舰船固定磁性分解方法研究

针对消磁界中固定磁性分解的难题,提出了一种等效磁源拟合的方法.首先通过对磁源磁场垂向分量总和曲线的分析归纳出磁偶极子描述舰船磁场的先验知识,然后利用此先验知识确定拟合磁场所用磁源的数量及位置范围,并对磁源磁矩范围进行估计,最后以此作为约束条件利用遗传算法解算出磁源的参数,从而可以计算出舰船的固定磁场分量.仿真计算和船模试验的结果表明该方法能够比较好地搜索到磁偶极子的最佳组合方式及其位置和磁矩,可以用于舰船固定磁性的分解.     

基于微粒群算法的lp数据拟合及其应用

在动态测试数据处理中,常常要进行稳健回归分析和最小最大值回归分析,讨论了微粒群算法及其在lp数据拟合中的应用.微粒群算法通过多个粒子在解空间中根据自身的信息和群体的信息不断调整自己的位置进行寻优,在寻优过程中粒子间不断地进行信息交流,使得算法收敛速度很快,特别适合用于函数优化,从而能够在lp数据拟合中得到很好的应用.实例计算结果表明,该方法能够更准确地进行lp数据拟合,理论上可以以任意逼近真实值,从而减小了计算误差,并且有更快的收敛速度,可以快速收敛到全局最优解,因而具有一定的理论意义和现实意义.     

一种弱磁作用下铁磁物体感应磁场的计算方法

铁磁物体感应磁场的数值计算研究在舰艇消磁等领域具有重要的应用价值.针对弱磁作用下铁磁物体感应磁场计算的问题,根据均匀磁化体的特点,建立了基于单元表面积分的铁磁物体感应磁场模型.为了解决工程中铁磁物体磁化率难以确定的困难,从弱磁作用下铁磁物体的磁化特点出发,利用磁场垂直分量测最值建立了以单元磁化率为未知量的数学模型,并运用寻优能力强、速度快、易于求解多维优化问题的微粒群算法对磁化率数学模型进行了优化求解,进而用单元表面磁场积分法解算了铁磁物体的感应磁场.通过钢板计算实例中磁场测昔值和计算值的比较,表明该方法计算精度较高,能够较好地反映弱磁作用下铁磁物体的感应磁场分布,有一定工程实用价值.     

舰船通道布局优化模型及其粒子群算法

舰船通道有机的连接着舰船所有舱室,合理的布局可以提升舰船各个子系统的效能。利用设备布局理论与方法建立舰船通道布局优化多目标模型,选取战斗状态、损管状态、应急逃生状态和补给保障状态等4种状态下的人流物流成本最小为目标函数,基于计入权重的最小偏差法建立统一的目标函数,采用改进的粒子群算法对舰船通道布局优化模型进行求解。人流物流起止点之间最短距离的计算采用图论中的Floyd算法。最后给出一个舰船通道布局算例,验证了舰船通道布局优化模型的合理性,以及改进粒子群算法是一种求解舰船通道布局最优化问题的有效算法。     

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。     

基于分布式框架的并行PSO算法

在使用微粒群算法对大规模优化问题求解时往往需要大量的目标函数评价次数,从而耗费大量的计算时间,而分布式计算和通用计算图形处理器(General Purpose GPU)可以减少耗时.本文通过将微粒群算法在分布式框架下GPU并行计算实现,将粒子分到各个计算节点进行异步计算,而每个节点中的粒子实行同步进化,从而提高微粒群算法求解大规模优化问题的效率.实验方法采用5个标准测试函数进行测试,实验结果表明本文方法在在求解大规模优化问题时在计算效率上有了数倍至数十倍的提升.     

基于差异性激活方法的改进微粒群算法

针对标准微粒群优化算法的惯性权重系数采用固定或线性递减的方式无法有效解决粒子陷入局部最优解的问题及可能出现的停滞现象,引入以差异性为基础的激活方法对微粒群算法进行改进.在每次迭代时算法可以动态调整惯性权重参数及粒子的活性,从而促进粒子收敛至全局最优解.对6种典型函数的实验结果表明,引入本文的激活方法后,改善了微粒群算法的开发和探索能力,并提高了其收敛速度及精度,其中以非线性惯性权值递减策略的微粒群算法最为明显.     

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.     

