Ant colony optimization approach for test scheduling of system on chip

It is necessary to perform the test of system on chip,the test scheduling determines the test start and finishing time of every core in the system on chip such that the overall test time is minimized.A new test scheduling approach based on chaotic ant colony algorithm is presented in this paper.The optimization model of test scheduling was studied,the model uses the information such as the scale of test sets of both cores and user defined logic.An approach based on chaotic ant colony algorithm was proposed to solve the optimization model of test scheduling.The test of signal integrity faults such as crosstalk were also investigated when performing the test scheduling.Experimental results on many circuits show that the proposed approach can be used to solve test scheduling problems.

CACA优化的滑模观测器在IPMSM调速中的应用

针对传统滑模观测器抖振现象严重且控制速度慢等问题,利用蚁群算法优化滑模观测控制器。为提高蚁群算法的搜索速度以及全局最优解的寻优能力,将混沌思想与蚁群算法相结合并对其进行优化,同时对改进的混沌蚁群算法优化滑模观测器的增益进行优化,以提高基于滑模观测器控制的内埋式永磁同步电动机转速控制系统的动态响应特性和转速估计精度。最后通过仿真对所提出的改进方法进行验证,结果表明基于混沌蚁群算法优化的转速控制系统在转速控制方面具有更快的响应速度,更低的转速估算误差以及更好的稳态精度,充分说明该方法的有效性。

一种新的地磁信号去噪算法研究

地磁观测数据应用十分广泛。由地磁观测数据对各种环境因素的敏感性,严重影响了地磁数据的处理和利用。如果使用传统的噪声消除算法,难以获得良好的噪声消除效果。混沌序列可以提供一定的随机性和非线性特性,以帮助优化算法更好地搜索最优解。地磁信号则是需要去噪的原始信号。通过使用混沌蚁群算法构建目标函数,可以对地磁信号进行优化和去噪处理。算法会根据目标函数的设定,通过模拟蚁群行为和混沌序列的引导,逐步调整信号的参数和特征,以达到减小噪声、提取有效信息的目的。

基于空间聚焦机制的混沌随机蚁群算法

为了提高蚁群算法在大规模旅行商问题上的性能,本文提出了一种基于空间聚焦机制的混沌随机蚁群算法(CRACS)。首先,使用空间聚焦机制将旅行商问题划分为几个子类;其次,提出了一种改进混沌随机蚁群算法来求解子类;最后,将各个子类路线进行聚焦,选择最优连接路线动态连接各个子类,形成旅行商问题的最优解决方案。本文选取不同规模的典型旅行商问题进行了仿真实验,实验结果表明本文提出的算法在大规模问题上具有优秀的性能,相比于其他智能算法具有更优质的解和更快的搜索速度。

基于IACO改进Logistic混沌序列的WSN布局优化

标准PSPIEL算法存在分簇随机问题,引入混沌算子提出Logistic混沌序列算法,提出一种改进蚁群算法(IACO)。将两种方法相结合寻优,提出IACO改进Logistic混沌序列,该方法能够较好地应用于无线传感器网络(Wireless Sensor Networks,WSN)布局中。通过实验对IACO改进Logistic混沌序列有效性进行验证,结果表明,在同样互信息量下相对pSPIEL算法、贪婪算法、IACO算法达到了最低通信成本。应用IACO改进Logistic混沌序列的过程中,传感器实际使用数量减小,能够满足效益要求。该研究对提高无线传感器布局优化能力具有一定的理论指导意义。

混沌扰动模拟退火蚁群算法低碳物流路径优化

低碳物流是目前物流配送领域的热点研究课题,也是群体智能优化算法的重要应用方向。针对物流配送中碳排放的度量方法,以VRP问题为基本模型,以碳排放成本为目标函数,建立了低碳物流配送路径优化模型。为了避免基本蚁群算法出现停滞及早熟现象,提出了带混沌扰动的模拟退火蚁群算法来求解低碳物流配送路径优化模型。该算法将混沌系统及模拟退火机制引入基本蚁群算法,避免了算法陷入局部最优,增强了全局搜索能力,提高了求解效率。通过实验仿真及对比分析可知,带混沌扰动的模拟退火蚁群算法的求解结果明显优于基本蚁群算法,表明了该算法的有效性和合理性。

