基于粒子群-细菌觅食混合优化算法的汽车碳纤维复合材料地板铺层设计

为提高白车身地板复合材料铺层优化设计的精度、效率及结构轻量化水平,提出了一种碳纤维复合材料地板铺层优化设计方法。首先建立了白车身有限元模型并验证了其有效性,然后通过力学性能测试获取了碳纤维复合材料的参数,并进行了地板铺层的概念设计和建模。接着,采用连续变量优化设计方法确定了地板的铺层厚度、铺块形状和铺层层数,并使用离散化圆整策略获得了各铺向角的离散铺层层数。优化结果表明,所提出的粒子群-细菌觅食混合优化(PSO-BFO)算法对地板质量、静态弯曲刚度和白车身轻量化系数的改善率分别为34.4%、6.0%和5.3%。

基于BFOA-PSO-GMM的轨道电路故障诊断研究

针对轨道电路系统庞大、故障种类繁多等问题,提出一种融合细菌觅食优化算法和粒子群优化算法的高斯混合模型,对轨道电路的多种故障类型进行诊断。该模型通过融合细菌觅食优化算法与粒子群优化算法,找寻适合EM算法的初始值,利用合适的初始值有效避免EM算法陷入局部最优,提高模型的故障诊断能力。通过对实测数据的训练和测试实验表明,本模型比传统高斯混合模型的故障诊断准确率提高了31.85%,比采用粒子群优化算法改进模型的故障诊断准确率提高了9.4%,即本模型对轨道电路的故障诊断更加有效。

基于IPSO-BP神经网络的WSNs数据融合算法

针对无线传感器网络(WSNs)数据融合算法中反向传播(BP)神经网络存在对初值敏感、收敛速度慢、易陷入局部最优解等问题,提出基于改进粒子群优化BP(IPSO-BP)神经网络的WSNs数据融合算法。首先,用细菌觅食算法的趋化、迁徙算子对粒子群优化(PSO)算法进行改进;然后,用IPSO算法优化BP神经网络的权值和阈值,再引入到WSNs数据融合中,簇成员节点负责采集监测数据,在簇首节点通过优化后的BP神经网络对数据进行特征提取,并将融合结果发送至汇聚节点。仿真结果表明:IPSO-BP算法能有效提高融合精度和收敛速度,减少冗余数据传输,延长网络生命周期。

基于粒子群算法的无人机灭火路径规划仿真

研究基于粒子群算法的无人机灭火路径规划仿真方法,高效获得最优灭火路径,为无人机快速无碰撞灭火提供保障。以现实灭火环境为依据构建无人机灭火路径规划仿真环境模型,结合灭火路径长度代价、障碍危险代价、无人机航迹高程及水平转角代价建立适应度函数;通过细菌觅食算法改进基础粒子群算法,获得改进粒子群算法,定位检测出灭火环境中的火点位置,并以此类火点位置作为规划的目标点,仿真环境中提取的原始点作为起点,由若干条路径构成粒子种群,通过改进粒子群算法在仿真环境中运用适应度函数实现粒子种群的迭代寻优,获得最优无人机灭火路径。结果表明,上述方法可实现不同起点与火点间的最优无人机灭火路径规划,规划时收敛速度高,所规划的无人机灭火路径长度短,可与障碍物及危险体具备足够安全间距,且水平转角平滑,可满足无人机的高效无碰撞灭火需求,整体规划效果理想。

基于菌群-粒子群算法的水轮发电机组PID调速器参数优化

为解决水轮发电机组调速器PID参数优化问题,引入菌群优化(bacterial foraging optimization,BFO)算法。考虑到BFO算法收敛速度慢,而粒子群优化(paticle swarm optimization,PSO)算法具有较好的收敛性,提出BFO-PSO算法。以描述菌体间相互吸引、相互排斥、相互学习的Jcc指标与综合ITAE指标之和构成一种新型适应度函数。数值计算结果表明:与BFO算法、PSO算法相比,BFO-PSO算法收敛速度快,能有效改善水轮机调节系统空载工况和孤网运行条件下过渡过程的动态性能。

采用PSO-BF算法的微电网多目标电能优化调度

考虑到微电网中各分布式电源的特点以及充分发挥分布式发电技术在经济、环境和能源方面的优势,在满足系统约束条件下,提出了一种综合考虑微电网的运行成本、电压偏差以及微电网削峰填谷能力的微电网多目标经济调度模型。同时针对粒子群算法(PSO)在求解优化问题时易陷入局部最优的缺点,提出一种粒子群-细菌觅食算法(PSO-BF)用于求解微电网电能优化调度问题。仿真结果表明该算法具有较强的全局、局部搜索能力且收敛速度快、精度高的特点。

