基于量子粒子群优化的Volterra核辨识算法研究

将量子粒子群优化（QPSO）引入到非线性Volterra系统辨识中,提出了一种基于量子粒子群优化（QPSO）的Volterra级数辨识方法,利用QPSO算法估计出了非线性系统的Volterra核函数。提出的方法同时和传统的最小二乘法(LMS)辨识方法进行比较,仿真结果验表明,在无噪声干扰下,提出的方法与LMS方法都具有很好的辨识精度和收敛性。然而,在有噪声干扰下,无论在辨识精度、收敛性和抗干扰性方面,本文方法都优于传统的LMS方法,而且,随着噪声的增强,这种优势越明显。     

利用粒子群优化算法实现阻尼比和频率的精确识别

摘要：本文提出了一种利用粒子群优化算法辨识阻尼比和频率的方法。该方法将系统频率、阻尼比、幅值和相位的辨识问题转化为非线性优化问题,引入粒子群优化算法寻找全局最优解。基于粒子群优化的阻尼比和频率辨识方法不需要测量激励信号,原理简单,实现容易。仿真和实验结果表明：基于粒子群优化算法的阻尼比和频率辨识方法不受邻近模态耦合的影响。在无噪声条件下具有较高的辨识精度,随着信噪比的逐步降低,辨识精度开始逐步下降。用低通滤波器滤除高阶模态后,得到的脉冲响应信号对频率、阻尼比、幅值的辨识精度影响很小,对相位的辨识精度影响很大。

     

自适应非线性BSS及其在齿轮故障诊断中的应用

基于核函数的非线性盲信号处理（BSS）在信号处理中有着广泛的应用,但传统的非线性盲信号处理的学习速率是固定的,如果学习速率选择的不合适,则算法难以收敛或者不能收敛。针对这一不足,结合模拟退火的思想,提出了一种基于核函数的自适应非线性盲信号处理算法。仿真和实验结果表明,该方法改善了原有算法的收敛性能,分离效果良好,算法具有更好的消噪和信号特征提取能力。     

蚁群支持向量机在内燃机故障诊断中的应用研究

针对目前支持向量机参数选择时人为选择的盲目性,将具有良好优化性能的蚁群优化技术应用到支持向量机惩罚函数和核函数参数的优化,提出了蚁群优化支持向量机方法。根据内燃机气门振动信号实测数据,建立了基于蚁群优化支持向量机的内燃机气门间隙故障诊断模型,并与基于遗传支持向量机和反向传播神经网络算法的模型比较。结果表明：应用蚁群优化支持向量机建立的内燃机气门间隙故障诊断模型无论从学习效率还是故障识别准确性上都优于应用另外两种算法建立的模型,能够有效地进行内燃机的故障诊断。     

基于Volterra自适应滤波器的发动机运转噪声预测

摘 要：发动机运转噪声的预测对于减小发动机运转噪声干扰、提高发动机异响故障诊断正确率具有重要意义。基于相空间重构理论,采用三阶Volterra自适应滤波器,提出了两种分别采用双传感器、单传感器的发动机运转噪声建模与预测方法。所提方法有效利用了Volterra级数强大的非线性映射能力,充分考虑了发动机运转噪声内在的循环相关性、周期及相位信息等先验知识。试验结果表明,所提方法具有较好的鲁棒性,其精度可以满足实际应用要求。     

基于改进粒子群算法的Volterra模型参数辨识

针对非线性系统Volterra泛函级数模型,结合混沌优化策略和种群多样性控制思想,提出了一种改进粒子群算法,并应用于Volterra模型参数的辨识,将非线性系统的辨识问题转化为高维参数空间上的优化问题。利用混沌序列增加初始种群的多样性,通过构建动态子群以进行协作寻优,且各子群采用不同的参数自适应调整策略,并定义算法收敛性测度以对精英粒子进行合理的混沌变异,避免了算法早熟收敛,提高了算法的寻优速度和寻优精度。仿真实验中,将该方法与基于标准粒子群算法、遗传算法、量子粒子群算法的Volterra模型参数辨识方法相比较,验证了该辨识方法的有效性和鲁棒性。     

基于次级通道前馈等效阻尼补偿的改进滤波x-LMS算法

研究了通过次级通道阻尼补偿提高滤波x-最小均方(Least Mean Square; LMS)算法性能的实现方法,提出了一种自适应前馈等效阻尼补偿方案;将前馈补偿器与自适应前馈控制器设计相结合,设计了基于前馈等效阻尼补偿的改进滤波x-LMS算法,改进算法保持了滤波x-LMS算法结构简单、鲁棒性强等优点。以柔性悬臂梁前两阶模态振动为控制目标,分别采用两种算法进行了主动减振仿真实验,结果表明本文提出的改进滤波x-LMS算法具有更快的收敛速度。     

