桁架结构形状优化的粒子群优化算法

为解决有应力约束、几何约束以及局部稳定性约束的桁架结构的形状优化设计,将粒子群优化(PSO)算法应用于桁架结构的形状优化设计.首先详细介绍了原始PSO算法的基本原理,然后引入压缩因子改进了原始的PSO算法,并提出了合理的参数设置值.优化计算过程中,综合考虑了节点坐标和截面面积等两类不同性质的设计变量.最后对几个经典问题进行了求解,并与传统的优化算法进行了比较.数值结果表明,改进的PSO算法具有良好的收敛性和稳定性,可以有效地进行桁架结构的形状优化设计.     

粒子群优化算法在桁架优化设计中的应用

粒子群优化(PSO)算法是近年来发展起来的一种基于群智能的随机优化算法,具有概念简单、易于实现、占用资源低等优点.为了解决有应力约束和位移约束的桁架的尺寸优化问题,将PSO算法应用于桁架结构的尺寸优化设计.首先介绍了原始的PSO算法的基本原理,然后引入压缩因子改进了PSO算法,并提出合理的参数设置值.对几个经典问题进行了求解,并与传统的优化算法和遗传算法进行了比较.数值结果表明,改进的PSO算法具有良好的收敛性和稳定性,可以有效地进行桁架结构的尺寸优化设计.     

基于粒子群优化的结构系统识别

研究了使用粒子群优化(PSO)算法进行结构系统识别的方法,该方法的基本思想是将结构系统识别问题描述成一个多峰值非线性非凸的优化问题,通过PSO算法发现系统参数的最优估计。利用该方法在输入输出数据不完备且噪声污染条件下,同时在没有系统质量、刚度等先验信息的情况下对结构系统进行了识别,并与基于遗传算法(GA)的结构系统识别方法进行了比较。数值算例及比较结果表明:PSO方法易于实现且计算时占用资源低,并可以成功地对结构系统进行识别,识别效能十分优越。     

一种基于多种群分层的粒子群优化算法

为解决粒子群优化(PSO)算法收敛速度慢,易于早熟的不足,采用控制理论的分层思想,提出了多种群分层PSO算法(HSPPSO).在第1层采用多种群粒子群并行计算.第2层把每个种群看成一个粒子,种群的最优值作为当前粒子的个体最优值,进行第2层粒子群优化.并把优化结果返回到第1层.在PSO算法的运行过程中,对有集聚倾向的粒子进行速度变异处理,重新初始化速度.最后对4个典型的测试函数进行了测试,研究结果表明,与基本微粒群算法比较,作者提出的算法提高了算法的收敛速度和收敛精度,改善了算法的性能.本算法对大规模系统的优化问题求解提供了一个新的思路.     

基于粒子群优化的PID伺服控制器设计

针对耦合和非线性永磁同步电机（PMSM）控制器优化设计的难题,提出了基于粒子群优化（PSO）算法的比例、积分和微分(PID)控制器的优化设计方法.结合PSO的基本原理和PMSM伺服系统的控制策略,给出了优化PID控制器设计的步骤.考虑到综合评价系统的各项性能指标,在优化过程中引入了新的模糊汉明距离的评价策略.同时对遗传算法（GA）和PSO算法优化结果进行对比研究.仿真和实验结果表明,该方法能搜寻到最优或次最优的参数空间,并能取得比GA更好的空间解.优化得到的PID控制器速度响应快、超调量小,有效地提高了伺服系统的动态性能.     

结构特征分级有限元分析及优化

提出结构分级有限元分析及其优化设计,对于大型复杂结构的优化设计有指导意义.该方法解决了复杂结构有限元自由网格划分单元畸形问题,减小了计算规模,提高了计算效率.结构分级方法以部件特征为研究对象,在优化过程中减少了设计变量,避免了不同数量级的尺度出现在一个数学模型中,提高了收敛速度.本文以某型号刮板输送机输煤槽为例,进行有限元分析和优化设计.数值计算结果表明,应用该方法设计的刮板输送机输煤槽取得很好的效果,提高了结构强度,改善了应力分布,减轻了重量,提高了经济效益.     

