机械臂轨迹的非支配排序高斯粒子群多目标优化

为了减少机械臂的运行时间、能耗和冲击,提出了基于非支配排序高斯粒子群算法的机械臂轨迹多目标优化方法。以PUMA560机械臂为研究对象,根据需要设置了笛卡尔空间必经点,点与点之间使用5次多项式作为轨迹基元。以点与点之间的运行时间为优化参数,以运行时间、能耗、冲击最小为目标建立了多目标优化函数。将非支配排序融入到粒子群算法中,并对最优粒子施加高斯扰动得到其邻域,使用最优粒子邻域对粒子更新进行引导,有效提高了粒子群算法的多样性,从而提出了非支配排序高斯粒子群算法。使用此算法对多目标模型进行求解,经验证经过优化,运行时间比优化前减少了7.68%,总能耗减少了39.24%。脉动冲击减少了42.64%,充分说明了这里优化方法的有效性。

基于高斯粒子群优化的RBPF滤波算法

针对动态系统目标跟踪问题,RBPF算法通过将高维状态空间分解成易于处理的线性子部分与非线性子部分,并采取不同策略进行滤波估计。为了提高RBPF的计算效率,提出将粒子群优化思想融入到RBPF滤波估计中,凭借粒子群算法卓越的全局搜索能力,对于状态空间中非线性部分,通过粒子群算法驱使所有采样粒子向高似然区域(最优适应值区域)移动;对于线性状态部分,依然利用卡尔曼滤波进行处理。通过多组实验仿真结果对比,PSO-RBPF利用较少采样粒子、耗费较少时间即能获得极佳的估计精度。

高斯粒子群优化粒子滤波检测前跟踪算法

针对低信噪比时标准粒子滤波对弱小目标的检测与跟踪时存在的粒子贫乏、跟踪精度对粒子数目要求高等问题,提出一种基于高斯粒子群优化粒子滤波的弱小目标检测前跟踪算法。利用高斯粒子群优化算法优化重采样后的粒子集,使粒子集朝着后验概率密度分布取值较大的区域运动,增加粒子的多样性,克服了粒子贫乏问题,并在保证跟踪精度的前提下降低了跟踪所需要的粒子数目,提高了标准粒子滤波算法的检测和跟踪性能。同时,建立了检测前跟踪系统的观测模型和系统模型,对基于标准粒子滤波检测前跟踪算法和优化算法进行仿真,仿真实验结果表明高斯粒子群优化粒子滤波的检测前跟踪算法相比基于标准粒子滤波的检测前跟踪算法具有更好的检测与跟踪性能。

应用高斯粒子群优化的无迹粒子滤波

针对粒子滤波算法中存在的粒子退化与粒子匮乏的缺陷,提出了利用高斯粒子群优化无迹粒子滤波的新算法。算法使用无迹粒子滤波进行重要性采样,并将高斯粒子群优化算法融入重采样过程中。该算法选取的概率密度更加接近系统真实状态,有效增加了粒子的多样性,提高了抽样效率,降低了粒子退化程度,缓解了粒子匮乏现象。试验结果表明,该算法的滤波精度明显优于粒子滤波与无迹粒子滤波算法所得到的滤波精度。

基于改进的无尺度网络的高斯动态粒子群优化算法在舰船电网故障重构中的应用

针对当前优化算法在处理大规模舰船电网重构问题时易陷于局部极值的缺点,提出一种基于改进的无尺度网络的高斯动态粒子群优化(Gaussian Dynamic Particle Swarm Optimization,GDPSO)算法.该算法融合无尺度网络理论与种群拓扑结构,采用改进的无尺度网络BA模型随机地逐渐增加种群拓扑规模,增加种群多样性,提高种群跳出局部极值的能力.以某20节点和扩充为60节点的舰船电网为例进行故障后重构测试.结果表明,该算法对多维度舰船电网重构有效.

