无线供电MEC中基于S-PSO的任务卸载策略研究

随着5G技术和物联网的快速发展,大量的物联网设备接入到无线通信网络中,由于物联网设备计算和能量资源有限,将移动边缘计算(MEC)和无线供电技术(WPT)集成,可以给移动设备(MD)提供能量和计算任务处理服务。首先构建了多用户设备多服务器的任务卸载模型,然后在粒子群优化算法的基础上,加入Levy飞行策略和改进的权重更新方法,提出了S-PSO算法来优化系统的时延与能耗,最后仿真结果表明,S-PSO算法与其他基准方案相比较,有效降低了系统的时延与能耗,提高了计算网络的性能。

基于S-PSO分类算法的故障诊断方法

将监控数据的已知状态作为先验类别标签,构造出新的有监督的粒子群优化(S-PSO)分类算法,并对设备进行故障诊断。为提高故障诊断的准确率,降低随机性对分类算法的影响,提出了新的基于动态邻域的自适应探测更新(ADU-DN)的干预更新策略来拓展粒子搜索整个解空间的能力,引导粒子自适应地跳出局部最优区域,确保获得全局最优解;同时设计出基于最小类内距离、最大类间距离和训练样本最大分类精度的适应度函数,使得输出的最优类别中心兼顾了这3个因素,增强了分类算法在故障诊断中的通用性和容错性,提高了测试样本的分类精度。S-PSO分类算法有效克服了聚类算法只考虑数据间相似性特征、不考虑数据蕴含的物理意义以及不能很好指导样本分类的缺陷。对GE90发动机孔探图像纹理特征分类进行了对比研究,研究数据表明:S-PSO分类算法表现出了较强的鲁棒性,在故障诊断中的分类精度高于支持向量机(SVM)和常用神经网络模型。

应用电路分析法评估油纸绝缘变压器绝缘状态

等值电路模型常用来辅助分析油纸绝缘劣化机理,因此该文主要针对等效电路模型进行研究。首先,将信息熵与粒子群混合算法运用到等值参数辨识中,并提出以极化谱吻合度来确定最能反映变压器绝缘状态的极化支路数。同时还探讨了不同时间常数对应的支路数与绝缘状态之间存在的关系。仿真结果表明,对同一台变压器,不同的支路数其极化谱吻合度不同;对不同运行年限的变压器,其极化支路数也不同,一般年限越久其绝缘状态越差,其支路数有增多的趋势;大、小时间常数支路数分别反映了绝缘纸和绝缘油的绝缘状况,绝缘状况越差,支路数也有增加的趋势。

基于SA-PSO算法的潜器S面控制

潜器是一个多变量、高度非线性系统,对于这种特殊的控制对象,S面控制是一种简单实用的控制方法,但由于其不具备自学习能力,所以控制器参数需要人工调整。粒子群(PSO)算法可以用来处理S面控制器参数整定的问题,但PSO算法目前还存在着早熟收敛、易陷入局部极值等不足。针对此问题,引入模拟退火(SA)算法对PSO算法进行优化,提出模拟退火粒子群优化(SA-PSO)算法,此方法不仅实现了S面控制器参数的自调整,还提高了S面控制器参数整定的优化能力。最后,通过潜器的运动控制仿真试验,证实了该方法的可行性和优越性。

三峡库区堆积层滑坡的变形趋势判断及预测

为提高三峡库区堆积层滑坡变形趋势判断的准确性,该文以R/S分析和混沌优化PSO-SVM模型为基础,构建了滑坡变形趋势判断模型和变形预测模型,判断和预测三峡库区堆积层滑坡的变形趋势。经实例检验表明:R/S分析模型能很好地评价滑坡的变形趋势,且累计变形序列和速率变形序列的Hurst指数均大于0.5,呈持续增加趋势,但累计变形序列的Hurst指数相对更大,趋势性也相对更强;在预测过程中,混沌优化PSO-SVM模型的平均相对误差均小于2%,最大相对误差也仅为1.83%,具较高预测精度,满足期望要求,且变形预测结果与趋势判断结果具有较好的一致性;通过两实例的综合应用,验证了本文模型的普遍适用性。通过该文研究,相互佐证了趋势判断模型和变形预测模型在滑坡变形规律研究中的有效性,为滑坡变形规律研究提供了一种新的思路。

