量子粒子群结合小波变换识别结构模态参数

通过对结构响应进行连续小波变换将多自由度模态参数识别转化为多个单自由度模态参数识别。建立小波骨架理论公式与由结构输出信号计算而得的小波骨架之差为目标函数的优化问题,通过搜索包含于小波骨架理论公式中的模态参数的取值而使目标值最小,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。将量子粒子群算法应用到上述方法中一次性识别出结构的频率、阻尼和振型。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,量子粒子群算法结合连续小波变换可以有效地识别环境激励下的结构模态参数。     

基于粒子群算法多目标优化液压支架四连杆

针对煤矿液压支架四连杆受力计算较为复杂,简化计算时易出现较大误差且稳定性较差的问题,提出从四连杆机构的空间受力出发并结合支架的运动轨迹,采用粒子群优化算法对四连杆机构展开优化研究。首先建立了四连杆优化模型,在优化模型中选取对结果影响较大的参数作为优化变量,以轨迹偏差、连杆长、连杆力之和作为目标函数,根据液压支架设计规范确定约束条件。然后使用粒子群算法对目标函数进行迭代求解并在求解过程中采用惩罚函数法解决优化模型中不等式约束问题。对比优化前后连杆的杆长、受力和稳定性数据,发现优化后的四连杆实现了轻量化,且受力较小,稳定性提高。研究结果对四连杆的设计有实际参考价值。     

模态响应识别的粒子群优化方法在倾转旋翼机上的应用

利用粒子群优化算法识别模态频率和阻尼比的方法无需测量激励信号,且不受邻近模态耦合的影响.阐述了简谐激励作用下利用粒子群优化方法对系统模态参数的识别过程,指出了在信号经过滤波处理后该方法不能精确识别信号模态相位的缺陷,并提出了改进方法.通过仿真计算以及应用改进的方法对倾转旋翼模型机翼端部的振动信号进行识别和分析,表明改进的方法可以精确识别出信号中各模态响应的相位值,能够有效地对系统的模态响应进行识别.     

改进QPSO算法识别结构模态参数

为了进一步增强量子粒子群优化算法的全局寻优能力,提高粒子寻优效率,改善其容易陷入局部最优的缺陷,首先在引入同化和竞争思想的基础上提出一种改进的量子粒子群算法。该改进算法将民族间的同化竞争思想引入粒子寻优过程,以全局最优粒子作为中心粒子,不断同化其余粒子,使粒子之间保持不断竞争关系,以改进粒子的进化方式,提高粒子的寻优性能。接着将改进算法应用于结构模态参数识别,并采用简支梁数值模型对该算法的有效性进行验证,结果表明,改进算法较量子粒子群算法的识别精度和抗噪性都有显著的提高。最后通过三层框架试验验证改进算法在实际工程应用中的有效性。     

模态参数的优化识别算法

利用频响函数识别复频率模态质量存在着严重的数值计算不稳定性，给物理参数的识别造成困难。本文介绍的一种优化识别算法有效地解决了这个困难。仿真算例表明，优化算法识别精度高，抗噪声能力强，可用于实际复频率模态质量的识别。     

应用优化限制带宽经验模态分解法识别电力变压器绕组模态参数

电力变压器绕组的模态参数识别与绕组结构振动特性及其优化设计、绕组振动故障诊断密切相关,因此,准确识别电力变压器绕组的模态参数意义重大。根据某10 kV实体变压器绕组的轴向模态实验结果,提出一种基于粒子群的优化带宽限制经验模态分解算法对变压器绕组的模态参数进行识别。该方法首先在实测振动信号的经验模态分解中引入屏蔽信号,然后使用粒子群优化算法确定最佳的屏蔽信号频率,从而有效地抑制了现有经验模态分解算法中的模态混叠现象,提高了绕组模态参数的准确率。与目前通用的频域识别方法 PolyMax法的识别结果的对比结果表明:该方法能够准确地识别出变压器绕组的前四阶固有频率和阻尼比,且具有较强的抗干扰能力,适合于识别变压器绕组这类结构复杂的模态参数。     

基于粒子群优化算法的结构模型修改

结构模型修改已经演化为一个多学科的研究课题．在最优化框架内，应用了国际上最近提出的粒子群优化算法，该算法具有全局搜索能力并且不需要目标函数的解析表达式。对于一实际钢结构，利用部分和全部测量得到的模态数据进行了模型修改的实验研究．并与基于灵敏度分析、神经网络和遗传算法的模型修改方法进行了对比．以修改后模型计算出的模态数据与实验测得的模态数据的相似度来衡量模型修改的准确性。结果表明，在多数情况下，所提出的模型修改方法得到了最好的修改结果，因此，应用粒子群优化算法进行结构模型修改是可行的。     

