一种基于化学反应优化和粒子群优化的混合型优化算法

针对现有化学反应优化算法存在的不足,提出一种基于粒子群优化算法(particle swarm optimization,PSO) 和自适应化学反应优化算法(adaptive chemical reaction optimization,ACRO)相结合的混合算法(a hybrid optimization based on ACRO and PSO,ACRO-PSO)。在ACRO 算法的领域算子基础上,融入PSO 算法的全局算子,加入权重系 数控制本地搜索和全局搜索的比例,修改分解反应合化合反应出现的时机,利用化合反应输出最优解,采用标准测 试函数对ACRO-PSO 进行性能分析。仿真结果表明,ACRO-PSO 算法能高效地解决待优化问题。     

齿轮箱传感器优化布置研究

提出利用粒子群优化(PSO)算法解决齿轮箱故障检测中传感器优化布置问题的方法。在着重分析加速度传感器优化布置的模态置信准则后,构建了应用PSO算法解决此类优化问题的适应度函数。以齿轮箱有限元建模和模态分析结果为依据,以适应度函数作为评价目标,应用加速度自适应粒子群优化算法,实现了齿轮箱传感器的优化与定位。通过齿轮箱的试验模态分析和频响函数特性分析,证明了基于PSO算法的齿轮箱传感器优化布置方法是可行的。用优化后的6个测点布置传感器,故障诊断精度提高26.1%.     

基于粒子群优化算法的模糊飞行控制器设计

提出了一种基于粒子群优化（PSO）算法的模糊飞行控制器优化设计方法。PSO算法通过粒子跟踪本身所找到的最优解和种群的最优解来完成优化．该算法具有可调参数少．简单易实现，优化速度快的特点。将PSO算法用于对模糊飞行控制器隶属函数的优化设计中，以达到提高控制效果与简化模糊控制器设计的目的。仿真结果表明．利用PSO算法进行优化设计所得到的模糊飞行控制器具有优良的控制性能。     

基于粒子群算法的三维固体火箭发动机药形快速优化方法

在高体积装填分数前提下,如何提高发动机的结构完整性是固体火箭发动机药形优化设计面临的主要问题.通过提出基于粒子群优化算法(PSO)的三维固体火箭发动机药形快速优化设计方法,采用MSC.Patran的二次开发工具PCL实现某三维固体火箭发动机药柱的参数化建模,在不改变体积装填分数的前提下,分别采用PSO算法和遗传算法(GA)完成该发动机药形的优化设计.结果表明,两种方法均能满足优化设计要求,但PSO算法比GA算法的计算时间缩短了42％,所提方法可快速实现固体火箭发动机药形优化设计,提高复杂三维固体火箭发动机的结构完整性能.     

基于GWO-WOA的执行器严重故障多移动机器人编队重构控制

针对执行器严重故障下多移动机器人的编队重构控制问题，提出一种基于灰狼优化-鲸鱼优化算法(Grey WolfOptimizer-Whale Optimization Algorithm, GWO-WOA)的协同编队重构控制策略。设计一种故障观测器以检测多机器人系统中出现的执行器严重故障，并使执行器严重故障的机器人离开编队。利用匈牙利算法分配剩余机器人在期望重构编队中的位置，并用GWO-WOA规划出机器人的运动路径。提出编队重构综合控制策略，包括三部分，分别为基于一致性的编队保持控制、基于势能函数的避碰控制和基于比例积分的跟踪控制器，使多机器人在无碰撞的情形下实现了重构编队。仿真实验结果表明，所提出的编队重构控制策略能够实时监测出故障机器人，并且在形成期望重构编队的同时防止相互碰撞。     

粒子群优化算法在传动箱故障诊断中的应用

基于粒子群优化算法（PSO）的神经网络具有良好的训练性能，输出的整体误差小于BP算法。用PSO作为一种粗优化或离线学习过程，用神经网络学习作为一种细优化或在线学习过程。这两种方法综合使用可以大大提高传动箱故障诊断性能。诊断系统把常用的7个时频动态特征参量作为BP网络的输入层的输入，把传动箱中常见的6种特征作为网络的输出。诊断系统拓扑结构为7—12—6的3层BP网络，规定系统误差0．001。结果表明．粒子群优化算法对多故障征兆有较好的故障识别率。作为一种有效优化方法，在机械故障诊断领域具有良好的应用前景。     

基于改进粒子群优化算法的网络化仿真任务共同体服务选择

作为网络化仿真中新的应用需求,如何动态地把散布在网络上各种服务整合起来以形成新的、满足不同用户需求的仿真任务共同体(STC)成为了当前研究热点。提出了一种基于粒子群优化（PSO）算法的仿真服务选择方法,针对传统PSO易陷入局部最优和收敛速度慢等不足,设计了一种惯性权重动态变化策略和一种可选的变异操作方法。该算法不仅能提高服务选择收敛速度,还能避免算法陷入局部最优。通过实验,采用典型函数进行了测试,并详细介绍了算法在STC服务选择上的实际运用,说明了算法的可行性和有效性。     

基于简便约束粒子群优化算法的空空导弹μ-PID控制器设计

针对现有约束粒子群优化(PSO)算法存在的算法复杂、应用范围受限、优化效果不佳等缺陷,提出一种新型约束粒子群算法。该算法采用目标函数替换的方法将约束优化问题转化为非约束优化问题,具有简便易用的优点。通过典型测试函数测试并和其他具有代表性的约束PSO算法进行对比,表明该算法在处理约束优化问题上的优越性。为了验证该算法应用于工程的可行性,以样例导弹纵向模型为对象,针对经典Raytheon控制结构,采用该算法设计了μ-PID控制器。仿真结果表明,样例导弹控制器可以在满足多种时域指标的同时具有良好的鲁棒性能,达到了设计指标要求,验证了所提出算法的有效性。     

