基于进化PSO算法的稀疏捷变频雷达波形优化

为了提高稀疏捷变频(sparse frequency agility, SFA)雷达信号在稀疏重构中的精度和稳定性,提出一种基于进化粒子群优化(particle swarm optimization, PSO)算法的SFA雷达信号的优化设计。首先,推导了SFA雷达的信号模型和稀疏重构时的字典矩阵。然后,以最小化SFA雷达信号对应字典矩阵的相关性为目标函数,稀疏载频情况下有效带宽和有效跳频间隔为约束条件,建立优化模型。最后,通过进化PSO算法求解得到最优载频序列。仿真结果表明,所提算法在满足稀疏性约束的条件下,能够有效提高字典矩阵的正交性,保证稀疏重构信号的精度和可靠性。

协同进化PSO算法在瓦斯含量预测中的应用研究

针对影响瓦斯含量的各种因素之间的复杂非线性关系,提出了利用协同进化粒子群优化(HCPSO)算法优化带开关权值的神经网络,来实现煤层瓦斯含量预测。通过使用二进制值0和1来表示神经网络的节点间有无连接,并用二进制编码来调节神经网络的结构;同时使用协同进化粒子群优化(PSO)算法优化神经网络权值,来获得精度较高、结构精简的神经网络模型。实验结果表明,该方法有效提高了瓦斯含量预测的精度,为煤矿瓦斯预测提供了一种新方法。

基于协同进化算法的配电网故障阶段式恢复策略

传统的配电网故障恢复算法难于同时兼顾恢复过程的快速性和恢复策略的最优化。文章提出一种将启发式搜索算法与优化算法相结合的配电网故障阶段式恢复策略:第一阶段采用启发式搜索方法恢复负荷供电;第二阶段利用优化算法处理过载的负荷转移;第三阶段按启发式搜索方法处理过载负荷的切除。为实现快速的网络拓扑分析,采用家族树结构表征配电网,并对传统的粒子群优化(particle swarm optimization,PSO)算法与模拟退火(simulated annealing,SA)优化算法进行改进,提出了协同进化算法(co-evolutionary algorithm of PSO and SA,CPSOSA),CPSOSA算法在求解故障恢复数学模型时具有较高的全局寻优能力。算例分析证明了本文所提恢复策略及算法的可行性和高效性。

基于OLS与EPSO算法的RBF企业订单预测模型研究

提出了一种最小正交二乘算法(OLS)和进化粒子群优化算法(EPSO)相结合构建RBF神经网络的企业订单预测模型。OLS采用前向回归算法,从输入数据中选取适当的中心,动态地避免网络规模过大和随机选择中心带来的数值病态问题;EPSO方法调整网络中的参数,如RBF中心位置,RBF宽度和隐层与输出层之间的权值,以提高网络的泛化能力。

考虑虚拟电厂的分布式电源优化配置研究

为了分析大量分布式电源接入对配电网电能质量的影响,构建了考虑虚拟电厂的分布式电源配置电能质量优化模型,并提出一种PSO-DE优化算法进行求解。首先,对含有虚拟电厂电源的配电网进行了建模,分析了虚拟电厂电源接入对配电网的影响;接着,针对不利影响建立了包含电压偏差和畸变率综合最小为目标的电能质量优化模型;然后,改进传统粒子群算法,针对所建模型求解,提出一种基于粒子群算法和差分进化算法相结合的PSO-DE优化算法,通过分布式光伏接入配电网选址定容优化配置的实际算例对其进行测试验证;最后,考虑虚拟电厂电源接入配电网,使用IEEE37节点测试算例进行仿真分析。结果表明,所提模型和算法能够有效分析含有虚拟电厂的配电网分布式电源接入选址定容,为大量分布式电源接入电网的规划和运行提供科学依据。

基于DEPSO-RBF神经网络的锌银电池SOC估计

电池容量是判断电池性能状态的重要指标。针对锌银电池的荷电状态估计问题,利用电池放电过程中放电时间、放电电流和电池电压3个参数作为径向基神经网络的输入,电池荷电状态为输出,建立电池放电的径向基神经网络模型;为克服径向基神经网络收敛精度不高、易陷入局部极小值的缺点,采用差分进化算法和粒子群算法结合的混合算法优化RBF神经网络;MATLAB仿真结果表明,经过混合优化算法优化的径向基神经网络与仅使用粒子群优化的径向基神经网络相比,估计精度得到大大提高。

基于试飞数据的航空发动机部件特性修正

研究了一种发动机部件特性修正方法,提出通过对相似发动机结构的通用稳态模型与试飞数据相匹配来获取专用发动机稳态模型。通过对发动机模型的分析,使用优化算法对各部件特性的流量、压比、效率等参数进行调整,经过修正后的仿真模型在设计点及非设计点的输出与试飞数据的相对误差小于2%,计算精度可满足工程需要。在参数优化方法上比较了粒子群算法(PSO)与进化粒子群算法(EPSO),结果表明,EPSO算法在收敛速度和精度上比PSO算法更为优秀,在处理多变量复杂问题时有较好的寻优能力。

基于优化的量子门节点神经网络的煤与瓦斯突出预测

为了精准地预测煤与瓦斯突出风险等级,提出了一种基于子维进化的粒子群优化算法(sdPSO)和量子门节点神经网络(QGNN)的瓦斯突出风险等级预测模型sdPSO-QGNN.利用灰色关联分析(GRA)对突出影响因素进行降维处理,将筛选出的主控因素作为QGNN的输入,利用sdPSO对量子门节点神经网络参数进行优化,以提高量子门节点神经网络的全局与局部搜索能力,建立sdPSO-QGNN的瓦斯突出风险等级预测模型,实现对瓦斯突出风险的预测.实验结果表明,与BP(back propagation)神经网络、对称Alpha稳定分布的概率神经网络(SαS-PNN)、免疫粒子群算法优化的支持向量机(IPSO-SVM)、Memetic算法优化的极限学习机(Memetic-ELM)等预测模型相比,所提方法在提升模型泛化能力、提高预测精度方面效果显著.

Application of complete ensemble intrinsic time-scale decomposition and least-square SVM optimized using hybrid DE and PSO to fault diagnosis of diesel engines

针对固有时间尺度分解算法的模态混叠问题和最小二乘支持向量机的参数优化问题,本文提出了一种新的基于完备集合固有时间尺度分解和混合差分进化和粒子群算法优化最小二乘支持向量机的柴油机故障诊断方法。该方法主要包括以下几个步骤:首先,为解决固有时间尺度分解算法的模态混叠问题,提出了一种完备集合固有时间尺度分解算法。随后,利用完备集合固有时间尺度分解算法将非平稳的柴油机振动信号分解为一系列平稳的旋转分量和残差信号。然后,提取了前几阶旋转分量的三类典型的时频特征,包括奇异值、旋转分量能量和能量熵、AR模型参数,作为故障特征。最后,提出了混合差分进化和粒子群算法对最小二乘支持向量机的参数进行优化的方法,并通过将故障特征输入训练好的最小二乘支持向量机模型实现故障诊断。仿真和实验结果表明提出的故障诊断方法可以克服固有时间尺度分解的模态混叠问题,而且能够准确的识别柴油机故障。