具备反向学习和局部学习能力的粒子群算法

为解决粒子群优化（Particle Swarm Optimization,PSO）算法中存在的种群多样性和收敛性之间的矛盾,该文提出了一种具备反向学习和局部学习能力的粒子群优化算法（Reverse-learning and Local-learning PSO,RLPSO）。该算法保留了初始种群中满足排异距离要求的多个较差粒子以及每个粒子的历史最差位置。当检测到算法陷入局部最优时,利用这些较差粒子的位置信息指导部分粒子以较快飞行速度进行反向学习,将其迅速牵引出局部最优区域。反向学习过程可改善粒子种群的多样性,保证了算法的全局探测能力;同时,利用较优粒子间的差分结果指导最优粒子进行局部学习与搜索,该过程可与粒子群的飞行过程并行执行,且局部学习的缩放因子可随进化过程动态调节。局部学习可提高算法的求解精度,保证算法的迅速收敛。实验结果表明,RLPSO 算法同其他 PSO 算法相比,在高维函数优化中具有收敛速度快、求解精度高的特点。     

Detection of delamination in laminated composites with limited measurements combining PCA and dynamic QPSO

This paper presents an output only damage diagnostic algorithm based on frequency response functions and the principal components for health monitoring of laminated composite structures. The principal components evaluated from frequency response data, are employed as dynamical invariants to handle the effects of operational/environmental variability on the dynamic response of the structure. Finite element models of a laminated composite beam and plate are used to generate vibration data for healthy and damaged structures. Three numerical examples include a laminated composite beam, cantilever plate made of carbon–epoxy and a laminated composite simply supported plate. Varied levels of delamination of laminated composite plies and matrix cracking at varied locations in the plies are simulated at different spatial locations of the structure. Numerical investigations have been carried out to identify the spatial location of damage using the proposed principal component analysis (PCA) based algorithm. In order to limit the number of sensors on the structure, an optimal sensor placement algorithm based on PCA is employed in the present work and the effectiveness of the proposed algorithm with a limited number of sensors is also investigated. Finally, the inverse problem associated with the detection of delamination and matrix cracking is formulated as an optimization problem and is solved using the newly developed dynamic quantum particle swarm optimization (DQPSO) algorithm. Studies carried out and presented in this paper clearly indicate that the proposed SHM scheme can robustly identify the instant of damage, spatial location, the extent of delamination and matrix cracking even with limited sensor measurements and also with noisy data.     

基于动态PSO的WSNs发音节点定位研究

发音节点定位是无线传感器网络(WSN)一项重要的监控任务.为定位发音节点位置的极大似然估计解(MLE),通过分析栅格策略,基于此提出了动态粒子群优化(PSO)的算法,该算法在降低计算量的同时,减少了损失函数局部最优解的影响.另外,相对于原始数据,节点仅仅将信号的能量量测发送到融合中心,大大降低了对通信带宽和能量的消耗.在多种场景下进行了对比仿真,实验结果验证了该算法的优越性能.     

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.     

一种用于PID控制参数优化的混合果蝇算法

针对果蝇优化算法（ FOA）收敛速度快但寻优精度低的缺点,为了改善果蝇算法的优化性能,提出一种混合果蝇优化算法（ HFOA）。HFOA采用分段优化的思想,在优化过程后期采用收敛稳定性较好的粒子群优化（ PSO）算法优化果蝇算法中果蝇个体飞行距离和味道浓度的判定值,采用误差性能指标积分准则ITAE作为适应度函数,并将优化方案应用于一类不稳定系统的PID控制。Matlab仿真验证表明：HFOA计算高效,具有良好的稳定性,收敛精度高,进而验证了HFOA应用于PID控制参数优化是可行而有效的。     

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。     

自适应动态重组多目标粒子群优化算法

提出一种自适应动态重组粒子群优化算法. 该算法采用凝聚的层次聚类算法, 将种群分成若干个子群体, 用一个精英集对非支配解进行存储; 根据贡献度和多样性, 对各子群体的粒子和整个种群进行自适应动态重组; 同时引入扰动算子对精英集存储的非支配解进行扰动, 实现对精英集进行动态调整. 利用具有不同特点的测试函数进行验证并与同类算法相比较, 结果表明, 所提出的算法可加快收敛速度, 提高种群的可进化能力.

     

基于改进粒子群算法的时变系统辨识

针对时变系统辨识问题,在基本粒子群算法的基础上,提出了一种改进的粒子群算法对时变系统进行辨识的方法,实质是把辨识问题转换为参数空间上的函数优化问题,然后利用改进粒子群算法的并行搜索能力进行参数寻优。仿真实验表明,与其他算法相比,利用改进算法不仅提高了算法的辨识精度,改善了对时变参数的跟踪精度。     

多装配特征影响下的装配质量特性预测方法

针对现有产品装配过程中一次装配成功率难以保证的问题,以灰熵关联分析与粒子群—BP神经网络为建模工具,采用灰熵关联分析对装配特征进行筛选,找出影响产品装配质量的关键装配特征,缩减预测模型的规模,应用粒子群—BP神经网络实现产品装配质量的预测.以某型外圆磨床的砂轮架装配为例,验证了该方法的有效性.     

改进的混沌粒子群算法在TSP中的应用

针对基本粒子群(PSO)算法不能较好地解决旅行商优化问题(TSP),分析了基本粒子群算法的优化机理,在新定义粒子群进化方程中进化算子的基础上利用混沌运动的随机性、遍历性等特点,提出一种结合混沌优化和粒子群算法的改进混沌粒子群算法.该算法对惯性权重进行自适应调整,引入混沌载波调整搜索策略避免陷入局部最优,形成一种同时满足全局和局部寻优搜索的混合离散粒子群算法,使其适合解决TSP此类组合优化问题.利用MATLAB对其进行了仿真.仿真结果说明此算法的搜索精度、收敛速度及优化效率均较优,证明了此算法在TSP中应用的有效性,且为求解TSP提供了一种参考方法.