基于自加速遗传粒子群算法的半封闭式温室能耗预测

针对半封闭式温室环境参数众多且难以测量的问题,提出了一种机理建模与系统辨识建模相结合的温室能耗建模方法。采用自加速遗传粒子群算法(self-accelerating hybrid algorithm of particle swarm optimization and genetic algorithm,SPSO-GA)对温室物理模型中难以确定的参数进行辨识,建立半封闭式温室能耗预测模型。根据上海半封闭式玻璃试验温室的气象数据和测量的能耗值,分别采用遗传算法(genetic algorithm,GA)、粒子群算法(PSO,particle swarm optimization)和SPSO-GA进行参数辨识与能耗预测比较分析。采用SPSO-GA获得的温室能耗预测结果与实测数据的相对误差为1.4%,分别比GA和PSO减少了2.9%和13.7%。根据日太阳光照辐射总量、室外日均温度2个参数及相应的变化曲线,预测的温室能耗值精确度大于86%。试验与模拟结果验证了基于SPSO-GA的温室能耗预测模型有效,可为半封闭式温室能量负载设计、管理和控制提供理论依据。

基于遗传粒子群算法的停机位分配问题研究

为保证机场停机位资源的合理分配和高效利用,通过分析停机位分配过程中的安全运行规则,考虑了以航空器机位大小匹配、同一机位和相邻机位安全时间间隔等约束条件,建立了最小化远机位数量和最小化近机位空闲时间的多目标优化模型。提出了一种将遗传算法(GA)和粒子群算法(PSO)优势相结合的遗传粒子群算法(GAPSO),同时改进了自适应度对粒子速度的更新限制,提供了一种新的停机位分配与优化思路。仿真结果表明,GAPSO算法在远机位分配数量和近机位的空闲时间方面表现更优,同时还展现出更快的收敛速度和更强的全局寻优能力,从而提高航空运输的效率,对机场管理和停机位资源分配具有实际意义。

基于遗传-粒子群算法的风力发电机组变桨距控制方法研究

变桨距控制对机组的发电效率和稳定性具有重要影响。受风速随机性等多种因素影响,在变桨距控制过程中容易产生发电机组振动,无法保证风力发电机组的运行稳定性。因此,研究基于遗传-粒子群算法的风力发电机组变桨距控制方法。以动力学方程构建风力发电机组变桨距控制数学模型,描述机组风能转换效率与机组振动之间的关系;根据机组动态变化关系,提取变桨距控制的关键要素,基于遗传-粒子群算法设定变桨距控制目标;参照风力发电机组变桨距控制目标,设定对应目标函数,求解实现风力发电机组变桨距控制。实验结果表明:在稳定风况和突变风况下,所研究方法可以实现风力发电机组的变桨距控制,达到最佳的功率输出,且控制过程中未出现机组振动限值。

基于遗传粒子群算法的超混沌S盒设计

针对目前基于混沌系统所构造的S盒难以拥有良好密码学性能的问题,提出一种基于超混沌系统及遗传粒子群优化算法的S盒设计方案.在一维混沌映射基础上,引入正余弦函数以及指数因子,构造一个二维超混沌系统,从系统分叉图、相图、Lyapunov指数图进行性能分析,该混沌系统在参数范围内有着连续的超混沌区间,混沌行为复杂.通过改变混沌系统的初值、参数以及迭代次数可以动态生成S盒,随后结合粒子群优化算法和遗传算法提出一种针对S盒的遗传粒子群优化算法,将混沌系统生成的S盒作为初始种群,利用粒子群算法改进遗传算法中的交叉操作,同时结合爬山算法提出一种新的变异策略.为验证所生成S盒性能,对S盒的双射特性、非线性度、严格雪崩准则、差分均匀性及输出比特间独立性进行仿真测试,仿真结果表明:所提出的优化算法能够生成非线性度、差分均匀性、输出比特间独立性方面表现良好的S盒.