基于免疫连续蚁群算法的岩土工程反分析研究

基于进化算法等全局优化算法的岩土工程优化反分析是解决实际问题的一种较好的思路,但计算效率是这类算法的最大问题。为了克服这种反分析方法的缺点,提高反分析的计算效率,首次把一种新型仿生算法——连续蚁群算法引入岩土工程领域。并为了更进一步提高算法的效率,把免疫原理引入连续蚁群算法,提出了免疫连续蚁群新算法。在此基础上,结合有限元数值分析技术,提出了一种新的岩土工程反分析算法——免疫连续蚁群算法反分析。最后,通过一个简单算例验证了该法的有效性及卓越的计算效率。

蚁群优化神经网络的网络流量混沌预测

为了网络流量预测准确性,提出一种蚁群算法(ACO)优化BP神经网络(BPNN)的网络流量混沌预测模型(ACO-BPNN)。对网络流量时间序列进行重构,将BPNN参数作为蚂蚁的位置向量,通过蚁群信息交流和相互协作找到BPNN最优参数,建立网络流量最优预测模型,并采用实测网络流量数据进行有效性验证。结果表明,ACO-BPNN能够准确刻画网络流量变化特性,提高网络流量的预测准确性。

基于相空间重构小波神经网络的短期覆冰预测

针对输电线路覆冰问题,提出一种基于相空间重构小波神经网络的短期覆冰预测模型。以云南昭通某110 kV输电线路覆冰厚度监测数据为基础,首先求取覆冰时间序列最大李雅普诺夫(Lyapunov)指数,对覆冰厚度进行非线性的动力学分析,确定序列具有混沌特性;其次由C-C法对系统进行相空间重构,找出数据变化的局部规律性;最后采用小波神经网络对相空间轨迹进行预测,并通过蚁群算法优化预测模型参数。实验表明:模型具有良好预测能力,对抗冰工作具有实际指导意义。

一种新的SHEPWM三电平逆变系统的仿真和实验研究

针对中点钳位型三电平逆变系统SHEPWM开关角度的求解问题,提出了基于混沌蚁群算法的三电平中点钳位型逆变系统的SHEPWM优化方法。蚁群算法在求解SHEPWM非线性超越方程组时不需要求解方程特定的初值,而变尺度混沌算子融合到蚁群算法之中,可以有效防止算法陷入局部最优解,提高计算精度。仿真和实验结果证明了基于混沌蚁群算法的三电平NPC逆变系统消谐模型的有效性。

基于混沌优化机制的无人机航路规划方法研究

针对无人机航路规划过程中蚁群算法(ACA)极易陷入局部最优解的问题,提出了一种改进混沌蚁群算法(CACA)。它将混沌映射到标准ACA的初始化环节中以此来设置初始信息素值,采用混沌扰动的局部再搜索机制和信息素更新策略,有效克服了局部最优的缺陷,提高了搜索效率。在整个算法中,通过动态调整调节系数以及引入Ulam_von Neumann混沌映射,进一步缩短搜索空间,加速收敛,同时在ACA中加入目标指标,有效避免了蚂蚁转移中存在的方向模糊,加强其搜索方向。仿真结果表明,CACA可以有效避免局部最优,达到更好的穿透路径,满足了躲避威胁的要求。

航空发动机的智能神经网络自适应控制研究

针对结构复杂、模型不确定、强非线性的航空发动机对象,提出一种综合模糊推理、神经网络自适应和PID简单控制各自优点的控制方案.在改进模糊PID控制器的基础上,进行了新型智能型神经网络控制器的设计,并提出离线混沌蚁群优化与在线误差反传调整相结合的优化方法.应用具有良好泛化能力的最小二乘支持向量机进行系统辨识,对某型航空发动机进行了设计点处的线性和非线性模型控制仿真.结果表明:控制系统具有满意的动、静态性能和较好的鲁棒性,验证了该方案的可行性和有效性.

