汽车后围内板冲压工艺的高斯扰动粒子群优化

为了提高汽车后围内板的制件质量,提出了基于高斯扰动粒子群算法的冲压工艺优化方法。针对冲压工艺流程,选择拉延工艺参数作为优化参数,以可以反映制件质量的参数作为目标参数,建立了优化目标函数。设计了4因素4水平的正交实验,并使用单隐含层BP神经网络对实验数据进行拟合。以粒子群算法为基础,提出了精英粒子分阶段高斯扰动策略,从而设计了基于高斯扰动粒子群算法的优化模型求解方法,得到了拉延工艺的最优参数。经模拟仿真成形和试制件验证,采用优化后的冲压工艺未出现起皱和开裂现象,验证了优化冲压工艺的有效性。

基于优化的LS-SVR的继电保护设备故障率预测模型

电力系统的互联运行对继电保护设备提出更高的要求,而继电保护设备的安全稳定运行与故障率息息相关。为了解决标准粒子群(SPSO)陷入局部最优的问题,加入高斯扰动操作,提出了高斯扰动的标准粒子群算法(GDSPSO),并在优化过程改变传统学习因子是定值的缺陷,引入学习因子随着迭代次数变化的表达式,提高算法的搜索能力,更好地优化最小二乘支持向量机(LS-SVR)的学习参数,建立预测模型,并作误差分析。最后以某一地区相同型号,相同运行环境的24台继电保护设备为例,说明GDSPSO相比较其他3种算法而言,寻优速度快,稳定性好,计算耗时短,利用GDSPSO优化得到的学习参数建立的预测模型,预测效果好,预测精度高。