基于遗传粒子群动态聚类算法的物流柔性分拣系统品规分配

目的针对目前烟草物流配送中心条烟分拣量大,不同条烟品规的分配对订单的总处理时间影响较大的问题,研究平衡各个分拣区品规的分配,提高分拣效率。方法建立以各分区品规相似系数和最小为目标函数的数学模型,并采用改进的遗传粒子群动态聚类(GAPSO-K)算法进行求解。首先,结合各品规分拣量对品规相似系数进行改进,并将其作为适应度函数;然后在粒子群算法中对惯性权重因子进行改进,使其值可以进行自适应改变;最后,在粒子群动态聚类算法中引入遗传算法中的交叉变异扩大解的搜索范围,基于Matlab对文中的其他算法进行求解对比,求得结果在EM-plant中进行仿真验证。结果结合某烟草物流配送中心数据仿真验证,利用GAPSO-K算法处理订单的时间为234.5 s,较传统时间大幅度较少,有效提升了柔性物流分拣效率。结论采用该算法可充分发挥2种算法的优良性,具有更好的收敛性及寻优性,为柔性物流品规分配提供了新思路。

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。

基于粒子群遗传算法的纱线生产过程参数反演

针对传统纱线质量的正演、反演模型中存在收敛速度慢、精度低等问题,以及标准粒子群算法存在陷入局部极值的缺陷,提出一种粒子群遗传混合算法。使用该算法优化BP神经网络的权值和阈值并建立纱线条干正演模型。在此基础上,以纱线条干CV值为对象构建了粒子群遗传算法反演模型;使用历史生产数据对生产过程参数进行反演。结果表明:各生产过程参数反演结果的平均相对误差均低于4%。认为:该反演方法具有较高的可行性与准确性。

基于改进遗传粒子群算法的机械臂轨迹规划算法研究

针对传统粒子群算法进行机械臂时间最优轨迹规划时易陷入局部最优且运行效率低的问题,提出一种改进自适应遗传粒子群(modified adaptive geneticparticle swarm optimization,MAGAPSO)算法的时间最优轨迹规划策略。首先,自适应调整粒子群算法的惯性权重与学习因子,提高算法的搜索效率。其次,引入遗传算法中的交叉变异操作,设计自适应交叉和变异操作策略增加粒子多样性,避免算法收敛到局部最优。最后,利用Matlab/Simulink建立Handsfree v6 plus六轴机械臂的仿真模型,采用3-5-3多项式插值函数构造机械臂运行轨迹并进行仿真实验。实验结果表明,改进后的算法提升了机械臂收敛速度和求解精度,运行时间相较于标准粒子群算法缩短约17.5%,有效提高了机械臂的运行效率。

云环境下实现容器部署的加速粒子群优化算法

基于容器的微服务部署是一个具有挑战性的问题,为获得更好的用户体验并给云供应商带来更多的利润,需要在降低微服务的故障率和减少响应时间的同时提高资源利用率。提出了一种改进的加速粒子群优化算法,用于解决集群中微服务容器部署的多目标优化问题。该算法通过考虑微服务之间的调用关系,使得容器聚集在一起,从而降低服务的数据传输成本、减少故障率,并提高集群资源利用率。与现有部署算法相比,实验结果表明,所提出的优化算法在服务间的数据传输开销、故障率和资源利用率等性能指标上有明显改善。具体表现在:容器聚集度的提升达到40%以上,数据传输消耗平均有提升4%以上,故障率减少10%~20%,利用率提升3%左右。

基于遗传粒子群算法的水闸底板优化设计

为获得最佳的水闸底板设计方案,降低建造材料用量,对水闸底板尺寸进行优化设计。首先,以水闸底板总截面积为目标函数,底板抗滑稳定、底板基底应力为约束条,以底板尺寸为优化变量建立水闸底板尺寸优化数学模型;其次,提出了一种耦合粒子群优化算法和遗传算法的遗传粒子群算法,用于优化求解水闸底板尺寸优化数学模型。选取狮子山水闸为分析对象,计算结果表明:遗传粒子群算法对狮子山水闸底板尺寸的优化率为11.44%,其对于狮子山水闸底板尺寸的优化效率明显优于粒子群优化算法和遗传算法。

基于改良粒子群遗传算法的无人机配送路径可视化

为满足无人机配送的需要,实现配送路径的最优化,文中提出了一种计算最优配送路径的方案。首先,分析了对无人机飞行路径规划的研究现状,介绍了算法的改进,其中单个无人机主要考虑实现飞行路径最短,多个无人机需要综合飞机配送的均衡度和总配送路径给出飞行路径。其次,使用Web前端实现算法计算,给出建议的配送路线,并使用高德地图API实现路径的动态飞行模拟。该无人机配送路径规划模型对空中配送的研究和建设提供了借鉴,具有一定的实际参考价值。

