基于PSO-SVR的重型柴油车NO_(x)排放预测

结合重型汽车国Ⅵ污染物排放法规,采用车载便携式排放测试设备(PEMS)进行了某重型柴油车实际道路排放测试.对测试数据进行数据对齐,剔除无效数据后,采用灰色关联分析提取了对NO_(x)排放影响较大的参数,引入主成分分析(PCA)对输入数据进行降维,引入非线性递减惯性权重粒子群算法(PSO)对支持向量回归(SVR)模型进行优化,最终得到重型柴油车实际道路NO_(x)排放预测模型,测试集均方根误差(RMSE)为1.381 6 mg/s,平均绝对百分比误差(MAPE)为19.88%,决定系数R^(2)为0.908 1.该研究为车载NO_(x)传感器故障诊断以及重型车NO_(x)排放在线监管提供一种可能性方法.

基于QPSO的机场车辆充电优化调度研究

在机场电动特种车辆使用日益增多的情况下,采用无序充电规则的飞行区会产生充电效率过低及充电等待时间过长的问题,这不利于飞行区充电保障的高效运行。针对以上问题,提出一种基于量子粒子群的车辆充电调度算法,以机场车辆充电路程最短及充电排队时间最短为目标建立优化调度模型,用量子粒子群算法进行求解。结合国内某枢纽机场的车辆充电数据进行仿真实验,结果表明,该算法可以降低5.1%的车辆充电行驶路程,降低20.3%的充电排队时间,极大地降低车辆充电在路程中的损耗并提高车辆充电效率,为航班保障正常运行带来极大帮助。

考虑风向概率特征的航班时刻优化方法

在航班时刻表进行实际运行过程中,风向的变化对航班到达终端区共用航路点的时间造成影响,进而造成航路点的容量过载或容量浪费。因此,根据风向的统计概率对航班时刻进行调整,目的是制定在一定程度上能减少共用航路点的容量过载或容量浪费的航班时刻表。根据风向对离场航班跑道分配的影响提出基准风向的概念,并基于航季中各月份在过去5年间的机场基准风向概率预测了下一年各月的机场基准风向概率,并根据各月的基准风向概率特征进行聚类。在聚类结果的基础上,以风向变化对航路点流量的影响程度为目标函数,建立考虑风向概率特征的航班时刻优化模型,并将ε-约束法与改进粒子群优化算法(particle swarm optimization, PSO)结合提出ε-约束(ε-constraint method)-PSO组合算法实现多目标模型的求解,以北京终端区的离场航班为研究对象进行验证。结果表明:相比初始航班时刻表,共用航路点小时流量的最大值减少了12%,在不同基准风向时的共用航路点流量方差分别降低49%和56%;相比线性加权求和的方法,该方法可以实现共用航路点的溢出航班总量减少70%。结果表明:在考虑风向概率特征的条件下,该模型可以在一定程度上使共用航路点的流量更均衡,减少出现共用航路点容量过载或容量浪费的现象,减轻航路点流量受风向影响的程度。

面向FMS基于改进的混合PSO-GA的多AGV调度算法研究

在柔性制造系统(Flexible Manufacturing System,FMS)中,自动导引小车(Automated Guided Vehicle,AGV)常被用于搬运物料或产品,因此AGV的优化调度成为提高生产效率的关键。AGV的调度除了要考虑AGV的任务分配问题,还需要参考每个操作的花费时间、小车的运行时间等因素。相比于单AGV调度算法,多AGV多任务调度算法需要一个更加复杂的模型来支撑。在考虑AGV的电量状况下,以最小完成时间与调度最少AGV数量作为优化目标,提出了一种改进的混合遗传算法与粒子群算法(PSO-GA),并基于该算法给出了多AGV调度模型,在此基础上进行了仿真实验。结果表明,相较于单一的GA或PSO算法,所提算法在全局寻优收敛与运行时间上有明显的优化效果,而相比于现有的混合PSO-GA算法,其在搜索精度和收敛速度上有进一步提高。

基于PSO算法的WNN大包线增益调参控制律设计

提出了一种基于粒子群优化算法的小波神经网络大包线调参控制律设计方法。该方法用小波函数代替了Sigmoid函数作为激活函数。由于结合了小波变换良好的高频域时间精度、低频域频率精度的性质和神经网络的自学习功能,因而具有较强逼近非线性函数的能力。为了克服局部极小值问题并进一步提高对非线性函数逼近能力,利用粒子群优化算法对小波神经网络进行参数训练,并利用该网络实现了大包线增益调参。飞行仿真结果表明,所设计的小波神经网络增益调参控制器具有优良的控制性能,不仅能够保证平衡状态下的控制效果,而且在未训练的平衡状态下依然具有良好的控制性能,并且在存在20%的建模误差时,最大超调量仅为6 m,仅是使用常规增益调参方法的18%。

