改进PSO算法在电力系统无功优化中的应用

介绍一种改进粒子群的无功优化方法。采用简化粒子群优化方程和添加极值扰动算子两种策略加以改进,提出简化粒子群优化（SPSO）算法、带极值扰动粒子群优化（DPSO）算法,并将二者结合起来提出带极值扰动的简化粒子群优化（DSPSO）算法。以IEEE6节点系统为例进行无功优化计算,并与其他算法进行比较,结果表明：该算法具有较快的收敛速度及较强的全局搜索能力,可较好地解决电力系统的无功优化问题。     

混沌粒子群微分进化算法及其在水库发电优化调度中的应用

粒子群优化算法（PSO）与微分进化算法（DE）都是有效的基于群体智能的全局优化算法,但它们都容易过早收敛,陷入局部最优。针对以上问题,提出了混沌粒子群微分进化算法（CPSO—DE）,该算法引入可变的惯性权重和学习因子,以基于logical映射的混沌序列代替标准PSO中的随机序列来对粒子群进行初始化,同时将微分进化算法（DE）中的变异、交叉和选择思想引入标准PSO算法中,改变标准PSO算法单一的进化策略,在全局范围内搜索最优解。作为实证的需要,通过对水库优化调度所存在问题的分析,建立了基于CPSO-DE算法的水库优化调度数学模型与求解算法,并以某水库实际运行数据进行计算,结果表明CPSO-DE算法具有较好的全局最优解,验证了CPSO—DE算法的可行性与健壮性。     

线性递减权重粒子群优化投影寻踪模型及应用

针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,为了有效地控制粒子群算法的全局搜索和局部搜索,提出了将线性递减权重引入到粒子群优化算法中.该算法是从随机解出发,通过追随当前搜索到的最优值来寻找全局最优解,增加了粒子群算法的局部搜索能力.将其算法优化投影寻踪模型,以此构建了线性递减权重粒子群优化投影寻踪模型,将该模型应用到土坝护坡模式优化评价中,选取9个指标作为评判因子,提出适合该地区的土坝护坡优化模式.结果表明:线性递减权重粒子群优化投影寻踪模型可以有效地找到最佳投影方向,计算投影值,根据投影指标值的大小可对方案进行优选.利用该模型对土坝护坡模式进行综合评价是切实可行的.该算法以其实现容易、精度高、收敛快等优点,并且在解决实际问题中展示的优越性,在工程优化领域具有广泛的应用前景.     

基于改进粒子群的土壤水分特征曲线参数优化研究

土壤水分特征曲线是研究土壤水分运动的重要参数,Van Genuchten方程是目前广泛应用的土壤水分特征曲线方程。由于该方程参数较多,人工调节参数繁琐复杂,应用优化算法实现参数自动调节成为首选。分别采用遗传算法(GA)、粒子群算法(PSO)和改进粒子群算法(CMOPSO)对方程进行参数寻优,对比3种算法的收敛速度、所需迭代次数和算法稳定性。结果表明:3种算法的参数模拟精度均较好;改进粒子群算法的全局搜索能力和收敛速度优于遗传算法与粒子群算法,且所需迭代次数最少,适合VG方程的参数寻优。     

基于粒子群算法的抛物线形渠道断面优化方法

针对试算法工作量大、计算误差大和精度低等问题,建立了以计算流量和设计流量之差最小为目标函数的抛物线形渠道断面优化数学模型,将粒子群优化算法引入到抛物线形渠道断面优化计算中,采用粒子群算法在全局空间下搜索渠道断面优化问题的全局最优解。并以陕西省石头河灌区五丈源支渠抛物线形混凝土渠道为例,对其二次抛物线形渠道断面的方程形状参数a和设计水深h进行了优化设计。结果表明,得到满足约束条件的最优方程形状参数a为5.06,最优设计水深h为0.398 2 m。与原设计相比模型计算所得渠道过水断面面积减少了0.102 1%,渠道土方量减少了6.225 4 m~3,混凝土衬砌量减少了4.764 1 m~3,工程占地面积也随之减少。粒子群优化算法能有效地解决抛物线形渠道断面设计中的优化问题,且具有收敛速度快、计算精度高和全局寻优能力强等优点。     