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。

基于混合遗传-粒子群算法的相控阵雷达调度方法

针对相控阵雷达中的任务调度问题,提出一种融合了粒子群算法、遗传算法和启发式交错调度算法的混合算法。采用混沌理论优化粒子群算法的飞行参数,设计递减的动态惯性权重,以及引入遗传算法中的交叉、变异操作,使得算法能够快速收敛,并跳出局部最优实现全局最优。在智能算法的框架下,提出一种启发式的任务交错算法,使得雷达任务中等待期的时间资源进一步得到利用。仿真结果表明,相比于遗传算法,所提算法的收敛速度更快,结果更优;相比于传统的启发式算法,所提算法的调度成功率提升了42%,时间利用率提升了40%,实现价值率提升了33%,时间偏移率减少了73%。

粒子群优化算法及其与遗传算法的比较

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题。该文讨论粒子群优化算法的基本原理和实现步骤,分析了该算法中各参数的设置。通过一个测试函数,对粒子群优化算法与遗传算法进行了比较,结果表明粒子群优化算法在找寻最优解效率上好于遗传算法。

基于遗传交叉因子的改进粒子群优化算法

提出一种基于遗传交叉因子的改进粒子群优化算法,通过自适应变化惯性权重来改善算法的收敛性能,借鉴遗传算法中的选择交叉操作增加粒子多样性,通过引入交叉因子增强群体粒子的优良特性,减小了算法陷入局部极值的可能。对几个典型的测试函数进行仿真表明,该算法较标准粒子群优化算法(PSO)提高了全局搜索能力和收敛速度,改善了优化性能。

改进的遗传粒子群混合优化算法

为解决遗传算法计算时间长和粒子群算法易陷入局部极值的问题,提出一种基于实数编码的改进的遗传算法与粒子群算法混合的优化算法。改进遗传算法中的选择算子,保留适应度值较好的个体,重新组成新的种群,由粒子群算法更新速度和位置,对个体进行进一步的成熟。交叉算子采取精英竞争策略,选取适当个体进行交叉,剩余个体再次通过PSO算法更新速度和位置,将粒子群思想引入变异算子。通过对4个函数的优化,对此算法进行测试,并研究比较其它算法,测试结果表明,该算法在收敛性、运算速度和优化能力方面具有优越性。

一种基于粒子群优化方法的改进量子遗传算法及应用

本文采用粒子群优化(PSO)方法代替量子门来更新量子比特状态,得到一种改进的量子遗传算法(QGA)———PSQGA,并根据QGA自身概率特性,引入了最优解方差函数来评价该算法的稳定性能.利用四种典型连续函数寻优问题和0/1背包问题,分别对PSQGA和改进的使用量子门的量子遗传算法(IQGA)进行了测试;并将它们应用到图像稀疏分解的实例中.结果表明,PSQGA算法的寻优能力及稳定性均优于IQGA,且具有更好的收敛性以及更强的连续空间搜索能力,适合于求解复杂优化问题.

一种基于混合遗传和粒子群的智能优化算法

粒子群算法(particle swarm optimization,PSO)原理简单、搜索速度快,但前期容易"早熟".遗传算法(genetic algorithm,GA)具有很强的全局搜索能力,但收敛精度不高.综合考虑二者优缺点,把遗传算子引入PSO算法中,并采用交叉搜索的方法,调整惯性权重以及变异方式使粒子得到进化,当粒子种群进化到一定层度后,对部分粒子进行变异处理,这样不仅避免算法陷入局部最优解,而且获得较高收敛精度和执行能力,可解决工程中非线性、多极值的问题.据测试函数以及与其他寻优算法的对比分析表明,此混合策略在求解精度、搜索效率和处理不同复杂度问题等方面都有很好的优越性,具有满足工程需要的能力.

基于改进的粒子群遗传算法的DNA编码序列优化

在DNA计算中,DNA编码序列的设计是影响DNA计算可靠性的重要手段.在不同的DNA序列设计中,应该选择适当的约束条件,并且根据相应的约束条件提出每个DNA应该相应满足的评估公式.文中从DNA编码设计应满足的多约束条件中选取适当的约束条件,提出评估公式,并采用改进的粒子群遗传算法来解决多目标优化问题.同时根据得到的序列与已有序列在综合适应度函数结果上进行对比,结果证明了该方法的有效性.

遗传算法和粒子群优化算法的性能对比分析

遗传算法与粒子群优化算法作为经典的进化计算方法已经被广泛地应用于函数优化、生产调度、机器学习和数据挖掘等领域。对这两种经典算法在求解不同问题时的性能进行了系统的对比和分析,比较了两种算法在求解单峰和多峰问题上的性能差异。进一步对算法的健壮性进行了测试,分析了算法运行过程中参数对算法性能的影响。最终总结出两种算法的性能特点,并讨论了算法的改进策略,旨在为工程应用中的算法选择提供技术参考。