环境激励下结构模态参数识别的量子粒子群算法

环境激励下的结构模态参数可以通过不同点输出信号的互功率谱识别出来.将包含结构模态参数的互功率谱理论公式与不同点输出信号计算得到的互功率谱之差作为目标函数,通过搜索模态参数的取值而使目标函数最小,从而将优化问题转化为模态参数识别问题.量子粒子群算法是一种基于群体智能理论的优化算法.论文将量子粒子群算法应用到上述优化问题中识别环境激励下的结构模态参数.最后采用数值模拟的简支梁对该方法进行有效性验证.结果表明,量子粒子群可以有效地识别环境激励下的结构模态参数.     

基于量子粒子群的软件模糊可靠性分配模型

针对软件可靠性分配中存在多个优化目标的问题,提出了一种新的模糊多目标分配模型,并采用量子粒子群优化算法求解该模型。将软件可靠性和成本作为模糊目标函数,通过三角形隶属函数对模糊目标进行处理,将优化后的量子粒子群算法用来求解软件模糊可靠性分配模型。实验结果验证了文章提出的软件模糊可靠性分配模型是有效的,多目标的Pareto最优解为可靠性和成本之间的决策提供了依据。     

基于支持向量机和粒子群算法的结构损伤识别

为了有效地进行结构的损伤识别,提出了一种基于支持向量机和粒子群算法的结构损伤识别方法。首先利用支持向量机为损伤裂缝指标、损伤位置与各阶频率和一阶振型建立函数关系,然后将利用该函数关系得到的频率和振型与实测频率和振型间的差异作为优化目标,进而实现结构的损伤识别。为提高损伤识别的精度,将优化目标转化为多目标优化问题,并利用所提出的灰色粒子群算法进行求解。实验结果表明,该方法在结构损伤识别中具有较好的效果。     

QPSO算法识别环境激励下结构模态参数

实际工程中,系统的输入一般是未知的或者是不可测量的,识别结构的模态参数只能采用响应信号。并且一般环境激励下结构的输入信号是可以假设为白噪声激励,其信号的功率谱可以视为一常数。笔者利用量子行为粒子群优化（Quantum-behaved Particle Swarm Optimization,QPSO）算法将环境激励下结构模态参数识别问题转化为一个多维优化问题。最后采用一数值模拟的三层框架对该方法进行验证。结果表明,量子粒子群算法可以有效地识别结构模态参数。该研究结果可作为结构损伤识别的基础。     

基于QPSO＋CWT的结构模态参数识别

通过对结构响应进行连续小波变换,将结构多自由度模态参数识别问题转化为多个单自由度模态参数识别问题。为简化识别和提高识别精度,采用量子行为粒子群优化将CWT解耦信号的模态识别问题转化为智能优化问题,进而一次性同时识别出模态参数,最后通过六层框架的数值模拟验证QPSO＋CWT法的可行性与有效性。     

基于支持向量机和粒子群算法的结构损伤识别

为了有效地进行结构的损伤识别,提出了一种基于支持向量机和粒子群算法的结构损伤识别方法。首先利用支持向量机为损伤裂缝指标、损伤位置与各阶频率和一阶振型建立函数关系,然后将利用该函数关系得到的频率和振型与实测频率和振型间的差异作为优化目标,进而实现结构的损伤识别。为提高损伤识别的精度,将优化目标转化为多目标优化问题,并利用所提出的灰色粒子群算法进行求解。实验结果表明,该方法在结构损伤识别中具有较好的效果。     

约束自适应粒子群优化算法及水厂调度

针对粒子群优化算法应用于约束优化问题时易陷入局部极小值的问题,提出了一种改进的粒子群优化算法. 该算法综合了约束优化问题的目标函数值和约束函数的违反度值作为粒子群优化算法的双适应度值, 采用了双适应值动态判断粒子群优化算法中粒子的优劣. 违反度值的计算引入了自适应加权系数,相应地提出了调整各权系数的自适应策略, 并改进了粒子群优化算法的粒子竞争选择策略,拓展了粒子群优化算法的单适应值的应用范围.应用约束自适应粒子群优化算法实现了城市水厂的节能优化调度. 结果表明, 该算法收敛速度快且结果可靠. 粒子群优化算法为解决工程约束优化问题提供了一条可行途径.     

基于QPSO和MATLAB优化资金投资组合

量子粒子群优化算法（QPSO）是一种基于粒子群优化算法（PSO）的进化算法,它收敛速度快、规则简单、易于编程实现;Matlab是国际控制界公认的标准计算软件。采用QPSO对资金组合投资的多目标问题进行优化,使用Matlab编程,解决了传统方法难以解决的问题,仿真实验表明采用本方法能对资金投资组合问题提出较好的优化决策。     

潮流能涡轮机阵列优化离散量子粒子群算法

为解决多参数、多约束条件的潮流能涡轮机阵列优化问题,提出了一种改进的离散量子粒子群(quantum dis-crete particle swarm,QDPS)算法.该算法将计算区域离散化,每个粒子代表一种涡轮机阵列布局,并以发电量为目标函数,利用更新公式进行迭代优化.基于舟山普陀山岛—葫芦岛水道涨急和落急时刻的流场数据进行算法验证,分析了涡轮机阵列优化效果.结果表明:离散量子粒子群算法能够实现自主智能优化,优化速度快,与传统交错布局相比,涨急时刻涡轮机阵列总发电量提高了28.9％,落急时刻涡轮机阵列总发电量提高了41.8％,阵列优化布局结果与潮流能功率密度分布是一致的.离散量子粒子群算法可为潮流能发电场涡轮机阵列布局优化研究提供科学工具.     

