基于粒子群算法的纯电动商用车转矩分配策略

针对纯电动商用车采用双电动机驱动时存在的转矩分配问题,提出基于粒子群算法的模糊控制策略.首先在Simulink/Stateflow软件中搭建整车动力系统物理模型,以粒子群算法为基础,进行整车转矩分配.由于计算量大,无法运用于实车,故根据粒子群算法的结果,结合传统项目经验,设计一个参数实时调节模糊控制器来进行转矩分配.该方法运行速度快,且基本达到粒子群全局优化的效果.验证与分析结果表明:与原车单电动机动力系统相比,采用该方法的双电动机动力系统能量消耗减少了12.08%;在双电动机动力系统下,该方法与平均分配控制策略相比,电动机总能量损失降低了13.09%.

基于自适应变异粒子群算法的风光储微网调度

为克服传统粒子群算法在求解时容易形成局部最优,求解精度低的不足,提出了一种基于自适应变异粒子群优化的微电网调度求解方法。惯性权重采用自适应正态分布递减,随着迭代次数的增加更新粒子位置的移动策略,并且在算法后期引入变异环节。为验证算法的有效性,文章与其他算法进行收敛性能对比,并对两种典型天气情况下的微网运行成本模型仿真求解,得到最优调度。算例结果表明,改进算法能够对粒子全局最优搜索优化,效果优于其他算法,可合理调配分布式电源出力时段,具有良好的可行性。

基于离散粒子群算法的管道保温结构优化研究

针对目前管道保温结构优化算法不稳定、结果优化程度不高的问题,建立以经济效益为目标函数,以满足国家散热损失标准等条件为约束函数的离散型数学模型。以BPSO算法为基础改变其位置更新规则,防止种群进化失效;采用自适应权重增加粒子的全局和局部搜索能力;充分利用模拟退火算法的思想避免出现早熟现象。应用改进的算法分别对普通蒸汽管道和核电站的蒸汽管道进行系统仿真实验。结果表明,该算法能够在满足国家散热损失标准等条件下取得最优解,可以为管道保温结构提供合理的优化方案。

基于小生境离散粒子群算法的不规则排样优化策略

针对目前二维不规则排样算法中存在的问题,提出一种基于小生境离散粒子群算法的二维不规则排样算法。该算法模拟两个相对独立的粒子群,两个粒子群并行进化,并在每迭代一次后相互交流信息,具有很强的全局搜索能力。实验结果表明,该算法在求解二维不规则排样问题时可以大幅提高板材的材料利用率,具有实际应用价值。

面向动态公交的离散分层记忆粒子群优化算法

随着智慧城市、智慧交通的发展,移动互联网和公交智能基础设施以及相关数据的不断完善,通过用户手机预约公交服务的新型公交运营方式——动态公交,已经成为许多城市公交发展的重要探索方向。但目前,对动态公交问题的建模、算法研究不足。基于这一研究现状,提出动态公交问题模型和面向动态公交的离散分层记忆粒子群优化(PSO)算法。首先给出动态公交问题的目标函数和约束条件,给出动态公交问题的解的形式,并定义解的编辑距离;其次提出使用数据驱动的预计算路径集生成PSO算法的优质初始解的方法,给出基于解的编辑距离的PSO算法中粒子的变异概率和自适应收敛系数的计算方式;最后提出将粒子群分层求解的方法,其中低层粒子群可复用、可继承,从而减少单时间片内、时间片间复制和重初始化带来的性能损耗。基于重庆市北碚区蔡家岗街道的真实场景和亿级历史数据建立仿真环境进行实验,实验结果表明:相对于不分层PSO算法,分层PSO算法通过复用和继承能缩短超80%计算用时;自适应参数和变异机制能帮助算法更稳定地收敛到更优解;相对于传统公交系统,动态公交能在同等运力限制下,提高22%的乘客接单率,节省39.1%的乘客出行时间,所提算法能满足公交运营商在片区内进行动态公交调度的需求;相对于对比算法,所提算法平均缩短了85.3%的计算用时,并且在仅耗用80%里程的情况下提高了至少12%的接单率。

基于离散粒子群算法的电力芯片电路运行参数优化

电力芯片电路运行中受到不确定因素的干扰,信噪比较低。为此基于离散粒子群算法提出了一种新的电力芯片电路运行参数优化方法,分析输出功率和发电功率,根据计算结果得到目标函数,确定离散粒子群的分布状态,平行转换最优粒子,建立参数序列,构建电力芯片电路运行参数优化模型,提取运行参数特征,二次优化调试数据,剔除异常数据,建立离散阵列模型,通过数据扫描实现参数优化。实验结果表明,所设计方法在面对连续运行电路数据和随机电路数据时,具有极好的优化效果,平均绝对值误差低于0.10,均方根误差低于0.20,信噪比较高,具有较好的效果。

