基于种群熵偏移平均加权的改进量子粒子群算法

量子粒子群算法具有更好的全局搜索能力,被视为对粒子群算法极为有效的改进,然而其运行过程中仍存在种群多样性衰减问题。为进一步提升量子粒子群算法的全局寻优能力,在基于加权平均最优位置的量子粒子群算法的基础上,提出了基于种群熵偏移平均加权的改进量子粒子群算法,将种群熵与加权范围中心偏移值进行动态关联,有效增强了算法搜索空间的遍历性,避免了算法早熟收敛。应用常规测试函数,与传统粒子群算法、量子粒子群算法和加权量子粒子群算法进行了对比分析,证明了文章提出的改进算法的有效性。

基于随机增强量子粒子群算法的弹性波数值模拟

在本文中,我们提出了一种随机增强量子粒子群优化算法,并基于该随机增强量子粒子群算法提出了一种新的有限差分格式。随机增强量子粒子群优化算法具有明显的收敛速度优势,可以在第200代内收敛。在相同条件下,未改进的量子粒子群算法的收敛速度远低于随机增强量子粒子群算法。数值频散分析表明,基于随机增强量子粒子群算法的优化有限差分格式具有更大的频谱覆盖范围并将精度误差控制在了有效范围之内,这意味着随机增强量子粒子群算法具有更好的搜索全局精确解的能力。最后,采用基于随机增强量子粒子群算法的优化有限差分格式对弹性波动方程进行数值模拟。数值模拟结果表明,基于随机增强量子粒子群算法的优化有限差分格式能有效压制数值频散。

基于纳什均衡量子粒子群算法的分布式能源系统频率控制方法

含风能、太阳能等可再生能源的分布式能源系统存在频率波动过大和混合储能难以控制的问题。为此,文章提出了一种基于纳什均衡量子粒子群算法(NEQPSO)的分布式能源系统频率控制方法。首先,建立了一种含新能源和混合储能的分布式能源系统模型,并将滑模控制器(SMC)与LADRC观测器的输出共同作用于LADRC的PD控制器,实现滑模线性自抗扰控制器(SM-LADRC)的改进;接着,采用NEQPSO对控制器参数进行优化,以获取最优控制器参数;最后,设置不同情况下的对比验证实验。实验结果表明,优化控制器的控制效果明显优于常规PID和PI控制的;NEQPSO的寻优能力明显优于粒子群算法(PSO)和遗传算法(GA)的;同时,由负荷实验和灵敏度验证实验结果可知,基于NEQPSO滑模线性自抗扰控制的分布式能源系统响应快速、抗扰能力更强、频率效果更好且具有良好的稳态性能。

基于改进量子粒子群算法的AUV路径规划研究

针对海洋环境下自主水下机器人(AUV)的路径规划问题,提出了一种基于框架四叉树的改进量子粒子群算法(QPSO),首先使用框架四叉树的方法对障碍物建模,该方法提高了建模的精度且对后续算法的效率也有极大的改进,之后设计改进的量子粒子群算法,并且结合水下环境的特殊性设计适应度函数,综合考虑航线路径长度、偏转角度以及海流影响,使得算法可以在水下环境中寻得能耗最短的解路径。最后通过仿真试验验证,相比于传统的栅格法和粒子群算法,改进量子粒子群算法的运算时间更短,收敛速度更快,其独特的适应度函数可以使AUV能更好适应水下多变的环境,且能利用海流设计能耗更小的路径,具有很大的实用价值。

基于量子粒子群算法的无人水面艇路径规划

为了获得无人水面艇航行的最优路径,提高航行的安全性和航行路径的平滑度,提出一种基于量子粒子群优化的无人水面艇路径规划算法。首先,通过引入动态控制参数来提高该算法的寻优能力和搜索精度,并由测试函数验证其可行性;然后,在航行安全的前提下,以路径长度和路径平滑度为规划目标,在不同环境下对无人水面艇进行路径规划仿真实验。仿真结果表明,该算法在路径长度、路径平滑度及路径安全性方面表现较好,能找到全局最优路径。

基于量子粒子群算法和峭度的机器人制孔振动抑制方法

六自由度串联机器人加工时易发生振动,该问题限制了其在制孔领域的应用。为此提出了一种机器人制孔系统振动抑制方法,基于刚度椭球和量子粒子群算法实现机器人制孔系统位姿优化,在此基础上采用快速傅里叶变换实现切削状态分类,并以峭度作为振动严重程度评价指标,实现机器人制孔系统加工参数优化。通过试验得出位姿优化后最大孔径误差显著降低至0.05 mm以下,在此基础上加工参数优化后最大孔径误差不超过0.04 mm,峭度也显著减小,验证了该方法能够抑制制孔振动,提高加工精度。该方法综合考虑了位姿与加工参数优化,扩充了机器人在加工生产线的应用场景。提出了峭度作为振动严重程度评价指标,为在线抑制机器人制孔振动提供了新的思路。

