基于PSO-SA算法的源项反演方法研究

针对大气污染事故突发时,事故发生点无法确定或人员不能接近的情况,研究了基于环境监测数据源项反演以获取事故源项数据的技术,设计实现了一种基于粒子群-模拟退火源项反演方法。采用自适应方法调整惯性权重系数,与高斯烟羽扩散模型结合,对事故源项数据进行反演。实验结果显示:在所选监测点监测数据的反演实验中,基于粒子群-模拟退火算法(PSO-SA)结合了两种算法的优势,能够获得与期望值较为符合的反演结果。进一步分析了监测点数据误差及监测点数量对反演结果的影响,并将文中方法与粒子群算法(PSO)进行对比,同等条件下,较粒子群算法精度提高了8%,能够快速实现对大气污染源强和位置的准确估计。

探地雷达根系数据的PSO-SA-OMP压缩重构方法

针对根系探地雷达数据重构中计算复杂和准确率低的问题,提出粒子群(PSO)与模拟退火(SA)相结合的正交匹配追踪(OMP)优化算法。首先,由Gabor原子对信号进行稀疏表示,建立求解空间;然后,以匹配函数为适应度,通过PSO算法求出匹配函数的最佳适应度值,找出可行解原子,再利用SA算法对PSO极值进行退温搜索,得出全局最优原子;最后,利用最优原子完成根系稀疏数据的重构。对A-scan数据和B-scan数据进行实验,结果表明,PSO-SA-OMP算法比传统OMP算法的计算时间减少了10.471 s和20.260 s,均方误差减小了1.225,信噪比提高了5.539 d B。

基于PSO-SA的二级倒立摆前馈补偿模糊神经网络控制

以模糊神经网络为基础,结合误差前馈补偿完成了二级倒立摆系统的稳定控制,并采用模拟退火粒子群算法对控制参数进行全局寻优。与基于状态变量合成的模糊神经网络控制器相比,该控制方法不仅解决了多变量系统模糊控制器的"规则爆炸"问题,并且,由于所有状态变量直接参与控制输出,控制精度亦有所提高。仿真结果表明,该控制方案所需规则数目少,响应速度快,有良好的鲁棒性和非线性适应能力。

基于PSO-SA算法的优化排料研究

现今用于家具制造的木材及板材的使用量大幅度增加。板材用料的合理利用与木材资源的浪费问题,越来越受到国家及社会的高度关注。在家具生产中,板式材料的合理剪裁成为现在的研究热点。根据现代社会产生的木材合理利用为研究点采用PSO-SA优化算法,对板式办公家具木质材料的优化排料方式进行建模。PSO-SA将PSO算法的优点与SA算法的优点运用在算法的实现中,并将两种算法进行有效结合,使之达到最良好的优化效果。尽量避免和减少其余料的产生和浪费,达到利用率最高的目的。同时提高辅助材料的价值和可用性。

基于PSO-SA优化的LSSVM空调负荷预测

对空调负荷进行准确预测不仅对优化空调控制的意义重大,也是实现空调经济运行与节能的关键所在。为了提高建筑空调负荷的预测精度,在分析最小二乘支持向量机建模特点的基础上提出了利用PSO-SA优化的一种空调负荷预测算法。该方法利用粒子群—模拟退火方法对最小二乘支持向量机的参数进行优化选择,提高模型的精度和泛化能力。通过空调负荷预测建模的结果表明,该方法具有学习速度快、跟踪性能好以及泛化能力强等优点,为实现空调系统的优化运行奠定了基础。

基于MOPSO-SA混合算法的矿山微震震源定位方法

冲击矿压是一种典型的煤矿动力灾害,通过监测煤矿微震来进行冲击矿压的预防预警是一种有效的手段,其中震源位置是微震监测中需要确定的最关键和最基本的参数之一。在微震震源定位过程中,参与定位的通道个数对定位精度具有显著影响。当震动激发的检波探测器个数足够多时,不断增加通道个数并不能有效提高震源的定位精度。基于此,选取合适的震动信号参与定位对提升震源定位精度至关重要。为解决该问题,在设定均勾介质的条件下,基于走时拟合法的震源定位模型,提出一种既考虑定位通道个数、又考虑模型定位精度的微震震源多目标优化定位模型。为求解该模型,结合多目标粒子群优化算法(Multi-Objective Particle Swarm Optimization,MOPSO)和模拟退火算法(Simulated Annealing,SA)的互补优势,提出一种基于多目标粒子群-模拟退火(MOPSO-SA)的矿山微震震源混合定位方法。该方法利用多目标粒子群优化算法的全局探索性能,为实现局部搜索的模拟退火算法提供更优的初始解,同时也有效避免寻优过程陷入局部极值。试验结果表明所提算法能够有效地求解多目标震源定位模型,且具有较高的定位精度。

