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。

基于SA-PSO算法采摘机械臂参数优化

当前油茶果的采摘方式为人工采摘,采摘方式落后,采摘效率低,导致生产成本高,严重制约油茶产业的健康发展。为解决这一问题,实现油茶果机械化和自动化采摘,设计了一款振动式油茶果采摘机。油茶果采摘机工作过程中采摘机械臂的结构尺寸将会限制其工作的范围。为确保采摘机能高效率的采摘油茶果,对采摘机械臂进行参数优化,寻找最优参数。结合实地考察的结果,确定优化设计的变量为举升液压缸行程Sj、伸缩液压缸行程Ss、俯仰液压缸行程Sf,建立目标函数,确定约束条件。基于SA-PSO算法,对油茶果采摘机械臂进行结构参数优化,得到最优参数解:举升液压缸行程为Sj=154mm,伸缩液压缸行程为Ss=320mm,俯仰液压缸形成为Sf=166mm,为采摘机的优化设计了提供了理论数据支持。

基于SA-PSO算法的多电平逆变器半周期对称SHEPWM技术

针对逆变器输出波形半周期对称需求,分别建立逆变波形半周期奇对称和半周期镜对称两种情况下的SHEPWM技术数学模型,并通过MATLAB/Sirnulink仿真平台搭建级联H桥型7电平逆变电路,控制方法采用SHEPWM技术,寻优算法采用SA-PSO算法,通过仿真分析,可知逆变波形半周期镜对称条件下,逆变器输出线电压THD值更低,且不含偶次谐波,因此成为半周期对称SHEPWM技术更为理想的波形设定。

基于SA-PSO算法的多基地声纳水下目标初始位置估计

本文首先通过理论推导分析了利用多基地声纳发射端,声纳接收端以及双基地联合定位各自的水下目标测量误差,仿真结果表明联合定位得到的量测误差明显小于单个声纳的定位精度。其次,针对水下目标初始位置估计精度较低的问题,将模拟退火粒子群算法(SA-PSO)算法运用到双基地的水下目标初始位置估计,该算法基于初始时刻获取量测和估计量测的加权最小二乘原则估计目标的初始位置。仿真结果表明,该算法以少于60次的迭代次数收敛,并且初始位置估计误差略大于克拉美劳下界。

基于改进型PSO算法的汽车转阀参数优化

提出了基于模拟退火(SA)修正的改进型粒子群算法(SA-PSO)的转阀参数优化方法。建立了整车动力学模型、转向系统模型、高速'路感'模型和转阀能耗模型,并对模型进行了验证;给出了低速转向轻便性、高速转向'路感'和能耗的量化指标;提出了以轻便性、'路感'和能耗量化指标的平方和根最小值为目标函数,以各参数取值范围为约束条件的最优化问题;构建了基于模拟退火修正的改进型粒子群优化算法(SA-PSO)的自适应度函数,运用改进型粒子群算法获得了转阀参数的全局最优解;SA-PSO与PSO的优化结果对比表明,SA-PSO的全局收敛性强、收敛速度快;通过优化参数与另外两组参数双纽线、高速中间位置小转角转向、转阀能耗仿真验证了优化方法的有效性和优化结果的正确性,最后分别进行了转阀参数优化前、后的双纽线、高速中间位置小转角转向、转阀能耗试验,结果表明,优化后的转阀使转向轻便性、高速转向'路感'和节能性均得到改善。

采用多源信息融合的妊娠猪舍环境质量评价方法

妊娠猪舍作为养殖场猪只繁育的基础条件,其环境质量对母猪的生产性能有显著影响。为合理评价妊娠猪舍环境质量,该研究提出一种基于模拟退火的粒子群算法(Simulated Annealing-Particle Swarm Optimization,SA-PSO)、套索算法(Least Absolute Shrinkage and Selection Operator,LASSO)和反向传播(Back Propagation,BP)神经网络的环境质量评价模型。利用卡尔曼滤波和分批估计自适应加权融合算法,实现多节点环境数据的时间与空间序列融合;构建猪舍环境质量非线性评价模型,采用LASSO算法,筛选得出与环境质量强相关的特征参数,实现输入降维;融合SA-PSO算法实现网络初始权值和阈值的优化,形成SA-PSO-LASSO-BP神经网络评价模型。通过对数据采集系统获取的实际妊娠猪舍环境数据进行验证,结果表明:提出的环境质量评价模型决定系数为0.918、总准确率为95.85%,相比单纯使用BP神经网络,加入LASSO和SA-PSO算法后决定系数与总准确率分别提高了37.43%、11.09个百分点,具有更高的评价精度和性能,可更好地拟合复杂环境参数与环境质量间的非线性关系,为妊娠猪舍环境质量评价提供参考。

基于分形高频初始模型和低频先验信息的物性参数随机反演

基于分形高频初始模型和低频先验信息的储层物性参数随机反演方法综合利用混合先验信息和统计岩石物理模型,在贝叶斯理论框架下直接反演储层物性参数。首先通过分形高斯模型算法和克里金插值得到物性参数的先验信息;然后根据统计岩石物理模型建立弹性参数与储层物性参数之间的关系,构建似然函数;最终利用基于模拟退火法(Simulated Annealing,SA)改进的粒子群优化(Particle Swarm Optimization,PSO)算法(SAPSO)实现后验概率密度的抽样。与确定性反演结果相比,该方法能够有效地融合测井资料中的高频信息,提高反演结果的分辨率,并且先验信息中融合了低频成分,可以得到宽频带的反演结果。一维和二维实际资料反演得到的孔隙度、泥质含量和含水饱和度与井资料吻合很好,分辨率较高,验证了该方法的可行性。

局部阴影条件下光伏电池多峰值最大功率点控制策略

局部阴影条件下,光伏阵列的P-V曲线会呈现多个局域峰值,影响最大功率点跟踪(MPPT),传统MPPT算法只能跟踪单个功率峰值,在局部阴影输出功率多峰值条件下,该算法不能完成有效跟踪。粒子群算法(PSO)有较强多极点寻优能力,但易陷入局部最优解。针对此问题,在粒子群算法中引入模拟退火算法的Metropolis选择机制,在简化所需设置参数同时帮助粒子群算法有效跳出局部最优解。在控制过程中,采用主程序加嵌套迭代双重判定条件,保证粒子稳定前提下,收敛在最大功率点(MPP)附近。通过MATLAB对比仿真验证,表明该算法在局部遮阴情况下能较精确、快速地跟踪到最大功率点,有效提高光伏电池输出效率。

云环境下基于SLA的优化资源分配研究

针对云计算环境下如何高效分配资源,实现资源供应者利润最大化这一难题,提出了一种基于服务级别协议(SLA)的动态云资源分配策略。该策略通过将SLA中的计算力、网络带宽、数据存储等属性作为优化参数,构造了一种服务请求与资源的映射模型,同时设计相应的效用函数,并结合改进的与模拟退火算法相融合的混合粒子群算法(SA-PSO),实现云环境下的优化资源分配。实验分析结果表明,基于SLA参数的SA-PSO算法具有更好的全局最优值,在给定虚拟资源相同情况下,调用该算法完成用户任务实现的利润更高。