基于PSO算法的飞行保障车辆调度问题研究

通过对飞行保障车辆调度过程的分析,针对传统估算法依据指挥员经验进行飞行保障车辆调度效率低等缺点,提出了一种基于线性递减权重PSO的飞行保障车辆调度问题解决方案。根据飞行保障车辆调度问题解的特点,对粒子的编码及寻优操作进行了深入研究,提出适合飞行保障车辆调度问题的粒子编码和寻优方式,并将算法利用Matlab编程实现,应用于实际飞行保障车辆调度过程中。仿真结果表明,通过对算法参数的合理设置,可以快速地得到较优的飞机保障工序排序结果,该排序结果能够满足动态飞行保障车辆调度的需要。

应用PSO和SVM的水下航行器黑箱建模

随着新型水下航行器不断涌现,现有水下航行器数学模型已难以与实际模型吻合.为更好了解新型水下航行器实际模型以及预测新型水下航行器运动,提出应用粒子群(particle swarm optimization,PSO)参数寻优和支持向量机(support vector machine,SVM)的水下航行器黑箱建模方法.首先根据水下航行器的运动状态信息和推进器力,应用支持向量机构造出之间的非线性映射关系,然后通过粒子群智能优化算法获得支持向量机的最佳参数组合,进而实现水下航行器的黑箱建模,最后根据推进器力是否时变,分别以新型四旋翼水下航行器的两种空间运动进行实验验证,并以均方根误差作为空间运动预测结果的评价标准.试验结果表明,基于粒子群参数寻优和支持向量机所构建的水下航行器黑箱模型对空间运动预测具有较小的均方根误差,空间运动预测结果与实际运动基本一致,所建黑箱模型与实际模型基本吻合,能有效预测水下航行器运动状态.

基于可视化HPSO的无人机装备维修任务调度

分析了目前军用无人机装备维修任务调度问题的组成及现状,构建了改进的混合粒子群算法,通过离散化粒子群简化粒子论域,加快计算速度;引入浓度监控机制,综合粒子浓度分布和适应度大小两方面信息,对进化过程进行调控;结合遗传算法,增加粒子间的交叉、变异,加快粒子群进化速度,防止陷入局部最优;并在Matlab环境下对图形展示函数进行优化,实现迭代过程动态可视。最后通过实例分析,高效计算得出最佳调度方案,实现了混合粒子群算法在装备资源调度问题的有效应用。

Trophallaxis network control approach to formation flight of multiple unmanned aerial vehicles

A novel network control method based on trophallaxis mechanism is applied to the formation flight problem for multiple unmanned aerial vehicles(UAVs).Firstly,the multiple UAVs formation flight system based on trophallaxis network control is given.Then,the model of leader-follower formation flight with a virtual leader based on trophallaxis network control is presented,and the influence of time delays on the network performance is analyzed.A particle swarm optimization(PSO)-based formation controller is proposed for solving the leader-follower formation flight system.The proposed method is applied to five UAVs for achieving a 'V' formation,and a series of experimental results show its feasibility and validity.The proposed control algorithm is also a promising control strategy for formation flight of multiple unmanned underwater vehicles(UUVs),unmanned ground vehicles(UGVs),missiles and satellites.

配网中电动汽车调度策略及其经济效益评估

大量电动汽车无序充电会对电网造成巨大的冲击,对其进行合理调度不仅可以减小冲击,还能激发潜在的经济效益。首先具体分析每一项潜在价值,建立配网中电动汽车经济效益评估模型;然后应用粒子群算法,以经济效益最大为目标函数,基于充电需求分类的调度策略,利用电动汽车支持配网高峰用电并充当备用容量,得到每一辆电动汽车各时段的充放电功率。算例结果证明了该模型和调度策略的有效性。

多需求点车辆调度模型及其群体智能混合求解

建立货运关系明细的多需求点车辆调度模型,模型求解过程是先由粒子群算法的粒子位置向量得到单车运送的货物,再由蚁群算法优化单车路径,根据优化目标筛选粒子,直到终止条件,实现所有货物对所有车辆的分配.实例求解结果表明混合求解得到的车辆总路径小于蚁群算法得到的结果.

进港航班排序优化数学模型研究

针对常用进港航班排序数学模型(总延迟时间最小和总延迟成本最小)中存在的问题,选取空中延误成本、旅客延误成本、后续延误成本以及环境污染成本4个指标综合建立一种改进的总延迟成本最小数学模型。在分析已有的基于模拟退火的粒子群算法(SA-PSO:particle swarm optimization based on simulated annealing)优化进港航班排序时寻优能力不足、收敛速度慢的基础上,采用一种线性微分递减(LDD:linear differential decrease)的退火策略,从而可以有效地解决进港航班排序问题。实验结果表明,与FCFS(first come first serve)、PSO以及SA-PSO算法相比,LDD-SA-PSO算法在进港航班优化问题上具有较好的寻优能力和收敛速度,同时改进数学模型中参数选择对优化结果也具有明显影响。

