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。     

基于改进果蝇优化BP神经网络的磨矿粒度软测量

针对磨矿过程中磨矿粒度实现在线实时测量难度较大,仅能通过事后化验,具有较大的滞后性的问题,引入一种线性生成机制(LGMS)、混沌搜索、粒子群优化算法(PSO)和变邻域搜索算法(VNS)修正果蝇算法(IFOA),然后利用IFOA良好的搜索全局最优解的能力自适应地调整BP网络的权值和阈值建立磨矿粒度在线软测量模型。最后以某公司样本数据为例进行仿真验证,结果表明其鲁棒性和测量精度明显提高,且网络具有较强的收敛性能。     

免疫混沌粒子群算法及其在热工辨识中的应用

提出了一种基于免疫和混沌的改进PSO算法(ICPSO),该算法利用了混沌优化的多样性,结合免疫的克隆和交叉变异的原理来初始化和更新粒子群。仿真实验表明,相较于传统的PSO有收敛速度更快、精度更高、不易陷入局部最优的优点。最后采用ICPSO算法对两个典型函数的无约束极值问题和典型二阶传递函数模型辨识问题进行求解,验证了其收敛性和摆脱局部极值点的能力明显优于基本PSO算法。     

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。     

基于PSO的神经网络机械臂自校正控制

粒子群优化算法(PSO)基于群体的演化算法,本质上是一种随机搜索算法,并能以较大概率收敛到全局最优.针对非线性机械臂系统,利用径向基函数(RBF)神经网络和PID控制器作为混合控制器,运用PSO算法对神经网络参数进行在线学习优化,同时在PID控制器的辅助下对机械臂系统进行在线自校正控制.计算机仿真表明,该控制器具有较高的控制精度和响应速度,可以满足机械臂工作要求.     

基于试飞数据的航空发动机部件特性修正

研究了一种发动机部件特性修正方法,提出通过对相似发动机结构的通用稳态模型与试飞数据相匹配来获取专用发动机稳态模型。通过对发动机模型的分析,使用优化算法对各部件特性的流量、压比、效率等参数进行调整,经过修正后的仿真模型在设计点及非设计点的输出与试飞数据的相对误差小于2%,计算精度可满足工程需要。在参数优化方法上比较了粒子群算法(PSO)与进化粒子群算法(EPSO),结果表明,EPSO算法在收敛速度和精度上比PSO算法更为优秀,在处理多变量复杂问题时有较好的寻优能力。     

基于贝叶斯网络的复合双轴转台精度推理研究

为精准预测复合双轴转台精度，分析了多因素对系统精度影响规律。利用复合双轴转台统计系统实验数据，学习构建以内轴精度、外轴精度、自准直精度和待检编码器精度为主要节点的贝叶斯网络结构；在Netica中建立系统精度推理模型，并通过证据敏感性分析和平均绝对误差(MAE)分析验证贝叶斯网络(BN)模型的有效性；运用自学习贝叶斯网络的概率推理，分析主要目标节点各变量的后验概率变化，对系统精度变化规律进行原因诊断和支持解释。研究结果表明：复合双轴转台精度自学习BN模型能够实现系统精度准确推理预测，系统精度超差的MAE值基本稳定在5%以内，且角度间隔0.125°和时间间隔20 s为系统最优控制参数，为贝叶斯网络技术在复合双轴转台精度推理中的应用提供了参考。     

基于Powell-PSO混合算法的铲运机正转六杆机构优化设计

通过分析铲运机工作要求,建立了铲运机正转六杆机构的数学模型。综合Powell法和微粒群算法(PSO)的优点,提出了一种适合该模型的Powell-PSO混合算法,并运用MATLAB编程实现。测试结果表明:Powell-PSO混合算法不仅克服了Powell法对初始值的依赖,改进了微粒群算法(PSO)对该类复杂问题收敛较慢的缺点,而且在计算效率和收敛精度之间达到一个较好的平衡。由设计结果利用ADAMS进行仿真,结果表明利用该算法优化后的工作装置在整个工作过程中很好满足卸载性、自动放平等铲运机的设计要求,特别是很大程度提高平移性。     