改进量子粒子群算法在配电网故障恢复中的应用

配电网故障通常会导致大规模、长时间的停电,为了缩短停电时间,降低停电对社会带来的损失,本文选取了网损大小和电压偏移作为目标函数,建立了配电网故障恢复模型。针对粒子群算法精度不够高的问题,本文使用了量子粒子群算法,并对量子粒子群算法做了两点改进,分别是十进制编码策略和配电网分层策略。最后使用IEEE33节点系统进行案例验证,验证了改进量子粒子群算法在配电网恢复重构中的适用性和有效性。

基于大数据和双量子粒子群算法的多变量系统辨识

针对智能算法与历史大数据相结合进行多变量系统辨识过程中不能精确量化每个子系统数学模型的问题,提出了一种有效的数据并行优化计算的解决方案。在辨识过程中,为了解决量子粒子群算法(quantum particle swarm optimization,QPSO)收敛速度和寻优精度方面的不足,提出了一种改进的QPSO算法——双量子粒子群算法(double quantum particle swarm optimization,D-QPSO)。该算法对粒子种群编码和原有的进化搜索策略同时进行了量子化处理,经过测试函数实验,改进的算法在搜索能力上优于PSO和QPSO算法。最后利用现场运行历史数据,通过D-QPSO算法进行参数估计,将设计的解决方案应用于热力发电厂负荷控制系统的传递函数辨识中,得到的模型为控制器的设计与优化奠定了基础。

基于量子粒子群算法的工业机器人时间最优轨迹规划

轨迹规划作为机器人控制器的状态流输入,可以使机器人实现期望的作业任务。在轨迹规划中,运动执行受到各种物理约束条件的限制,并且有运动平滑性、效率等各方面要求。在进行机器人轨迹规划时,需要基于多项规划约束条件求出对应优化轨迹。针对这一问题,基于量子粒子群算法,对工业机器人进行时间最优轨迹规划。对运动学建模、轨迹规划原理及相关算法进行了介绍,并进行了仿真分析。仿真结果表明,基于量子粒子群算法进行工业机器人时间最优轨迹规划,可以保证机器人平稳高效地完成任务。

基于量子粒子群算法的含DG配电网优化重构

为了提高含DG配电网重构后的经济性和可靠性,以配电网网络损耗最小和电压偏差最小为目标函数,建立基于量子粒子群算法的含DG配电网优化重构模型,采用IEEE-33节点配电系统进行仿真分析,并与其他优化算法进行对比,结果表明,采用QPSO算法优化重构的配电网电压偏差和网络损耗分别为0.2152p.u.和80.595kW,优化效果更好,验证了模型的正确性和求解方法的优越性。

基于量子粒子群算法的公共空间主功能区布局优化设计方法

为了提升公共空间主功能区布局合理性,提出基于量子粒子群算法的公共空间主功能区布局优化设计方法。将城市公共空间不同功能区测绘数据分为空间数据和非空间数据,进行数据转换处理。利用深度神经网络提取公共空间主功能区空间分布特征;建立公共空间主功能区布局优化设计模型,将复杂的布局问题转换为模型形式,并设置模型约束条件;基于量子粒子群算法求解布局优化模型,实现公共空间主功能区布局优化设计。测试结果表明,该方法能够对公共空间主功能区布局进行合理的优化设计,设计效果较好。

带时间窗车辆路径问题的混合量子粒子群算法

针对带时间窗的车辆路径问题,采用混合量子粒子群算法对该问题进行了求解,该算法将量子粒子群算法与模拟退火算法相结合,充分发挥量子粒子群算法全局寻优能力强以及模拟退火算法局部寻优能力强的特点,从而能有效地避免早熟。仿真结果表明,该算法不仅收敛速度快,而且还具有较高的求解质量。

基于量子粒子群算法的风火打捆容量及直流落点优化配置

针对如何根据调峰容量等约束条件,优化风电、火电容量配置及送电落点问题,以风电外送输电工程建设投资、输电损耗和弃风电量损失为优化目标函数,提出以功率平衡、风电变化速率与火电调节速度匹配为约束条件,基于量子粒子群优化算法研究直流外送落点及风火打捆容量的优化配置问题。量子粒子群优化算法采用量子理论中的叠加态特性和概率表达特性,潜在地增加了粒子群算法中种群的空间分布多样性和全局寻优能力。运用量子粒子群优化算法以及构建的优化模型,以解决我国风电跨区消纳为目的,对某实际规划区域的风火容量进行优化配置,证明了所提模型和方法科学、有效。