基于时序仿真的风光容量配比分层优化算法

中国风能和太阳能产业发展迅猛,由于其规划和建设周期短,开发过程中与地区电源、电网规划脱节,导致"弃风"、"弃光"现象严重。该文综合考虑区域资源特性,提出基于时序仿真的风光容量配比分层优化算法。内层建立省级电网年度风电、光伏接纳能力优化模型,采用分支定界法优化系统全年运行方式,最大化提升电网的节能减排效益,使规划结果更加符合电力系统实际运行。外层以内层模型的电网节能减排效益作为适应度函数,建立风光配比优化模型。采用细菌觅食算法结合粒子群算法求解风光最佳配比,提高计算效率和求解精度。以某省级电网为例进行研究,计算结果验证了提出的模型合理、算法可行。该方法可为地区风电和光伏建设、实际电力系统调度以及政府相关政策的制定提供指导。

基于粒子群优化的快速细菌群游算法

针对细菌觅食算法(Bacterial foraging algorithm,BFA)收敛速度慢的特点,提出一种快速细菌群游算法(Fast bacterial swarming algorithm,FBSA)。本算法通过借鉴粒子群优化(Particle swarm optimization,PSO)算法的信息共享机制,对细菌觅食算法的群体感应(Quorum sensing)机制进行改进,使每个细菌在优化过程中具备感应周围细菌位置、并向细菌群体历史最优位置游动的能力。同时,通过动态调整细菌的搜索步长,加强了算法在优化初期的全局搜索能力以及优化后期的局部搜索能力。对基准测试函数进行仿真实验的结果表明,FBSA对于大部分高维函数的优化能力优于BFA和PSO,并且具有更快的收敛速度。

细菌群觅食优化算法及PID参数优化应用

针对细菌觅食(BF)算法收敛速度慢和粒子群优化(PSO)算法早熟的缺点,提出了一种细菌群觅食优化(BSFO)算法。将PSO算法中粒子速度的更新公式替代BF算法位置公式中的方向向量,使细菌在优化过程中具备感应周围细菌位置并向细菌群体历史最优位置游动的能力。Benchmark函数的测试表明,BSFO算法对于大部分测试函数的结果较为理想。将BSFO算法用于材料试验机电液位置伺服系统的PID控制器参数寻优仿真,获得了较好的控制性能。

动态环境下的多UCAV协同任务分配研究

战场环境的动态性和不确定性以及协同控制的复杂性,使得预先制定的无人作战飞机任务分配方案不能满足动态战场环境中的实时性要求。考虑到无人作战飞机的差异、目标的差异及战场态势对目标分配的影响,建立了多无人作战飞机协同目标分配问题的数学模型。针对多无人作战飞机协同控制中的动态任务分配问题,提出一种改进的混合重分配策略,从任务层次上解决了多无人作战飞机的动态任务分配问题,在此基础上提出了混合细菌觅食算法,并用该算法在动态环境中为无人作战飞机进行合理的任务分配,通过仿真实验和分析表明混合重分配策略和混合细菌觅食算法的有效性。

改进粒子群优化算法的移动机器人路径规划

针对单一智能优化算法求解机器人路径规划时易陷入局部误区的问题,提出改进粒子群优化算法(GB_PSO)用于机器人路径规划。该算法以粒子群优化算法(particle swarm optimization,PSO)为主体,由于遗传算法(genetic algorithm,GA)和细菌觅食算法(bacterial foraging optimization algorithm,BFO)更新策略所受环境影响的不同,拟合两种环境参数;然后计算粒子与不同环境参数之间的相关性将粒子群划分为两类,分别通过GA的选择、交叉、变异算子和BFO的趋化操作并行加强局部优化;最后通过改进的粒子群更新公式对粒子进行更新,实现机器人全局和局部路径的优化。实验结果表明,改进粒子群优化算法进行路径规划提高了局部和整体的搜索能力,路径规划速度快且路径距离短,同时具备更强的鲁棒性。

群智能算法的理论及应用综述

群智能是由自然或人造的分散自组织系统所表现出来的集体智能.群智能包含一组简单的个体,其中个体与个体、个体与环境之间存在局部交互行为.虽然个体遵循非常简单的规则,但是微观的交互最终还是导致了宏观的智能行为.在本文中,我们对典型群智能方法的起源、发展、理论、技术、应用等做了深入的研究,包括了蚁群优化、粒子群优化、人工蜂群、细菌觅食优化、萤火虫共五类算法.文末提出群智能发展的六个方向.

