混合策略改进的粒子群算法

针对粒子群算法易陷入局部最优、收敛精度低、收敛速度慢等缺陷,提出了基于混合策略的改进粒子群算法。使用融合Circle映射与精英反向学习的策略初始化种群,提升初始种群的质量,同时加快收敛速度;在粒子速度更新方式中引入蜘蛛移动策略平衡算法的全局搜索与局部搜索;提出了基于自适应t分布的变异策略,增强算法全局搜索和跳出局部最优能力;对15个单峰和多峰函数进行仿真实验,与其他3种算法进行了对比分析,结果表明:所提出的改进算法具有很强的寻优能力与稳定性。

基于粒子群优化-熵权无偏灰色马尔可夫模型的沥青道面性能预测

为提高沥青道面使用性能的预测精度,针对道面性能数据累积年限少、波动大的特点,采用熵值法对多个道面单元进行赋权,并利用粒子群算法(PSO)和马尔可夫模型对传统无偏灰色模型残差序列的状态区间和白化系数进行优化,构建可准确预测沥青道面性能的PSO-熵权无偏灰色马尔可夫模型.结合西北某机场沥青道面6个检测单元前7年的道面状况指数进行模型精度检验,结果表明:与传统无偏灰色模型相比,经马尔可夫模型划分残差序列空间并使用PSO算法寻找最佳白化函数后,优化模型第1年~第5年各单元残差和相对误差均减小,且整体预测精度分别提高0.05%、0.28%、0.05%、0.03%和0.14%,第6、7年的整体预测精度分别提高12.9%和19.2%,说明优化后的模型对实际沥青道面的预测结果更具有效性和针对性.

改进粒子群优化滚珠丝杠进给系统BP神经网络PID控制策略研究

针对传统的BP神经网络PID(BP-PID)控制因其初始权值随机,导致系统的收敛速度较慢、控制前期会有较大误差和BP神经网络初始权值优化等问题,建立了滚珠丝杠进给系统伺服三环模型,设计了BP-PID控制器,提出了一种二阶振荡混沌映射粒子群算法(SCMPSO)优化滚珠丝杠进给系统BP-PID控制器。首先,混沌映射初始化粒子位置,使粒子均匀分布于空间,增加粒子解的多样性;随后,提出一种非线性余弦自适应惯性权重,以平衡算法的全局搜索能力和局部搜索能力;其次,在算法中引入二阶振荡环节,在面对突变多峰干扰时,能及时跳出局部最优解。研究结果表明:当加入外界干扰时,控制策略SCMPSO-BP-PID在正向进给时段的位移平均误差为0.013 mm,相比SAWPSO-BP-PID、LDWPSO-BP-PID、PSO-BP-PID这3种控制策略分别提升约45.8%、55.2%、61.7%;当加入阶跃响应时,SCMPSO-BP-PID的最大超调量仅为0.029,系统调节时间和峰值时间相比3种控制策略均有较大提升,具有较高的控制精度和稳定性。

基于粒子群优化模糊PID控制的水厂加氯系统

水厂加氯过程具有非线性、大时滞等特点,采用传统的PID控制方式难以实现消毒剂精准投加。因此,以某采用次氯酸钠消毒系统的水厂为例,首先通过分析该水厂加氯系统工作原理,结合工程经验和运行数据确定了加氯过程的近似数学模型。然后综合使用粒子群优化算法、模糊控制算法和PID控制算法,设计了一种粒子群优化模糊PID控制器,并利用MATLAB软件搭建了粒子群优化模糊PID控制系统和传统PID控制系统的模型进行仿真验证,结果表明:相较于传统PID控制系统,粒子群优化模糊PID控制系统的超调量减少了89.36%,调节时间减少了46.63%,其抗干扰能力也更强,系统整体控制效果有了较大提升。最后使用基于粒子群优化的模糊PID控制法对水厂加氯控制系统进行改造,试运行后发现,新系统控制效果良好,出厂水游离氯值能够稳定在设定值附近。

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。

移动机器人导航路径的自主学习粒子群规划方法

为了减小移动机器人行驶路径长度,提出了基于自主学习粒子群算法的导航路径规划方法。以减小路径长度为目标建立了路径规划模型;为了防止机器人发生碰撞,给出了障碍物膨化处理方法。在粒子群算法中引入了由多种粒子学习策略组成的学习策略池,并给出了粒子对学习策略进行选择的自主学习策略,从而提出了具有较强进化能力的自主学习粒子群算法。经算法性能测试,自主学习粒子群算法的优化能力强于传统粒子群算法和文献[11]改进粒子群算法;将自主学习粒子群算法应用于简单场景和复杂场景的路径规划,该算法规划的路径均值和标准差均小于传统粒子群算法,验证了自主学习粒子群算法在机器人路径规划中的优越性。

