基于PSO/GA的立体视觉测量系统优化布局

探讨一种基于PSO/GA(粒子群优化/遗传算法)混合算法的立体视觉测量系统优化布局方法。以空间点目标的三维重构不确定度最小为目标,构建了立体视觉测量系统优化布局的目标函数。通过实例阐述了使用PSO/GA混合算法求解系统最优布局参数的过程,并且在MATLAB环境下对该方法做了验证。仿真实验结果表明:与传统的粒子群优化算法和遗传算法相比,使用PSO/GA混合算法得到的最佳个体适应度曲线上升速度最快,而且求得的系统最优布局参数使空间点目标的三维重构不确定度最小。

基于PSO-GA的分片区块链系统性能优化方法

在这篇文章中,针对分片区块链(Sharded Blockchain)系统性能优化问题,提出了一种结合粒子群和遗传算法的系统性能优化方法(PSO-GA),目的是为了在尽可能满足当前网络环境情况下,提升其系统吞吐量.该方法考虑分片区块链中节点的计算能力、恶意节点的概率以及节点之间的传输速率等不同网络环境下,找到响应网络状态的最佳分片区块链系统参数;为了避免传统粒子群优化算法陷入局部最优的问题,引入遗传算法中的交叉操作和变异操作,有效提高方法的准确性.通过大量仿真实验对方法的有效性进行验证分析.实验结果表明,相比于其他的方法,本文所提出的方法可以在更短的时间取得更高的系统吞吐量.

基于GA-PSO算法的水肥监控与调度系统研究

基于GA-PSO算法的水肥监控与调度系统,采用云服务器、数据库与WDNK客户端作为系统的框架,利用4G物联网卡模块将从PLC采集到的罐体已施肥量传输到云服务器,云服务器接收到已施肥量数据并将数据写入Navicat数据库,并通过WDNK客户端软件将罐体的SN编码、罐体需加肥量等信息展示在PC端。调度系统根据水肥罐体所在点的经纬度坐标与需求量,充分考虑运输水肥车辆的自身容量,以运输车辆配送到各个水肥罐体的最小路径为研究目标,利用GA-PSO算法,在保证水肥罐体需加肥量的同时减少了运输车辆的行驶里程,降低了生产成本。

基于GA-PSO算法的冻土本构模型参数识别

遗传算法(GA)与粒子群算法(PSO)分别具有缺乏目标导向性和易陷入局部最优的缺点,但同时分别具有全局搜索能力强与能有效传递优势信息的优点。本文以GA计算步结合精英保留策略作为PSO计算步的优势信息,避免PSO算法陷入局部最优,以PSO计算步结合非精英优化策略作为GA计算步的导向信息,克服GA算法缺乏目标导向的问题,建立了GA-PSO新算法。其具体过程为,通过采用GA计算步对解空间进行全局搜索并对精英个体进行保留,进一步,将适应度较差的个体利用PSO计算步进行优化。基于多峰函数的验证结果表明,GA-PSO算法在解空间中具有更强的全局搜索能力,同时具有更快的收敛速度。将GA-PSO算法应用到冻土非正交弹塑性本构模型的参数识别中,通过模型的参数识别以及模型预测结果对比与验证,结果表明GA-PSO算法能够有效识别冻土非正交弹塑性本构模型的参数,提升了模型的预测效果。

基于GA-BP和PSO-BP神经网络的SLM GH3625高温合金残余应力预测研究

采用PSO-BP和GA-BP混合算法的人工神经网络模型预测了选区激光熔化成形GH3625高温合金的残余应力。通过响应面法为实验设计生成样本集,以激光功率、扫描速度和扫描间距作为模型的输入层,以残余应力作为模型的输出层进行预测优化。采用相关系数R^(2)和平均绝对相对误差e_(AARE)评价指标对预测模型进行了验证和对比分析。结果表明:BP、 GA-BP和PSO-BP神经网络模型均能够较好地预测不同工艺参数下GH3625高温合金的残余应力,且通过算法优化后的BP神经网络具有更高的预测精度。其中GA-BP神经网络对选区激光熔化成形GH3625高温合金残余应力的预测精度最高,模型性能更优越,其相关系数R^(2)和相对平均绝对误差e_(AARE)分别为0.909和2.06%。

