基于移峰填谷的排水泵站优化调度研究

采用改进的动态规划算法对定速泵排水泵站的优化调度问题进行求解,考虑了峰谷分时电价制度对电费的影响,以一座配有两台定速泵的排水泵站为例,首先建立了该泵站的物理模型和动态规划模型,然后构造了改进动态规划算法并详细分析了该算法的主要思想和求解算法时的编程思路,最后计算出了双泵控制下的最优启停控制序列和优化结果,并将该结果与传...     

基于动态种群的双重学习粒子群优化算法

粒子群算法的全局勘探能力和局部开发能力的不协调往往会导致算法收敛不精、陷入早熟。针对上述问题,提出了基于动态种群的双重学习粒子群优化算法(DP-DLPSO)。首先将粒子种群划分为勘探子种群和开发子种群,让两个子种群以不同的学习机制引导粒子运动,粒子处于寻优期间时,子群体间无信息交流,如果开发种群陷入局部最优也不会影响到勘探种群的寻优能力;其次,采用动态种群思想,勘探种群将会把好的粒子输送到开发种群中去,增加开发种群中有效解的几率,提高粒子的收敛精度;最后,对开发种群采用高斯扰动策略以提高粒子跳出局部最优的能力。将DP-DLPSO与5个改进粒子群算法进行比较,实验结果表明DP-DLPSO在收敛精度和收敛速度上具有更大的优势。     

基于离散量子微粒群优化的作业车间调度

针对强非确定性多项式难的作业车间调度(JSP)问题,提出一种离散量子微粒群优化算法(DQPSO).该算法基于量子态波函数描述微粒群粒子位置,结合遗传算法中的交叉、变异操作,采用随机键编码方法对连续空间内的解进行离散化,使得DQPSO能够直接用于求解车间生产调度这类组合优化问题.另外,针对JSP的复杂性,通过引入2层结构的局部搜索策略,构造在局部优化解附近不同搜索半径的微粒,增强算法的搜索能力,进一步提高解的多样性和寻优质量.应用结果表明,对大部分作业车间调度测试算例,DQPSO表现出更有效的寻优性能.     

基于粒子群算法的模糊滤波器优化方法

根据粒子群算法可以搜索全局最优的特点,提出一种新的基于粒子群算法优化模糊隶属函数,从而对带有脉冲噪声图像进行模糊中值滤波的方法.该方法给出一个新的模糊熵定义,采用改进粒子群优化算法寻求隶属函数的最优参数,依照最大熵准则将图像变换到模糊域,然后对需要处理的噪声图像进行滤波.实验表明,提出的方法可以很好地滤除图像中的脉冲噪声,自适应性强.     

计及多因素的配电网电容器优化配置研究

对配电网电容器优化配置进行研究,计及多因素建立了以系统的有功网损费用、电容器投资费用、电容器维护费用和预期中断费用之和为最小的目标函数,采用改进粒子群算法对该问题进行求解.在改进算法中采用自适应惯性权重,并对粒子群速度进行了变异操作,提高了粒子群算法的全局寻优能力.仿真结果表明,该方法使补偿后支出总费用较补偿前降低22.50%;并使得电压质量得到明显改善,各节点的故障率明显减小,其平均故障率可降低13.44%,系统的整体可靠性能得到改善.     

同输入M/G/∞排队群相关性分析

本文研究了由一个订单到达过程驱动的两个队列的排队群,即每个订单到达都需要两种不同类型的部件。订单按照Poisson过程到达。本文证明了在时刻t到达n个顾客(即订单)的条件下,两个队列的条件联合分布为相依的二维Bernoulli过程,条件边缘分布为二项分布。给出了时刻t联合分布的母函数及相关性分析。对稳态联合队长过程,本文给出了二元母函数的解析表达式,证明它为二维相依的Poisson过程。证明了稳态下两个队列的输出过程为二维相依的Poisson过程。     

自由漂浮空间机器人力矩最优轨迹规划算法

针对自由漂浮空间机器人的轨迹规划问题,提出一种基于粒子群优化算法的机械臂关节角驱动力矩最优轨迹规划算法.首先通过对自由漂浮空间机器人系统的动力学方程进行分析,给出了以机械臂关节角驱动力矩为目标函数的轨迹最优控制算法,并采用高阶多项式插值方法逼近机械臂关节角轨迹,结合粒子群优化算法对机械臂关节角轨迹进行优化求解.数值仿真表明,规划出的关节角轨迹平滑连续,在完成自由漂浮空间机器人姿态调整任务的同时,机械臂关节角驱动力矩降至最低.     

基于网络认证的动态群签名方案

群签名方案是数字签名方案中非常重要的一种,允许群成员代表群进行签名而不泄露群成员的任何信息.而群签名方案中群成员的删除一直是一个难题.在此提出了一个基于网络认证的动态群签名方案,主要是为了解决群成员的删除问题.方案包括认证和签名2个模块,被删除的群成员在认证时就不能通过.在签名模块中利用ElGa-mal加密算法和知识签名等来构造群签名方案,使其具有抵抗攻击的能力.该方案中认证模块的效率高且可移植于其他类型的不具有删除群成员能力的群签名方案之中,可以解决不能删除群成员的难题.     

基于IPSO-GRU的锂离子电池剩余使用寿命预测

为了提高预测锂离子电池剩余使用寿命(RUL)的精度,提出了一种基于改进型粒子群算法(IPSO)与门控循环单元(GRU)神经网络的锂离子电池RUL预测模型。首先,通过改变PSO算法的惯性权重和学习因子的更新规则,提高其寻优能力;然后,通过IPSO算法优化GRU神经网络的参数选择,搭建IPSO-GRU模型。最后,利用美国国家航空航天局(NASA)公开的锂离子电池实验数据进行试验,验证IPSO-GRU模型的准确性。实验结果表明,相比于直接采用单一GRU模型,所提IPSO-GRU模型降低了容量预测误差,有效提高了锂离子电池RUL预测精度。     

PSO_SVM模型在蒸发预测中的应用

利用支持向量机回归算法（SVM）结合粒子群优化算法（PSO）建立了用于蒸发预测的PSO_SVM模型,用和田地区实测蒸发量对其进行拟合与预测,并与传统的最小二乘支持向量机（LS—SVM）的预测结果进行了对比,结果表明PSO_SVM预测蒸发量的精度要高于LS_SVM,说明该模型可以用于蒸发预测。