结合环论的粒子群优化算法进行冠心病合并慢性心衰预后分析

目的 采用结合环论的粒子群优化算法(hybridization of ring theory-based evolutionary algorithm and particle swarm optimization, RTPSO)对数据进行均衡化处理,以构建高性能冠心病合并慢性心衰预后模型。方法 分别用SMOTE算法、RTPSO算法对数据进行均衡化处理,在均衡化数据集上构建logistic回归、随机森林、支持向量机模型。结果 本研究共纳入2229例冠心病合并慢性心衰患者,依据筛选出的BMI、射血分数、N端前脑钠肽等22个变量构建模型。用灵敏度、特异度、准确率、F-measure和AUC值评价模型性能,其中RF、SVM、logistic回归、RF-RTPSO、SVM-RTPSO、Logistic-RTPSO灵敏度的中位数分别为0.0172、0.0773、0.0776、0.7568、0.7640、0.7838;F-measure的中位数分别为0.0338、0.1143、0.1283、0.3412、0.3505、0.4545;AUC的中位数分别为0.5086、0.5264、0.5313、0.8016、0.7785、0.7985。结论 RTPSO算法可以从多数类样本中选择有代表性的少数样本,从而达到数据均衡化,使分类模型具备更高的预测性能,指导临床医生发现高危患者,尽早预防不良事件的发生。

基于粒子群算法的电机控制策略研究

针对电机速度控制存在的响应慢、精度差等问题,采用PSO优化PID控制器参数实现对无刷直流电机的速度控制。构建了直流电机的数学模型与控制模型,在此基础上提出了PSO优化PID参数的流程。在MATLAB/Simulink平台下搭建无刷直流电机控制系统仿真模型,对比传统PID控制、GA优化PID参数控制、PSO优化PID参数控制3种电机控制策略在电机空载工况、转速发生阶跃变化工况、电机负载发生阶跃工况下的仿真结果。结果表明,PSO优化PID参数控制相对于其它两种控制策略,其转速响应速度快、抗负载干扰能力强。

邻域自适应粒子群算法求解地源热泵区域能源系统鲁棒优化调度问题

针对地源热泵区域能源系统中冷热负荷和机组效能的不确定性,本文提出了一种考虑双重不确定性的鲁棒优化调度方法.首先,基于多面体不确定模型描述调度模型中的鲁棒变量.然后,针对建筑冷热负荷不确定性,采用对偶原理将双层优化模型等价为单层优化模型;对于机组效能不确定性,采用场景法进行分析.最后,采用多目标优化约束处理方法处理鲁棒优化调度模型中的约束条件.同时,为更加高效、准确求解所构建的优化调度模型,提出了一种邻域自适应粒子群优化算法(NAPSO).实验结果表明,在制冷和制热工况下,与经验运行策略相比,本文所提方法可分别减少7.22%和5.55%的系统运行成本,是一种解决地源热泵区域能源系统鲁棒优化调度的有效方法.

改进粒子群优化算法在机械臂轨迹规划中的应用

针对机械臂运动效率与稳定性问题,提出了一种基于改进粒子群算法的时间优化轨迹规划方法。该方法以3-5-3组合分段多项式插值算法为基础,以分段区间的时间为优化目标,通过带有动态学习因子与收缩因子的改进粒子群优化算法进行优化。本文以实验室的空中作业机器人作业机械臂为模型,将本文方法与标准粒子群优化规划方法进行比较,仿真结果证明该方法收敛速度和精度都有明显改善,且算法未陷入局部收敛,最终优化结果有12.8%的提升。在该轨迹下机械臂的关节角度、速度、加速度曲线平滑无突变,机械臂运动平稳,方法具有可行性。

采用改进多目标粒子群算法的斜拉桥阻尼器参数优化

为克服大跨度斜拉桥黏滞阻尼器优化设计效率低、多个相互制约的减震控制目标的问题难以权衡,基于遗传算法的“变异”方法,提出了改进多目标粒子群算法来进行阻尼器参数优化设计。建立大跨度斜拉桥的有限元模型,开展了全桥地震响应分析,根据抗震需求在桥梁纵向设置黏滞阻尼器;分别建立了塔底弯矩、阻尼力和梁端位移的减震响应与阻尼器参数之间的响应面数学模型;以减震响应面模型为研究对象,通过该算法进行阻尼器参数全局自动寻优分析,确定了阻尼器的最优参数,并与采用参数敏感性分析方法确定的一组阻尼参数进行对比分析。研究结果表明:该优化方法具有计算精度好、优化效率高和更好地权衡多个相互制约的减震控制目标的优点;通过优化算法获得的阻尼器参数组合相比采用参数敏感性分析方法获得的阻尼参数组合的减震响应,塔底弯矩增大1.73%,阻尼力减小5.97%,梁端位移减小1.66%;在无需多次有限元试算的基础上确定了更高精度的阻尼器优化参数组合,在提高减震效果的同时大大提升了计算效率。

