基于Bayesian改进算法的回转窑故障诊断模型研究

贝叶斯网络是数据挖掘最有效和可靠的方法之一,而贝叶斯网络结构学习是贝叶斯网络研究的关键环节。针对现有经典结构学习算法——爬山算法易陷入局部最优、效率低的问题,通过计算互信息建立最大支撑树,并将最大支撑树与简化爬山算法相结合,提出了一种新的贝叶斯网络结构学习改进算法。通过与经典的爬山法和K2算法进行比较,结果表明该改进算法不仅能够得到较高准确率的模型,而且能够提高模型建立的效率。最后基于该改进算法,结合冀东水泥集团的水泥回转窑现场运行数据,建立了水泥回转窑故障诊断模型,实现了精确快速的故障诊断。     

基于贝叶斯改进结构算法的回转窑故障诊断模型研究

针对现有改进互信息爬山(MI&HC)算法精度低、耗时长及简化爬山(SHC)算法产生大量冗余边的问题,提出一种新的结构学习算法,即改进爬山(IHC)算法。通过计算互信息链得到贝叶斯初始结构,利用条件独立性测试以及对孤立节点进行处理来加边补充贝叶斯初始结构得到完全结构,利用改进的爬山搜索算子对完全结构进行搜索直到得出最优结构。将该算法与爬山(HC)算法、MI&HC算法、SHC算法进行比较,仿真结果表明,IHC算法能够得到较高准确率的模型,时间开销最小而且产生的冗余边数远远少于SHC算法产生的冗余边数。最后基于IHC算法,结合某回转窑数据进行训练,得到了回转窑工艺参数的故障诊断模型,对回转窑的烧成带温度实现了较为准确的故障诊断。     

CS-PSO算法在贝叶斯网络结构学习中的应用

针对传统的贝叶斯网络(Bayesian network, BN)结构学习算法运行效率低、算法易早熟、学习效果不理想等缺点,选取布谷鸟(Cuckoo search, CS)和粒子群(Particle swarm optimization, PSO)智能算法,结合BN结构特点,提出了一种CS-PSO的BN结构学习算法。首先,对CS算法从以下三个方面进行改进:利用最大支撑树来指导CS算法的初始化方向,利用解的适应度来调节解的寻优及舍弃过程,利用PSO算法来进行CS算法的位置更新。其次根据BN的结构特征,将CS-PSO算法应用于BN的结构学习。最后采用chest clinic、 credit和car diagnosis三种经典网络作为仿真模型,进行贪婪算法、 K2算法、 CS算法和CS-PSO算法的建模和仿真比较。结果表明, CS-PSO算法在BN的结构学习中,收敛速度快、收敛精度高且稳定性好,可以更快、更优地得到精确的贝叶斯网络结构模型。     

CS-PSO算法在贝叶斯网络结构学习中的应用（英文）

针对传统的贝叶斯网络(Bayesian network, BN)结构学习算法运行效率低、算法易早熟、学习效果不理想等缺点,选取布谷鸟(Cuckoo search, CS)和粒子群(Particle swarm optimization, PSO)智能算法,结合BN结构特点,提出了一种CS-PSO的BN结构学习算法。首先,对CS算法从以下三个方面进行改进:利用最大支撑树来指导CS算法的初始化方向,利用解的适应度来调节解的寻优及舍弃过程,利用PSO算法来进行CS算法的位置更新。其次根据BN的结构特征,将CS-PSO算法应用于BN的结构学习。最后采用chest clinic、 credit和car diagnosis三种经典网络作为仿真模型,进行贪婪算法、 K2算法、 CS算法和CS-PSO算法的建模和仿真比较。结果表明, CS-PSO算法在BN的结构学习中,收敛速度快、收敛精度高且稳定性好,可以更快、更优地得到精确的贝叶斯网络结构模型。     