神经网络在GPS高程拟合中的应用

讨论利用遗传算法(GA)、粒子群算法(PSO)来优化BP神经网络权值和阈值的原理;结合平坦地区的工程实例,研究二次曲面、BP、GA-BP与PSO-BP 4种拟合模型在GPS高程拟合中的应用.拟合结果表明:PSO算法优化BP神经网络精度效果优于GA算法优化BP神经网络精度,拟合误差更小.     

基于PSO的结构可靠度及随机变量敏感性分析

从Hasofer-Lind可靠指标的几何意义入手,建立可靠指标的优化模型,提出采用计算效率高、并能获得全局最优解的粒子群优化算法(PSO)对可靠指标优化模型进行求解,并根据优化收敛过程中随机变量候选解的统计特性,提出了可靠度计算中随机变量敏感性分析的新方法.结果表明,采用PSO求解可靠指标优化模型,方法简单,无需求解偏导数且无需给出初始迭代点,提高了计算效率,对多变量极限状态方程复杂的情况求解可靠指标尤为适用,在优化过程中同时得到随机变量敏感性分析结果.     

软件确保智能测试用例生成PSO算法进展研究

测试用例生成是软件测试的重要环节,是软件确保的重要组成部分,其中启发性算法是近年来测试用例自动生成研究领域的热点。对启发性测试用例生成的新方法PSO进行了介绍和分析,详细讨论了PSO算法适应度函数、PSO算法早熟与局部最优、种群规模对PSO算法的影响以及PSO参数优化问题,并将PSO与GA算法进行了对比分析。展望了PSO测试用例生成算法的未来研究方向,指出PSO测试用例生成算法目前应重点解决测试用例规模优化、早熟抑制和参数优选等问题。     

基于粒子群优化算法的高阶累积量滤波器

基于高阶累积量(HOC)的自适应滤波器能够滤除高斯噪声或其它具有对称概率分布函数的噪声,其解法一般采用的是梯度搜索法,但是梯度搜索过程难以避免局部收敛而且计算复杂.粒子群优化算法(PSO)具有算法简洁,易于实现,且不需要梯度信息等优势.使用粒子群优化算法求解高阶累积量自适应滤波器系数优化问题,为滤波器参数的优化提供了一种新的思路.仿真结果表明,使用PSO优化算法求解自适应滤波器系数能获得更高的精度.同时PSO算法受系统跃变的影响较小,因此它在求解非平稳过程模型系统时具有一定的优势.     

基于PSO-DE算法的分布式光伏优化配置研究

为解决分布式光伏电源接入配电网的优化配置问题,提出一种基于粒子群和差分进化的PSO-DE算法,同时构建了包含网损最小、投资成本最低、电压质量最优的无偏好多目标分布式光伏选址定容综合优化模型。首先对差分进化算法的变异过程进行改进,然后利用粒子群算法对差分进化算法中的缩放因子和杂交因子进行优化,采用标准测试函数对PSO-DE算法进行测试和参数敏感度分析,验证了算法的客观性和稳定性;并利用无偏好可变权重对多目标模型进行处理;最后以分布式光伏选址定容优化的实际应用为例,并与其他算法对比,验证了模型和算法的有效性和实用性。     

改进PSO算法及其在函数优化中的应用

针对微粒群算法PSO（Particle Swarm Optimization）应用于函数优化存在的问题,提出一种加入了梯度信息改进的微粒群算法。微粒群算法用于函数的优化,具有简单、效果好等优点。但是研究也表明该方法也存在着一些缺点,如计算时间较长、容易陷入局部最小等,这是由于算法本身的随机性决定的。梯度法是传统的优化方法,典型的特征是在确定优化解的方向时遵循梯度下降原则,因此在寻找优化值时方向比较确定,可以减少优化时间。为了克服PSO的缺点,在标准PSO优化策略中引入梯度原则,设计了一个具有梯度指导的PSO算法。现将改进的PSO算法应用于函数的优化,并与标准PSO算法的效果进行了比较。函数优化实验的结果表明,改进的PSO算法提高了标准PSO算法的收敛时间。     