具有模糊时间窗的有容积约束车辆调度优化问题研究

针对现实配送过程中存在的时间参数模糊化与车辆容积限制问题,利用梯形模糊代数、有符号距离和区间数距离公式,构造出一种较高精度的提前/滞后惩罚函数,在此基础上给出了一种以最小化服务点提前/滞后惩罚、最小化配送总里程以及最小化配送车辆数量为目标的、具有模糊时间窗的有容积约束配送车辆调度问题模型。在问题求解方面,结合粒子群算法和遗传算法,引入遗传算法思想对粒子进行交叉、变异操作,给出了一种基于遗传操作的混合粒子群算法,以解决基本粒子群算法容易陷入局部最优的问题。仿真实验表明,该算法具有可行性和有效性。

基于免疫粒子群优化算法的航班着陆调度研究

为解决机场在交通高峰期的航班着陆动态调度问题,提出一种结合免疫思想的离散粒子群优化算法。将免疫系统多样性保持能力和粒子群优化算法明确方向性搜索的优势相结合,避免在待调度航班队列更新时,由于动态调用排序算法很难获得稳定排序结果而造成的额外开销。实验结果表明,该算法具备高效的全局搜索能力,能在一个雷达扫描周期内,为管制员提供一个稳定的调度方案。

两挡纯电动汽车两种换挡规律下的传动比优化

为提高两挡纯电动汽车的能耗经济性和续驶里程,采用粒子群算法,以整车NEDC循环工况能量消耗最小为目标,以动力性要求为约束条件,分别在动力性换挡规律下和经济性换挡规律下对原车传动系统传动比进行了优化设计,并对两种换挡规律下的传动比优化前与优化后的续驶里程及动力性进行了仿真分析。仿真结果表明了经济性换挡规律比动力性换挡规律有更好的能量利用率,但整车动力性能会稍差于动力性换挡规律,同时仿真结果也验证了以工况能耗最小为目标的传动比优化算法的有效性。

带时间窗车辆调度问题的改进粒子群算法

带时间窗车辆调度问题是一类典型的NP难解问题。为了克服标准粒子群算法存在早熟收敛和易陷入局部解等问题,提出了一种改进的粒子群优化算法。该算法在惯性权重递减的基础上通过群体极值进行t分布变异,使算法跳出局部收敛,将该算法应用于带时间窗的车辆调度问题优化。算例证明了改进粒子群算法应用于求解带时间窗的车辆调度问题的可行性和有效性。

民用飞机着陆距离预测研究

为防止飞机着陆时冲出跑道,采用支持向量机(SVM)模型预测飞机着陆距离。基于机场、气象以及飞机自身等3方面影响因素,选取B737-800为参考机型。利用波音公司的LAND软件采集相关运行数据。通过选择误差最小、精度最优的径向基核函数(RBF)构建最有效的SVM模型。探讨网格参数算法、遗传算法(GA)和粒子群优化(PSO)算法对最佳惩罚函数c和核函数参数g的影响。结果表明,预测着陆数据与实测着陆数据吻合较好——最大绝对误差在20 m范围内,最大相对误差为1%。

航班延误后多航班间车辆调度优化算法和实现

停机坪作业安排不当是导致机场地面延误的原因之一,因此合理安排作业流程,缩短停机坪作业时间具有十分重要的意义。将仿生学微粒群算法引入到这种调度问题的解决方案中,结合实际的停机坪作业情况,通过合理安排服务车辆来减少总体的服务时间。基于微粒群算法的思想,研究车辆个体的最优位置和全局最优位置,从而得到每个车辆应服务的航班,再将航班进行排序便可得到各个车辆的服务流程,服务时间最长车辆所需时间即为该种服务车辆的最优时间。建立车辆问题的数学模型,在此基础上运用微粒群算法求解,通过仿真测算的结果表明该方法的可行性。通过优化,缩短了车辆服务时间,进而减少了停机坪作业时间,能够更好的保障航班准时出港。

基于机会约束规划的航班应急调度问题研究

为应对民航突发情况,保障民航运行安全,提出应急调度这一概念。阐述常规情况下航班调度基本模型,分析其在应急情况下的弊端。引入机会约束,构建应对突发状况的应急调度模型。研究兼顾航空公司成本、航班运行安全及旅客随机需求的机型分配问题(FAP)模型和机组排班问题(CSP)模型。比较混合智能算法、隐枚举法、等价转化法的优缺点及适用度。根据案例数据,使用Matlab软件编程,并采用随机模拟与粒子群(PSO)算法相结合的智能算法对模型求解。结果表明,机会约束规划模型在考虑随机因素的情况下,比基本模型更符合实际动态环境。

光储充电站经济调度规划与容量配置分析

针对传统的储能调度策略难以取得经济最优的不足,建立了考虑电池寿命损耗的光储充电站储能系统调度模型。首先通过OpenDSS(open distribution system simulation)建立准确的储能、光伏及电动汽车(electric vehicle,EV)充电的底层模型,模拟充电站日运行情况。其次结合雨流计数法求解出不同运行工况下储能系统的运行年限并折算为电池损耗成本计入优化目标,以此实现光储充电站日充电成本最小。最后利用改进后的粒子群优化(particle swarm optimization,PSO)算法对优化问题进行求解得到经济最优的储能容量配置以及该配置下的储能日运营方案,通过算例仿真验证了模型的可行性并分析了不同储能运营方案对收益与组成成本的影响。