基于PSO优化RBF神经网络的反应釜故障诊断

针对单一径向基函数(RBF)神经网络在反应釜故障诊断中泛化能力不足的缺点,设计了基于粒子群(PSO)算法优化的RBF神经网络。利用PSO算法操作简单、容易实现等特点及其智能背景,对RBF神经网络的参数、连接权重进行优化,并用经PSO算法优化的RBF神经网络对反应釜故障进行仿真诊断。仿真诊断结果表明,PSO算法优化的RBF神经网络具有较好的分类效果,较RBF诊断模型精度高、收敛快,具有推广应用价值。     

基于贝叶斯网络的多状态系统可靠性建模与评估

利用贝叶斯网络(Bayesian network, BN)的不确定性推理和图形化表达的优势,提出一种基于BN的多状态系统可靠性建模与评估的新方法,确定BN的结点及系统各元件的多个状态,并给出各状态的概率,进而用概率分布表(Conditional probability distributing, CPD)描述元件各状态之间的关系来表达关联结点的状态,建立多状态系统BN模型.该模型表达直观,能够清晰地表示系统和元件的多种状态以及状态概率,并能够根据元件多种状态概率直接计算系统可靠度,对多状态系统可靠性进行定性分析和定量评估.实例分析表明了应用BN方法进行多状态系统可靠性评估的有效性.     

新的求解钻削路径优化问题算法研究

将粒子群优化算法应用到离散空间的群孔钻削路径优化之中。由于基本粒子群算法不能保证全局或局部收敛,在算法数学模型的基础上,引入重新生成停止进化微粒的方式对算法加以改进,使改进的算法具有全局收敛能力。通过建立序交换元和序交换集对算法的操作算子进行改进,满足钻削路径优化问题中整数编码的需要。实验表明,新的算法具有实现简单,收敛速度快,能够实现全局收敛的优点。     

基于改进平衡优化算法的多无人机网络覆盖技术

针对通信受限区域网络覆盖优化问题,提出一种改进平衡优化算法,提高多无人机编队飞行网络覆盖率。分析无人机网络覆盖特性,对多无人机进行网络覆盖面积建模,完成无人机数量预估;采用随机反向学习机制生成平均初始种群个体,提高了平衡池候选解的样本分布;对候选解采用莱维飞行方法进行优化迭代,提高了算法的收敛速度;并引入非线性递减的变种群数量策略,动态调整平衡算法的粒子数量,有效地提升了算法的计算效率。设计算法仿真样例,仿真结果表明,所设计的改进型算法比传统的平衡优化算法迭代次数减小近50%,同时目标区域的网络覆盖率得到显著提升。     

一种自适应粒子群算法的小波神经网络优化

针对传统粒子群算法易陷入局部最优解的问题,提出了一种变权重粒子群算法.该算法通过引入交叉权重因子和粒子个体状态最优权值,对传统粒子群算法进行了优化,使粒子在移动过程中利用更多的信息来调整各自的移动方向,扩大粒子在运动过程中的自我认知范围,提高了粒子群算法的收敛精度和收敛速度.最后,利用改进的变权重粒子群算法对小波神经网络控制器进行优化,有效地验证了变权重粒子群算法的精确性.     

基于改进粒子群算法的车间作业排序的优化设计

兼顾车间作业排序中的制造周期和机器利用率,建立了以最小化最大完工时间为主目标、以最大化机器利用率为从目标的优化模型。设计了引入自适应技术的惯性权重,使基本粒子群算法的学习因子可动态变化地改进粒子群算法,并用该改进后的算法对车间作业排序进行了优化设计。实例研究表明：改进后的粒子群算法在收敛速度和收敛可靠性上均优于未改进的粒子群算法,在求解车间作业排序问题的应用中具有更高的求解质量。     

一种确定神经网络初始权值的新方法

针对BP神经网络对易陷入局部极小的缺点,结合粒子群优化算法(PSO)在全局搜索上的良好性能,提出了一种新的算法--PSO-BP混合算法.该算法先用PSO算法将BP网络的初始权值优化到全局极小点附近,然后用传统BP神经网络学习算法进行进一步优化,仿真表明:该方法很好地解决了BP神经网络对初始值敏感、易局部收敛的问题.     

