遗传粒子群算法在测试节点优选中的应用

测试节点优化是电路板测试诊断设计优化过程中的一个基本问题,属于经典的N-P难题,但目前用于测试点优化的算法存在搜索速度慢、不收敛等问题,因此提出一种基于遗传粒子群优化算法.该方法通过建立电路测试节点的"故障-测试"矩阵,用遗传算法对数学模型进行优化,并采用粒子群算法搜索实现了快速求解.与传统方法相比较,该方法搜索速度快,优化效果明显,已在工程实践中得到应用.     

基于改进二进制粒子群算法的LFSR种子优化方法研究

为降低BIST测试功耗,采用一种改进的二进制粒子群算法对LFSR种子进行优选,使测试图形的长度得到减小进而降低了测试功耗;以ISCAS’85 benchmark电路作为测试对象,同时用粒子群算法和模拟退火算法进行实验,通过对比结果证明了该方法简单有效,可以在不增加硬件开销的情况下大幅度降低BIST测试功耗。     

基于E占优NSGA-2的测试优化选择方法

为解决测试不可靠条件下的测试选择问题,对测试不可靠条件下的测试优化选择问题进行研究.将该问题还原为多目标问题来分析,以虚警率、测试数量、测试成本为目标,以故障检测率、隔离率为约束条件建立了问题的数学模型.以贝叶斯网络测试性模型为基础,利用提出的E占优NSGA-2算法求解该问题.利用该方法对某装备开展测试优化选择设计,并与NSGA-2算法、HBPSOGA算法进行对比,验证了该方法的有效性与实用性.     

不可靠测试条件下基于多目标粒子群的测试优化选择方法

针对测试条件下多目标优化的问题,提出一种在不可靠测试条件下的测试优化选择方法.通过对测试优化选择过程进行分析,建立多目标优化的数学模型,利用最大似然估计法得到故障测试样本参数信息,采用E占优多目标粒子群算法选取最优解,并通过某导弹雷达组件实例验证了算法的有效性与可用性.结果表明:该方案可在兼顾所有因素的同时,着重关注漏检率因素.     

基于IBPSO 的模拟电路故障特征提取方法

针对有效采样点法提取故障特征时冗余信息多、易造成维数灾等问题,提出利用改进的二进制粒子群算法提取故障特征。研究粒子群优化算法和二进制粒子群优化算法的差异以及在故障特征提取方面存在的不足,通过改进群体极值的更新方式避免搜索结果陷入局部最优。以Sallen-Key带通滤波器为诊断实例,完成9类模拟电路故障模式的特征提取。结果表明:通过该方法进行特征提取可有效降低故障诊断模型的复杂性,与二进制粒子群优化算法相比,该方法在特征维度和诊断准确率上具有明显的优势。     

某交流伺服系统的免疫克隆粒子群优化自抗扰控制

针对采用永磁同步电机(permanent magnet synchronous motor,PMSM)驱动的某火箭炮位置交流伺服系统存在摩擦力矩、外界扰动等一系列复杂非线性问题,设计一种基于免疫克隆粒子群优化算法的自抗扰控制器(IPSO-ADRC).根据自抗扰控制(active disturbance rejection control,ADRC)抗干扰能力强和粒子群优化算法(particle swarm optimization,PSO)寻优能力强的特点,采用免疫克隆粒子群优化算法在线整定自抗扰控制器的重要参数;并将克隆选择算法(clonal selection algorithm,CSA)融入到粒子群算法中,维护群体种类的差异性,解决PSO算法的缺陷问题.仿真实验结果证明:该控制策略使系统的稳态性能更好,并能提升系统的动态品质.     

基于优先排序与粒子群优化的装备保障任务规划方法

针对装备保障任务规划过程中保障资源占用冲突及保障任务逻辑关系约束的实际问题,构建基于任务优先排序的解空间模型,并进一步提出基于优先排序与改进粒子群优化的装备保障任务规划方法。该方法将分解后的保障任务按照其重要性和逻辑顺序进行优先排序,并根据排序结果对粒子群优化算法得到的任务与资源匹配解空间进行调整,以解决资源占用冲突和逻辑顺序问题。为保证每次迭代后的粒子为可行解,提出不可行粒子的多维异步处理机制,提高了粒子群优化算法的搜索效率。通过实例应用仿真分析,验证了该方法在装备保障任务规划中的有效性和优越性。     

齿轮箱传感器优化布置研究

提出利用粒子群优化(PSO)算法解决齿轮箱故障检测中传感器优化布置问题的方法。在着重分析加速度传感器优化布置的模态置信准则后,构建了应用PSO算法解决此类优化问题的适应度函数。以齿轮箱有限元建模和模态分析结果为依据,以适应度函数作为评价目标,应用加速度自适应粒子群优化算法,实现了齿轮箱传感器的优化与定位。通过齿轮箱的试验模态分析和频响函数特性分析,证明了基于PSO算法的齿轮箱传感器优化布置方法是可行的。用优化后的6个测点布置传感器,故障诊断精度提高26.1%.     

基于故障树分析的复杂电子装备诊断策略优化实现

综合FTA方法在测试性和可靠性工程中的应用,对基于FTA的复杂电子装备诊断策略优化方法进行了系统研究.FTA使可靠性和测试性的关系透明化,分析过程中可以同时考虑可靠性和测试性因素,实现了"并行工程"的思想.该方法降低了诊断策略优化的难度,大大减少了电子装备的全寿命周期费用.     