基于重标极差法和神经网络的隧道变形趋势判断

为准确、科学及全面地对隧道变形进行趋势判断和预测分析,将隧道的变形过程划分为中期阶段和长期阶段,利用R/S分析对其位移序列和速率序列进行趋势判断研究,再利用PSO-BP神经网络对各阶段的变形进行预测,将预测结果与R/S分析结果进行对比,验证两者的一致性。利用两个工程实例进行检验,得出各序列的Hurst指数均大于0.5,说明各序列均具有持续变形的长期性,且位移序列的趋势性均大于速率序列的趋势性;同时,变形预测结果也显示隧道后期变形将持续增加,验证了R/S分析的准确性。

改进的粒子群算法优化TSFNN的交通流预测

为提高T-S模糊神经网络在交通流量预测的准确性,提出了一种改进的粒子群算法优化T-S模糊神经网络预测交通流量的算法。该算法利用改进粒子群算法通过群体极值进行t分布变异,使算法跳出局部收敛,使用改进的粒子群算法优化T-S模糊神经网络,能够优化网络参数配置,进而提高网络的预测精度。利用优化后的T-S模糊神经网络对实测交通流量进行预测,实验仿真表明优化的T-S模糊神经网络可有效提高交通流量预测精度,减小预测误差。

基于改进自适应粒子群算法的T-S模型辨识

提出基于改进自适应粒子群算法(Improved Self-adaptation Particle Swarm Optimiza-tion,PSO)的T-S模糊模型辨识方法。首先,利用核函数的模糊聚类算法划分数据空间,尽可能少地提取模糊规则,并消除孤立点、噪声点数据等的不利影响;其次,基于ISPSO算法进行参数辨识,将待辨识的参数划分为若干粒子,自适应更新飞行速度,动态修改惯性权因子,惯性权因子呈非线性动态变化,不仅可以克服PSO算法陷入局部最优的早熟,失去多样性,而且可以提高粒子在全局最优位置绕行时的稳定性。提出的方法使得T-S模型辨识达到较高的辨识精度。仿真实例和比较分析证明了该算法的有效性。

基于混合PSO-ACO算法的液压系统可靠性优化

为降低构造复杂系统可靠性优化模型的难度,利用T-S故障树构造系统故障率函数,并结合可靠性费用函数构造可靠性优化模型。针对PSO算法局部收敛性差、ACO算法搜索初期积累信息素占用时间较长的不足,将PSO算法和ACO算法混合,并结合死亡罚函数法构造适应度函数,提出混合PSO-ACO算法。考虑不同的粒子个数和蚂蚁个数,将所提算法应用于液压工作系统的可靠性优化,通过与PSO算法、ACO算法及ACO-PSO算法的对比,验证混合PSO-ACO算法的优化结果更为理想。

基于改进粒子群优化算法的S盒优化设计

采用传统方法设计的S盒性能较差,而常用智能设计方法又存在设计时间过长、容易陷入局部最优的缺点。为此,提出一种基于改变粒子群优化算法的S盒优化设计方法。通过改变惯性权重来提高搜索速度和精度,从而增大算法效率。实验结果表明,该方法可以快速地搜索到能有效抵抗差分密码分析和线性密码分析的S盒,改善其密码性能。

基于设计结构矩阵的复杂产品供应链管理优化

针对复杂产品复杂的供应商网络结构,运用DSM表示复杂产品结构元素之间的交互作用,显示复杂供应链中各供应商之间隐藏着的联系,并基于粒子群算法对DSM实现聚类划分,从而得到复杂产品结构元素的分类,并以此为依据将众多供应商进行分类,使紧密联系的结构元素的供应商可以更为有效地交流,从而达到优化复杂供应商网络管理和协调的目的。最后以汽车发动机供应链管理的优化作为算例对所提方法进行了应用。

T-S模糊粒子群优化建模及稳定性分析

在粒子群优化问题空间是一维有界的前提下,本文结合T-S模糊框架提出了一种模糊粒子群优化模型,即粒子群优化中的速度和位置迭代公式变换为一个带时变非线性反馈的线性时不变系统,将其嵌入到T-S模糊状态模型,同时将粒子的认知部分和社会部分随机加权和的反向运动作为T-S模糊状态反馈控制.针对该模型,本文根据T-S稳定性理论和非线性随机系统Lyapunov稳定性理论分情况探讨了其稳定性.

