基于改进二进制粒子群算法优化DBN的轴承故障诊断

针对滚动轴承故障振动信号非平稳性的特点,对二进制粒子群优化算法(binary particles swarm optimization,BPSO)和深度信念网络(deep belief network,DBN)进行研究,提出一种基于局部均值分解(local mean decomposition,LMD)和IBPSO-DBN的轴承故障诊断方法。提出用加权惯性权重改进BPSO迭代过程中的固定权重,再用改进BPSO优化DBN的隐含层神经元个数和学习率。该方法先对信号进行LMD,提取出各PF分量的散布熵和时域指标,并构建特征矩阵,然后把特征矩阵输入改进BPSO-DBN模型中训练,实现滚动轴承故障诊断和分类。采用试验轴承数据做验证并与其他诊断方法对比,结果表明,基于LMD和BPSO-DBN的滚动轴承故障诊断方法具有较好的故障识别率。

改进二进制粒子群优化算法在配电网络重构中的应用

配电网络重构是一个非常复杂的大规模组合优化问题。网络重构中,能否得到有效解,即保证辐射状网络,是一个很关键的问题。对电网拓扑进行简化,配合破圈法更新粒子,得到100%的有效解,大大提高了计算速度。提出一种应用于配电网络重构的改进二进制粒子群优化算法,并结合禁忌搜索算法,使PSO算法跳出局部最优化陷阱,改善了算法的搜索效果,加快了寻优速度。最后对IEEE 69节点系统进行计算,并与相关文献结果进行对比,表明本文改进算法具有快速、高效的全局寻优能力。

基于混合二进制粒子群-遗传算法的测试优化选择研究

测试优化选择是一个组合优化问题。通过对测试选择的目标和约束条件进行深入分析,建立了其数学模型,并提出了一种混合粒子群-遗传算法用于求解满足测试性指标要求的最小完备测试集。该算法将遗传算法中的遗传算子引入到二进制粒子群算法中,既避免陷入局部最优和早熟收敛现象,又提高了搜索效率。大量实验证明,对于测试优化选择问题,混合粒子群-遗传算法能够快速有效的获得全局最优解。

基于混沌二进制粒子群算法的独立微网系统的微电源组合优化

建立了多目标多约束的独立微网系统优化运行数学模型,以经济运行成本最小与系统网损最小构成多目标函数,采用赋权的方式将多目标转化成单目标,考虑功率平衡、电压越限、机组启停时间等约束条件,并计及了微网中可控型微电源的启停控制策略。将二进制粒子群算法与混沌优化算法相结合求解模型。典型微网模型仿真结果验证了所提算法与模型的正确性,采用所提方法可确保微网的优化经济运行。

改进二进制粒子群优化的节点选择算法

针对无线传感器网络多目标跟踪节点选择问题,提出了一种最大化跟踪精度的二进制粒子群优化节点选择算法.该算法基于目标的预测位置,以费舍尔信息矩阵的迹为精度度量,构建节点优化选择模型,提出了二进制粒子群优化的改进形式,并用于节点选择模型的求解.改进的二进制粒子群优化算法采用矢量的二进制编码方式、约束满足的循环移位种群初始化方法,带V型转换函数的位置更新规则,并设计了引导因子引导粒子群的进化.仿真结果表明,所提出的节点选择算法能够有效地应用于多目标跟踪问题,与基本的二进制粒子群优化算法和遗传算法相比,改进的二进制粒子群优化算法能够在全局寻优和局部探索间取得平衡,且能有效地避免局部最优,对较大规模的网络具有很强的适用性.

一种适于求解离散问题的二进制粒子群优化算法

分析了二进制粒子群优化算法(BPSO)的缺陷。为克服此缺陷提出了“粒子位置的双重结构编码”的概念,以此为基础给出一种新的二进制粒子群优化算法———具有双重结构编码的二进制粒子群优化算法(简称DS_BPSO)。DS_BPSO算法既保留了PSO的优点,又非常适用于求解离散优化问题。对随机3-SAT测试实例的数值计算表明:该算法的性能远远超过BPSO算法。

改进二进制粒子群算法在PMU优化配置中的应用

以电力系统状态完全可观测和相量测量装置(PMU)配置数目最少为目标,提出概率偏移二进制粒子群优化配置算法。该算法是全局优化算法,可得到多组可行解。针对普通二进制粒子群算法收敛较慢的缺点,在算法中引入概率偏移因子,根据节点出线度的差异,设置不同的取0或1的概率,从而提高了收敛速度。最后,采用新英格兰39节点系统和湖南长株潭42节点系统算例对所提方法进行了验证。