基于蒙特卡洛仿真和并行粒子群优化算法的携行备件优化

为提高携行备件方案优化模型的准确性和求解的精确度,以遂行远海训练任务的舰艇编队为研究背景,针对优化模型的建立和求解提出了一系列改进措施。在传统优化模型的基础上,分析了虚警和串件拼修对备件的影响,建立了基于携行能力、备件成本、装备可用度、同型号装备群完好率等多约束条件的携行备件优化模型;利用粒子群优化（PSO）算法确定备件的优化配置,利用蒙特卡洛仿真法计算配置方案的保障效能;引入云格计算技术实现PSO算法的并行求解,从硬件性能上提高算法的全局寻优能力;将普通粒子转化为量子粒子实现解的多样化,减小了算法陷入局部最优的危险。案例分析证实了改进措施的可行性和有效性。     

基于混合粒子群优化算法的火箭弹内弹道优化设计

针对无控火箭弹的内弹道优化问题,以增加射程为目标,在发动机总冲恒定的约束条件下,分别建立了固体火箭发动机单室单推模式和单室双推模式的内弹道数学模型和优化模型,采用改进的混合粒子群优化算法,对固体火箭发动机的内弹道特性进行优化设计,求得了全局最优解。仿真结果表明,提出的混合粒子群优化算法具有较好的全局寻优能力和鲁棒性,是解决固体火箭发动机内弹道优化问题的有效方法; 设计的优化策略将某型122 mm无控火箭弹的最远射程提高了3.75%～4.45%,仿真结果对无控火箭弹的总体设计具有一定的理论指导意义。     

基于粒子群优化极限学习机的雷达识别方法

针对相控阵雷达识别的问题,提出一种基于粒子群优化极限学习机(PSO-KELM)的识别方法.在核函数极限学习机(kernel extreme learning machine,KELM)的基础上,引入粒子群优化算法(particle swarm optimization,PSO),求得核函数参数最优解,提高相控阵雷达识别准确率.通过构建雷达数据库,使用粒子群优化极限学习机的方法对不同噪声情况下的雷达数据进行识别,并与核函数极限学习机、核函数支持向量机(kernel support vector machine,KSVM)和半监督式迁移学习(semi-supervised and transfer learning,SSTL)的方法进行对比.仿真结果表明:在不同雷达种类和不同噪声情况下,该方法识别准确率均高于其他方法.     

基于改进粒子群优化算法的网络化仿真任务共同体服务选择

作为网络化仿真中新的应用需求,如何动态地把散布在网络上各种服务整合起来以形成新的、满足不同用户需求的仿真任务共同体(STC)成为了当前研究热点。提出了一种基于粒子群优化（PSO）算法的仿真服务选择方法,针对传统PSO易陷入局部最优和收敛速度慢等不足,设计了一种惯性权重动态变化策略和一种可选的变异操作方法。该算法不仅能提高服务选择收敛速度,还能避免算法陷入局部最优。通过实验,采用典型函数进行了测试,并详细介绍了算法在STC服务选择上的实际运用,说明了算法的可行性和有效性。     

基于粒子群优化的某车载火箭炮自抗扰控制

针对车载火箭炮行进间的PID 控制方法存在动态性能的限制,提出一种自抗控制器的设计。针对自抗扰 控制器(active disturbance rejection control,ADRC)模块中存在众多且不便确定的参数这一问题,利用粒子群优化算 法(particle swarm optimization,PSO)较强的寻优能力,对扩张状态观测器的参数进行优化,并优化控制系统。仿真 结果表明：基于该控制方法的伺服系统稳定性显著提升,提高行进间火炮的控制精度与动态性能。     

基于粒子群优化的再入可达区计算方法研究

针对升力式高超声速飞行器再入可达区计算问题,提出了一种粒子群优化（PSO）和倾侧角反转相结合的混合求解方案。为了减小待优化变量的搜寻空间,设计了一种参数化的倾侧角剖面,利用约束PSO算法求解满足再入过程约束和末端约束的最优滑翔轨迹。通过倾侧角正向和逆向反转逻辑直接生成倾侧角指令集合,进而实现高超声速飞行器再入可达区的快速估算。高升阻比再入滑翔飞行器CAV-H仿真实例表明,该混合优化求解方案易于实现且无需预估参数初值,具有良好的可操作性。     

胶泥阻尼器粒子群法参数优化

为满足阻尼器在设计中最大过载和缓冲距离的需求问题,运用粒子群法对胶泥阻尼器各参数进行优化。 建立胶泥阻尼器冲击动力学模型,确定阻尼器各参变量关系,构造含有最大加速度和缓冲距离两设计指标的适应度 函数,采用粒子群算法对胶泥缓冲器进行多参数优化,得出系统最优解,确定各参数数值。结果表明：该方法对胶 泥阻尼器结构尺寸设计中如何避免最大位移和加速度两要素的矛盾,迅速确定各参数有实际意义。     

基于改进粒子群算法的野战油库选址优化

针对标准粒子群算法容易陷入局部最优,提出了改进粒子群算法;对粒子的自适应性和惯性权重进行改进,建立了野战油料选址模型;通过仿真,发现改进粒子群算法克服了标准粒子群算法容易陷入局部最优的问题,且寻优能力强,对部队的野战油库选址具有指导作用。     

基于遗传粒子群算法的底排参数优化

为优化底排装置结构和药柱燃速系数,以某型底部排气弹为例,分析确立了设计变量和目标函数,综合遗传算法和粒子群优化的优点,设计了遗传粒子群优化算法,结合建立的底排内外弹道模型,构建了基于GA-PSO的底排参数优化模型。算例中优化方案能增加底排弹的减阻率,底排工作时间延长9.56 s,落点存速增加6.01 m/s,最大射程增加1 892.95 m,增幅5.02%。该文设计的GA-PSO具有较好的稳定性和较快的收敛速度,优化模型可以为底部排气弹底排装置的设计提供参考,也可以作为其他相似寻优问题的基本模型。