基于遗传粒子群优化算法的调速器执行机构分段线性模型及参数辨识

某些火电厂调速器执行机构调门呈非线性,基于调门整段全开全关曲线计算的执行机构开启和关闭时间常数结果不准确,改进了汽轮机调速器执行机构数学模型。该模型分别采用主、辅分段开启和关闭时间常数反映调门的非线性,其主开启和关闭时间常数通过全开全关曲线线性段计算得到,并结合调门小扰动实验辨识得到执行机构PID参数,再由全开全关实验确定调门分段点及辅开启和关闭时间常数。选用多个测试函数与其他基本智能算法比较,仿真验证了遗传粒子群优化算法(GA-PSO)的有效性;实际电厂算例验证了所建执行机构分段线性模型及参数的有效性。

基于自适应遗传粒子群优化模糊神经网络的疲劳驾驶预测模型

为提高疲劳驾驶的预测精度,提出了基于减法聚类和遗传粒子群优化模糊神经网络的疲劳驾驶预测模型。根据训练样本,利用减法聚类确定网络结构和初始参数;借助于进化速度因子,采用自适应遗传粒子群算法优化网络参数。利用疲劳驾驶实车模拟实验获得的数据,对该模型进行了训练和测试,并将结果与传统的粒子群、遗传和反向传播算法进行对比。结果表明,该模型不仅精简了网络结构,缩短了训练时间,而且减小了全局误差,提高了预测精度。

一种基于动态Skyline和遗传粒子群优化的云服务组合方法

提出一种改进的基于动态Skyline和多种群遗传粒子群优化的云服务组合优化方法,旨在解决动态、不确定环境下大规模云服务组合优化问题.对云服务组合和服务质量(QoS)形式化描述,提出一种云服务组合优化模型;对Skyline操作进行建模的基础上,设计Skyline云服务动态更新算法,以满足云服务因临时加入、退出及QoS变化而引起的动态性和不确定性需求;最后,设计一种新的云服务组合优化算法,算法采用动态Skyline操作和用户约束降低问题求解空间,并基于种群相似性和遗传操作进行防早熟收敛处理.通过真实数据集和随机数据集的大量仿真实验,结果验证了本文算法的可行性和有效性.

基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测

针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法。在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化。在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度。实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型。

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。

基于遗传粒子群的PUMA机器人逆运动求解

在优化机器人动态特性的中研究,由于机器人逆运动问题。随着运动关节的增多,逆运动求解问题越来越复杂,要建立通用的解析算法相当困难。针对目前运用的粒子群算法求解时收敛精度不高、易陷入局部最优的情况,提出利用遗传粒子群优化算法求解机器人逆运动问题。运用D-H表示法建立机器人数学模型,然后从正向运动方程出发建立优化算法的目标函数,在粒子群算法中引入遗传操作求解问题。对PUMA机器人的仿真结果表明,改进方法提高了机器人位置和姿态方面的求解精度,达到了有效计算及控制机器人参数的效果。

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。

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。

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。

对旁瓣相消的分布式干扰优化布阵方法

旁瓣相消具有抗干扰的能力,因此被广泛应用于雷达抗干扰领域。在有限分布式干扰布阵条件下,针对旁瓣相消系统产生的干扰效果不佳问题,提出一种针对旁瓣相消的由遗传算法(genetic algorithm,GA)和粒子群优化(particle swarm optimization,PSO)算法结合的方法,针对旁瓣相消特性对分布式干扰的阵位进行规划布阵。在有限的干扰资源条件下,通过穷举法、标准PSO算法和遗传粒子群优化(genetic-particle swarm optimization,GA-PSO)算法进行对比,研究分布式干扰布阵优化结果。仿真分析3种方法在达到一定条件下的干扰效果和迭代次数,GA-PSO可以牺牲较少的时间复杂度达到较好的干扰效果。

计及电-气园区综合能源系统多重不确定性的变置信区间优化调度

电-气园区综合能源系统(EGPIES)受到天然气管道泄漏与风电出力波动的多重不确定性影响,导致系统供电可靠性受到严重威胁。计及天然气管道泄漏与风电出力不确定性,提出了一种EGPIES自适应优化调度方法。根据天然气泄漏量与储能对系统负荷损失的影响划分失荷程度,结合场景法与条件风险价值理论对风电不确定性进行量化,并通过隶属函数对自适应选择的多目标函数进行处理。利用遗传粒子群优化算法对处理后的多目标函数进行求解,得到不同泄漏程度下的机组调度结果与自适应改变的风电置信区间。通过算例验证所提模型能在具有良好经济性的同时,提高系统的供电可靠性。

优化灰色模型在负荷预测中的应用研究

针对传统的灰色模型在负荷增长速度较快时预测精度低的问题,提出了采用交叉遗传粒子群优化算法代替最小二乘法来优化GM(1,1)模型中参数a、b的方法;介绍了灰色预测原理及其数学模型、CGPSO算法及基于CGPSO算法的优化灰色模型,并根据实际负荷数据进行了仿真实验。结果表明,在负荷增长速度较快时,优化灰色模型的预测精度明显高于GM(1,1)模型,能够应用于电力系统的中长期负荷预测,拓展了灰色模型的适用范围。

自适应优化Log-Gabor滤波器与动态径向基函数神经网络的虹膜识别

首先,采用Log-Gabor滤波器提取虹膜幅度特征,根据虹膜库的种类,通过改进的遗传粒子群优化算法优化滤波器参数;其次,利用主成分分析法降低维数,进而减少噪声和冗余;再次,构建动态径向基函数神经网络,并通过虹膜幅度特征间的欧氏距离进行虹膜识别;最后,采用多种小型虹膜库与其他虹膜识别算法进行对比实验,实验结果表明,该算法在一对一虹膜识别中正确率更高,ROC曲线更贴近坐标轴,滤波器通用性更好,提高了小型虹膜库的识别率,解决了传统算法学习收敛速度慢、结构通用性差的问题.

基于粒子群遗传优化的热轧带钢头尾宽度控制

为了提高热轧带钢粗轧阶段头尾宽度控制精度,通常采用头尾形状短行程控制(SSC)的方法。针对传统短行程控制模型在实际应用中头尾宽度控制精度低的现实情况,采用一种全新的群智能寻优方法——粒子群遗传优化(PSGO)算法,结合现场工艺和实测数据优化短行程控制模型参数。现场实际应用表明:采用PSGO算法优化后的热轧带钢头尾短行程控制模型,能够将带钢头尾与稳定段宽度超差控制在1.8 mm之内,缩短了超差长度,将带钢头尾切损率减低到2%以下。

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。

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。