基于粒子群优化的细菌觅食优化算法

细菌觅食优化算法(BFOA)具有全局搜索能力强的优点,但存在收敛速度慢的缺陷。为了解决以上问题,结合收敛速度快的粒子群优化算法,提出一种基于粒子群优化的细菌觅食优化算法(BF-PSO),该改进的优化算法具有可操作性和优越性。选用测试函数和对PID控制参数整定的实例进行Matlab仿真,结果进一步显示了BF-PSO的优化能力优于BFOA,收敛速度快,且具有较好的鲁棒性。

改进型细菌觅食算法应用于配电网络重构

为了更有效地解决配电网络重构问题,该文将结合粒子群算法特性的改进型细菌觅食算法应用于该问题求解。文中将粒子群算法的群体寻优机制引入细菌觅食算法中,并针对细菌觅食算法后期种群过于单一、易陷入局部最优的缺陷,通过算法机理分析,提出了采用均分变异繁殖的方式和新的驱散规则。既赋予了算法搜索的导向性,也保护了种群繁殖后的多样性,有效提高了算法寻优速度与全局搜索能力。最后,将改进后算法应用于配电网络重构求解。算例结果表明,该算法能快速有效地得到最优解,是可行的。

嵌入趋化算子的PSO算法及其在多阈值分割中的应用

针对标准粒子群优化(Particle Swarm Optimization,PSO)算法在优化选择多阈值时易陷入局部最优等问题,提出一种嵌入趋化算子的PSO算法。首先针对标准PSO算法具有较强的全局寻优能力但局部搜索能力较差,而细菌觅食优化(Bacterial Foraging Optimization,BFO)算法具有较强的局部搜索能力的特点,将BFO算法中具有较强局部搜索能力的趋化算子嵌入到PSO算法中,形成一种嵌入趋化算子的PSO算法(Chemotaxis Operator embedded PSO,COPSO),以此优势互补,使COPSO算法既有较强的全局搜索能力,又有较强的局部搜索能力。最后将COPSO算法用于最大熵多阈值图像分割中,得到最佳阈值向量。实验结果表明:与标准的PSO、BFO和GA算法相比,该算法具有更好的优化效果和更短的寻优时间。

基于智能优化算法的T-S模糊模型辨识

将智能算法应用在T-S模糊模型的辨识方面,是模糊系统辨识的一种新途径。文中对几种智能优化算法,如遗传算法(genetic algorithm,GA)、粒子群(particle swarm optimization,PSO)算法、菌群优化(bacterial foraging optimization,BFO)算法等的优化原理和在模糊辨识方面的应用现状进行了综述和分析,并给出了它们在T-S模糊模型辨识中对参数进行优化的过程。最后将这些优化方法用于一非线性动态系统的建模,并对仿真结果进行了对比和详细的分析,为进一步了解这几种优化方法在模糊模型辨识参数优化方面的作用提供了仿真实验依据。

基于PSO与对立学习的细菌觅食算法

为提高细菌觅食算法处理高维问题时的收敛速度及精度,提出一种基于粒子群优化算法和对立学习的细菌觅食算法PO-BFA。在种群初始化阶段采用对立学习取代随机初始化,在进化过程中利用对立学习进行种群动态跳跃,以提高算法的收敛速度,并以粒子移动代替细菌的趋化操作,由此省略细菌前进操作。基于6个高维Benchmark函数的实验结果表明,该算法的收敛速度和精度均优于同类算法。

混合粒子群算法优化分数阶PID控制参数研究

分数阶比例—积分—微分(PID)控制器是一种把PID控制器的整数阶次推广到分数的比例、积分、微分控制器,它比传统的PID控制器更能精确地控制复杂的被控系统。而参数的取值对控制效果的好坏起着决定性作用,为此提出了一种混合粒子群算法BFA-TPO优化参数值。该算法将具有趋化、繁殖和驱散特点的细菌觅食算法和参数少,易于优化的粒子群算法相结合来计算出精确的分数阶PID控制器的参数值。通过对传统PID控制器和分数阶PID控制器参数优化的实验仿真,结果表明基于该算法的分数阶PID控制不仅无超调量、收敛速度快,而且鲁棒性强、收敛精度高,可用于控制不同的对象和过程。

含分布式发电的改进BFO算法配电网无功优化

在含分布式电源的电网无功优化研究中,为了更有效地提高配电网性能,提出了一种改进细菌觅食算法(CP-BFO)。以电网网损最小、负荷节点电压和发电机的无功出力约束作为综合目标函数,采用细菌觅食算法,在聚焦操作中引入粒子群变异算子,使算法具有良好的全局搜索能力,提高了算法的寻优效率。同时利用混沌原理对改进的细菌觅食算法的参数进行自适应调节,改善了算法的收敛性能。通过节点系统的仿真表明,CP-BFO算法在提高含分布式电源的智能电网电压质量与减少功率损耗的优化过程中具有可行性和有效性。

BF-PSO算法在电网CPS标准经济考核中的应用

对于如何减少调度控制性能标准CPS(control performance standard)的考核罚款及机组的运行成本,提出了一种基于混合粒子群优化的细菌觅食算法BF-PSO(bacterial foraging-particle swarm optimization)自整定PI控制。文中首先详细介绍了粒子群算法和细菌觅食算法的基本原理,在结合两种算法的基础上,以发电成本和考核罚款之和最小为目标提出了一种新的PI整定方法,通过Matlab的Simulink仿真软件建立了一个多区域电力系统的CPS考核系统模型,对优化前后的控制效果进行了对比,仿真结果说明新的控制方法在保持CPS控制效果的基础上,实现了对电网的经济调度。