改进的带经验因子的二进制粒子群优化算法

针对传统二进制粒子群优化(BPSO)算法未充分利用粒子位置的历史信息辅助迭代寻优,从而影响算法寻优效率的进一步提高的问题,提出一种改进的带经验因子的BPSO算法。该算法通过引入反映粒子位置历史信息的经验因子来影响粒子速度的更新,从而引导粒子寻优。为避免粒子对历史信息的过度依赖,算法通过赏罚机制和历史遗忘系数对其进行调节,最后通过经验权重决定经验因子对速度更新的影响。仿真实验结果表明,与经典BPSO算法以及相关改进算法相比,新算法无论在收敛速度还是全局搜索能力上,都能达到更好的效果。

基于改进二进制粒子群优化算法的网络重构研究

提出了一种基于改进二进制粒子群优化算法的网络重构方法,该算法在二进制粒子群优化算法的基础上,通过结合破圈法理论以控制粒子的更新过程,使更新后的粒子100%符合网络的辐射状要求,从而减少了以往网络重构中辐射网判断的环节。此外算法还引入了禁忌搜索算法的思想,克服了粒子群算法易陷入局部最优的缺陷。最后对IEEE单馈线33节点系统进行计算,证实了算法的有效性,并与相关文献中的算法进行比较,表明算法具有较高的搜索效率和较强的全局寻优能力。

基于改进二进制粒子群优化算法的负荷均衡化配电网重构

提出了基于改进的二进制粒子群优化算法、以均衡负荷为目标的配电网重构方法。将配电网重构问题表示为以负荷均衡指标最小为目标函数的非线性优化问题,针对配电网开环运行的结构特点对配电网拓扑结构模型进行了简化,并对二进制粒子群优化算法加以改进,以保证配电网的辐射状结构,同时大大减少迭代次数。算例分析结果表明,该方法能够有效解决负荷均衡化的配电网重构问题,计算速度快,收敛性好。

遗传二进制多粒子群优化算法及其在子阵STAP中的应用

抑制杂波和干扰的子阵空时自适应处理的性能会受子阵方向图栅瓣的影响而严重下降,非均匀子阵划分和子阵权值设计可有效抑制天线方向图的栅瓣,消除STAP性能曲线上的栅凹口。由于子阵划分和子阵权值分别对应于整数和实数变量,使得该问题为一种特殊的混合优化问题。针对该特殊问题本文提出了一种新的遗传二进制多粒子群优化算法- GBMPSO。该算法不仅可处理二进制编码粒子,而且采取了多粒子群共同进化且在同一种群内部进行交叉和变异的机制,有效避免了算法早熟。针对四种典型测试函数的仿真实验表明,GBMPSO算法与二进制PSO算法和遗传算法相比在收敛速度和算法精度上均有明显的优势。最后,给出了该算法在子阵STAP中应用的实例。

基于技术成熟度和二进制粒子群优化算法的装备测试设计优化方法研究

针对复杂装备测试性设计过程中测试设计优化问题,在分析现有优化方法的基础上,提出了一种基于技术成熟度评价(TRA)方法和二进制粒子群优化(BPSO)算法的测试设计优化方法。该方法根据装备测试设计的技术成熟度分析结果建立目标优化模型,然后应用二进制粒子群算法对模型进行求解,得到的结果直接用于装备的测试性设计工作。由于考虑装备测试设计的影响因素较一般方法多,因此得到的结果更加优化。该方法已经在某型装备测试设计辅助系统中得到应用。

离散二进制粒子群优化的频谱分配算法研究

随着无线通信技术在各领域的广泛应用,通信设备对频谱资源的需求程度不断提高。频谱资源的稀缺问题已经成为制约无线通信技术进一步发展的关键因素。利用图论模型,得到可用频谱矩阵、网络效益矩阵、频谱干扰矩阵以及分配矩阵,并将频谱分配问题转换为网络效益与分配矩阵寻优问题。借助离散二进制粒子算法,以网络效益、最大比例公平网络效益为目标函数,寻找最优分配矩阵。寻优过程中,为解决传统离散二进制粒子算法易陷入局部最优的问题,采用线性减少惯性权重因子,平衡局部和全局关系,提高寻优精度。试验表明:与遗传算法、敏感图着色法相比,基于离散二进制粒子群算法可取得更高的网络效益和最大比例公平网络效益。

改进的二进制粒子群算法的传感器优化配置

传感器组合优化问题是设备状态检测系统设计的重要问题。在研究传感器与故障有向图的基础上,提出了传感器优化配置模型;根据传感器组合优化自身特点,从位改变率、惯性权重两个方面对BPSO算法进行了参数分析。结合免疫算法的"亲和度"思想以及非线性惯性权重递减公式,提出了改进的二进制粒子群算法。案例显示,改进的二进制PSO算法提高了算法在整个解空间的搜索能力,加快了收敛速度,能够很好地用于解决传感器优化问题。