基于MFCC和SVM的车窗电机异常噪声辨识方法研究

为提高车窗电机异常噪声特征提取的有效性及分类识别的准确性,提出一种以优化的梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)为特征值,以支持向量机(Support Vector Machine,SVM)为噪声辨识模型的电机异常噪声辨识方法。在MFCC提取方法基础上,针对频谱泄漏,用Hanning自卷积窗代替Hanning窗,获得优化的MFCC,并将其作为特征值输入到SVM进行异常噪声辨识。为提高SVM判别准确率,采用人工蜂群算法实现SVM参数选择优化。实验结果表明,该方法能够有效判别电机是否存在异响,准确率达到91%。     

子空间预测控制算法在主动噪声振动中的应用

为解决主动噪声和振动控制中的执行器饱和约束条件问题,本文在子空间系统辨识的基础上,研究了一种新颖的子空间预测控制方法。该控制方法联合了系统辨识和控制器设计,直接由输入-输出数据得到将来时刻的输出预测值,自动校正系统中的参数,克服了传统的模型预测控制中繁琐的系统辨识环节。同时子空间预测控制允许执行器机构出现饱和现象,在考虑由饱和现象导致的约束条件时,利用线性矩阵不等式将约束优化问题转化为无约束优化问题。采用椭球优化算法迭代地产生一系列体积逐渐减小的椭球序列,该序列最终能收敛到一个最优解。在椭球算法的基础上推导了该算法达到收敛时所需要迭代次数的一个上界。这在智能优化算法中是很难求得到的。最后以直升机悬停状态时发生的颤振为例,利用本文中的子空间预测控制和椭球优化算法设计闭环系统的反馈控制器,验证闭环系统的输出响应能较好地跟踪期望值,从而得出本文方法的有效性。     

基于改进智能算法的非线性转子系统的参数辨识

为了有效的识别非线性转子系统的若干参数,提出了基于遗传算法、蚁群算法和邻域搜索算法的混合方法（Ne-GAAC）,该算法利用遗传算法的快速随机搜索能力的优点,形成了蚁群算法的初始信息素分布和寻优区间,同时利用了蚁群算法正反馈以及具有分布式并行全局搜索能力的优点,最终在解收敛后采用局部邻域搜索算法得到精确解,算例结果表明,该方法可以有效的识别非线性转子系统的参数。     

Coupling ant colony optimization and the extended great deluge algorithm for the discrete facility layout problem

This article uses a hybrid optimization approach to solve the discrete facility layout problem (FLP), modelled as a quadratic assignment problem (QAP). The idea of this approach design is inspired by the ant colony meta-heuristic optimization method, combined with the extended great deluge (EGD) local search technique. Comparative computational experiments are carried out on benchmarks taken from the QAP-library and from real life problems. The performance of the proposed algorithm is compared to construction and improvement heuristics such as H63, HC63-66, CRAFT and Bubble Search, as well as other existing meta-heuristics developed in the literature based on simulated annealing (SA), tabu search and genetic algorithms (GAs). This algorithm is compared also to other ant colony implementations for QAP. The experimental results show that the proposed ant colony optimization/extended great deluge (ACO/EGD) performs significantly better than the existing construction and improvement algorithms. The experimental results indicate also that the ACO/EGD heuristic methodology offers advantages over other algorithms based on meta-heuristics in terms of solution quality.     

Multiple colony ant algorithm for job-shop scheduling problem

Ant colony optimization (ACO) is a metaheuristic that takes inspiration from the foraging behaviour of a real ant colony to solve the optimization problem. This paper presents a multiple colony ant algorithm to solve the Job-shop Scheduling Problem with the objective that minimizes the makespan. In a multiple colony ant algorithm, ants cooperate to find good solutions by exchanging information among colonies which are stored in a master pheromone matrix that serves the role of global memory. The exploration of the search space in each colony is guided by different heuristic information. Several specific features are introduced in the algorithm in order to improve the efficiency of the search. Among others is the local search method by which the ant can fine-tune their neighbourhood solutions. The proposed algorithm is tested over set of benchmark problems and the computational results demonstrate that the multiple colony ant algorithm performs well on the benchmark problems.     