GA-BP和PSO-BP预测模型在九龙矿煤层底板突水预测中的应用研究

目前,煤层开采环境复杂,随着开采深度、开采强度的增加,面临多变的突水因素和复杂的突水机理,且各因素间相互联系的不确定性,使底板突水预测的难度不断增加。对GA-BP与PSO-BP两种组合优化方法进行描述、对比。两种组合优化方法克服了神经网络容易收敛到局部最小值,以及收敛速度慢的缺点,对煤层底板突水都能实现较高精度,具有强大的泛化能力。通过对两种组合优化方法的预测模型做对比,发现GA-BP模型更优于PSO-BP模型,证明GA-BP组合优化方法更适合对底板突水危险性进行预测。

GA-PSO混合算法的工作臂铰点优化设计

现有施工装置中离不开挖掘机工作臂,但在工作过程中因承载和振动,造成铰接点销轴破裂。为了提高工作的可靠性,通过SolidWorks软件建立模型,分析由铲斗、斗杆、动臂及其油缸构成平面连杆机构工作原理;建立动臂动力学模型,借助齐次矩阵方法分析各部件的铰点位置参数,得到各铰点受到外力和力矩;以动臂各铰点受力为优化目标,以各铰点坐标参数作为设计变量,以动臂油缸所做功为约束条件,实现目标函数模型建立。借助GA-PSO混合算法,进行选择、变异和交叉操作,提高工作臂的优化设计参数精确度;结合ADAMS软件,得到优化后和优化前铰点受力曲线,实现了优化后铰点受力小于优化前。同时,为相关农业机械的研究提供理论研究基础。

基于GA/PSO BP神经网络的石家庄VOCs环境浓度预测模型研究

为了提升挥发性有机物(Volatile Organic Components,VOCs)的预测精度,在反向传播(Back Propagation,BP)网络结构的基础上使用优化算法分别为遗传算法(Genetic Algorithms,GA)优化BP神经网络(GA BP)和粒子群算法(Particle Swarm Optimization,PSO)优化BP神经网络(PSO BP)对VOCs质量浓度进行预测。首先,对污染物及气象因子进行筛选。采用相关性分析法及逐步回归法进行分析筛选,并筛选出合适的输入变量。其次,建立BP神经网络结构。利用BP、GA BP、PSO BP神经网络,以石家庄市2022年夏季污染数据为样本对VOCs质量浓度进行预测。结果显示,经相关性分析及逐步回归法筛选,将PM_(2.5)质量浓度、O_(3)质量浓度、NO_(2)质量浓度、温度、相对湿度作为输入变量。经预测结果对比,PSO BP神经网络模型的预测精度较高,烷烃、烯烃、芳香烃和含氧烃实测值与预测值之间的拟合程度(R^(2))分别为0.80、0.55、0.78、0.67。研究结果可为日后VOCs污染预报预警提供理论参考。

基于GA-DE-PSO优化算法的停车场车辆高效引导研究

传统停车引导方法受到寻优搜索算法本身缺陷的影响,设计的引导路径无法实现全局最优。针对该点不足设计了一种基于GA-DE-PSO优化算法的停车场车辆高效引导方法。利用栅格法建立停车场环境栅格地图。在原有停车时间最小化目标的基础上,增加一个避碰目标函数,由此建立一个多目标函数模型。将GA与DE融合到一起后利用GA-DE优化PSO算法,通过GA-DE-PSO优化求解停车场车辆最佳引导方案。结果表明与三种传统方法相比,GA-DE-PSO优化算法求出的方案所耗费的停车时间更短、效率更高,能够引导驾驶员快速识别出最近车位。

自适应卡尔曼滤波与PSO-GA-BP算法的机器人误差补偿

采用七轴机器人设备夹持激光器的方式对某型号发射筒进行切割开孔加工。在加工过程中,因轨迹精度和绝对定位精度较低,容易对型号产品发射筒产生损伤和误差切割等问题,运用D-H算法建立七轴机器人理想模型,运用正逆运动学数值算法对理想模型进行验证,运用理想模型的理论位姿参数和激光跟踪仪的测量位姿参数基于Sage-Husa自适应卡尔曼滤波求解七轴机器人真实位姿坐标信息,得到理想位姿参数和真实位姿坐标信息的关节误差,然后结合粒子群优化-遗传算法-BP神经网络联合算法对七轴机器人建立误差预测模型,采用七轴机器人理论位姿参数作为输入样本,真实位姿与理论位姿的各关节角度差作为输出样本,通过库卡机器人Workvisual 5.0软件按照模型输出值对七轴机器人的各关节角度值进行补偿。经过仿真实验和加工,各关节误差补偿后的七轴机器人轨迹误差和绝对定位误差减小72%,满足工艺要求。