采用弧形映射函数的二进制粒子群优化算法

针对二进制粒子群优化算法(BPSO),采用S形映射函数,将粒子在空间中飞行速度的正负值大小映射为其位置向量取1的概率,易于陷入局部最优解的问题,本文提出了采用弧形映射函数的二进制粒子群优化算法(ABPSO).该算法采用弧形映射函数取代BPSO中的S形映射函数,将速度平方值大小映射为位置向量改变的概率大小,当粒子具有较低的速度平方值时能够维持在原位置,较高的速度平方值时改变位置,从而使算法更好地收敛于全局最优解;同时,采用了无强制性位置更新程序,符合弧形映射函数使用速度平方大小映射为位置改变概率大小的需要.通过六个基准函数的仿真实验发现,ABPSO具有更好的收敛精度和更高的收敛速度;ABPSO采用更加符合粒子运动规律的弧形映射函数,表现出更好的收敛于全局最优解的能力和更高的收敛速度.

自适应学习因子的混沌二进制粒子群优化算法

针对二进制粒子群优化算法存在求解精度低的问题,提出一种自适应学习因子的混沌二进制粒子群优化算法(SABPSO)。首先,SABPSO算法采用混沌策略初始化粒子种群;其次,根据适应度值以及当前粒子与最优粒子间距离设计粒子成长因子,反映种群的进化状态;再次,通过成长因子和迭代次数设计自适应学习因子更新机制;最后,实验结果表明:在4个经典测试函数上SABPSO算法具有更有效的收敛性能。

基于二进制粒子群优化的WSN分簇算法

针对无线传感器网络概率分簇算法随机性大、难以求得最优分簇方案,连续粒子群分簇算法易导致误差过大的问题,提出了一种基于二进制粒子群优化的分簇算法.首先经过分析建模指出分簇本质上是一个组合优化问题,在此基础上构建了一个N维二进制空间,对粒子进行了编码,从而把网络分簇转化成了一个组合寻优问题.然后在综合考虑和分簇结果相关变量的基础上,设计了适应值函数.最后应用二进制粒子群算法选出簇头节点,通过多次迭代寻优完成了网络的分簇.仿真实验结果表明,应用二进制粒子群的分簇算法较好地解决了概率分簇算法和连续粒子群分簇算法存在的问题,能有效地降低节点的能量消耗,延长网络的生存时间.

基于二进制粒子群优化算法的行人检测

针对汽车前方道路上的行人安全问题,对道路行人采用二进制粒子群优化算法(BPSO)进行了检测,以确保行人的安全。首先,对随机采集的道路行人图像样本进行了二维离散余弦变换(DCT),将行人的描述从图像空间转换为用少量数据点来表示频率域空间,再利用DCT算法的对称性,解压缩图像,获得了行人图像的特征向量;其次,应用BPSO算法对得到的特征向量进行了特征选择,从行人频域特征空间中,提取了有价值的特征子集,得到了最具代表性的行人特征,完成了行人检测。试验结果表明,在样本数量较少的情况下,无论在检测正确率还是检测实时性方面BPSO算法都优于传统的支持向量机(SVM)算法。研究结果表明,二进制粒子群优化算法能够高效快速的检测到行人,为车辆主动安全技术提供重要基础,对于减少交通事故具有重要意义。

鲶鱼二进制粒子群优化算法研究

在粒子群优化算法的研究中,粒子群算法是根据鸟群觅食过程中的迁徙和群集模型提出的,用来解决优化问题的一种随机方法。由于传统二进制粒子群算法具有早熟收敛的缺点,为提高算法的速度和稳定性,提出将"鲶鱼效应"引入到算法中,有效增加优化过程中种群的多样性,进而使粒子能够跳出局部最优点,进入解空间的其它区域继续进行搜索,有效避免早熟收敛的发生,直到最后找到全局最优解。数值仿真表明,通过恰当地选取算法的相关参数,鲶鱼二进制粒子群优化算法在收敛率、寻优速度及稳定性方面均有所提高。

基于改进二进制粒子群算法的家庭负荷优化调度策略

为降低家庭用电成本以及提高户用光伏发电的就地消纳率,提出了一种基于实时控制储能充放电行为的家庭负荷调度策略。首先,对家庭负荷分类并建立以电费最低、电力碳排放量最小及舒适度最大为目标的调度模型;其次,提出以实时光伏出力和峰谷分时电价为依据,通过控制储能充放电实现家庭负荷用电需求的调度策略;最后,利用场景分析法和分等级多策略学习的二进制粒子群改进算法(HLSBPSO)对模型进行仿真求解。结果表明,所提策略和算法可使用户电费降低49.2%,舒适度提高67.9%,可为户用光伏发电的安全经济运行提供新的理论支持。