改进量子粒子群算法及其在系统辨识中的应用

针对量子粒子群算法(quantum particle swarm optimization,QPSO)的收敛速度和寻优精度问题,提出了一种改进的QPSO算法。采用混沌序列初始化量子的初始角位置;在算法中加入变异处理,有效地增加了种群的多样性,避免早熟收敛。函数优化测试结果表明:该文提出的算法具有良好的优化效果。同时利用该文提出的算法对经典的具有无限冲激响应(infinite impulse response,IIR)的自适应递归滤波器模型进行了辨识,辨识结果证明了这种算法的有效性。利用此算法,在结合某分散控制系统的基础上,编制出了一种通用的热工对象模型辨识算法模块,并应用于某循环流化床电厂的辨识,取得了令人满意的辨识结果。

基于混沌与量子粒子群算法相结合的负荷模型参数辨识研究

负荷建模是电力系统建模中亟待解决的难题。负荷特性数据、负荷模型结构以及参数辨识是影响实测负荷建模结果的重要因素。本文提出了混沌与量子粒子群算法相结合的负荷模型参数辨识方法。实测数据验证结果表明,该方法相对于常用的粒子群算法及量子粒子群算法在计算精度、收敛速度等方面都具有明显优势,应用于负荷模型参数辨识提高了负荷模型的准确性。

侧扫声呐图像分割的中性集合与量子粒子群算法

针对现有的侧扫声呐图像分割方法存在分割准确率不高和效率偏低的问题,提出了一种基于中性集合和量子粒子群算法的侧扫声呐图像阈值分割方法。通过基于中性集合计算图像灰度共生矩阵,实现了侧扫声呐图像精细纹理的表达,提高了分割精度;基于二维最大熵理论,采用量子粒子群算法计算二维最优分割阈值向量,实现了分割阈值向量的快速准确获取,提高了分割效率和精度。最终实现了高噪声侧扫声呐图像目标的准确、高效分割。通过对含有不同目标的侧扫声呐图像的分割试验,验证了该算法的有效性。

基于量子粒子群算法多目标优化的配电网动态重构

为保证配电网动态重构后系统安全稳定的运行,提出了以网损和节点电压稳定性为目标函数的量子粒子群算法的配电网动态重构。针对配电网动态重构过程中时段划分问题,提出以负荷曲线的单调性和幅值变化大小为依据初步划分时间段落。采用整数型量子粒子群算法进行动态重构,重构过程中以相邻时段的网损变化值的关系获取最佳重构段落,然后综合考虑配电网网损最小和节点电压值最大且波动最小为目标寻找最佳重构结构。以IEEE33配电系统为例验证了所提方法的有效性和实用性。

基于云计算和量子粒子群算法的电力负荷曲线聚类算法研究

针对电力数据海量化、多维化的趋势,为了提高聚类算法的聚类质量,并解决传统聚类算法聚类海量高维数据时单机计算资源不足的瓶颈,提出了一种基于云计算的电力负荷曲线聚类的并行量子粒子群优化模糊C均值聚类算法。将量子粒子群群体智能算法引入到传统模糊C均值聚类算法中,利用QPSO较强的全局搜索能力,克服FCM算法易陷入局部最优以及其对初始聚类中心过于敏感的缺陷。最后,采用云计算的MapReduce编程框架以及HBase分布式数据库对算法进行并行化改进。经实验验证与FCM算法和AFCM算法相比聚类正确率提高了10%左右,且并行性能较好。

基于量子粒子群算法的门式刚架结构抗风优化

为弥补目前结构抗风优化仅针对高层建筑的不足,采用量子粒子群算法对一大跨屋盖结构进行了抗风优化.基于风洞试验数据库获得等效静力风荷载,并根据型钢表组成离散变量搜索空间.通过约束违反协调系数,构造了一种新的适应值模型,进一步建立了粒子越界处理方法,以保证优化的可行性和收敛性.通过10次运行计算以确定门式刚架的最优设计,并在全风向角下对优化结果进行校核.研究结果表明,目标函数随迭代单调递减收敛,总质量标准差仅为其平均值的4%,平均迭代24次,说明量子粒子群算法用于门式刚架抗风优化具有较好的健壮性和计算效率.

基于量子粒子群算法的Ostu图像阈值分割

二维Ostu方法同时考虑了图像的灰度信息和像素间的空间邻域信息,是一种有效的图像分割方法。针对二维Ostu方法计算量大的特点,采用量子粒子群算法来搜索最优二维阈值向量,每个粒子代表一个可行的二维阈值向量,通过各个粒子的飞行来获得最优阈值。结果表明,所提出的方法不仅能得到理想的分割结果,而且计算量大大减少,达到了快速分割的目的,便于二维Ostu方法的实时应用。