基于PSO-GA算法PID的工程机械臂智能控制分析

为了进一步研究工程机械臂的智能控制,文章首先对PID控制工程机械臂的重要性进行了简要概述,并深入分析了PSO-GA混合算法的基本原理。利用MATLAB软件编写了PSO-GA算法PID的工程机械臂智能控制分析模型,并与单独PID控制进行对比。PSO-GA混合算法优化PID控制超调量为8.367%,调节时间为0.37s,都远小于PID单独控制的超调量,进一步说明PSO-GA混合算法优化PID控制的精确度更高、鲁棒性更好。文章所作研究分析结果为工程机械臂智能控制研究提供了重要参考。

利用PSO-GA算法的桥式起重机结构轻量化设计

为了实现节能减排以及减轻桥式起重机结构自重的目的,对粒子群算法与遗传算法进行结合,提出了一种对粒子群算法的改进算法——PSO-GA优化算法。算法以粒子群算法为基本框架并融合遗传算法的交叉算子,遗传算法交叉算子的引入可以对寻优过程中种群的进化进行智能调节,提高了寻优精度以及增加了算法的鲁棒性。将该算法应用于对桥式起重机的中轨箱形桥架结构轻量化设计,优化后桥架结构自重比原模型减小了13.025%。将轻量化设计后的桥架结构模型利用Solidworks软件建模,并导入Ansys Workbench软件中进行有限元分析,仿真结果验证了PSO-GA算法应用于桥式起重机桥架结构优化设计中的可行性。

基于PSO-GA混合算法的转向架混流装配车间生产调度研究

转向架混合流水(混流)装配车间生产调度是一个典型的离散变量NP-hard问题,为了优化其生产作业流程,提高生产效率,对某机车车辆有限公司的转向架混合流水装配车间生产线生产调度进行数学模型的构建,以全部工件完成时间为目标函数,采用随机权重法,引入遗传算法(Genetic Algorithm,GA)的选择、交叉和变异操作,设计了一种基于排列的3层编码PSO-GA混合算法,并进行仿真研究,通过对粒子群优化(Particle Swarm Optimization,PSO)算法、GA和PSO-GA混合算法这3种算法进行比较分析,验证了PSO-GA混合算法的有效性,并得到了该转向架混合流水装配车间的生产调度甘特图。

基于PSO-GA混合算法的移动采集节点路径优化研究

无线传感网中的移动采集节点路径规划问题可看成是时变的旅行商问题,属于NP-hard问题.以最大化移动采集节点的数据采集效率为目标,利用基于PSO-GA混合算法对无线传感网中移动采集节点的数据采集路径进行优化,在粒子群算法中引入遗传算法中的交叉操作和变异操作.实验仿真并与模拟退火算法进行比较,结果表明,PSO-GA混合算法可有效地优化移动采集节点的路径,与模拟退火算法相比,收敛速度更快,优化效果更好.

电池交换式纯电动公交充电站选址定容模型

为了提升城市纯电动公交换电效率,降低充电站建设和运行成本,研究了电池交换式纯电动公交充电站选址定容优化问题。首先,考虑纯电动公交车换电站运行保障能力,建立了换电设施数量和电池储备容量模型,获得了换电工位和最优电池配置数量。然后,基于纯电动公交换电需求,利用排队理论对充电站运行工况建模,设置惩罚因子来保证充电站服务质量,建立了以服务半径、服务强度和供需平衡等为约束,以年总成本最小为目标的选址定容模型,应用GA、PSO和PSO-GA算法进行求解。最后,对选址定容模型敏感性分析,以获得充电速率、额定行驶里程等参数对选址结果的影响。案例应用结果表明:PSO-GA算法较GA和PSO算法在目标函数和收敛速度方面更优,充电站最优数量为30座,充电桩数量为943个,最低总成本为1215.1429万元。纯电动公交车额定行驶里程与建站数量、运输成本和建设成本呈负相关;充电速率与建站数量和建设成本呈负相关,与运输成本呈正相关,提高充电速率会加快电池老化,降低电池使用寿命。研究结果可为城市纯电动公交车充电站合理规划和运营提供理论依据。

基于多目标微电网动态优化调度的研究

为了解决微电网中微源的不可控和随机波动性大等动态特性,论文寻求微电网最理想的运行调度策略。研究基于多目标动态优化调度的微电网模型,以微电网的经济和环境成本最小为目标建立数学模型并确定该模型的约束条件,用PSO与GA相结合形成的PSO-GA混合算法来进行求解,通过算例求得微电网孤岛运行最优综合调度方案,验证了该模型和算法的有效性。

基于出行成本的接驳公交时刻表优化研究

通过分析接驳公交出行成本构成,预测出行与换乘需求,基于此构建公交时刻表优化模型,实现公交开行方案的优化。首先,选取一条接驳公交线路为研究对象,分析乘客换乘、候车行为,结合出行成本理论,建立以线路出行成本为目标函数的时刻表优化模型。然后,调查历史数据并应用小波神经网络预测线路的出行、换乘需求,设计改进的粒子群算法PSO-GA求解。最后,以福州市176路公交线路为例进行验证,结果表明优化后的时刻表有效减少了线路总出行成本。

灰色最小支持向量机模型在高程拟合中的应用

针对传统单一灰色最小二乘支持向量机(GLSSVM)高程拟合方法的不足以及LSSVM模型参数选择的随机性,该文提出了一种基于PSO-GA算法优化的灰色最小二乘支持向量机高程拟合模型。模型将灰色模型与最小二乘支持向量机模型相结合,建立GLSSVM模型,并结合粒子群算法与遗传优化算法寻找GLSSVM模型的最优参数组合。为进一步验证提出模型的可靠性与有效性,通过具体工程实例,并将拟合结果分别与粒子群算法优化的最小二乘支持向量机模型(PSO-GLSSVM),遗传算法优化的最小二乘支持向量机模型(GA-GLSSVM)及单一GLSSVM模型进行对比分析,结果表明,PSO-GA-GLSSVM模型拟合精度更好,可靠性更高,为高程拟合研究提供了一种思路。