动压缸电液伺服压力系统自适应差分进化辨识

根据轨道路基测试装置工作原理,建立了动压缸电液伺服压力系统AMESim模型,理论推导出该系统传递函数。针对标准差分进化算法早熟问题,构造了一种可以自动调节变异因子、变异算子和交叉因子的自适应差分进化算法。设计了基于该系统AMESim模型的参数辨识方案,进行了自适应差分进化算法与其他算法的对比仿真,验证了该算法具有良好的辨识精度和收敛性,给出了动压缸负载开环传递函数辨识参数,并通过自适应差分进化算法获得了伺服阀系统开环传递函数辨识参数。最后给出了动压缸电液伺服压力系统传函参数,通过与该系统AMESim模型对比仿真,验证了该辨识参数的有效性。     

基于RLS-DE算法的多变量径向磁轴承系统辨识

磁轴承的系统模型是提高其控制精度、稳定性及可靠性的基础,为了准确获取多变量径向磁轴承的系统模型,提出一种基于"递推最小二乘-差分进化"算法的辨识方法。该方法在剔除与转子转速同频的不平衡量的基础上,首先采用递推最小二乘法对径向磁轴承系统模型进行初步辨识,之后在初步辨识得到的模型参数的小范围内初始化差分进化算法的种群,通过反复进行差分进化算法的变异、交叉和选择操作,直至得到系统模型的最优参数。对该方法进行了仿真和试验验证,仿真结果表明,在递推最小二乘法辨识的基础上,通过差分进化算法小范围搜索得到的辨识模型输出误差的方差下降了92.86%;试验结果表明输出误差的方差能下降80.13%。验证了该方法高精度辨识径向磁轴承系统模型的有效性。     

改进DE算法求解混合流水车间负荷平衡问题

为解决混合流水车间不相关并行机负荷平衡排产优化问题,建立了混合流水车间负荷平衡优化问题数学模型,以并行工位加工时间负荷平衡代价与总工位等待时间加权求和之值作为负荷平衡评价指标。全局优化算法采用双种群自适应差分进化算法,该算法设计了新的双种群结构和协同进化方式,并引入随停止代数自适应调整进化参数的策略,以增强跃出局部极值、保持进化活力的能力。为进一步提高算法搜索最优解效率,设计了一种基于负荷平衡选择概率的初始种群建立方法,以提高初始种群中初始解的质量、缩小有效解空间。基于汽车生产中的实例数据,将双种群自适应差分进化算法与遗传算法、差分进化算法、自适应差分进化算法进行仿真比较,结果表明,双种群自适应差分进化算法的负荷平衡评价指标有显著的降低。     

压电作动器非对称迟滞模型的建立和参数辨识

现有的众多基于传统Bouc-Wen改进的压电陶瓷非对称迟滞模型存在参数冗余,降低了模型参数辨识的准确性,而且常用的粒子群算法(PSO)在辨识压电陶瓷非对称迟滞模型参数方面收敛慢且容易陷入局部最优值。为此,首先提出了一种归一化的非对称迟滞模型,采用两个多项式达到非对称效果,利用归一化Bouc-Wen消除参数冗余;然后采用参数和变异策略自适应的差分进化算法进行迟滞参数辨识;建立了相应的测试系统,对压电陶瓷作动器进行了实验研究。结果表明,相比于传统的Bouc-Wen模型,所提出的模型能更精确地描述压电陶瓷实际电压位移曲线,而且消除了参数的冗余,降低了参数辨识的难度。相比于粒子群算法和传统差分进化算法,自适应差分进化算法能更快更精准地找到最优参数值。     

改进差分进化算法求解混合流水车间调度问题

对于求解混合流水车间调度问题,标准差分进化算法存在易陷入局部极值的缺点,为此,以最小化最大完工时间为目标函数建立了仿真优化模型,并提出了一种改进差分进化算法进行求解。将所提算法结合反向学习策略生成初始种群,在差分进化中进一步引入自适应差分因子,并在个体选择机制中引入模拟退火算法的Metropolis准则,有效提高了该算法的全局搜索能力。最后基于不同规模算例对所提算法和经典算法进行了仿真实验结果对比,验证了所提改进差分进化算法的有效性和优越性。     

基于新自适应差分进化算法的Magic Formula轮胎模型参数辨识方法

针对传统差分进化法固定的控制参数设置与进化策略难以适应复杂多变的问题的状况,提出一种新的自适应差分进化方法,并将其应用于魔术公式(Magic formula,MF)轮胎模型的参数辨识中以解决其参数辨识难的问题。该方法结合基于成功进化个体的控制参数选择策略以及基于双审判矢量的进化策略,实现控制参数的有效自适应。通过对纯侧偏工况下轮胎数据的侧向力和回正力矩参数辨识,证明该方法比另外两种先进的自适应差分进化算法IOA和SspDE具备更好的全局优化与快速收敛能力,也比传统的数值优化Levenberg-Marquardt方法识别精度更高,是辨识MF轮胎模型参数的一种有效手段。     