多特征组合及优化SVM的电能质量扰动识别

提出一种基于多特征组合及粒子群优化的支持向量机(SVM)的电能质量扰动识别方法。该方法采用小波变换和S变换提取各扰动信号特征向量,采用粒子群(PSO)优化的支持向量机进行分类识别。首先针对提取的小波能量谱中谐波信号的明显差异,通过设定特征阈值进行初步分类,然后结合S变换提取的3种特征,采用优化参数的SVM进行后续分类。仿真实验表明,该方法能够有效识别常见的8种电能质量扰动及2种复合扰动,相比未经优化的支持向量机模型,粒子群优化的SVM具有较高的识别精度和运算速度,且抗噪能力强。

基于ISODATA算法的自组织单输入单输出T-S模糊系统

T-S模糊模型已得到了广泛的研究与应用.但在该模型的建模过程中,在结构辨识、参数优化等方面仍存在一些不足,为此提出了一种基于ISODATA算法的自组织T-S模糊系统.该方法基于输入输出数据,分两步对模糊系统进行建模.第一步,使用基于线性原型的ISODATA算法,对输入输出数据进行聚类,确定系统结构.第二步,建立初始T-S模糊系统,然后使用粒子群算法优化系统参数.与传统方法相比,具有自动优化系统结构的优点.仿真结果验证了该方法的有效性.

基于引力搜索和粒子群混合优化算法的T-S模型辨识

提出了基于引力搜索(GSA)和粒子群(PSO)混合优化算法(GSAPSO)的T-S模型全局优化辨识方法.该方法充分整合GSA的勘探能力和PSO的开采能力,在GSA中引入PSO的个体最优值和群体最优值,同时改进惯性权重调整算法.T-S模型辨识分为结构辨识和参数辨识,采用聚类方法和GSAPSO算法同时辨识模型的结构和参数,从而实现全局优化辨识.仿真实例和比较分析证明了GSAPSO较标准的PSO和GSA有更强的全局优化能力和更高的辨识精度.

基于PSO神经网络的察/打无人机武器发射过程参数预测

为预测察/打无人机导弹发射过程机身温度,提出一种基于PSO神经网络的预测算法。为了寻求RBF神经网络的最优结构,建立了开关型RBF神经网络,并采用PSO算法寻求开关型神经网络的开关值和网络参数。实验结果表明,该算法生成的虚拟函数能够较好的反映参数的内在联系,提高了数值仿真效率。预测结果对察/打无人机武器发射安全性论证有重要价值。

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法。通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态:若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率。在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等。

基于粒子群聚类分析与证据理论的船舶机械振动诊断

粒子群算法避免了复杂的遗传操作,是一种有效的全局寻优算法,用于聚类分析可以更快地收敛于最优解;D-S证据理论提出了不同于贝叶斯主义和频率主义的构造性解释,非常适用于存在大量不确定性因素的故障诊断工作.将故障机械的振动信号按时域、频域、小波包域分解为多个参数空间.采用粒子群聚类分析算法对机械故障进行局部诊断,将局部诊断结果作为独立的证据体,构造相应的基本概率分配函数.结合融合诊断模型,将基于D-S证据理论的决策融合方法应用于船舶机械的故障诊断.对比试验表明,采用粒子群聚类分析与证据理论的方法能有效识别分油机的3种故障模式,验证了其在准确率和灵敏性方面的优势.

基于D-S理论的传感器配置方法

为了有效地检测感知区域内的信息,须研究传感器配置问题。传感器融合在信息检测中起着重要作用,影响着传感器配置结果。但是,已有的传感器配置方法,却较少地考虑传感器融合在传感器配置过程中的作用。针对传感器配置研究的这一不足,提出了一种传感器配置方法。首先基于证据(D—S)理论,建立了传感器配置模型;然后提出了一种改进的粒子群优化算法(Particle Swarm Optimization,PSO),以求解出传感器配置结果。仿真实验表明:提出的方法是有效的,与对比方法相比,在给定检测精度下,明显地减少了传感器数量,降低配置代价,改善了配置结果。

控制系统的辨识建模及微粒群优化设计

针对控制系统的传递函数建模与控制器的参数优化问题,提出了基于Prony和微粒群优化(PSO)算法的设计方案。首先在被控对象的输入端施加一个脉冲信号,然后对其输出信号进行Prony分析,得出该被控对象的传递函数,最后采用改进PSO算法进行控制器的参数优化设计。基于辨识的Prony算法可快速准确得出被控对象的传递函数;基于T-S模型模糊自适应的改进PSO算法(T-SPSO算法)依据种群当前最优性能指标和惯性权重自适应惯性权重取值,较好解决了PSO算法的早熟问题,可以更好地优化控制器参数。该方案实现了控制系统的精确建模与优化设计,仿真结果验证了所提方案的有效性。