向载荷波动降低了约62%,其他方向的载荷波动也显著降低,均超过50%。这些改进有效提高了掘进机横摆进刀的稳定性,并有助于延长截割头的使用寿命。尽管优化后的截割头在某些方向上的载荷均值有所增加,但载荷峰值降低,避免了单个截齿的过载现象。总体而言,优化设计取得了理想的效果,但仍需通过实际应用进行验证。本研究为掘进机截割头的优化设计提供了一种有效的算法支持,对于提高掘进机的工作效率和安全性能具有重要意义。

改进粒子群算法的紫外光协作多无人机任务分配方法

为了解决无人机协同作战问题,需要将多任务分配给多个无人机。利用无线紫外光实现强电磁干扰环境下无人机机间隐秘信息传输,提出一种改进粒子群算法的多无人机任务分配方法,综合考虑无人机执行任务所付出的威胁代价、航程代价以及完成任务的时间差,结合压缩因子和差分进化思想解决粒子群优化算法容易陷入局部最优的问题。仿真结果表明,改进粒子群算法相较于传统粒子群算法在不同无人机和任务数量比下的任务分配平均成功率提高了约16%,算法在收敛时的迭代次数平均减少了约4.5倍,最优适应度值平均减小了近一倍,在多无人机任务分配的实际应用中有一定的意义。

基于自适应差分粒子群优化的DV-Hop定位算法

针对常规DV-Hop算法存在定位精确度偏低,难以满足高精度定位应用的需求等问题,提出一种基于自适应差分粒子群优化的DV-Hop定位算法。该算法首先利用节点间RSSI值实现跳数计算的精确化,然后引入跳距可信度提高平均跳距的计算精度,最后利用自适应差分粒子群优化算法来估计未知节点的位置。实验结果表明,在不同节点数量、通信半径以及锚节点数三种情况下,改进后算法的节点定位精确度相比于传统DV-hop定位算法分别提高了45.3%、42.9%和39.7%。

基于改进差分进化算法的跨平台武器目标分配方法

现代战争中,跨平台武器单元的协同利用,是合同编队体系的重要内容,作战方式也正由平台级协同向着能力要素级协同转变,这对武器目标分配问题的解决提出了更大挑战。本文将武器单元的最小划分单位细化到能力要素级,以毁伤概率与成本消耗为优化目标,面向多种来袭目标的编队防空场景,提出了跨平台武器目标分配算法。同时,基于混沌映射提出了混沌种群重构(chaotic population reconstruction,CPR)机制,并结合带存档的自适应差分进化(adaptive differential evolution with optional external archive,JADE)算法提出了CPR-JADE算法,利用CPR机制可以帮助算法在解决高维复杂约束问题时跳出局部最优。再将其运用到武器目标分配模型上,实现了对模型的高效求解。最后,通过在多种数据规模下与其他进化优化算法的仿真对比试验分析,验证了所提方法的正确性与有效性。

基于预测变异多目标粒子群算法的风-光-抽水蓄能系统日前调度

文章针对风-光-抽水蓄能联合发电系统,采取并网运行、自发自用、余电上网的模式,以经济效益最大化和电网交互功率波动最小作为目标函数,考虑各子系统运行约束和能量平衡约束,对其日前调度进行了研究。针对传统多目标粒子群算法多样性较差、易早熟且后期收敛速度慢的问题,提出一种基于预测变异的多目标粒子群算法(P-MOPSO),引入预测变异策略提高种群的多样性和全局搜索能力,采用基于拥挤距离均方根和分散度检测的方法提高收敛速度,使算法能够快速得到接近真实的Pareto前沿。仿真结果表明,将该算法用于求解风-光-抽水蓄能联合发电系统的优化调度问题,在多样性、稳定性和求解速度上均具有明显优势。

基于随机增强量子粒子群算法的弹性波数值模拟

在本文中,我们提出了一种随机增强量子粒子群优化算法,并基于该随机增强量子粒子群算法提出了一种新的有限差分格式。随机增强量子粒子群优化算法具有明显的收敛速度优势,可以在第200代内收敛。在相同条件下,未改进的量子粒子群算法的收敛速度远低于随机增强量子粒子群算法。数值频散分析表明,基于随机增强量子粒子群算法的优化有限差分格式具有更大的频谱覆盖范围并将精度误差控制在了有效范围之内,这意味着随机增强量子粒子群算法具有更好的搜索全局精确解的能力。最后,采用基于随机增强量子粒子群算法的优化有限差分格式对弹性波动方程进行数值模拟。数值模拟结果表明,基于随机增强量子粒子群算法的优化有限差分格式能有效压制数值频散。