改进HPSOGA的多光谱辐射测温数据处理方法

多光谱辐射测温技术获取真实温度时,目标发射率信息是温度求解的关键。一般解决的方法是基于发射率与波长或温度之间的函数关系建立发射率假设模型。然而,当假设模型与实际情况存在偏差时,会造成较大的温度测量误差。因此,消除目标未知发射率的干扰,减少对发射率模型的依赖,增加测温算法的通用性,是多光谱辐射测温技术亟需解决的难题。提出了改进的粒子群与遗传混合优化算法(HPSOGA),算法的核心思想是将多波长辐射测温问题转化为约束优化问题。首先根据约束条件所设置的范围,在可行域内生成若干个群,每个种群对应一组满足条件的光谱发射率,然后通过HPSOGA算法不断地进化、迭代操作,最终寻得最优适应度值的对应解。该算法实现了在不需要假设发射率模型的情况下,同时反演出目标的光谱发射率和真实温度。通过对六种典型的发射率模型进行仿真,验证了新算法对不同分布趋势的光谱发射率反演的适应性。结果表明,在真温800和900 K的情况下,反演温度的平均相对误差小于0.73%。最后,将该算法应用于火箭发动机羽焰温度测量数据的处理。结果表明,当设计温度为2 490 K时,反演温度的相对误差均小于0.65%。仿真与实验均表明,新算法可求解出满足一定精度要求的发射率和真温。因此,提出的HPSOGA算法是可靠的、有效的,为多光谱辐射测温技术测量目标真实温度提供了一种新的思路。

基于小波变换和GA-BP神经网络的电力电缆故障定位

由于电力电缆敷设于地下,当发生故障时难以快速且准确定位,出现了故障定位问题。因此,提出一种基于小波变换和遗传算法反向传播(Genetic algorithm back propagation,GA-BP)神经网络的电力电缆故障定位方法,在分析对比各小波能量集中程度和波动次数的基础上,选择多贝西小波(Daubechies wavelet 6,Db6)作为小波基函数,对于各故障位置,采集正向故障行波的α模分量,并对其进行小波分解。选取在d1尺度下的模极大值点作为特征值,同时将故障距离作为标签值,从而构建了训练和测试样本数据集;利用遗传算法(Genetic algorithm,GA)的种群进化和全局最优搜寻能力来改善误差逆传播(Back propagation,BP)网络对初始权重敏感的缺点,并使用优化后的权值、阈值重新对BP神经网络进行训练和预测,最后通过与传统双端行波定位算法、BP算法、粒子群优化BP算法(Particle swarm optimization BP,PSO-BP)相比较,证明了所提方法在测距性能方面的优越性。

基于RF-GA的热磨机生产参数优化方法

热磨机是纤维板生产中最重要的设备之一;热磨机的综合能耗在纤维板生产的整体能源消耗中占比显著,优化生产参数以降低热磨机能耗一直是纤维板生产的要求之一。以华北某纤维板企业采集的数据为依据,针对影响比能耗(SEC)和纤维质量(QF)的多个生产参数,用粒子群算法优化的BP神经网络、支持向量机(SVM)和随机森林(RF)建立比能耗和纤维质量预测模型,经对比确定最佳比能耗和纤维质量预测模型;后基于最佳预测模型构建生产参数优化模型,采用遗传算法(GA)对其求解得到最佳生产参数,以此提出基于RF-GA模型的热磨机生产参数优化方法。结果表明,热磨机各生产参数之间存在较强耦合关系,且与比能耗和纤维质量为非线性关联;粒子群算法对机器学习算法中超参数的优化是必要的,可以有效降低机器学习算法误差;选取5组不同纤维质量下的数据,采用建立的热磨机生产参数优化方法优化后,比能耗平均下降6.9kW·h/t、降幅为5.22%。该研究验证了RF-GA热磨机生产参数优化方法的可行性,能够应用于生产参数的优化,有效地实现节能降耗的目标,并为热磨机生产参数的设定提供依据。

基于多样本GA-PSO算法的发射入轨段测控设备优化部署

针对当前航天器发射入轨段地基测控设备部署中存在的效率不高、灵活性不足等问题,考虑最高仰角、地形遮蔽等约束条件,以定轨精度、测控覆盖、资源占用为优化目标,建立给定弹道下测控设备部署优化模型。提出基于多样本遗传-粒子群(Genetic-Particle Swarm Optimization,GA-PSO)算法的发射入轨段测控设备部署优化方法,通过目标权重自适应变换和一定强度的蒙特卡洛仿真实验获取Pareto最优解集,统计分析确定全局最优解。仿真结果表明,该方法可进一步提高发射入轨段定轨精度和测控覆盖率,减少设备冗余,为测控方案制定提供有效数据参考。