电推进GEO卫星的改进粒子群轨道保持优化设计

针对地球同步轨道(GEO)卫星轨道保持问题,提出了一种基于改进粒子群算法(PSO)的序列电推力轨道保持方法。首先,建立了GEO卫星高精度非线性轨道动力学模型和序列电推力模型。然后,设计了GEO卫星相对轨道保持策略,建立了以燃料消耗为性能指标的序列电推力轨道保持问题优化模型并进行了离散化。接着,通过引入差分进化算法和维度学习策略对粒子群优化算法进行了适应性改进,同时对推力大小和作用时间进行寻优计算。最后,通过数值仿真对所提出的改进粒子群优化算法进行了对比校验。结果表明,该方法在完成GEO卫星轨道保持任务的同时具备燃料消耗低和收敛速度快等优点。

基于正交试验的粒子群优化算法对火焰原子吸收光谱法分析金元素参数的优化

国内新一轮战略找矿行动全面启动,金矿产资源以其独特的稀有性和战略性具有特殊意义,其分析检测技术直接影响金元素的准确测试。以矿石中金元素为研究对象,采用正交试验设计方案对实验要素中的王水浓度、振荡时间和硫脲浓度进行方法测试,测定结果相对误差为量化指标;按照层次分析法(AHP)中确定要素指标、建立矩阵、一致性判断步骤计算要素权重为(0.252,0.159,0.589),通过客观赋权(CRITIC)法计算正交试验数据的对比强度和冲突性,计算要素权重为(0.452,0.172,0.377),提出基于AHP-CRITIC混合加权算法对要素权重综合分析,其结果为(0.314,0.075,0.611);利用粒子群算法构建粒子多维空间,通过粒子的速度和方向属性迭代位置设计算法流程图,在迭代过程中结合混合加权算法结果通过线性递减的方式校正惯性权重,优化粒子在迭代初期和末期的学习因子,结合正交试验结果利用粒子群算法建立目标适应度函数,改进算法流程,应用MATLAB软件仿真模拟粒子群迭代过程,从全局各位置和方向逐渐向最优组合收敛,得到优化后的粒子群算法寻找原子吸收光谱法分析金元素的最佳条件参数为王水浓度10.62%、振荡时间32.8 min、硫脲浓度9.5 g·L^(-1)。粒子群优化算法验证结果表明,在分析条件最优化参数下对金标准分析物质GAu-15a、GAu-16b、GAu-17b、GAu-18b、GAu-19b、GAu-22a进行11次平行性试验测试,计算其平均值、相对误差和相对标准偏差指标,均满足《地质矿产实验室测试质量管理规范》,表明基于正交试验的粒子群优化算法对于原子吸收光谱法分析金元素参数的优化问题科学可行,验证了该优化算法的正确性和稳定性,对国内新一轮战略找矿事业提供新的研究思路。该方法提出混合加权算法结合进化计算技术对多目标参数寻求最优解,有望拓展于分析实验室其他领域的测试环境,更展望应用于寻求参数优化方向的科学研究中。

基于改进T分布烟花-粒子群算法的AUV全局路径规划

针对传统粒子群算法在处理自主水下机器人(Autonomous Underwater Vehicle,AUV)全局路径规划时面临的寻优时间长、能耗高的问题,本文提出一种改进的T分布烟花-粒子群算法(T-distribution Fireworks-Particle Swarm Optimization Algorithm,TFWA-PSO),该算法融合了烟花算法的高效全局搜索能力和粒子群算法的快速局部寻优特性.在变异阶段,提出自适应T分布变异来扩大搜索范围,并在理论上证明了该变异方式能够使个体在局部最优解附近增强搜索能力.在选择阶段提出了适应度选择策略,淘汰适应度差的个体,解决了传统烟花算法易丢失优秀个体的问题,并对改进的T分布烟花算法与传统烟花算法的收敛速度进行对比.将改进算法的爆炸操作、变异操作和选择策略融合到粒子群算法中,对粒子群算法的速度更新公式进行了改进,同时从理论上对所改进的算法进行了收敛性证明.仿真实验结果表明,TFWA-PSO能够有效规划出一条最短路径,同时与给定的智能优化算法相比,TFWA-PSO在寻找最优路径的时间上平均降低了24.72%,能耗平均降低了17.33%,路径长度平均降低了16.96%.