室内多消防水炮协同灭火任务规划研究

室内大空间消防系统通常采用多个固定式智能消防水炮组成水炮群进行灭火。为改善室内多消防水炮对多火源灭火效率,提出一种基于火灾损失代价和灭火时间代价的粒子群任务规划算法。首先,采用整数编码方式对粒子进行编码,一组编码对应一组任务分配解;然后,应用非线性自适应权重更新方法动态调整算法关键参数,提升算法性能。为避免陷入局部最优解,采用基于模拟退火的自适应粒子群算法,以一定概率接受差解,提高粒子多样性,帮助算法跳出局部最优。针对火源动态变化和灭火过程中新发火源,设计了一种分阶段任务规划策略,与所提算法结合可有效解决动态规划问题。实例仿真结果表明,该算法在寻优效率和结果稳定性方面优于标准粒子群算法和自适应粒子群算法,具有良好的应用价值。

基于优化领先狼群算法的微震源定位研究

为分析不同启发式方法对求解微震源定位精度问题的影响,提出一种优化领先狼群算法。该算法在领先狼群算法的基础上,调整搜索步长和围攻步长两个参数,提高了在搜索过程中跳出局部最优解的能力。通过理论模型反演和工程数据分析,验证了优化领先狼群算法的有效性。与常用的粒子群算法和模拟退火算法两种启发式算法相比,优化领先狼群算法收敛更快,精度更高,受P波波速误差影响更小。该算法为智能启发式算法应用于微震源定位提供了新思路。

基于SA-PSO的煤矿小功率电机故障诊断研究

小功率电机广泛应用于煤矿带式输送机辅机、水处理系统等场合。为准确诊断小功率电机运行过程中发生的常见故障,提出一种模拟退火粒子群优化(SA-PSO)算法优化最小二乘支持向量机(LSSVM)的故障诊断方法。首先利用RELAX算法剔除定子电流基波频率分量,然后使用小波包分解对信号进行分解和重构,选取重构后特定频带的能量值为特征信号,最后用SA-PSOLSSVM模型进行故障分类。实验结果表明,该方法在小功率电机故障诊断上有较好的诊断精度。

基于粒子群算法与模拟退火算法的一种混合配电网重构算法

本文首先对配电网重构的意义,研究现状以及当下的几种方法等方面进行分析,并且对比了几种主要重构方法的优缺点。然后,介绍亚启发式算法中的粒子群算法与模拟退火算法,并将二者有效地进行融合互补,形成一种新的混合算法。此方法利用粒子群算法快速局部搜索能力和模拟退火算法全局收敛的优点,使其既能以较大的概率跳出局部的极值点,又能提高收敛速度。最后,将这种混合算法应用于配电网重构中,介绍了配电网的简化分析方法,并阐述了配电网的粒子群初始化、参数设置、编码规则等内容,并通过IEEE33节点和69节点系统基于MATLAB平台的仿真,验证算法的可行性和优越性。

基于P-SA-PSO算法的概率积分法参数反演

针对目前概率积分法参数反演存在的问题,为了更加准确稳定地解算出概率积分法参数,在经典粒子群算法的基础上,引入自适应惯性权重以及模拟退火算法中的Metropolis准则,提出了一种基于P-SA-PSO算法的概率积分模型参数反演方法。论文通过仿真实验,与遗传算法(GA)、经典粒子群算法(PSO)以及加入自适应惯性权重优化的粒子群算法(P-PSO)进行对比分析,结果表明:新算法反演各参数的精确性、稳定性和收敛速度优于其他3种算法。将新算法引入工程实例中,进一步体现了新算法在反演概率积分模型参数上的可行性。

面向预警监视任务的雷达组网智能化资源调度

针对当前预警监视任务中雷达组网资源调度方法难以与太空目标数量井喷式增长、太空武器多样化发展的趋势相适应,而资源调度具有场景复杂、计算量大、精度要求高等特点的问题,在对反导预警与空间目标监视2类任务中资源调度原则分析的基础上,引入层次分析法与人工智能算法对资源调度问题进行求解,在任务和雷达2个层面实现了面向预警监视任务的雷达组网智能化资源调度。在任务层面,基于层次分析法对任务优先级进行了划分,为面临多个任务冲突时的任务优先选取提供了解决途径;在雷达层面,通过构建2类任务场景下的资源调度模型,在模拟退火算法和粒子群算法的基础上进行改进,提出了面向目标分配排序作业的模拟退火混合离散粒子群算法,对资源调度方案优化中的计算时间、资源节省率、算法合格率等3个指标进行了提升,有效提高了预警监视任务中雷达组网的探测效能。

随机模糊需求下多物资应急供应系统调货策略

为研究各种应急调货策略在不确定需求环境下的效率,考察由一个中央供应点和多个地方供应点组成的二级多物资应急供应系统,其中需求是一个随机模糊数、服务水平有时间限制、应急调货必须考虑就近原则.针对不同的应急调货策略,分别建立相应的模型,计算各项系统指标;用粒子群优化—模拟退火(PSO-SA)混合算法,对不同策略的效率进行比较,并对影响应急系统的关键参数变动进行分析.结果表明:完全转运策略的效率高于部分转运策略;对于部分转运策略而言,转运点设置越低,系统效率越高。