结合改进聚类算法与PSO-GA-BP神经网络算法的日最大负荷预测方法

为向负荷预测模型提供准确可靠的相似日训练样本集合,针对现有聚类算法在初始聚类中心选取方面的不足,提出了一种基于数据中心度的改进聚类算法,并搭建集数据筛选、聚类、优化、训练、预测为一体的日最大负荷预测模型.首先,基于各被聚类对象的中心度,选取聚拢效果最好的对象作为第一个聚类中心代入Canopy算法,形成初始聚类中心集合;然后,采用K-means聚类算法,得到不同类别相似日的训练样本;最后,利用PSO-GA-BP神经网络算法搭建日最大负荷预测模型进行预测分析.算例对某地区2011—2012年日最大负荷开展预测分析,结果表明:所提方法在聚类指标与预测指标上均具有一定优越性,具备一定实际工程应用价值.

基于GA-PSO-Otsu算法的质子交换膜燃料电池催化层孔结构自适应识别

车载质子交换膜燃料电池催化层的孔结构识别效率低、精度差且实验要求严格,无法适应日趋规模化的行业发展体系,因此针对该问题,本文提出基于遗传粒子群的最大化类间方差(GA-PSO-Otsu)优化算法,实现对催化层扫描电镜图孔径分布和孔隙率高效、精确且自适应的识别和测算。首先,协同引入高斯卷积核与二值化阈值最大化类间方差,有效降低噪声和手动调参对精度和效率的影响,实现自动化去噪和孔结构识别;其次,进一步提出遗传粒子群算法,有效解决传统方法遍历参数耗时长和易陷入局部优化的问题,兼具高精度和高效率的优点;最后,通过对催化层结构和灰度分布差异明显的扫描电镜图的对比实验验证,表明该方法具备良好的鲁棒性、自适应性和实用性,与遍历所有参数的传统Otsu算法的孔隙率误差小于0.5%,测算耗时降低约26.2%。

PSO和GA在阵列天线波束赋形中的应用

将粒子群优化算法和遗传算法应用于阵列天线的波束赋形问题中,用MATLAB编制程序分别对10元直线阵和31元圆环阵进行赋形计算,得到了预期的方向图,得出了这两种优化算法在阵列天线波束赋形问题中的优缺点.在计算圆环阵时尝试引入了修正的波恩斯坦多项式以减少需要优化的变量,并结合工程上的需要,用粒子群优化算法给圆环阵赋行计算得到了主波瓣是平顶的方向图.

一种基于PSO和GA的混合算法

结合PSO算法和GA算法的优势,提出了一种新颖的PSO-GA混合算法(PGHA)。混合算法利用了PSO算法的速率和位置的更新规则,并引入了GA算法里的选择、交叉和变异思想。通过混合算法对4个标准函数进行实验并与标准PSO算法比较,结果表明混合算法表现出更好的性能。

基于GA-PSO算法的烧结料场原料库存量优化

原料采购库存成本的约束是钢铁企业流动资金的制约瓶颈,针对钢铁企业烧结料场铁矿粉原料采购与消耗特点,以企业原料库存费用最小为目标建立了烧结料场铁矿粉原料库存量优化模型,提出一种基于遗传-粒子群算法的烧结料场铁矿粉库存量优化方法。同时,应用某钢铁企业360m2烧结生产线的综合原料场实际生产数据进行仿真验证,结果表明,该模型可以反映该钢铁企业综合料场铁矿粉库存量的实际情况,采用的优化方法可以得到模型的最优解,为钢铁企业采购计划的制定提供决策支持。

基于GA与PSO混合优化FCM聚类的变压器故障诊断

针对FCM聚类、GA-FCM聚类以及PSO-FCM聚类在进行变压器故障诊断时的不足,采用了GA与PSO混合优化FCM(GAPSO-FCM)聚类来进行故障诊断。GAPSO-FCM聚类进行的是全局搜索,克服了FCM聚类容易陷入局部极小值的问题。GAPSO-FCM聚类是以全局最优个体将GA聚类与PSO聚类有机地联系在一起,GA与PSO共用一个最优个体,迭代过程中既包括了GA运算也包括了PSO运算。它依据GA的随机性扩大了搜索范围,之后在所找到的个体附近依据PSO进行更细致的搜索,克服了仅基于单一GA或PSO优化的FCM聚类的早熟问题。通过仿真与实例分析,表明采用GAPSO-FCM聚类进行故障诊断的正确率比采用其他三种聚类的正确率高。