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。

基于改进模拟退火-粒子群的配电网分布式光伏承载力评估

大规模分布式光伏并网给中压配电网带来严重功率反送,导致中压配电网出现节点电压越限和配电变压器反向过载问题.以系统潮流平衡、节点电压偏差、配电变压器反向负载率和线路载流量为约束条件,以分布式光伏并网容量与系统网络损耗之差的分布式光伏等效并网容量为目标函数,建立中压配电网分布式光伏承载力评估模型,并提出改进模拟退火-粒子群(SA-PSO)算法.对IEEE33系统和实际中压配电网进行分布式光伏承载力计算,结果表明,所建立的分布式光伏承载力评估模型适用于中压配电网节点电压稳定性与配电变压器安全运行问题评估;相较于其他算法,改进SA-PSO算法提高了评估模型计算的收敛速度与寻优能力,在相同约束条件限值下,所得线路分布式光伏承载力更高,且系统网络损耗更低.

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.

基于差分粒子群算法的装配式建筑时空冲突优化研究

由于装配式建筑施工的特殊性,相比于传统建筑施工,更易发生施工工作之间的时空冲突。结合建筑项目施工工作时空冲突研究以及进度管理需求,以施工进度、安全管理要求为总体目标,以时空冲突程度最小化为目标函数建立冲突优化模型,并提出冲突工作开始时间与完成时间的调整方法。针对问题需求,使用差分粒子群算法(DEPSO)求解模型,以某项目为例,进一步验证冲突优化模型的可行性,并使用蒙特卡洛方法仿真模拟分析时空冲突的优化效果。实验证明,该模型可有效减小时空冲突,优化比例维持在45%,相较传统解决时空冲突方法,能够合理保障工期,为装配式建筑施工管理提供更优的方案。

基于樽海鞘群优化差分进化算法的实验室预约模型

为了提高实验室预约工作的效率,采用动态差分进化算法进行预约方案生成,并通过樽海鞘群算法对动态差分进化算法进行改进,从而增强方案对不同预约规模的适应度。首先,输入实验室设备、实验室时间、预约者申请使用记录等样本特征,构建多个预约样本个体。然后,建立动态差分进化算法实验室预约模型,以实验项目满足度作为适应度。通过交叉和选择操作不断更新个体适应度,并采用樽海鞘群算法对差分进化算法的缩放因子进行优化求解。通过樽海鞘个体的领导者和跟随者在设定运动范围内的位置更新来获得最优缩放因子。最后,采用最优缩放因子对应的动态差分进化算法进行实验室预约方案求解,输出最优受益面指标预约解。实例仿真结果表明,通过合理设置樽海鞘群算法参数,在不同预约者规模情况下,基于樽海鞘群改进的动态差分进化算法均能够获得较高受益面指标的预约方案。

基于改进粒子群算法的水利基础设施空间布局优化研究

为提高水资源的利用效率,降低总投资成本,提出基于改进粒子群算法的水利基础设施空间布局优化方法。以总投资成本最小化和水资源利用效率最大化为目标,构建空间布局优化目标函数。采用差分进化算法改进粒子群算法,采用改进的粒子群算法求解目标函数,完成水利基础设施空间布局优化。测试结果表明:所提出方法能够降低布局优化的投资成本,提高水资源的利用效率。因此,说明所研究方法具有较高的布局优化效果,实际应用价值较高。

基于粒子群和差分进化算法的含分布式电源配电网故障区段定位

配电网中引入分布式电源将导致传统的故障区段定位方法不再适用。通过构建新的开关函数,提出了基于二进制混合算法的配电网故障区段定位方法。该方法可动态适应分布式电源的投切,在进行多重故障定位时只需确定一次正方向,利用双种群进化策略和信息交换机制实现了粒子群和差分进化算法的混合。算例分析结果表明该方法能够对含分布式电源的配电网中的单一和多重故障进行准确定位,并且具有一定的容错性和高效性。

一种基于粒子群优化算法和差分进化算法的新型混合全局优化算法

提出一种基于粒子群算法(PSO)和差分进化算法(DE)相结合的新型混合全局优化算法——PSODE.该算法基于一种双种群进化策略,一个种群中的个体由粒子群算法进化而来,另一种群的个体由差分操作进化而来.此外,通过采用一种信息分享机制,在算法执行过程中两个种群中的个体可以实现协同进化.为了进一步提高PSODE算法的性能,摆脱陷入局部最优点,还采用了一种变异机制.通过4个标准测试函数的测试并与PSO和DE算法进行比较,证明本文提出的PSODE算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法.

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。