基于一种改进的粒子群算法在任务调度中的应用研究

针对粒子群算法在传统的调度问题中存在离散的优化问题效果处理不佳、容易陷入局部最优解,以及网络权重的编码和遗传算子较难抉择等问题。结合粒子群算法和灰色预测模型提出了一种新的GSPL算法。通过在粒子群算法中引入线性递减权值策略,在选取所调度的下一城市时,把选择范围限定在离当前城市最近的部分城市中,提高搜索速度,快速收敛到较优解。此外,在灰色预测模型算法的作用下,优先预测各区域的风控值,进一步提前规划预测,粒子群算法的行径方向,从而对空间最优路径求解及对局部路径进行扩充,能有效避免陷入局部最优,较快的得到全局最优解。实验结果表明,该算法性能明显优于传统的粒子群算法。

基于粒子群算法的伪卫星布站优化设计

针对伪卫星布站问题,采用粒子群智能优化算法,以导航定位中精度因子作为粒子群适应度函数,采用线性递减惯性权值策略,通过适当次数的进化与迭代,最终寻找到最优化的伪卫星布站设计方案。通过对两条竖直平面内的抛物线轨迹进行仿真验证,结果表明,基于粒子群算法的伪卫星布站优化设计方案可以减小全程精度因子,提高了伪卫星独立定位系统的定位精度。

基于PSO的RBF神经网络在热工系统辨识中的应用

在神经网络辨识大迟延对象时,模型类中迟延时间多是根据经验估测的,而不同的值对神经网络辨识的精度和效率就会不同。针对上述问题,将基于正交最小二乘(OLS)算法的径向基(RBF)神经网络和粒子群优化(PSO)算法相结合对热工系统的复杂对象进行辨识仿真。通过对电厂一次风量数据和平均床温数据的仿真实验结果表明,在RBF神经网络对大迟延对象进行辨识时,通过PSO算法进一步确定其最佳迟延时间,从而得到更精确的模型并提高辨识效率,可以取得良好的效果。

基于粒子群算法的轨道车辆设备布局优化

轨道车辆车上设备布局是轨道车辆设计中一个重要的环节,开展轨道车辆设备布局优化设计对保证轨道车辆的安全运行具有重要作用。考虑轨道车辆设备外轮廓约束、设备干涉约束等,建立了以设备总重心相对于轨道车辆自身中心的距离最小化的轨道车辆布局优化数学模型。根据轨道车辆设备布局优化的特点设计了基于粒子群算法的轨道车辆设备布局数学模型。采用线性递减权值策略,通过改进惩罚因子,有效地引导粒子群算法向全局最优解方向收敛。以轨道工程车辆的设备布局问题为实例,采用本文算法进行了车上设备布局优化设计的实例分析,表明本文方法可有效解决轨道车辆设备布局优化问题。