基于PSO的管道泄漏模型反问题求解及敏感性分析

为了解决管道泄漏检测与定位问题,采用基于粒子群算法的管道泄漏模型反问题方法求解泄漏点大小和位置,得到该方法在管道参数波动情况下的鲁棒性结果,对管道参数波动进行敏感度分析.由于管道泄漏模型采用偏微分方程描述,给出该模型求解的初始条件和边界条件,根据这些条件和已有实验平台仿真泄漏模型的稳态和动态状况.基于管道泄漏模型,对达西-威斯巴哈摩擦系数f和泄漏小孔的流通系数C1进行敏感度分析.在人为地增加参数扰动后,采用粒子群算法进行反问题求解.从搜索结果可以看出,参数的敏感性越强,粒子群算法对参数的鲁棒性越弱.     

基于双种群的动态交换策略的粒子群优化算法

提出了一种基于双种群的动态交换策略的粒子群优化算法.该算法将初始种群划分为两个子群P1和P2,而P1和P2遵循不同的寻优机制,然后通过对个体极值(pBest)和全局极值(gBest)的选取进行调整,并在迭代过程中动态的交换两个子群的个体,从而能够更好的完成多目标优化算法对于Pareto front 的搜索和逼近.通过对标准测试函数的实验,证明了该算法的可行性和有效性.     

一种改进的粒子群优化算法在智能组卷系统中的应用

本文提出了一种改进的粒子群优化算法,并将其应用于智能组卷系统。设计智能组卷算法的数学软件模型,并且改进传统的粒子群优化算法惯性权重为非线性形式。为了验证这一算法,进行了计算研究。结果证实,此算法能够成功应用于智能组卷,组卷成功率高于遗传算法和传统的粒子群优化算法。     

基于粒子群优化算法的能源需求预测

鉴于能源系统是一个复杂的非线性系统,故本文引入解决非线性及高维模式问题具有较高精度的粒子群优化算法(PSO),以各影响因素标准化值作为输入变量,建立了基于PSO的线性和指数两种形式的能源需求预测模型.对我国2000-2011年能源需求量进行模拟与仿真,得到两模型预测精度分别为0.824%和0.568%,证明指数预测模型具有较高的精确度.并利用PSO指数模型对我国2015年能源需求量进行预测,得出在未来几年能源需求量将以平均每年7.48%左右的速度增长.     

一种基于优胜劣汰的多粒子群替代优化算法的设计

微粒群算法是一种新颖的优化算法,已成功应用于许多优化问题,但该算法容易陷入局部极值.针对这种缺陷,提出了一种基于优胜劣汰的多粒子群替代算法,该算法先通过多个种群彼此独立地搜索解空间,增强全局搜索能力;各种群每次进化完成后,核心种群中的最差微粒与其他种群的最好微粒互相替代.通过对3种常用测试函数进行测试和比较,结果表明该算法比标准微粒群算法具有更低的平均最好适应值,可快速收敛到全局最优解,优化效率明显提高.     

基于虚拟样本优化选择的城市固废焚烧过程二噁英排放浓度预测

城市固废焚烧(municipal solid waste incineration, MSWI)过程排放被称为"世纪之毒"的二噁英(dioxins, DXN)类化合物.工业现场多采用长周期、高成本的离线方式检测DXN排放浓度,这导致用于构建其预测模型的样本数量极为稀缺.针对上述问题,提出基于虚拟样本优化选择的MSWI过程DXN排放浓度预测建模策略和相应建模方法.首先,在对原始小样本数据进行离群点剔除、输入输出匹配等预处理的基础上,结合过程特性和机理知识进行特征选择以获得约简小样本.其次,基于领域专家知识和整体趋势扩散技术对约简小样本的输入/输出域进行扩展.然后,基于机理知识和插值算法生成虚拟样本输入,再基于约简小样本构建的映射模型获得虚拟样本输出,并结合扩展的输入/输出域对其进行删减以获得候选虚拟样本.接着,基于粒子群优化(particle swarm optimization, PSO)算法对候选虚拟样本进行优选.最后,采用优选虚拟样本与约简训练样本组成的混合样本构建预测模型.结合某焚烧厂的DXN数据验证了所提方法的有效性.     