主轴-刀柄与刀柄-刀具结合面参数辨识研究

针对获取刀尖频响函数的动柔度耦合子结构分析方法(RCSA)精度受子结构端点频响函数及各结合面参数影响,各子结构间结合面参数辨识方法研究尚未成熟之问题,研究利用传递矩阵法与RCSA耦合算法预测刀尖频响函数,利用PSO优化算法最小化理论及实验结果,辨识主轴-刀柄与刀柄-刀具结合面参数。比较结果发现,预测、实验刀尖频响函数一致性较好,说明该辨识方法能有效识别主轴-刀柄与刀柄-刀具结合面参数。     

粒子群优化算法在电网规划中的应用

粒子群算法适合求解连续变量优化问题,本文提出了粒子群算法的新离散化方法。常规粒子群算法在电力系统优化问题中取得了成功,但有"趋同性"。本文提出了改进多粒子群优化算法(IPPSO),IPPSO是两层结构:底层用多个粒子群相互独立地搜索解空间以扩大搜索范围;上层用1个粒子群追逐当前全局最优解以加快收敛。粒子群以及粒子状态更新策略不要求相同。     

基于信息熵改进的粒子群算法在桁架结构

提出了信息熵改进的粒子群优化算法用于解决有应力约束、位移约束的桁架结构杆件截面尺寸优化设计问题.首先介绍了信息熵基本理论和基本粒子群优化算法理论,然后对粒子群优化算法作了合理的参数设置,并将信息熵引入粒子群优化算法的适应函数和停机判别准则中.最后对2个经典的优化问题进行求解并与其他算法进行了比较.数据结果表明信息熵改进后的粒子群优化算法在桁架结构优化设计中优于其他同类算法.     

粒子群优化算法及其在圆度误差评定中的应用

提出一种基于粒子群优化算法(PSO)的圆度误差评定方法。介绍了PSO算法的提出及其特点;具体阐述了PSO算法的基本原理和实现步骤;提出圆度误差评定这一非线性优化问题,给出其优化目标函数及PSO算法的适应度函数和编码方式;结合实例对算法参数进行了设置,通过实例运算对PSO进行了正确性和精确性验算。实例证明该方法能够很好地解决圆度误差评定问题,与遗传算法具有相当的计算精度,能够获得精度较高的结果。而PSO的突出优点是简单易于实现,计算速度快。     

粒子群优化算法综述

粒子群优化（PSO）算法是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO通过粒子追随自己找到的最好解和整个群的最好解来完成优化。该算法简单易实现,可调参数少,已得到广泛研究和应用。详细介绍了PSO的基本原理、各种改进技术及其应用等,并对其未来的研究提出了一些建议。     

基于粒子群算法的水下夹芯复合材料声学性能优化分析

基于粒子群演化算法理论,编写了粒子群优化计算程序,运用基准测试函数验证了优化程序的准确性。利用夹芯复合材料空腔谐振声学特性试验样本,分别建立了空气背衬和水背衬条件下的优化分析模型,进行了声学性能优化分析,确定了最优空腔个数和体积。在此基础上,利用夹芯复合微穿孔吸声材料声学特性试样样本,建立模型进行了优化分析,综合权衡了设计参数对声学特性的影响,确定了最佳共振频率和吸声带宽对应的参数范围。     

基于改进量子粒子群算法的纸浆浓度控制系统

目的为了克服传统PID控制在具有大时滞性、非线性等特点的纸浆浓度控制系统中性能不足和参数调整困难等问题,研究参数在线调整的方法。方法在传统PID控制的基础上,结合量子粒子群仿生算法(QPSO),提出一种量子粒子群算法优化的传统PID控制器参数,并应用于纸浆浓度控制系统;同时对基本量子粒子群算法进行改进,引入交叉算子,并将该控制算法应用到纸浆浓度控制系统中,并与传统控制进行对比。结果与传统PID控制和基本量子粒子群优化的PID相比较,改进的优化算法能够得到更加令人满意的控制效果,具有系统超调量小、响应速度快、鲁棒性高等优良的性能。结论基于改进的量子粒子群优化算法的纸浆浓度控制系统可有效控制纸浆浓度,能够明显提高系统的控制精度等性能指标,更好地满足实际应用的要求。     