基于模拟退火PSO的电力系统无功优化

对粒子群优化算法方法进行改进,把模拟退火机制引入到粒子群优化算法方法中,提出了基于模拟退火粒子群优化PSOSA(PSO with Simulated Annealing)算法,通过适当选择种群大小、调整惯性权重系数ω和退火系数C,以温度的缓慢下降来控制粒子的寻优过程,提高了粒子群优化算法的全局收敛性,改善了粒子的局部搜索能力.建立了以网损最小为目标的电力系统无功优化模型.通过对IEEE-30系统的无功优化计算,结果表明,PSOSA算法具有更好的全局收敛性和良好的搜索能力.     

微粒群算法在结构优化设计中的应用

结构优化设计对于实际工程具有重要的意义.通过对现有优化方法进行分析,将微粒群算法应用到结构优化设计中,提出了结构优化设计的微粒群算法,并建立了相应的优化模型.介绍了微粒群算法的基本思想、结构优化微粒群模型及其实施的具体步骤,最后通过一个算例验证了该方法的效率和有效性.结果表明该方法科学可行,具有很好的应用前景.     

Weak thruster fault detection for AUV based on stochastic resonance and wavelet reconstruction

When the bi-stable stochastic resonance method was applied to enhance weak thruster fault for autonomous underwater vehicle(AUV), the enhancement performance could not satisfy the detection requirement of weak thruster fault. As for this problem, a fault feature enhancement method based on mono-stable stochastic resonance was proposed. In the method, in order to improve the enhancement performance of weak thruster fault feature, the conventional bi-stable potential function was changed to mono-stable potential function which was more suitable for aperiodic signals. Furthermore, when particle swarm optimization was adopted to adjust the parameters of mono-stable stochastic resonance system, the global convergent time would be long. An improved particle swarm optimization method was developed by changing the linear inertial weighted function as nonlinear function with cosine function, so as to reduce the global convergent time. In addition, when the conventional wavelet reconstruction method was adopted to detect the weak thruster fault, undetected fault or false alarm may occur. In order to successfully detect the weak thruster fault, a weak thruster detection method was proposed based on the integration of stochastic resonance and wavelet reconstruction. In the method, the optimal reconstruction scale was determined by comparing wavelet entropies corresponding to each decomposition scale. Finally, pool-experiments were performed on AUV with thruster fault. The effectiveness of the proposed mono-stable stochastic resonance method in enhancing fault feature and reducing the global convergent time was demonstrated in comparison with particle swarm optimization based bi-stochastic resonance method. Furthermore, the effectiveness of the proposed fault detection method was illustrated in comparison with the conventional wavelet reconstruction.     

基于改进离散粒子群算法的限流措施优化配置

为求解实际电力系统中的限流措施优化配置问题,对传统粒子群算法（PSO）进行改进,提出一种改进离散粒子群算法（MDPSO）.此MDPSO算法采用二进制结合十进制的编码方式,并引入置0算子,优化初始种群,同时引入单方向的变异算子,防止算法陷入局部优化解.应用此算法对新英格兰39节点系统和中国西部82节点系统进行限流措施优化配置计算,并同遗传算法（GA）和普通离散粒子群算法（DPSO）进行比较,仿真结果表明,MDPSO算法是有效可行的.     

基于改进粒子群算法考虑阀点效应的经济负荷最优分配

经济分配对于电力系统节能至关重要,是电网中一类典型的优化问题,基于传统的粒子群算法的优化方法由于仅考虑速度与位置参数,易导致局部最优。针对电力系统的有功经济分配,考虑发电机组的阀点效应,提出一种改进型粒子群算法。通过引进视角参数,使粒子的移动状态受到视角的制约,改善传统算法粒子容易早熟而陷入局部最优的缺陷,降低搜索随机性并提高优化精度’仿真结论表明,带有视角参数的改进粒子群算法有更高效的全局搜索能力和更可靠的最优解,为发电机有功经济分配问题提供一种有效的新算法。     

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。     

基于量子行为粒子群算法的航空瞬变电磁拟二维反演技术

传统的确定性反演算法严重依赖初始模型,易陷入局部极小值中,导致最终反演结果偏离真实模型。粒子群(PSO)算法作为一种随机性反演算法,具有较强的跳出局部极小值的能力,但是仍存在早熟收敛和收敛速度慢等问题,限制了该算法在二、三维电磁反演中的发展。针对上述问题,首先提出采用量子行为粒子群(QPSO)算法代替传统粒子群算法,将量子在势阱中运动规律引入到粒子群算法中,使得粒子可以出现在势阱内任何存在概率分布的位置上,有效地克服了由于群体的聚集性所导致的早熟收敛问题。此外,采用拟二维反演算法代替传统二维反演算法,使得反演模型参数维度下降,寻优过程中局部极小值个数将大幅度减少,显著提高粒子群算法的收敛速度,但是在粒子群中开展拟二维反演时,传统的正则化参数的寻优过程将浪费大量计算资源。结合量子行为粒子群算法中各测点的全局最优粒子在粒子群进化过程中的重要地位,采用α-Trimmed方法开展相邻点间全局最优粒子模型参数光滑约束,实现粒子群算法快速横向约束反演。最后将量子行为粒子群算法拟二维反演技术应用到含噪全航空瞬变电磁仿真数据处理中,反演结果与原始模型具有较好的一致性。     