双目标动态迁移操作DE-PSO混合算法

针对非线性约束优化问题的特殊性,给出一种求解非线性约束优化问题的动态目标迁移DE-PSO混合算法.在初始化中加入迁移操作,采取动态目标的处理方法,将约束优化问题转化为无约束双目标优化问题.依据原目标函数、违反约束度函数进行选择操作,先通过改进差分进化算法对种群进化,对违反约束度在容忍度以外的个体再采用改进的粒子群优化算法进化,并用采用一组经典的测试函数进行测试.DE-PSO混合算法具有精度高、稳定性好的特点.     

基于PSO算法的神经网络集成构造方法

为合理选择组成神经网络集成的个体,使各个体间保持较大的差异度,从而提高集成所建模型的仿真精度,提出一种新的神经网络集成构造方法.独立训练出一批神经网络,采用离散粒子群优化(PSO)算法,用多维空间中0或1取值的粒子描述所有可能的神经网络集成.网络集成预测误差的估计值用组成集成的个体网络之间的相关度表示,并作为优化过程中的适应度函数.优选得到参与构成神经网络集成的部分差异度较大网络个体.对8个典型数据集回归问题的实验结果表明,该方法构造的神经网络集成普遍使用了较少的网络个体,而预测精度均好于Bagging方法等传统方法.     

基于IC-PSO和ISM的反馈控制算法设计

为了提高光纤偏振模色散(PMD)补偿系统的动态自适应补偿能力,提出了用改进粒子群优化(PSO)算法作为搜索算法,用改进单纯形法(ISM)作为跟踪算法的反馈控制算法设计方案,从而实现对PMD补偿单元的动态调整。在PSO算法中,引入免疫克隆(IC)原理提高了搜索算法的全局优化能力;对SM的反射操作和扩张操作进行改进,从而提高算法的收敛速度;用映射操作代替原有的顶点代换操作,从而使单纯形在迭代过程中不发生退化现象。实验结果证明了该算法用于PMD补偿系统的有效性和可行性。     

基于粒子群优化的混合宇宙大爆炸算法

宇宙大爆炸算法(Big Bang-Big Crunch,BB-BC)思想来源于宇宙大爆炸和大收缩理论.针对其在高维函数的寻优过程中,随迭代次数增加,爆炸生成的碎片解收缩速度慢,多样性快速减弱,质量变差,容易陷入局部最优解的缺点,提出一种混合型BB-BC算法(HBB-BC).首先,将质心代入当代解中作为奇点解进行改进,提高算法收缩速度;其次,结合粒子群优化的路径优化,提高碎片解的质量;最后,引入宇宙大撕裂理论增加大爆炸阶段碎片解的多样性和跳出局部最优解的能力.通过9个新型测试函数进行测试,测试结果显示,HBB-BC算法在高维函数的寻优性能上更优于BB-BC算法和另一种改进的均匀大爆炸混沌大收缩(UBB-CBC)算法.     

基于粒子群优化算法的社交网络可视化

为了使用户快捷、清晰地发现及研究微博用户之间的关系,提出基于粒子群优化(PSO)算法的微博数据可视化方法.根据用户在微博中的影响力将用户分为n层,以此来表示用户在网络中对信息的传播影响力的等级.基于数据的关联关系对数据进行子群划分;基于粒子群优化算法,设计目标函数,使粒子群优化算法适应社交网络的布局要求.为了进一步增强可视化效果,降低视觉复杂度,采用曲线代替直线,应用传输函数设置不透明度以及交互的可视化技术.实验结果表明,该方法可以形成清晰的可视化结果,以便更好地分析微博用户之间的关系.     

积分过程的PID控制器智能优化设计

针对积分时滞过程,采用微粒群优化(PSO)算法对比例-积分-微分(PID)控制器的参数进行优化设计.通过将PID控制器的参数设置为群体微粒在参数空间中的位置,模拟群体智能和动物觅食的动态行为来对PID参数寻优,使代表PID控制器参数的微粒逐渐向最优区域移动,获得最佳的PID参数.在优化过程中采用了偏差平方积分(ISE)的优化指标.实例仿真结果表明,基于微粒群算法优化得到的PID控制器不仅响应速度快、超调量小、抗干扰能力强,而且对过程时滞的变化具有较强的鲁棒性.     