基于细菌趋化的改进粒子群算法在无功优化中的应用

粒子群算法在电力系统无功优化中已经得到了广泛的应用,但是传统粒子群算法易陷入局部最优、后期多样性差,得不到最优解。在原有无功优化数学模型的基础上,引入了基于细菌趋化的粒子群改进算法。通过算例表明,该算法可以有效地克服以上缺点,优化计算结果。     

一种基于神经网络和参数优化的隐式广义预测控制

提出一种基于神经网络和参数优化的预测控制方法。首先利用带有动量项的改进BP神经网络辨识系统模型,在辨识过程中使用粒子群算法(PSO)对改进BP网络的初始权值/偏置、学习率、动量系数等辨识参数进行学习优化,解决这些参数的取值问题;然后将辨识得到的模型用于隐式广义预测自校正控制中,使用遗传算法(GA)对控制过程进行优化,寻找最优的控制参数(预测时域、控制时域、控制加权系数、柔化系数)。将该方法应用在热工系统中,仿真结果表明了方法的有效性。     

基于改进粒子群算法的主汽温系统PID参数优化

应用改进的粒子群优化算法优化PID参数。采用动态变量区间以逐步缩小搜索区间，加快粒子群寻优速度，并且针对粒子群算法可能出现的停滞现象，引入了重新启动策略，改善了算法摆脱局部极点的能力。通过对具有严重参数不确定性、多扰动以及大迟延的电厂主汽温被控对象的仿真研究，结果表明：改进的粒子群算法寻优速度快，计算量小，对PID参数优化是非常有效的，使得主汽温控制系统取得了很好的控制品质，系统鲁棒性比较强。     

轿车侧碰中车门抗撞性的快速优化

针对汽车侧面碰撞时吸收能量的重要部件——车门结构,进行了快速抗撞性优化设计。将提高车门结构吸能量作为优化目标,选择主要部件的板厚为设计变量,建立抗撞性优化问题的数学模型。基于均匀试验设计方法快速合理地分布样本点。根据多项式响应面方法构造原优化问题的高精度近似模型。采用粒子群优化算法对近似模型进行优化设计。优化结果证明了本文提出的快速抗撞性优化设计方案的可行性及有效性,对车辆被动安全分析具有较高的工程应用价值。     

Trajectory Optimization Design for Morphing Wing Missile

This paper presents a new particle swarm optimization (PSO) algorithm to optimize the trajectory of morphing-wing missile so as to achieve the enlargement of the maximum range. Equations of motion for the two-dimensional dynamics are derived by treating the missile as an ideal controllable mass point. An investigation of aerodynamic characteristics of morphing-wing missile with varying geometries is performed. After deducing the optimizing trajectory model for maximizing range, a type of discrete method is put forward for taking optimization control problem into nonlinear dynamic programming problem. The optimal trajectory is solved by using PSO algorithm and penalty function method. The simulation results suggest that morphing-wing missile has the larger range than the fixed-shape missile when launched at supersonic speed, while morphing-wing missile has no obvious range increment than the fixed-shape missile at subsonic speed.     

基于粒子群算法的ANFIS模型参数优化

粒子群优化算法是一类全局随机进化算法,算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。根据粒子群算法对整个参数空间进行高效并行搜索的特点,提出了最小二乘法和粒子群优化算法相结合的混合学习算法对自适应神经-模糊推理系统网络结构参数进行优化设计。混合学习算法提高了网络参数辨识的收敛速度,仿真结果表明本算法的有效性。     

基于小世界网络的PSO算法在电力系统中的应用

针对发电机的阀点效应,电力系统机组优化组合属于复杂的具有混合型变量的组合优化问题,基于小世界网络(Small World Network,SWN)的邻域模型构造,最优化原理和基本粒子群算法(ParticleSwarm Optimization,PSO),以24个时间段所有机组总耗量最小为目标函数,建立了发电机组优化组合的数学模型.提出了将"平均最短路径小,聚集系数大"的小世界网络邻域结构引入到粒子群算法中,以机组的输出功率作为粒子的位置,给出了算法的具体实现方法.在10机系统中分别采用了SWN-PSO算法和遗传算法进行了仿真计算.算例结果表明:所提出的算法不仅有利于粒子之间的信息共享,并且可以更快、更准确地收敛到全局最优解,具有一定的实用性.