粒子群算法的混沌优化

粒子群算法具有较强的普适性、鲁棒性、全局搜索性等特点,在求解复杂问题时具有明显的优越性,本文对粒子群算法进行混沌优化,使其为决策者提供一种有效的优化工具。     

基于改进粒子群算法的月地转移轨道优化

月地转移轨道优化是月球返回任务的技术难题之一,其搜索空间大、约束条件多。该文通过罚函数法将多约束优化问题转化为无约束优化问题,提出了一种改进粒子群算法,利用适应度函数来更新惯性权重,对粒子的速度加以约束,还对粒子的位置参数引入随机反馈控制,分析了算法的收敛性。在月地返回窗口内获得了逃逸速度增量最小的月地转移轨道优化结果,并利用目标函数的等高线图分析,对优化结果进行了验证。     

基于粒子群优化算法的控制面板布局优化方法研究

针对目前核电站主控制室后备盘台人机界面设计过多依赖人的经验和主观判断从而导致控制面板布局随意性的问题,提出了基于粒子群优化算法的控制面板布局设计优化方法,即先对控制面板上元件的重要性、操作频率、操作顺序和相关性等工效学布局原则分别进行数学描述,并依此构造布局优化目标函数,将布局问题抽象为数学问题,然后采用粒子群优化算法对布局优化目标函数进行求解,以便快速地找到最优布局方案,从而达到布局优化的目的.通过对16个操纵和显示元件进行布局优化计算,证明了该方法能有效地解决后备盘台人机界面布局优化问题.     

非正态变量情况下基于杂交SAPSO-SFLA的多目标稳健协同优化

为解决非正态变量空间中复杂多变的隐式非线性功能函数的可靠性及灵敏度的问题,融合鞍点估计与线抽样法的优点,结合二分法的特点与黄金分割法的求解效率,提出基于黄金分割二分法的鞍点线抽样法,即可沿重要线抽样方向利用黄金分割点的二分法快速找到各样本点对应于功能函数的零点,将结构失效概率转化为一系列线性功能函数失效概率的平均值,求出相关变量的可靠性灵敏度,从而导出失效概率对变量均值与方差的可靠性灵敏度及结构轻量化的多目标优化问题,并阐明了多目标协同优化的思想。同时,针对可靠性灵敏度作为目标函数因误差导致多目标协同优化难以收敛的问题,提出了利用误差的思想与方法;为提高算法的收敛性,对粒子群优化(Particle Swarm Optimization,PSO)算法与混合蛙跳算法(Shuffled Frog-Leaping Algorithm,SFLA)进行改进以后,再将两者进行杂交,提出杂交自适应粒子群优化-混合蛙跳算法(Self-Adaptive PSO-SFLA,SAPSO-SFLA),并用来求解上述多目标优化问题。算例表明:1) 基于黄金分割二分法的鞍点线抽样法在求解复杂非线性功能函数的可靠性及灵敏度时精度高,速度快;2) 与粒子群优化和混合蛙跳算法相比,所提杂交SAPSO-SFLA不仅具有更快的收敛速度,其鲁棒性还能使盾构行星减速器箱体体积减小8.42%。     

粒子群算法的理论分析与研究

粒子群算法是上世纪90年代兴起的群体智能算法,其特点是模拟自然界生物群体行为来构造随机优化算法,它对函数性态要求较弱、寻优结果和初值无关,并具有一定的并行性,因而成为优化算法领域研究的一个热点。介绍粒子群算法的研究现状,重点论述标准粒子群算法以及几种主流的改进型粒子群算法,并提出未来可能的研究方向。     

基于代理模型的高速列车齿轮箱裂纹识别

为建立裂纹结构动力响应与裂纹参数之间的解析关系从而对齿轮箱裂纹进行有效识别,提出一种可替代原有高精度分析模型的计算量小且计算精度较高的基于代理模型的裂纹识别方法。利用初始样本通过有限元与插值算法建立裂纹结构参数与动力响应之间的Kriging代理模型对应关系,从而代替原有的物理参数模型与结构响应关系,有效减少有限元计算次数,并通过随机粒子群优化方法对建立的代理模型进行全局裂纹参数寻优。通过一个悬臂梁结构的数值算例,对所提方法进行有效验证,并将该方法应用到某高速列车齿轮箱的裂纹识别中,结果表明该方法能够有效地对结构裂纹进行识别。