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。

基于粒子群混合灰狼算法的配电网故障恢复策略

为进一步提高主动配电网在故障恢复过程中的高效性和可靠性,基于粒子群混合灰狼算法对含高比例分布式电源的主动配电网进行故障恢复分析。首先针对配电网故障恢复持续时间长、光伏与风机出力和负荷需求波动大的问题,建立分布式电源时变性和负荷特性模型。以故障时段内分布式电源恢复重要负荷总量最大为目标函数,对配电网进行初步孤岛划分。在初步孤岛划分的基础上综合考虑恢复重要负荷总量最大、网络损耗最小和开关操作次数最少三个目标函数,采用粒子群混合灰狼算法求解,得到孤岛与主网配合的最优故障恢复策略。运用IEEE33节点配电网模型进行仿真验证,结果表明:分布式电源时变性和负荷特性模型具有优越性,基于粒子群混合灰狼算法的主动配电网故障恢复策略能够可靠地恢复供电。

基于改进粒子群算法的中深层地源热泵供暖系统运行优化

构建变工况运行且包含蓄热装置的中深层地源热泵供暖系统,基于改进粒子群算法,分别以运行费用、系统COP和地热能利用系数为目标函数对系统运行进行优化,并对优化结果进行比较和分析。结果表明:对应目标函数优化后的运行费用、系统COP和地热能利用系数分别为279.27元、6.4420和0.8527。以系统COP为目标函数的优化效果与运行费用相反,而与地热能利用系数相近。

基于精英知识引导的多种群协作粒子群优化算法

目的为了解决粒子群优化(particle swarm optimization,PSO)算法易早熟收敛、后期收敛速度慢、精度低等问题,方法提出一种基于精英知识引导的多种群协作粒子群优化算法(multi-group cooperation particle swarm optimization algorithm,MGCPSO)。首先,采用基于幂函数约束的logistic映射得到分布均匀的初始种群,加快寻优速度并提高找到最优解的概率;其次,在算法执行阶段动态划分多种群,并利用精英知识引导劣势粒子飞行,实现粒子间的信息共享和协同进化,降低粒子在解空间探索的盲目性;最后,综合融入精英知识的反向学习和极值扰动策略对粒子施加变异,帮助粒子扩大搜索区域并加强对最优邻域的精细探索。结果为验证MGCPSO的性能,在30维和100维的基准测试函数上进行了仿真实验研究,结果表明,相比于其他几种改进算法,提出的算法在收敛速度和收敛精度上均有良好表现。结论多种群协作粒子群优化可以有效避免算法早熟收敛和陷入局部最优,同时可以提高算法的全局搜索能力和局部开发能力。

基于改进粒子群算法优化PID控制的主动悬架性能研究

针对二自由度主动悬架比例-积分-微分(PID)控制器参数整定问题,引入粒子群算法,借助粒子群算法的全局搜索能力解决PID控制器参数整定问题,考虑到传统粒子群算法收敛速度较慢,设计了一种改进粒子群算法,根据悬架性能评价指标建立目标函数,分别模拟了随机路面激励输入和减速带式梯形冲击路面激励输入,并验证了基于改进粒子群算法优化的PID控制器的有效性。仿真结果表明:改进粒子群算法后目标函数的收敛速度明显提高;基于改进粒子群算法优化PID控制的主动悬架在不同激励输入条件下均具有较好的行驶平顺性;验证了改进粒子群算法的有效性并解决了PID控制器参数整定问题。

基于神经网络和粒子群算法的硅钢工艺参数优化

结合BP神经网络与粒子群算法,提出了一种降低硅钢铁损的工艺参数优化策略。首先,采用BP神经网络建立了对硅钢铁损的预测模型,模型具有很高的拟合精度和预测精度。然后在工艺参数的优化方面,以BP神经网络预测模型作为适应度函数,选取连续退火RTF炉段的各段炉温作为优化变量,采用粒子群算法优化这些工艺参数。结果显示,基于BP神经网络,采用粒子群算法对部分工艺参数进行优化后,硅钢铁损明显降低,具有一定的指导意义。

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。

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。

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%.

退火粒子群算法优化外加电流阴极保护方案

为了解决目前提出的各种外加电流阴极保护设计方法在同时优化电流和阳极位置时,由于被保护构件几何形状复杂往往陷入局部最优而导致效果欠佳的问题,本文提出了一种改进的模拟退火粒子群算法。传统方法在退火环节中,将每个粒子迭代后都要通过Metropolis规则对全局最优粒子进行替换,本文改进为待所有粒子迭代完毕后,从中选中最优粒子,通过Metropolis规则对全局最优粒子进行替换,这在一定程度的上保护了最优解;将外加电流、电极空间位置合成为一个粒子,运用上述算法进行迭代求解最优方案:阳极的最优位置为[0.3389,3.1551,0.47706,1.1943]、输入电流为[0.09639 A,0.099079 A]。据此计算了船体表面电位分布。结果表明:船体表面电位分布均匀,标准偏差最大为0.0028,最小为0.0014,达到了保护的目的。

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。

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。

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。

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。