改进PSO算法的性能分析与研究

分析了粒子群优化(PSO)算法的进化式,针对其容易发生早熟、收敛速度慢、后期搜索性能和个体寻优能力降低等缺点,结合遗传算法的思想,提出一种新的混合PSO算法——遗传PSO(GAPSO)。该算法是在PSO算法的更新过程中,对粒子速度引入遗传算法的变异操作,对粒子位置引入遗传算法交叉操作。对速度的变异降低了算法后期因种群过于密集而陷入局部最优的可能,对位置的交叉使得父代中优良个体的基因能够更好地遗传给下一代,从而得到更优、更多样化的后代,加快进化过程,提高了收敛速度和群体搜索性能。选取了其他几种典型的改进PSO算法,从算法执行过程、参数设置及优化性能等方面对各算法进行全面的分析比较,其中对模拟退火PSO算法采用了一种新的可提高算法执行速度的退火方式。最后针对选取的六个Benchmark函数优化问题进行数值仿真实验。仿真结果表明了所提出的遗传PSO算法不但收敛速度加快,而且后期搜索性能提高,能更有效地收敛到全局最优。为了形象地显示粒子的收敛过程,还仿真了GAPSO算法对二维多模态Grie-wank函数的动态寻优过程。

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。

Application of GA, PSO, and ACO Algorithms to Path Planning of Autonomous Underwater Vehicles

In this paper, an underwater vehicle was modeled with six dimensional nonlinear equations of motion, controlled by DC motors in all degrees of freedom. Near-optimal trajectories in an energetic environment for underwater vehicles were computed using a nnmerical solution of a nonlinear optimal control problem （NOCP）. An energy performance index as a cost function, which should be minimized, was defmed. The resulting problem was a two-point boundary value problem （TPBVP）. A genetic algorithm （GA）, particle swarm optimization （PSO）, and ant colony optimization （ACO） algorithms were applied to solve the resulting TPBVP. Applying an Euler-Lagrange equation to the NOCP, a conjugate gradient penalty method was also adopted to solve the TPBVP. The problem of energetic environments, involving some energy sources, was discussed. Some near-optimal paths were found using a GA, PSO, and ACO algorithms. Finally, the problem of collision avoidance in an energetic environment was also taken into account.

基于近端残余能量激活的无线网络通讯算法研究

无线传感器网络中的传感器节点安装在一定的感知环境下,每个传感器有自己的感知范围,节点的死亡造成了网络的信号重复通信、网络发生冗余与资源浪费。为此,本文提出一种基于近端残余能量激活的无线网络通讯优化算法,将节点表示为近端寻优粒子,采用交叉遗传的方式对节点的性能多样性进行保持,将节点的残存能量作为目标函数进行优化,找到残存能量较大的最优节点进行通信。实验仿真结果证明,经过交叉遗传的PSO网络通信控制的优化后,无线传感器网络的通信性能比传统的方法有了明显提高,证明本算法具有很强的可行性与实用价值。

可变精度衰减调制的Linux嵌入式任务调度算法

对嵌入式Linux系统进程中的任务调度算法设计是保证操作系统稳定和高效运行的核心要素。传统的嵌入式Linux系统任务调度算法采用分簇能耗调度的PSO遗传进化算法,当任务复制和区间插入失衡时,调度效果不好。提出一种基于可变精度衰减调制的Linux嵌入式任务调度算法,首先进行Linux嵌入式任务调度平台总体设计,进行任务信息流模型构建,将嵌入式系统客户端将创建好的任务流提交给服务器,结合任务流集合中各任务流的优先级属性和提交时间,进行变精度衰减调制,得到Linux嵌入式分簇任务调度模型。实验结果表明,该算法无论是单个任务流还是在多任务流调度运行环境下,改进算法的任务调度耗时较少,通过可变精度衰减调制,保证了多任务流中的任务能够按照流程优先级属性以及提交的先后次序进行合理的分配,有效提高了Linux嵌入式系统的运行效率。

Genetic algorithm and particle swarm optimization tuned fuzzy PID controller on direct torque control of dual star induction motor

This study presents analysis, control and comparison of three hybrid approaches for the direct torque control (DTC) of the dual star induction motor (DSIM) drive. Its objective consists of combining three different heuristic optimization techniques including PID-PSO, Fuzzy-PSO and GA-PSO to improve the DSIM speed controlled loop behavior. The GA and PSO algorithms are developed and implemented into MATLAB. As a result, fuzzy-PSO is the most appropriate scheme. The main performance of fuzzy-PSO is reducing high torque ripples, improving rise time and avoiding disturbances that affect the drive performance.

混合碰撞建模方法及其试验验证

目前广泛采用的接触碰撞建模方法主要基于传统的物理碰撞模型,如赫兹碰撞模型和非线性弹簧阻尼碰撞模型等,但它们的仿真精度不够高,更适用于接触碰撞趋势的仿真分析。基于此,提出了基于传统物理碰撞模型和数据驱动误差模型的混合碰撞建模方法,以更加准确地对接触碰撞现象进行动力学仿真分析。其中,物理碰撞模型对接触碰撞现象中已知的碰撞因素进行建模;基于径向基函数(Radial basis function,RBF)神经网络的数据驱动误差模型对接触碰撞现象中的误差部分进行建模。小球自由落体碰撞试验对混合碰撞建模方法进行试验验证,试验结果验证了混合碰撞建模方法的可行性和混合碰撞模型的准确性。