粒子群算法在多种数据联合反演断层三维滑动速率的应用研究

建立多种大地测量数据联合反演的数学模型。利用青藏高原东北缘地区的GPS、水准、重力三种观测数据,结合附有LDW策略的惯性权重的粒子群算法,反演龙首山断裂的三维滑动速率。结果表明:龙首山断裂主要以右旋、逆冲为主,兼具挤压趋势,且具有空间分布不均匀性的特征。相比单一数据的反演结果,多种数据联合反演更具稳定性和规律性。

多策略改进粒子群优化AGV模糊PID控制

为解决AGV在复杂环境下控制精度低下、响应速度慢和鲁棒性差等问题,提出一种基于改进粒子群优化模糊PID控制方法。在粒子群算法(PSO)引入Logistic混沌映射对种群进行初始化,其次对惯性权重和学习因子进行非线性控制更新,提升种群寻优能力和避免陷入局部最优;选取9个测试函数验证改进PSO算法效果。仿真结果表明改进PSO在寻优精度和收敛速度都优于其他3种算法,而且不易陷入局部最优。最后对被控系统进行效果验证,结果表明改进PSO优化模糊PID控制器在常规和外部干扰两种环境下控制性能都优于传统PID和模糊PID,具有高可靠性、高控制精度,满足系统要求。

基于粒子群优化算法的农业机器人控制策略研究

介绍了粒子群优化算法的概念,并由数学模型、边界约束和环境约束对农业机器人优化约束模型进行了分析,实现了对农业机器人的动态避障和路径规划。仿真实验表明:针对复杂的作业环境,农业机器人可以进行最优避障路径规划,且算法收敛速度较快,能够满足设计要求,证明系统具有一定的可行性。

基于粒子群算法的分数阶PID主动磁轴承控制

针对主动磁轴承(AMB)四自由度间强耦合、非线性导致控制器控制效果不佳的问题,将分数阶PID(FOPID)控制器引入AMB控制系统,提出了基于粒子群(PSO)算法的FOPID控制器以提高控制器的响应速度并抑制转轴位移超调量,提高控制精度。采用时间乘以误差绝对值积分(ITAE)作为性能指标,在限制电流模块不同幅值条件下,将FOPID控制器与PID控制器进行比较。仿真结果显示,PSO算法可以简化FOPID控制器参数的调节过程;随着限制电流的提升,FOPID控制器的控制效果明显优于PID控制器,在5 A输入电流的限制下其性能指标高出PID控制器约1.05%;随限制电流幅值增加,在60 A输入电流的限制下性能指标可高出PID控制器约26.25%。

基于粒子群优化和卷积神经网络的电力系统运行状态辨识

随着“双碳”目标的提出,高比例可再生能源和高比例电力电子设备正成为电力系统发展的重要趋势和关键特征,其间歇性、不确定性使电力系统实时运行状态辨识面临严峻挑战。为此,该文提出一种基于粒子群优化和卷积神经网络(particle swarm optimization and convolutional neural network,PSO-CNN)的高精度电力系统实时运行状态辨识方法。首先,该方法同时考虑电力系统安全域与稳定域下的暂态问题,适用于暂态稳定故障前、故障中及故障后多场景的电力系统运行状态辨识。其次,为确保样本数据中新能源机组出力方式的全面性,采用拉丁超立方抽样方法对精细化仿真数据采样,考虑到实际电力系统中存在状态类别极端不平衡问题,引入PSO算法调节模型不同类别损失函数权重以提高模型对极端不均衡样本的辨识效果。最后,分别在IEEE39节点系统及某省级电网系统中对所提方法进行评估,实验结果证明了所提状态辨识方法的有效性及鲁棒性。

基于改进粒子群算法的ER8机器人轨迹规划

为解决传统机器人工作效率低、稳定性不足和传统粒子群算法易早熟等问题,提出了一种基于改进粒子群算法的时间最优轨迹规划算法。通过改进粒子群算法的惯性权重和学习因子,优化了粒子群算法的局部和全局搜索能力。首先,以国产ER8型机器人为研究对象,采用改进型D-H参数法获得机器人连杆参数数据,同时通过运动学正逆解理论计算求出了轨迹插值点;其次,利用MATLAB机器人工具箱建立了ER8机器人仿真模型,由于正逆解理论值与仿真结果完全相一致,证明了所建仿真模型的正确性;最后,通过MATLAB仿真得到机器人3-5-3多项式插值构造的轨迹中各关节的位置、速度和加速度等信息,在满足运动学约束的前提下,利用改进粒子群算法优化3-5-3混合多项式插值函数构造的轨迹,机器人用于完成轨迹的时间从3 s减少到1.0375 s,相对于优化前,整体运行时间缩短了大约65%,证明文中改进的粒子群算法可以有效实现时间最优的轨迹规划。