基于粒子群遗传优化算法的多机器人任务分配研究

在粒子群优化算法中,引入遗传算法中的克隆算子和变异算子,提出了粒子群遗传优化算法,并将多机器人系统的任务分配问题转换为在多维解空间内寻找最优解的问题,利用粒子群遗传优化算法在此空间寻找最优解,以实现对多机器人任务的协调分配.算例仿真表明,粒子群遗传优化算法不但具有粒子群优化算法所具有的易于工程实现、计算效率高等优点,还克服了粒子群优化算法易早熟、粒子群整体收敛性差等缺点,能够解决多机器人任务分配问题.     

机电产品管路自动敷设的粒子群算法

基于粒子群优化算法提出一种机电产品三维管路自动敷设算法,该算法以预处理和优化搜索为基本框架。在预处理阶段,利用混沌技术,建立混沌栅格预处理模型。三维管路敷设空间经过混沌栅格预处理模型处理,可有效地降低管路自动敷设算法的求解复杂度。在优化搜索阶段,通过分析粒子群算法和人口迁移的特点,提出改进粒子群算法。改进粒子群算法针对粒子群算法收敛速度慢、容易陷入局部极小的缺点,提出子空间局部搜索、解空间全局搜索和补空间开拓搜索。基于混沌栅格预处理模型和改进粒子群算法,给出高效的管路自动敷设算法流程图。对比试验和改进粒子群算法的理论分析,表明该优化搜索算法具有较好的性能,并证明改进粒子群算法的收敛性。实例验证表明该算法的有效性和实用性。     

间歇过程PSO SQP混合优化算法研究*

针对SQP算法在求解具有复杂约束的间歇过程优化时容易陷入局部极值点的问题,本文提出一种PSO-SQP混合优化算法。该算法首先采用外点罚函数法将间歇过程有约束的优化问题转换为无约束的优化问题,利用PSO强大的全局搜索能力对其进行求解,并把搜索结果作为SQP搜索初始点,以此弥补SQP全局搜索弱的缺点,再利用SQP良好的局部收敛性和较强的非线性收敛速度对原优化问题进行精细搜索,弥补了PSO局部搜索弱的缺点,通过不断的迭代最终获得优化问题的全局最优解。该算法充分利用了SQP和PSO的优缺点,增强了其对复杂约束优化问题的求解能力。将本文提出的算法用于连续搅拌化学反应系统温度控制中,仿真结果表明产物浓度能够充分逼近期望值,且反应器的温度轨迹收敛,从而验证了该算法的有效性和实用价值。     

基于改进PSO的局部阴影下光伏阵列MPPT控制

光伏阵列在局部阴影情况下,其功率-电压曲线将呈现多峰值特征,针对传统粒子群算法在最大功率点跟踪时存在易陷入局部最优、收敛速度慢等问题,采用一种改进的粒子群算法,在粒子群算法中引入自适应调节的惯性权重和学习因子,使系统快速、精确地搜索到最大功率点。通过仿真验证了所采用的算法在不同阴影条件下能够提高收敛速度,快速追踪到最大功率点,避免陷入局部最优。     

应用粒子群算法的3-RPS并联机器人机构位置正解

根据杆长约束条件,给出求解3-RPS并联机器人机构位置正解的无约束优化模型,并应用粒子群算法求解此优化问题。该算法具有控制参数少,全局优化能力较强等优点。数字实例表明,对于并联机构位置正解问题,粒子群算法收敛速度较快,精度较高。