互联电网自动发电控制功率分配的改进逼近于理想解的排序--Q多目标优化算法

本文提出了一种多目标决策与强化学习相结合的改进的逼近于理想解的排序(technique for order preference similar to an ideal solution,TOPSIS)-Q算法,有效解决了自动发电控制(automatic generation control,AGC)总功率指令分配到风电、水电、火电等各类AGC机组的动态随机多目标优化问题.算法采用3个不同的目标Q值矩阵进行迭代更新,然后利用改进TOPSIS方法对Q值矩阵进行多目标决策处理,客观地给出各目标的动态最优权重系数,从而得到各状态-动作对的综合评价判据.IEEE标准两区域模型仿真研究验证了改进TOPSIS-Q算法在AGC机组功率多目标动态优化分配过程应用的可行性和有效性,在复杂随机扰动的环境中提高系统CPS性能的同时,有效降低了AGC机组调节成本和碳排放.     

自适应小世界粒子群优化算法

提出一种基于小世界网络的自适应拓扑结构。每个粒子都与它的近邻粒子进行交互,其有一定概率通过小世界重置与远方的粒子进行沟通;为粒子群体的每个维度分配一个特定的小世界网络,不同维能够学习不同邻居的历史信息;粒子的邻域大小与小世界重置的概率将在种群收敛状态的基础上进行自适应调整。利用标准函数集对该算法进行测试,测试结果表明,通过该机制,粒子群体具有更好的搜索多样性,能够平衡全局探索与局部开发。     

面向对象存储的文件系统Lustre

针对Lustre文件系统主要运用在高性能计算集群系统上的情况,分析Lustre文件系统的系统结构及其内部实现机制,测试系统在不同参数影响下的性能,认为Lustre可以运用在高性能集群系统上,也能运用在由普通计算机和 TCP／IP网络构建的集群系统上。实验结果表明,在TCP／IP协议和千兆交换机下, Lustre的并发性很难发挥,但设置合适的客户端数和系统参数可以优化其性能,相对本地磁盘系统, Lustre系统仍有较大的性能提高和实用价值。     

引入测评机制的综合学习粒子群优化算法

综合学习粒子群算法（CLPSO）能够改善粒子群算法多样性差且易局部收敛的问题,相比传统PSO算法能够一定程度避免算法早熟,但却存在收敛速度慢的问题。对此,提出一种CLPSO的改进算法（CLPSO‐II）,为每个粒子随机构造两个学习粒子,引入测评机制,择优学习。实验结果表明,CLPSO‐II能有效提高CLPSO的搜索效率,在处理多峰函数时,其性能优于传统粒子群算法（PSO）、全面学习粒子群算法（FIPS）和综合学习粒子群算法（CLPSO）。     

基于多目标优化模型的电动汽车增程器油耗及排放优化

针对增程式电动汽车油耗和排放优化问题,首先综合考虑增程器的油-电转换效率特性、HC排放特性、CO排放特性以及NOx排放特性,构造了增程器油耗和排放多目标优化模型,同时结合实际增程器工作中的机械和电气约束特征,分析了多目标优化模型的3种转速、转矩约束条件.然后采用多目标粒子群算法和加权尺度法对增程器油耗和排放多目标优化模型进行了离线优化,得出了增程器的最优全局工作点和各功率值下的多目标最优工作曲线.最后,采用NEDC,FTP和HWFET3种测试工况在AVL Puma Open发动机测试台架上进行了实验,并和基于最佳制动燃油消耗率(BSFC)的油耗单目标优化模型进行了比较.结果表明,本文提出的方法能够以微弱的油耗增加为代价,有效的改善整车的HC,CO和NOx排放.     

改进的r支配高维多目标粒子群优化算法

高维多目标优化问题是广泛存在于实际应用中的复杂优化问题,目前的研究方法大都限于进化算法.本文利用粒子群优化算法求解高维多目标优化问题,提出了一种基于r支配的多目标粒子群优化算法.采用r支配关系进行粒子的比较与选择,并结合粒子群优化算法收敛速度快的优势,使得算法在目标个数增加时仍保持较强的搜索能力;为了弥补由此造成的群体多样性的丢失,优化非r支配阈值的取值策略;此外,引入决策空间的拥挤距离测度,并给出新的外部存储器更新方法,从而进一步防止算法陷入局部最优.对多个基准测试函数的仿真结果表明所得解集在收敛性、多样性以及围绕参考点的分布性上均优于其他两种算法.     

蜂窝网无线定位技术在铁路场景下的应用

针对蜂窝网络定位技术定位精度不高和在铁路实际中难以应用的缺点,提出一种新的列车定位方法.方法的核心是将速度传感器和蜂窝网的定位参数处理为若干列车可能的位置区域,并计算区域中列车位置出现的概率,以所有位置中出现概率最大为优化目标,建立列车定位的误差优化模型.在此基础上进一步引入遗传粒子群优化算法对模型进行求解,并用Matlab仿真.仿真结果表明:在复杂的铁路环境中,该定位方法对不同来源的误差有很好的吸收作用,是一种有效的定位方法.     

类搜索算法

提出利用类结构驱动的群体进化计算方法——类搜索算法(CSA).CSA在个体间构造簇类形态的虚拟连接关系,并通过对类组织的结构和类搜索过程进行动态调节来优化模拟进化系统的计算状态,提高群体的搜索效率.介绍了CSA的基本模型,并基于CSA融合进化算子与差分计算机制设计出数值优化算法CSA/DE.对多个典型高纬函数和复杂混合函数的仿真实验结果说明,CSA/DE是一种对高纬连续问题高效、稳定的搜索优化方法.该工作一方面验证了CSA的可行性和有效性;另一方面则显示:基于类搜索模型可有效融合异构且具有不同计算特性的搜索机制,形成对待求解问题更具针对性且协调性更佳的搜索计算方法.这为高性能优化算法的设计提供了一条新的途径.     

基于粒子群优化的模糊PID控制在配料过程的应用

为避免模糊PID控制中参数选取的经验性及参数不变性,应用粒子群算法优化隶属函数分布,增强控制器自适应能力,并提高其控制精度,充分体现了算法的智能性.将粒子群优化的模糊PID控制应用于配料控制系统中,通过仿真并与模糊PID以及传统PID控制方法相比较,结果表明,粒子群算法收敛快,找到最优点时间短,优化后的模糊PID控制具有静态误差小、调节时间短、无超调、抗干扰能力强等优点,能很好地满足控制过程的动态特性,并具有较强的鲁棒性及适应性.     

基于PSO-BP的红外温度传感器环境温度补偿

针对红外温度传感器的测温精度易受环境温度的影响,提出了一种基于粒子群优化（ PSO）GP （ PSO-GP）神经网络的温度补偿方法。所提出的PSO-GP算法解决了一般GP算法迭代速度慢、且易陷入局部最优的问题,以热电堆传感器的环境温度补偿为例,进行算法实现,并以单纯的GP算法做对照。仿真结果表明：提出的PSO-GP算法对环境温度有明显的补偿效果,且优于单纯的GP算法补偿。所构建的补偿模型具有较高的补偿精度和实用价值。