PSO优化多核RVM的模拟电路故障预测

针对模拟电路健康管理的特点，提出了一种基于PSO优化多核RVM的模拟电路故障预测方法。利用参数分析得到电路的输出频域响应作为特征，计算其与电路无故障标准响应的欧氏距离来表征电路元件健康值，将多个核函数线性组合，并用PSO优化多核RVM参数后的模型实现对各个时间点元件的健康值变化轨迹进行预测。仿真结果表明，该方法在小样本情况下，预测效果优于单一核函数的RVM模型，适用于健康管理中实时预测，具有较好的实用性。     

一类Boltzmann & Darwin混合寻优策略的收敛特性研究

基于文［１］提出的求解组合最优化问题的Ｂｏｌｔｚｍａｎｎ＆Ｄａｒｗｉｎ混合寻优策略，本文进一步分析研究了Ｂｏｌｔｚｍａｎｎ＆Ｄａｒｗｉｎ混合寻优策略非时齐情形下的收敛特性，包括全局收敛性和收敛速度。结果表明，Ｂｏｌｔｚｍａｎｎ＆Ｄａｒｗｉｎ混合寻优策略的收敛特性优于模拟退火（ｓｉｍ－ｕｌａｔｅｄ ａｎｎｅａｌｉｎｇ）方法的收敛特性。     

改进蚁群算法的无线传感器网络路径优化

研究无线传感器网络路径优化问题,针对无线传感器网络(WSN)路径优化问题,在分析了遗传算法和蚁群算法各自优缺点的基础上,通过把蚁群算法作为WSN路径优化的主框架,采用遗传算的选择、交叉和变异算子提高蚁群算法搜索速度,提出一种改进蚁群算法的WSN路径优化方法。仿真结果表明,改进蚁群算法有效地克服了基本蚁群算法的缺陷,提高了WSN路径优化效率和成功率,减少了能理消耗,有效延长了网络生存时间。     

动态传感器网络区域受限的移动sink路径选择研究

针对sink区域受限及节点特征参数的问题,如何规划sink路径选择以满足动态传感器网络高效数据收集及低能耗的要求,提出了一种动态传感器网络区域受限的移动sink路径选择方法。该方法在缓存节点辅助通信模式下,建立sink受限区域图模型。针对不同应用情况,分别讨论了sink移动全局路径信息已知和sink移动局部路径信息已知这两种情况下的最优移动路径。在全局路径信息已知时,采用Vornon单元划分的思想求解总传输能耗和节点平均负载;在局部路径信息已知时,采用启发式策略进行路径寻优,并证明其路径寻优的正确性。最后通过仿真实验与理论计算来验证移动sink最佳路径寻优策略的有效性和可行性。     

基于P系统的粒子群优化算法

为了克服算法早熟收敛问题并提高算法精度, 引入了膜计算理论。将PSO算法与P系统相结合, 提出了一种基于P系统的粒子群优化算法 (P-PSO), 有效地平衡粒子群的全局搜索和局部寻优。采用常用的三个测试函数对新算法进行了实验, 结果表明, 提出的P-PSO算法有效地解决了算法早熟问题, 提高了算法的收敛精度。由此可见, P-PSO算法能够有效改进原有PSO算法的性能。     

基于遗传算法的PID参数整定与优化

PID参数整定与优化一直是自动控制领域研究的重要问题。采用遗传算法进行PID参数整定与优化是一种寻求全局最优且与初始条件无关的优化方法。在参数整定与优化过程中,考虑了过程控制系统的参数整定特点和寻优精度。     

蚁群算法的随机Petri网分析与路径寻优

为解决Petri网的最优路径寻找问题,在分析了随机Petri网(Stochastic Petri Net,SPN)中各个变迁实施时刻的分布规律之后,提出了一种计算任意网型变迁时间概率分布的方法.在对SPN分析的基础上,基于蚁群算法设计了一种在SPN中使用的各个网元素数据结构,提出了一种在SPN中更有效率的路径寻优方法.仿真结果表明,此路径寻优方法对时间延迟具有更高的灵敏度,对路径选择具有更高的准确性.     

基于多因素改进型PSOSVM算法的中长期负荷预测

中长期负荷预测作为电力规划与调度中的重要一环,其影响因素有着多样性和不确定性等特点.选取支持向量机作为中长期负荷预测的核心算法,筛选多种区域宏观经济因素,利用粒子群(PSO)寻优与循环寻优的改进型算法对支持向量机(SVM)的参数进行优化及负荷预测.仿真结果显示,改进型PSOSVM算法有着较高的预测精度.     

基于改进支持向量机的压裂效果预测方法研究

将支持向量机SVM与遗传算法GA、粒子群算法PSO相结合,建立了基于改进支持向量机的压裂效果预测模型。该模型分别利用GA、PSO对SVM参数进行全局寻优,提高了SVM算法的预测精度和运行速度。实验结果表明,该模型明显优于其他主要非线性预测方法,为快速准确地预测压裂效果提供了新的方法和途径。