霍夫变换耦合蚁群优化图像边缘提取算法

目的为解决图像边缘提取方法中由于噪声浸染导致边缘定位精确度降低、边缘信息丢失和虚假边缘等不足,提出基于霍夫变换(HT)耦合蚁群优化(ACO)图像边缘的提取方法。方法对输入图像进行霍夫变换,消除噪声和线段间隔对图像边缘的影响;计算图像像素梯度和像素圆形邻域统计均值的差值,构建二者之间的权重函数,并作为蚁群的信息素和启发信息;利用蚁群优化算法,引导蚁群搜索图像边缘,完成图像边缘提取。结果实验表明,与当前边缘提取技术相比,文中算法具有更高的提取精度与效率,可获取完整、细节丰富的边缘,有效地降低了噪声影响。结论所提算法具有较强的抗噪性能,能进一步改善边缘提取精度,能够较好地用于包装条码识别与图像处理领域。     

交叉变异的连续蚁群优化算法

研究了应用于连续空间优化问题的蚁群算法,给出了信息素的留存方式以及搜索策略.另外,针对蚁群算法易陷入局部最优的缺点,在最优蚂蚁周围进行了精细搜索,并加入了自适应的交叉变异算子,从而改进了蚁群算法的全局优化性能.数值仿真结果表明,该算法是一种有效的优化算法.     

A hybrid evolutionary algorithm for distribution feeder reconfiguration

Distribution feeder reconfiguration (DFR) is formulated as a multi-objective optimization problem which minimizes real power losses, deviation of the node voltages and the number of switching operations and also balances the loads on the feeders. In the proposed method, the distance (λ ₂ norm) between the vector-valued objective function and the worst-case vector-valued objective function in the feasible set is maximized. In the algorithm, the status of tie and sectionalizing switches are considered as the control variables. The proposed DFR problem is a non-differentiable optimization problem. Therefore, a new hybrid evolutionary algorithm based on combination of fuzzy adaptive particle swarm optimization (FAPSO) and ant colony optimization (ACO), called HFAPSO, is proposed to solve it. The performance of HFAPSO is evaluated and compared with other methods such as genetic algorithm (GA), ACO, the original PSO, Hybrid PSO and ACO (HPSO) considering different distribution test systems.     

基于改进免疫遗传优化蚁群算法的移动机器人路径寻优研究

针对移动机器人路径规划中使用蚁群算法(ACO)易陷入局部最优和收敛速度慢的问题,提出了一种适用于机器人静态路径寻优的改进免疫遗传优化蚁群算法(IMGAC)。该算法可以根据实际情况自动调整变异概率和变异方式,以及自动调节个体免疫位的长度,将通过改进的变异算子和免疫算子嵌入蚁群算法来提高全局寻优能力与收敛速度。仿真及实验表明:相比于经典ACO算法以及最大最小蚂蚁系统,IMGAC算法收敛速度更快,全局寻优能力更强。利用该算法寻找移动机器人最优路径,提高了静态路径寻优的效果和效率。     

基于Volterra级数和KPCA的旋转机械故障诊断方法研究

提出了一种基于Volterra级数和核函数主元分析（KPCA）的故障诊断方法。在提出的方法中,首先利用量子粒子群优化（QPSO）算法辨识出正常、转子裂纹、转子碰摩、基座松动四种状态下的Volterra级数,然后将Volterra核函数作为特征向量输入到KPCA进行训练识别。实验结果表明,提出的方法是有效的,在只考虑一阶Volterra核不能进行很好地识别时,可以从二阶、三阶Volterra核上来区分。     

蚁群算法在复杂系统可靠性优化中的应用

复杂系统可靠性优化问题为典型的NP-难问题.不考虑系统的具体连接形式,将每个部件视为一级,产生随机数作为网络节点, 把蚁群优化算法成功应用到复杂系统可靠性优化中,搜索到其他算法未能得到的最优解.仿真结果表明,蚁群优化算法可以在相对短的时间内较快地找到问题的最优解.蚁群优化算法与其他元启发式算法一样,可以有效克服求解组合优化的计算复杂度问题.     

包装物回收物流中的车辆路径优化问题

目的提高遗传算法(GA)求解包装物回收车辆路径优化问题的性能。方法通过对传统GA算法的改进,提出混合蜂群遗传算法(HBGA)。首先改进传统GA算法的初始种群生成方式,设计初始种群混合生成算子;其次,提出最大保留交叉算子,对优秀子路径进行保护;然后,在上述改进的基础上引入蜜蜂进化机制,用以保证种群多样性和优秀个体特征信息的利用程度;最后,对标准算例集进行仿真测试。结果与传统GA算法相比,HBGA算法在全局寻优能力、算法稳定性和运行速度方面均有所改善。HBGA算法的全局寻优能力和算法稳定性均优于粒子群算法(PSO)、蚁群算法(ACO)和禁忌搜索算法(TS),但运行速度稍慢于TS算法。结论对传统GA算法的改进是合理的,且HBGA算法整体求解性能优于PSO算法、ACO算法和TS算法。