高校校车联营的协同车辆路径问题

考虑城市高校校区分散、教职工通勤安全、高校和教职工双方利益及道路路况影响校车行驶速度等因素,建立高校校车联营的协同车辆路径问题模型。充分利用蚁群优化算法和遗传算法的优势,引入了平滑机制和混沌搜索机制,构造了混合蚁群协同算法。对实例进行仿真表明,该算法在收敛速度和寻优结果两方面都优于遗传算法和蚁群优化算法,而且高校校车联营的模式不仅节约了高校经费开支,还缓解了交通拥堵,因此对城市的发展有重要的意义。

动态蚁群算法在梯级水库优化调度中的应用

针对蚁群算法缺乏全局搜索与局部寻优之间的动态调整,蚁群难以保持较好的多样性,算法极易陷入局部最优的问题,以余弦递减的策略动态调整启发式因子的变化,从而平衡算法的全局搜索和局部寻优。同时,利用混沌搜索的随机性和遍历性,对蚁群每次迭代找到的路径进行混沌扰动,从而提高算法跳出局部最优的能力,避免算法早熟收敛。将改进的蚁群算法应用于梯级水库的联合优化调度,模拟计算结果表明了算法的有效性。将其结果与逐步优化法和标准蚁群算法的计算结果进行对比,体现了算法在求解速度和求解精度上的优势。

基于改进混沌时间序列的风电功率区间预测方法

风电功率区间预测是预测给定置信水平下风电功率的上限和下限,可以反映风电功率的变化范围,为调度提供有效的辅助信息。考虑风电功率的混沌特性,提出了基于改进混沌时间序列的风电功率区间预测方法。由于风电功率具有强间歇性和波动性,传统的混沌时间序列方法在风电功率区间预测中难以获得好的聚类效果和高的预测精度,影响了功率区间预测的结果。引入蚁群聚类算法和支持向量机,利用蚁群聚类算法的强搜索能力和支持向量机的强预测能力对传统方法进行改进,获得了更好的区间预测结果。将改进方法应用于英国和德国风电场的风电功率区间预测中,对比分析改进方法与基于神经网络的功率区间预测方法和传统方法在不同置信水平下的预测结果,验证了所提改进方法的有效性。

机器学习算法在短期电力负荷预测中的应用

为了提高短期电力负荷预测准确性,提出一种蚁群算法(ACO)优化支持向量机(SVM)的短期电力负荷预测模型(ACO-SVM)。首先采用混沌理论对短期电力负荷样本进行重构,然后将SVM参数作为蚂蚁的位置向量,通过蚁群信息交流和相互协作找到SVM最优参数,最后建立短期电力负荷的最优预测模型,并采用实际短期电力负荷数据进行有效性验证。结果表明,ACO-SVM能够准确刻画短期电力负荷变化特性,提高了短期电力负荷的预测准确性。

基于动态交通仿真模型的最优路径选择方法

采用动态交通仿真模型INTEGRATION搭建了动态交通仿真平台,应用组件式蚁群算法来求解动态交通信息诱导下的最优路径选择问题。实例表明,基于动态交通仿真模型的最优路径选择方法是可行的、正确的和有效的。该方法易于理解和使用,具有很强的可重用性和可扩展性,为求解各类优化问题提供了可持续发展的框架。

粒子群算法优化支持向量机的网络流量混沌预测

针对传统网络流量预测方法存在预测平均绝对误差较大的问题,提出基于粒子群算法优化支持向量机的网络流量混沌预测方法。采用粒子群算法对支持向量机方法进行优化,利用优化后的支持向量机方法对网络流量进行混沌预测,预测结果表明,采用改进预测方法时,其预测的平均绝对误差值相比FCM-LSSVM网络流量预测方法、Morlet-SVR和ARIMA组合预测方法分别降低了65.3%,34.3%,具有一定的优势。

混沌蚁群算法在三电平逆变器SHEPWM策略中的应用

特定谐波消除脉宽调制法作为多电平逆变器的常用调制手段,其难点在于开关角度的准确求取。在分析传统求解方法弊端的基础上引入混沌蚁群智能算法,实现该调制算法开关角度的在线实时求取。并对混沌蚁群算法进行优化,通过引入懒蚂蚁思想,有效防止算法停滞;同时利用变尺度混沌算法的搜索原理进一步准确地求取全局最优解,保证开关角度的精度,减小线电压谐波含量。并利用Matlab对该系统进行仿真,结果显示线电压的畸变率小于传统的SHEPWM方法,充分表明了该方法的有效性。

基于混沌蚁群算法的电力短期负荷预测

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先利用混沌理论将杂乱无章的历史数据进行相空间重构,找出其中的潜在规律,并粗选预测参考点;然后利用蚁群优化算法,考虑距离因素和相点演化的相关性因素,对粗选的预测参考点作进一步精选,提高其质量;最后采用GM(1,1)灰色模型得到预测日的负荷数据。实际算例验证了提出的方法具有较好的预测精度。