静电放电模拟器放电回路的设计

由于分布参数的影响，按集总参数设计的静电放电模拟器难以产生IEC61000—4—2标准规定的静电放电电流通过对标准电流波形及给定参数的分析，设计了易于实现的人体-金属模型放电回路．通过模拟仿真，确定了放电回路的具体元件参数．针对分布参数的影响，给出了集总电路元件参数与标准规定的放电电流参数的相对误差灵敏度设计曲线，利用该设计曲线通过时集总元件参数的调整，可获得完全符合标准要求的放电电流．     

基于混沌蜂群算法的小型无人直升机系统辨识

针对小型无人直升机在悬停状态下飞行动力学模型的系统辨识问题,提出了一种基于混沌蜂群算法(chaotic artificial bee colony algorithm,简称CABC)的辨识方法。由于直升机的数学模型是非线性的,因此用小扰动理论对其线性化,得到纵横方向待辨识的解耦模型;进一步将系统辨识问题转变成优化问题,以蜂群为搜索单位,通过群体之间的信息交流与优胜劣汰机制,使得蜂群向更优方向进化;利用混沌算子来改进侦察蜂的搜索机制,使得人工蜂群算法脱离局部最优束缚,获得更强的全局寻优能力。根据无人机实际飞行试验数据,对辨识获得的模型进行了分析与验证,结果表明,采用该辨识方法,估计出了解耦模型中的未知参数,与遗传算法和传统人工蜂群算法相比,所提算法的辨识精度更高。     

基于DEAFCR算法的非线性系统模型参数辨识

针对非线性模型参数辨识困难和不准确的问题,提出一种基于改进的差分进化算法的辨识算法。通过建立寿命机制,根据寿命值,动态调整缩放因子和交叉率,在算法初期保持多样性来避免早熟收敛,在后期保留优质解,加快收敛速度。为验证改进算法的性能和实用性,用典型测试函数进行对比测试,并辨识非线性传递函数模型和Hammerstein模型,试验结果表明改进的算法收敛速度快,辨识精度高,对非线性系统参数辨识有效可行。     

基于自适应变异差分进化算法的电弧时域模型

随着电弧炉功率不断增大,电弧炉对供电网络的负面影响越来越受到关注.主要的负面影响是引起谐波、电网电压波动和闪变.因此,建立精确的电弧模型,对于研究上述问题有着重要的意义.新的电弧时域模型以能量守恒定律为基础,用非线性微分方程描述电弧电导与电流之间的函数关系,并且利用现场检测到的数据,采用自适应变异差分进化算法对参数进行辨识.通过调整参数,模型完全可以模拟电弧炉冶炼过程的电弧特性.仿真结果表明,模型输出的电压、电流与现场实测数据一致,验证了模型的正确性.     

Multi-Input Single Output SSSC based damping controller design by a hybrid Improved Differential Evolution-Pattern Search approach

In this paper, a hybrid Improved Differential Evolution and Pattern Search (hIDEPS) approach is proposed for the design of a PI-Type Multi-Input Single Output (MISO) Static Synchronous Series Compensator (SSSC) based damping controller. The improvement in Differential Evolution (DE) algorithm is introduced by a simple but effective scheme of changing two of its most important control parameters i.e. step size and crossover probability with an objective of achieving improved performance. Pattern Search (PS) is subsequently employed to fine tune the best solution provided by modified DE algorithm. The superiority of a proposed hIDEPS technique over DE and improved DE has also been demonstrated. At the outset, this concept is applied to a SSSC connected in a Single Machine Infinite Bus (SMIB) power system and then extended to a multi-machine power system. To show the effectiveness and robustness of the proposed design approach, simulation results are presented and compared with DE and Particle Swarm Optimization (PSO) optimized Single Input Single Output (SISO) SSSC based damping controllers. It is observed that the proposed approach yield superior damping performance compared to some approaches available in the literature.     