混沌粒子群算法在新安江模型参数优选中的应用

流域水文模型由于受到众多因素的影响导致结构复杂、参数众多,大多数参数都有明确的物理意义,理论上可根据其物理意义直接定量,但实际上由于缺乏观测数据支持,往往需要通过系统识别的方法推求.因此,积极开展模型参数识别技术的研究和应用从而得到合适的参数对模型推广应用及提高应用精度都有很重要的意义.采用由粒子群算法和混沌优化方法结合的混沌粒子群算法对水文模型参数进行优选,该算法对局部最优解在搜索空间上进行混沌迭代优化,改善和提高了基本粒子群算法的全局寻优性能和收敛速度.在新安江水文模型参数优选的应用结果表明,该参数优选方法比传统参数优选方法更易快速的收敛于全局最优解.     

混沌粒子群算法在新安江模型参数

流域水文模型由于受到众多因素的影响导致结构复杂、参数众多，大多数参数都有明确的物理意义，理论上可根据其物理意义直接定量，但实际上由于缺乏观测数据支持,往往需要通过系统识别的方法推求。因此，积极开展模型参数识别技术的研究和应用从而得到合适的参数对模型推广应用及提高应用精度都有很重要的意义。采用由粒子群算法和混沌优化方法结合的混沌粒子群算法对水文模型参数进行优选，该算法对局部最优解在搜索空间上进行混沌迭代优化，改善和提高了基本粒子群算法的全局寻优性能和收敛速度。在新安江水文模型参数优选的应用结果表明，该参数优选方法比传统参数优选方法更易快速的收敛于全局最优解。     

粒子群参数自适应调整的优化设计

在分析粒子群优化原理基础上,引入模拟退火机制以一定的概率对部分粒子的速度及位置执行更新操作,建立了粒子群惯性量权重因子及学习因子的模糊逻辑控制器以实现粒子群参数的自适应调整,从而提高优化算法的收敛速度及获得全局解的能力.通过运用常规优化方法、遗传算法及参数自适应调整的粒子群优化方法对起重机结构主梁截面优化设计对比可知:采用粒子群参数调整的优化方法具有自适应能力强、计算效率高及优化设计精度高等优点.     

Ahut-Delta并联机构改进混沌粒子群算法尺度综合

针对Ahut-Delta并联机构,提出了一种基于改进混沌粒子群算法的尺度综合方法。首先提出一种改进混沌粒子群算法,即采用混沌立方映射初始化种群,并根据迭代状态指数性调整惯性权重因子,同时进行早熟判断和混沌扰动,迭代获得最优粒子。其次将Ahut-Delta并联机构优化参数转变为粒子维度决策变量,雅可比矩阵的全域均值条件数和全域波动量构建的全域综合性能评价指标在其几何条件约束、传动角约束条件下转换为改进混沌粒子群算法的适应度函数。最终通过改进混沌粒子群算法优化搜索,优化出适应度函数值最小的最优粒子,从而获得Ahut-Delta并联机构在全域运动性能最佳的尺度参数。仿真分析结果表明,所提尺度综合方法具有正确性和有效性。     

基于改进粒子群算法的 精准农业无线传感器定位研究

为了提高精准农业无线传感器定位的精度,提出改进粒子群算法。首先建立精准农业无线传感器定位过程;接着对粒子群算法的惯性权重进行非线性优化,使得算法前期变化缓慢,后期变化较快,利于算法跳出局部而求得全局最优解;然后对粒子群规模采取收缩扩张控制,其判别结合粒子的聚集度、多样性函数,算法前期的收缩扩张系数值在较大的位置,后期应减慢速度以加强算法的局部搜索能力;最后建立定位误差与粒子适应度函数关系。实验仿真显示本文算法收敛性能较好,相比其他算法能有效地抑制测距误差对定位的影响,提高节点的定位精度。     