基于白适应蚁群算法的无人飞行器航迹规划

为求解无人飞行器航迹规划问题,提出自适应蚁群算法,区别于标准蚁群算法的全部搜索模式,该算法采用局部搜索模式。首先根据起始节点与目标节点的相对位置关系选择相应的搜索模式,然后计算各个待选节点的转移概率,最后按照轮盘赌规则选择下一个节点。仿真结果表明,自适应蚁群算法具有搜寻节点数少、速度快等优点,在降低了航迹代价的同时,减小了计算时间。此外,自适应蚁群算法可以避免奇异航迹段的出现,从而保证所获的航迹实际可飞,表明所提算法整体性能明显较标准蚁群算法优异。     

基于改进蚁群算法激光导航轮式机器人路径规划

针对激光导航轮式机器人在复杂环境中路径规划原始算法存在路径较长和收敛速度较慢的问题,提出了一种改进蚁群算法。在实际算法中,先利用MAKLINK图论建立AGV运行环境的空间模型,接着用Dijkstra算法搜索优化路径;然后,在Dijkstra算法的基础上采用蚁群算法搜索最优路径;紧接着,在改进蚁群算法中,优先选择搜索前后两节点同起点到终点夹角一致或相差不大的后一个搜索节点,获取新的信息素更新策略,并进行角度的初始化和信息素计算;最后,在Matlab上完成算法的编写并得到仿真结果。结果表明,改进蚁群算法路径优化性能更好,对实际环境中机器人的路径规划具有指导意义。     

基于蚁群算法的零件多工艺路线决策方法研究

为满足企业对工艺规划的新需求，提出了采用蚁群算法进行多工艺路线决策的方法。在几何和技术需求以及可用加工资源的基础上，零件所有特征的各个加工阶段的工序节点构成了工艺求解空间，把加工工序安排的基本原理作为决策加工顺序的约束。采用蚁群算法对工艺求解空间中的所有工序节点在搜索规则的约束作用下进行遍历，最终寻找到能够完全满足工序节点搜索规则的优化工序序列。最后，用实例验证了该方法的可行性，证明该方法可以搜索出可行的工艺路线。     

一种装配路径规划改进GoalBia-RRT算法

针对复杂产品装配路径规划问题,提出一种偏目标型快速扩展随机树改进算法。该算法主要是基于偏向目标快速扩展随机算法(GoalBia-RRT),采用混沌搜索生成随机采样点的策略和局部引导新节点生成策略进行改进,不仅能够快速搜索覆盖整个装配空间,使朝着目标点生长的搜索路径可以快速脱离局部极小区域,避免陷入局部极小值问题,而且得到的路径可通行性得到极大改善。最后,通过仿真实验验证了该算法的优越性,并集成在CATIA平台上,开发出原型系统,通过实例验证了可行性和实用性。     

改进型蚁群算法在路径规划中的研究

为了解决蚁群算法在路径规划中初始信息素匮乏、路径搜索规划速度慢、需要更多的迭代次数才能找出近似最优解、准确性在搜索空间很大的情况下会出现无法找到最优解的问题,提出一种适用于全局路径规划的改进型蚁群算法。在规划路径初始时利用A*算法先建立每个节点间最优路径代价函数,以减少蚁群算法在路径搜索中的盲目性;引入“虚拟终点”,以减小蚁群算法的搜索空间,降低迭代次数,提高蚁群算法的效率和路径规划准确性。通过多次实验,表明改进型蚁群算法在路径搜索效率和路径规划能力上都明显提高。     

基于自适应蚁群算法的矩形件排样优化

蚁群算法是一种新型的进化算法,但它与其他进化算法一样也存在容易陷入局部搜索空间等缺陷。将蚁群算法引入到矩形零件的排样优化问题中,根据待排矩形零件面积和长宽比对每个蚂蚁节点赋予一定的初始信息量,同时对基本蚁群系统中的状态转移概率与信息素挥发因子做了适当改进,使其拥有自适应调节作用,从而有效的避免了蚂蚁长时间陷入局部搜索空间,使算法能在较短的时间内收敛到全局最优或近似最优解。最后两个实例表明,此算法用于求解矩形件排样问题是有效的。     