改进遗传算法与粒子群优化算法及其对比分析

进化算法作为一类新的优化搜索方法，广泛应用于各种优化问题．现对简单遗传算法进行了改进，采用实值编码，并与模拟退火算法及基于适值排序和随机选择的方法相结合，形成了改进遗传算法．同时还介绍了一种新的进化算法一粒子群优化算法．将这两种优化算法应用于函数优化，并对优化结果进行了对比分析．比较结果表明，改进遗传算法和粒子群优化算法都可以在函数优化方面表现出较好的健壮性，但在找寻最优解的效率上，粒子群优化算法较好．     

基于改进ACO与PSO算法的结构可靠度分析

针对基本蚁群算法的过早收敛问题,引入信息熵,通过优化参数 ,对基本蚁群算法进行改进,进而寻找结构的最短失效路径。从可靠指标的几何意义出发, 利用罚函数法, 将结构可靠指标的求解问题转化成相应的无约束优化问题,采用粒子群算法对结构可靠指标进行求解计算。以十杆桁架为例,采用响应面法、遗传算法与本算法对结构可靠指标进行对比计算,结果表明改进蚁群与粒子群算法的收敛速度快,计算精度高。     

粒子群优化算法的研究与展望

粒子群优化算法是一种基于群智能的随机优化算法,具有简单易实现、设置参数少、全局优化能力强等优点.着重对粒子群优化算法中的基本算法、改进算法、应用领域和研究热点等方面做了较为详细的论述.     

基于粒子群算法的自适应LMS滤波器设计及可重构硬件实现

自适应滤波器设计是典型的多参数组合优化问题,利用一种改进的粒子群优化算法（MPSO）来优化设计自适应LMS滤波器．将滤波器设计问题转化为滤波器参数优化的问题,利用改进的粒子群算法MPSO搜索整个参数空间,从而获得全局优化的系数．设计的滤波器应用于系统的跟踪响应中,并在基于可重构硬件的平台上实现自适应滤波器．从收敛和失调性能指标评价所设计的LMS滤波器,实验结果表明设计的LMS滤波器具有较好的性能,证明了这种方法的有效性和优越性．     

混沌粒子群混合算法对微型永磁电机的优化设计

在电机的设计中，常常需要通过优化设计得到合理的电机结构尺寸和参数.电机的设计问题实质上是一种带约束的复杂的非线性连续函数优化问题.要得到一个满意的优化结果不仅要求算法具有较高的精度，而且要有快的收敛速度.提出一种新的混合算法对永磁电机的尺寸和整体结构进行优化设计.将混沌算法和粒子群算法相结合，以微型永磁电机为例，对槽形等多个变量进行优化，结果证明了算法的有效性和快速性，适合于同类问题求解.     

基于多级惩罚函数的粒子群约束优化算法

基于多级惩罚函数和粒子群算法解决多约束优化问题,采用粒子种群中的多个粒子并行寻优,避免多约束优化问题收敛于局部优化解。定义了多级分配函数作为约束因子表达惩罚函数与约束条件间函数关系,约束因子按照约束条件的不同分为多个等级。提出了粒子群多级惩罚函数算法,应用于三个经典约束优化问题,均在较少迭代次数内得到高精度优化解。     

采用正交免疫克隆粒子群算法求解SAT问题

根据Kennedy和Eberhart提出的二进制粒子群算法,基于抗体克隆选择理论提出一种求解合取范式可满足问题的粒子群算法——正交免疫克隆粒子群算法．该算法将合取范式可满足问题转换为求解目标函数最小值的优化问题,为提高收敛速度,根据子句的先验知识计算出个体的初始指派概率对种群进行初始化．为了避免算法早熟收敛,提高粒子群个体解分布的均匀性,将离散正交交叉算子用于免疫基因操作中,并给出适应于求解合取范式可满足问题的免疫粒子群进化算子．实验采用标准SATLIB库中变量个数从20~250的3700个不同规模的标准合取范式可满足问题对正交免疫克隆粒子群算法的性能作了全面的测试,并与标准粒子群算法和免疫克隆选择算法进行了比较．结果表明,正交免疫克隆粒子群算法的成功率在3个算法中最高,运行时间和评价次数最少．     

基于PSO算法的RBFNN在织物染色配色中的应用

为了提高计算机配色的效率,提出了一种基于粒子群优化算法（Particle Swarm Optimization algorithm）的RBFNN（radial base function neural network）解决织物染色配色问题的模型。该模型容易实现,没有过多参数需要调整,并且提高了模型的收敛速度和精确度。仿真结果表明,用PSO算法优化的RBF神经网络解决计算机织物染色配色问题是一种较好的方法。