基于PSO算法的电力系统稳定器参数优化

针对电力系统稳定器的参数优化问题,提出一种基于微粒群优化算法的整定方法。算法选择Δω作为输入信号,以ITAE指标作为微粒群优化算法的目标函数,对电力系统稳定器增益Ki和时间常数T1i、T3i三个参数进行优化设计。仿真结果验证了算法的有效性和优越性。     

PSO算法在油船双底结构优化设计中的应用研究

为了研究粒子群优化(PSO)算法用于解决大型复杂结构的优化设计问题的有效性,分别采用基本PSO算法、标准PSO算法与遗传算法(GA)对某一大型油船双层底结构优化设计问题进行了求解.优化过程中双层底结构的响应分析计算过程采用正交异性组合板理论实现.将这3种优化算法的计算结果进行对比分析表明,与基本PSO算法和GA算法相比较,标准PSO算法的收敛速度最快,且能够获得该问题的全局最优解.研究结果表明,基本PSO算法可有效应用于解决如船体双层底等大型复杂结构优化设计问题.     

基于PSO算法的公路养护决策优化研究

针对公路养护决策中存在的问题,以路面养护为例,借助LDR指数建立养护决策模型,利用粒子群优化算法(PSO)决策模型,对不同路面条件下公路养护决策进行优化分析。研究成果将对公路养护提供决策支持,并提出利于公路养护资金优化的方法。     

改进粒子群算法的工业机器人几何参数标定

针对传统粒子群(PSO)算法在解决工业机器人几何误差标定问题中存在的收敛速度慢的缺点,提出了一种基于两段式的动态粒子群算法(LDPSO-BT)。用Denavit-Hartenberg方法建立工业机器人的误差模型,将几何误差标定问题转换成对高维非线性方程的求解;对粒子群数目进行线性递减,同时针对算法求解过程中粒子数目线性递减的特点,在改进粒子群算法迭代后期采用改进的搜索模式,对传统粒子群的速度迭代公式进行改进;仿真实验对比了工业机器人几何误差标定前与标定后两种算法的末端定位精度。实验结果表明:在采用粒子群算法辨识工业机器人实际几何参数的过程中,粒子群数目对算法的迭代时间有重要影响,通过线性递减的方式减少粒子群的粒子数目可以有效地减少工业机器人几何误差标定时间,同时在粒子群算法迭代后期采用改进的速度迭代公式可以确保收敛精度。与传统粒子群算法相比,使用改进后的粒子群算法,不仅可以有效减少工业机器人的定位误差,而且还拥有更高效的迭代效率。     

一种新颖的人工鱼群算法

为了克服基本人工鱼群算法(AFSA)收敛速度慢、求解精度不高和易陷入局部最优的不足,提出了一种新颖的人工鱼群算法(AO-AFSA).该算法结合人工鱼与粒子群(PSO)中的粒子都具有个体学习能力和社会学习能力,模拟粒子群中粒子的速度位置更新公式去分别修改人工鱼群算法中人工鱼的觅食行为、聚群行为、追尾行为的更新公式.并采用5个典型的测试函数进行仿真实验,分析算法的寻优精度、收敛速度以及稳定性.测试结果表明改进后的算法能够较快地收敛至全局较优解,有更强的稳定性,并具有较好的寻优性能.     

一种基于QPSO和WLS-SVM的智能方法

提出一种基于量子粒子群优化算法(QPSO)和加权最小二乘支持向量机(WLS-SVM)的智能方法,以克服常用方法存在需要较大样本数据量、建模速度较慢差等缺点.方法的具体改进是,将SVM中单一核函数构造成混合核函数,增加自适应权重,采用QPSO算法求解WLS-SVM训练模型中的线性方程组,这样能提高模型的性能.经过典型的二型糖尿病诊断实验,结果表明其建模速度快、诊断准确率高,其效果优于改进BP算法神经网络、LM算法神经网络和单核函数的SVM等方法.     

基于气动人工肌肉的仿人机器人膝关节设计与控制

考虑气动人工肌肉的功率/质量比与柔性优势,研究其在仿人机器人下肢结构中的应用.首先分析人体下肢生理结构及功能映射,进行膝关节的结构设计;其次,采用H鲁棒控制理论,设计了膝关节运动角度控制器,以及基于反馈线性化原理的气动肌肉气压控制器;最后,搭建关节运动控制实验平台,并进行验证性实验研究.结果表明,所设计的气动关节能完成大腿-小腿相对转动90°的运动要求,关节轨迹跟踪稳态误差小于4%.