函数发生机构优化综合的改进差分进化算法

标准差分(SDE)算法具有算法简单、控制参数少、易于实现等优点,但容易发生早熟收敛。针对此缺点,提出一种改进的差分进化(IDE)算法。建立了铰链四杆函数发生机构近似运动综合的无约束优化模型,并应用IDE算法求解该优化问题。数值实例表明,IDE算法可以较好地克服早熟收敛问题,且能快速求出铰链四杆函数发生机构近似运动综合的优化解。     

改进二进制差分进化算法在配电网络重构优化中的应用

以降低配电网损耗为目标,在对差分进化算法进行二进制化改造的基础上,对其重要的控制参数进行了自适应优化改进,并将其应用到配电网重构中,通过对IEEE33节点配电网络算例的仿真计算以及与标准遗传算法(GA)和差分进化算法(DE)计算结果的比较,表明改进后的算法通过网络重构有效地降低了网损,并具有较高的计算效率和可行性。     

基于并行策略的改进混合粒子群算法及其应用

针对粒子群算法在解决高维度复杂优化易陷入局部最优的问题,构建差分进化算法(DE)、人工蜂群算法(ABC)与粒子群算法(PSO)并行运算的种群更新模型,提出基于并行策略的改进混合粒子群算法(DA_PSO)。以并行策略为基础,不改变种群规模,独立运行3种算法,每隔n次比较3种算法,获得当前最优点,并用其替换粒子群算法的种群最优点,利用PSO算法个体向种群最优靠近的特点,充分吸收DE算法、ABC算法的优点,使被替换后的PSO算法跳出局部最优,提升优化结果的质量。采用五种类型测试函数分别对ABC、DE、PSO和DA_PSO进行对比验证,结果表明:较其他算法而言,DA_PSO算法精度高,稳定性好,适应性强。同时为验证所提方法的科学性与实用性,将其应用在10t~32t/31.5m系列化的桥式起重机主梁金属结构轻量化设计中。     

简单差异演化算法及其在装配公差优化中的应用

差异演化算法是一种基于群体差异的演化算法,具有良好的优化性能,但是对于高维复杂函数,算法易早熟收敛.为此,在对算法参数以及关键算子分析的基础上,提出了自适应缩放因子及突变因子两个概念,进而提出了简单差异演化算法(A Simple Differential Evolution Algorithm)SDE.首先将缩放因子按照进化代数进行递减,一方面为了减少用户参与程度,另一方面为了平衡算法的收敛速度与全局搜索能力;其次在研究交叉算子的基础上,引入了灾变因子,使群体中的部分个体在进化过程中不进行交叉操作,而直接与父代个体进行竞争,简化了差异演化算法的步骤.仿真实验结果与工程应用实例表明,SDE算法在收敛速度和全局搜索能力方面得到了较好的平衡,不仅保证了算法的收敛速度,而且具有较好的全局搜索能力.     

自适应差异演化算法及其应用

差异演化(Differential Evolution,DE)算法是一种基于群体差异的演化算法,具有良好的优化性能,但是对于高维复杂函数,DE算法易早熟收敛。为此,在对DE算法参数分析的基础上,提出自适应缩放因子及自适应交叉率两个概念,进而提出一种自适应差异演化(Adaptive Differential Evolution,ADE)算法。利用群体差异度对DE算法进行分期,一方面使缩放因子在前期较大,在进化的中期先变小,后增大,在进化的后期,缩放因子较小;另一方面使DE算法的交叉率在前期较小,中期在一定范围内随机取值,进化后期较大。仿真实验结果与工程应用实例表明,ADE算法在收敛速度和全局搜索能力方面得到了较好的平衡,不仅保证了ADE算法的收敛速度,而且具有较好的全局搜索能力。     

运用DE-RBFNN的直线伺服系统定位精度研究

提出一种基于差分进化算法(DE)的径向基函数神经网络(RBFNN)模型,用于预测直线伺服系统的定位误差.该模型用差分进化算法训练径向基函数(RBF)网络隐层中心位置、宽度和输出层连接权重.为了评价优化后RBF网络预测的精度,运用部分误差样本进行训练和仿真.构建了以数字信号处理器(DSP)为核心的直线电动机定位误差实验平台,根据误差校正值进行误差实时补偿实验.仿真和实验结果表明:经过DE算法训练的神经网络模型对工作台的误差具有良好的学习能力和泛化能力,与单纯RBF网络、基于遗传优化的RBF神经网络相比,该建模方法具有更高的定位精度.     

Model and algorithm for fuzzy joint replenishment and delivery scheduling without explicit membership function

We study a joint replenishment and delivery scheduling (JRD) problem in which a central warehouse serves n-retailers in the presence of vague operational conditions such as ordering cost and inventory holding cost. In the proposed fuzzy set-based approach, an exact membership function is not assumed and instead can be approximated using piecewise linear functions based on alpha level sets because of their easy handling and efficiency. Subsequently, the fuzzy total cost is defuzzified by the widely used signed distance method to ranking fuzzy numbers. However, due to the JRD's difficult mathematical properties, efficient and effective solution procedures for the problem have eluded researchers. To find an optimal solution, an effective and efficient differential evolution (DE) algorithm is designed. After determining the appropriate parameters of the DE by parameter tuning test, the effectiveness of the DE is verified by numerical examples. We compare the DE with the available best approach and results show that DE can solve this non-deterministic polynomial hard problem in a robust way with a high convergence rate and low average error.