改进粒子群和模拟退火混合算法及其应用

基本粒子群优化算法每个粒子代表一个可行解,通过粒子间的协作来获得最优解。考虑粒子间协同作用,引入Gaussian核函数研究基于区域影响的粒子群算法(GPSO)。为了充分利用粒子群算法的快速全局收敛性和模拟退火算法能够跳出局部最优陷阱的优点,得到高精度的最优解,将GPSO算法与模拟退火算法相结合,研究了一种新的混合粒子群算法。混合算法在GPSO算法处于停滞状态时,于搜索到最优位置用模拟退火算法继续寻找最优解。数值实验结果表明,新混合算法兼顾了GPSO和模拟退火算法的优点,具有收敛速度快、搜索精度高、鲁棒性好等特点。这说明文中的混合算法不失为一种有效的进化算法。

基于协同进化算法的配电网故障阶段式恢复策略

传统的配电网故障恢复算法难于同时兼顾恢复过程的快速性和恢复策略的最优化。文章提出一种将启发式搜索算法与优化算法相结合的配电网故障阶段式恢复策略:第一阶段采用启发式搜索方法恢复负荷供电;第二阶段利用优化算法处理过载的负荷转移;第三阶段按启发式搜索方法处理过载负荷的切除。为实现快速的网络拓扑分析,采用家族树结构表征配电网,并对传统的粒子群优化(particle swarm optimization,PSO)算法与模拟退火(simulated annealing,SA)优化算法进行改进,提出了协同进化算法(co-evolutionary algorithm of PSO and SA,CPSOSA),CPSOSA算法在求解故障恢复数学模型时具有较高的全局寻优能力。算例分析证明了本文所提恢复策略及算法的可行性和高效性。

面向服务匹配问题的协同演化算法

服务匹配是服务发现的主要环节.目前,原子服务匹配过程主要存在服务匹配概念狭窄、匹配算法的时间复杂度较高及匹配方案的表示难以被智能优化算法处理等问题.针对上述问题,在原子服务匹配的基础上引入复合服务匹配、抽象复合服务匹配过程的适应度函数及约束条件,设计适用于智能优化算法处理的匹配方案的表示方法.同时,结合协同演化算法设计思路,提出基于粒子群和模拟退火的协同演化算法(PSO-SA),用以求解复合服务匹配.实验结果表明:与现有智能优化算法相比,PSO-SA可在有限迭代次数内获得精度较高的匹配结果,对不同维度的服务匹配问题具有较高的适应性,可用于提高服务发现结果的质量.

改进的CLPSO算法及对复杂组合函数的优化研究

全面学习微粒群优化算法使用所有其它粒子的历史最好信息来更新粒子速度的策略改进标准微粒群算法,虽然一定程度避免陷入早熟,然而也存在到算法后期收敛速度急剧变慢的问题。采取兼顾粒子搜索范围和收敛速度方法并引入自适应的策略监视算法过程,当算法陷入停滞,即重新初始化,更新粒子系统,用复杂组合测试函数进行测试,表明了改进算法的有效性。

基于仿真的优化方法综述

针对难以用数学模型表达的优化问题或带有随机性的优化问题,基于仿真的优化方法是其惟一的选择。因此,综述了基于仿真的优化方法的研究情况,介绍了仿真用于策略验证、基于仿真的Genetic Algorithm(GA)、基于仿真的Simulated Annealing(SA)、基于仿真的Particle Swarm Optimization(PSO)和仿真用于获取随机参数或函数等方法的实现。概括了基于仿真的优化方法在各领域的应用,并结合国内外的研究情况,对基于仿真的优化方法的难点进行了总结,并对其发展方向作了分析。

文化基因算法求解TSP问题的研究

TSP是组合优化问题中著名的NP-hard问题。针对粒子群算法求解离散的TSP问题收敛速度慢,求解精度低,易于陷入局部最优和模拟退火算法的性能与参数初始值有关及参数敏感等不足,提出了将改进的粒子群算法作为全局搜索策略,改进的模拟退火算法作为局部搜索策略的文化基因算法。介绍了两种算法的协同方法,定义了局部搜索邻域的确定以及在新种群产生中引入自组织随机移民策略。仿真结果表明,改进算法在求解TSP问题中具有很快的收敛速度,且能搜索到最优解。

光伏系统中全局最大功率点的优化

针对当光伏列阵接收到不均匀光照时,整个光伏系统的P-V曲线变为多峰值曲线,采用传统的最大功率点跟踪方法不能很好地追踪最大功率点的问题,提出一种基于改进的模拟退火-粒子群算法的最大功率点跟踪方法。研究结果表明:该优化算法中加入存储单元,保证了算法不会陷入局部最大值点,同时引入粒子群适值函数,调整退火温度,保证了运行速度;通过该方法可以快速的准确地找到光伏系统的全局最大功率点;仿真结果证明了该算法的正确性。