基于蒙特卡洛仿真和并行粒子群优化算法的携行备件优化

为提高携行备件方案优化模型的准确性和求解的精确度,以遂行远海训练任务的舰艇编队为研究背景,针对优化模型的建立和求解提出了一系列改进措施。在传统优化模型的基础上,分析了虚警和串件拼修对备件的影响,建立了基于携行能力、备件成本、装备可用度、同型号装备群完好率等多约束条件的携行备件优化模型;利用粒子群优化（PSO）算法确定备件的优化配置,利用蒙特卡洛仿真法计算配置方案的保障效能;引入云格计算技术实现PSO算法的并行求解,从硬件性能上提高算法的全局寻优能力;将普通粒子转化为量子粒子实现解的多样化,减小了算法陷入局部最优的危险。案例分析证实了改进措施的可行性和有效性。     

基于改进PSO的导弹下视景象匹配仿真

介绍了导弹下视景象匹配和常用算法,在分析基本粒子群算法(PSO)的基础上,调节学习因子、惯性权重和引入自适应变异算子,对基本PSO算法做了改进,将其作为导弹景象匹配的搜索策略,并简化了归一化积相关算法,提出了基于改进PSO的下视景象匹配算法,经过仿真分析,发现该种方法比隔点搜索等一般方法能有效提高匹配精确度,且算法简单有效。     

基于组合粒子群算法的运载火箭弹道优化设计

提出一种基于粒子群算法和方向加速法组合成的PSO-Powell算法,能进行大范围搜索,其最优解具有全局收敛性。在该算法中,对粒子群算法的参数设置进行了改进,提升了其性能,并引入增广拉格朗日乘子法处理优化问题的约束条件,提高了最优解的精度。仿真结果表明PSO-Powell算法应用于运载火箭弹道优化设计具有良好效果,可以提升运载能力,具有一定工程应用价值。     

基于改进粒子群算法的野战油库选址优化

针对标准粒子群算法容易陷入局部最优,提出了改进粒子群算法;对粒子的自适应性和惯性权重进行改进,建立了野战油料选址模型;通过仿真,发现改进粒子群算法克服了标准粒子群算法容易陷入局部最优的问题,且寻优能力强,对部队的野战油库选址具有指导作用。     

基于一种改进粒子群算法的水下远程武器航路规划

针对水下远程武器航路规划中,采用基本粒子群算法避障出现的航路倒退问题,提出了一种借鉴遗传算法采用粒子对换的改进粒子群优化（PSO）算法,并结合远程武器的航路规划设计模型,应用于水下武器作战仿真系统。计算结果表明,该算法可有效提高远程武器航路规划避障的计算效果,对水下远程武器的作战使用研究具有一定的参考价值。     

基于GA-PSO的野战给水站选址优化模型

在野战给水工程保障中,不但要满足各用水单位,也要考虑到保障过程中产生的费用,尽量能够做到在完成给水工程保障任务的基础上使整个野战给水工程保障系统所消耗的总费用最小。针对该问题,运用GA-PSO算法研究了野战给水站的选址优化模型,实例验证充分说明了基于GA思想的混合PSO在收敛速度及跳出局部极值的能力诸方面明显优于标准的GA算法和PSO算法。     

基于混沌DESAPSO算法的无人机三维航迹规划

粒子群(PSO)算法易陷入局部最优,将其运用于无人机三维航迹规划会导致航迹品质不高,针对这一问题,提出了将差分进化(DE)算法、模拟退火(SA)算法嵌入PSO算法中,构成混沌差分进化模拟退火粒子群(DESAPSO)算法,从三个方面提高了航迹品质:一是利用DE算法的变异、交叉及竞争选择增加种群多样性;二是利用SA算法概率突跳能力跳出局部最优解;三是对PSO算法参数进行混沌优化,进一步增强种群多样性.仿真结果表明:混沌DE-SAPSO算法改进航迹品质效果明显,获得了满意的无人机三维航迹.     

基于粒子群优化技术的导弹模拟故障诊断方法

采用一种基于粒子群优化的特征提取算法,以K-NN分类正确率作为评价准则,应用粒子群优化算法寻找使提取特征的K—NN分类正确率最大的转换矩阵,从而实现特征的提取．算法的特点是结构简单灵活,对数据的分布特征不敏感,适合于对模拟故障特征进行提取．故障诊断示例证明了该特征提取算法在导弹模拟故障诊断中的有效性．     

基于改进PSO-LSSVM 的军用工程机械研制费用预测模型

针对传统参数法对装备研制费用进行预测存在的局限性问题,采用改进粒子群算法（particle swarm optimization,PSO）对LSSVM模型进行改进,构建军用工程机械研制费用预测模型。运用2种优化策略改进粒子群算法,对种群初始化过程进行控制、克服粒子群算法易于早熟的缺点。用改进后的粒子群算法优化最小二乘支持向量机的模型参数和核参数,以获得更好的预测效果。预测结果表明：该费用预测模型运用于军用工程机械研制费用预测,明显优于传统预测模型,具有很好的预测精度和效率。