基于A*

针对二维栅格地图下,移动机器人以最短路径遍历所有目标点的路径规划问题,提出一种基于启发信息扩展节点的 A*     

Fault diagnosis of rotary kiln using SVM and binary ACO

This paper proposes a novel hybrid algorithm for fault diagnosis of rotary kiln based on a binary ant colony (BACO) and support vector machine (SVM). The algorithm can find a subset selection which is attained through the elimination of the features that produce noise or are strictly correlated with other already selected features. The BACO algorithm can improve classification accuracy with an appropriate feature subset and optimal parameters of SVM. The proposed algorithm is easily implemented and because of use of a simple filter in that, its computational complexity is very low. The performance of the proposed algorithm is evaluated through two real Rotary Cement kiln datasets. The results show that our algorithm outperforms existing algorithms.     

基于模糊预测控制的回转窑温度控制

介绍了模糊预测控制技术在水泥回转窑温度控制中的应用。水泥生产的关键环节在于水泥回转窑,其中最重要的就是对回转窑温度的控制。针对热工对象存在的大惯性、大迟延问题,运用T-S模糊模型的离线辨识算法对复杂的热工对象建模,得到了回转窑温度控制系统的线性化模型。     

无线传感网贝叶斯目标跟踪定位算法

提出一种贝叶斯目标跟踪定位算法。针对问题模型,进行网络拓扑结构建立,采用贝叶斯方法对目标下一位置区域进行预测,从而对目标进行跟踪优化,实现选取合适的定位参与节点。通过实验仿真表明,该算法能够有效实现目标节点的跟踪定位。     

基于改进蚁群算法的桥式起重机路径规划问题研究

通过研究桥式起重机路径规划问题,提出一种改进的蚁群路径规划算法。针对传统蚁群算法收敛速度慢,容易陷入局部最优的缺点,借鉴A*算法和狼群分配原则改进自适应启发函数、信息素更新机制。根据桥式起重机的运行特征,通过运动学动力学分析抽象出两个仿真因子:路径长度和节点数量,提出以路径长度、运行时间和稳定性等性能参数为代价的新的评价标准。栅格环境下的桥式起重机路径规划仿真结果表明,改进的蚁群算法提高算法的收敛速度,避免搜索陷入局部最优,可以得到较优的工程应用路径。     

基于蚁群算法的铣削力信号特征选择方法

为有效地进行刀具状态模式识别,以端面铣刀为研究对象,采用蚁群算法对铣削力信号进行研究分析,提出一种可用于刀具状态识别的特征选择方法。该方法将特征选择过程转化成蚁群算法中蚂蚁寻找最优路径的过程,给出了转移概率公式,并运用Fisher标准判别率作为启发信息,同时将每次搜索得出的最优特征子集输入BP神经网络进行模式识别,得到的正确率整合进信息素更新策略。另外,改进了蚁群算法参数选择方法。实验结果表明,该方法可以高效地进行特征优化选择,进而使模式识别正确率较未经特征选择时得到显著提高。     

无人机3D航迹规划及动态避障算法研究

规划一条高时效且低代价的三维(3D)航行轨迹,成为目前无人机广泛应用亟须解决的问题。针对蚁群算法在航迹规划中出现的航迹长度和平滑性不足问题,通过改进蚁群系统中的节点移动规则、构造多重启发信息并结合粒子群优化算法的全局搜索能力,提出了蚁群粒子群融合算法。同时,就飞行航迹中出现的动态避障问题和目标点变化问题,提出了改进生物启发神经动力学模型算法,该算法针对3D静态最优航迹中出现的障碍物和目标点变化,实现了局部在线航迹调整。实验仿真结果表明,蚁群粒子群融合算法能在3D静态环境中规划出一条期望航迹。同时,改进生物启发神经动力学模型算法不仅能对突发障碍动态避障,还能对动态目标点变化实时跟踪。