基于高斯混沌粒子群优化动态前馈神经网络的短期负荷预测

针对传统前馈神经网络(Feedforward Neural Network,FNN)存在收敛速度慢、易陷入局部极小和泛化能力差的缺点,提出用高斯混沌粒子群算法(Gauss Chaos Particle Swarm Optimization,GCPSO)取代传统训练方法对网络进行训练;针对前馈神经网络不能表征系统的动态特性,在前馈神经网络中引入动态延迟算子,构造动态前馈神经网络(Dynamic Feedforward Neural Network,DFNN),充分表征输入输出之间的非线性关系。将GCPSODFNN模型用于电力系统短期负荷预测,首先选择训练样本,然后针对训练样本,采用GCPSO对DFNN进行训练,最后采用测试样本进行模型验证,满足要求则用于未来负荷的预测。算例分析表明了该模型的实用性和准确性。

公路隧道交通量预测的粒子群高斯过程耦合模型

交通量的预测对公路隧道运营期通风系统的节能降耗具有重大意义,将新型小样本学习机器高斯过程引入隧道交通量预测,提出了一种组合核函数,用以改善单一核函数高斯过程的泛化性能,在网络训练过程中采用粒子群优化算法,自动搜寻泛化性能最好的高斯过程超参数,形成粒子群高斯过程耦合算法,并编写了相应的计算程序.对某公路隧道交通量进行了预测,结果表明:组合核函数高斯过程最大预测相对误差仅为4.41%,平均相对误差为1.96%;两种单一核函数高斯过程最大预测相对误差均为6.68%,平均相对误差分别为2.7%和2.67%;粒子群高斯过程耦合模型可以高精度地用于隧道交通量预测,且组合核函数可以提高单一核函数的泛化性能,并为其他类似工程提供借鉴.

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。

含分布式电源的小区微网电能经济调度优化

小区中引入微网技术,在一定程度上减少了大电网的供电压力。为改善小区微网的经济调度能力,并考虑各类分布式电源对小区微网的影响,建立了并网运行时以微网发电成本最小和孤岛运行时以微网综合效益最大为目标函数的优化模型。采用高斯粒子群优化算法对模型进行优化求解,并与采用标准粒子群优化算法的优化结果进行对比。结果显示,高斯粒子群优化算法确保可以更好地提高小区微网的经济性。

CGAQPSO优化LSSVM短期风电预测

提出一种基于混沌高斯局部吸引点量子粒子群(CGAQPSO)优化最小二乘支持向量机(LSSVM)的短期风电功率预测模型。首先,混沌算法初始化粒子种群,提高初始粒子在搜寻空间遍历性,将局部吸引点改进为高斯分布局部吸引点,增强粒子全局搜索能力,从而得到混沌高斯局部吸引点量子粒子群优化算法。对基于不同类型核函数(Linear、POLY、Sigmoid及RBF)进行比较,选择RBF核函数来构建LSSVM风电预测模型。最后,以安徽某风电场实测风电、温度及湿度的历史数据作为CGAQPSO-LSSVM(RBF)模型的训练数据。实验表明,与GA、PSO和QPSO优化LSSVM预测模型相比,所提出的CGAQPSO-LSSVM模型能够有效提高风电功率预测精确度。

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。

基于优化模糊加权核极限学习机的下肢运动识别方法

为了提高基于表面肌电信号下肢运动识别的准确性,提出了一种优化模糊加权核极限学习机(Kernel-based Fuzzy Weighted Extreme Learning Machine,KFWELM)的下肢运动识别方法。首先提取表面肌电信号的时域、频域、非线性特征,使用局部Fisher判别分析(Local Fisher Discriminant Analysis,LFDA)和局部保持投影(Locality Preserving Projections,LPP)进行特征降维处理,以减少原特征的信息丢失;其次,采用改进高斯量子粒子群算法(Gaussian Quantum Particle Swarm Optimization,GQPSO)优化KFWELM的正则化系数和核参数;最后进行决策级自适应融合得到分类结果。利用UCI数据库中的数据集进行算法验证,健康人群和患病人群下肢运动分类的平均准确率分别为96.6%和92.8%。实验表明,所提出的方法提高了下肢运动分类的准确率和有效性。

考虑静暂态电压稳定性的风电并网系统无功规划

文章提出了计及风电及负荷出力不确定的考虑静暂态电压稳定的风电并网系统无功规划方法。建立了以降低网损、无功规划成本和提高静暂态电压稳定性为目标的风电并网系统无功规划模型,利用高斯反向学习粒子群优化算法(GOL-PSO)求解不同风电参与方式的无功规划方案,比较得到风电最佳参与规划方式及风电并网系统最优无功规划方案。最后,利用Matlab对风电并网的IEEE39系统进行无功规划仿真测试,验证所提方法的正确性和可行性。