磁性材料成型烧结生产调度优化方法及应用

建立以最小化提前和拖期时间、最小化炉重偏差为目标的混合整数线性规划模型, 解决磁性材料成型-烧结两阶段生产调度问题. 提出一种混合粒子群优化算法(HPSO)进行模型的求解,该算法采用基于订单的编码方式. 针对粒子群算法易陷入局部最优, 在迭代过程中引入模拟退火思想. 改进粒子群算法的全局极值和个体极值选取方式, 使算法尽快收敛到非劣最优解. 生产现场实际数据仿真结果表明: 该混合粒子群算法无论在求解精度, 还是求解速度上均优于普通粒子群算法和遗传算法.     

马氏田口系统的量子行为二进制粒子群特征选择优化方法

针对标准二进制粒子群用于马氏田口系统的特征选择优化时,存在迭代速度慢,容易陷入局部最优解等不足,提出一种改进的基于量子行为二进制粒子群的马氏田口系统变量选择优化方法。首先,为了规避可能存在的复共线性特性对距离度量结果的影响,本研究采用Gram-Schmidt正交化法计算马氏距离值,对系统进行标准化处理,对各属性向量进行正交化后计算各类别的马氏距离集合,通过ROC曲线确定系统分类的最佳阈值点,定义误分类率概念和被选择变量占比最小作为变量筛选标准,构建多目标的混合规划模型。运用改进的量子行为粒子群算法求解优化组合,为适应二值化的变量优化问题,算法基于概率对粒子进行二进制编码,求取目标函数的适应值,并完成粒子群的优化迭代过程。采用优化的变量组合,构建精简的马氏田口系统,建立度量预测模型,完成精确判别的任务。最后,以胎心分娩力造影术测量的胎儿健康诊断为例,对标准二进制粒子群算法和二进制量子粒子群优化算法进行对比验证,实验结果表明,本文方法可以有效地提升粒子的迭代速度和寻优精度,优化后的马氏田口系统的预测准确率明显提高。     

一种改进的粒子群算法

粒子群算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优.为了克服这个缺点,提出了一种新的粒子群算法,算法对粒子的速度和位置更新公式进行了改进,使粒子在其最优位置的基础上进行位置更新,增强了算法的寻优能力.通过对5个基准函数的仿真实验,表明了改进算法的有效性.     

Adaptive particle swarm optimization method with stagnancy information

To improve the performance of the particle swarm optimization algorithm, the optimal network of the particle age structure with stagnation information is designed, and the information about this network is used to adaptively change the three key parameters of the particle swarm optimization algorithm. At the same time, an adaptive particle swarm optimization method with stagnancy information is proposed and specific optimization steps of this method are given. Four classical low and high dimension benchmark test functions are used to validate the performance of the optimization method, and a comparison study is made with gravitational search algorithm and the traditional particle swarm optimization algorithm without stagnancy information. The comparison study shows that the search efficiency of the proposed method is 2 times higher than that of other methods in the literature in the case of low dimensional multimodal functions. When the dimension of functions is higher than 2, the search efficiency of the proposed method is almost the same as that of other methods, but with the better ability to achieve global solution and local solutions, and the higher solving precision.     

一种动态分群带熵权的粒子群优化方法

为提高粒子群优化的求解性能,提出了一种动态分群带熵权的粒子群优化求解方法．该方法采用k的均值聚类获得子群总数,在子群粗搜索过程中充分利用其他粒子的熵信息,采用子群及其他子群搜索的最优解信息构建熵权以调整惯性权重,利用自身群粒子经过m次迭代时的优化信息构建熵权以调整本群的全局最优值．在子群精搜索过程中,利用各子群获得的最优解信息作为新群的初始设置,利用其他粒子的迭代信息构建熵权来调整全局最优值．采用传统的粒子群优化算法、其他文献中的方法以及新提出的方法分别对4个经典的测试函数进行对比实验,从获得解的最优值、平均值、标准差以及平均迭代数作对比,从而验证了该方法具有求解精度高以及优化求解迭代次数少等优点．