基于粒子群算法的圆柱度误差评定方法

根据最小区域条件，建立了圆柱度误差的数学模型以及优化目标函数和适应度函数，阐述了粒子群优化算法的原理和实现方法，然后根据粒子群算法优化求解。实例表明，该方法对于圆柱度误差评定等非线性优化问题能得到全局最优解，粒子群优化算法的计算精度与其他满足最小条件的计算方法相比略有提高，且参数设置少，计算速度快，可用于三坐标测量机等测量系统的圆柱度误差测量后的数据处理。     

基于改进蝙蝠算法和圆柱坐标系的农业无人机航迹规划

针对传统蝙蝠算法全局搜索能力不足的问题，提出一种改进蝙蝠算法(IBA-FCS)，通过设计脉冲变频策略、自适应局部搜索策略和变异机制，有效提升了算法的全局搜索能力。基于经典测试函数的寻优结果表明，与粒子群算法、传统蝙蝠算法和其他改进蝙蝠算法相比，IBA-FCS算法具有更好的寻优性能。针对农业无人机的航迹规划问题，结合山地果园飞行环境的三维地形数据，构建了农业无人机安全航迹规划模型，设计了多因素约束的飞行成本函数；同时，将航迹规划模型的求解空间由笛卡尔坐标系变换到圆柱坐标系，进一步提升IBA-FCS算法的寻优效率，从而获取更好的航迹规划方案。仿真实验结果表明，在具有不同数量障碍物的多个飞行任务中，IBA-FCS算法较传统蝙蝠算法的飞行成本函数适应度平均下降20.3355%，并且基于圆柱坐标系的IBA-FCS算法求解的飞行成本函数适应度较基于笛卡尔坐标系的规划结果平均下降4.6127%。实地场景实验结果表明，基于IBA-FCS算法的规划方案能够收敛于最优航迹，进一步验证了山地果园静态障碍环境下应用改进蝙蝠算法和圆柱坐标系进行农业无人机安全航迹规划的可行性和有效性。     

基于多策略差分布谷鸟算法的粒子滤波方法

为了提高标准布谷鸟算法的种群多样性和全局搜索效率,将多策略差分变异过程引入布谷鸟算法中。在布谷鸟的宿主发现过程中借助多策略差分操作来提高种群的多样性,同时,改进的布谷鸟在算法新解选择中增加排队优选机制,与贪心算法相结合以减少局部极值的不良吸引,加快搜索进程。将改进的布谷鸟算法应用到粒子滤波中,用布谷鸟的鸟巢来表征粒子,通过模拟布谷鸟群体搜索巢穴位置的过程来优化粒子分布。实验表明,改进的智能优化粒子滤波算法有效提高了粒子多样性和非线性系统状态的预测精度,并能在粒子数减少的情况下保持稳定估计。     

基于粒子群算法改进的轮式收获机纯追踪模型的路径跟踪研究

为满足轮式收获机地头收获路径跟踪精度要求，本研究提出了一种基于粒子群改进的带有预测特性的纯追踪路径跟踪算法。建立了轮式收获机运动学模型，推导了基于轮式收获机运动学模型的纯追踪路径跟踪算法。以收获机航向误差和横向误差为基础，构建了带有预测特性的隶属度函数，采用权重系数自适应方法，通过粒子群优化（PSO）算法，实现了实时动态确定最优前视距离。以玉米收获机为试验平台，开展了直线路径跟踪路面试验与“8”字曲线路径跟踪路面实验，试验结果表明：在1.5m/s速度时，直线路径跟踪的最大横向误差为4.39cm，最大航向误差为2.31°。在1m/s时，曲线路径跟踪的最大横向误差为5.24cm，最大航向误差为2.41°。试验结果表明本文设计改进的路径跟踪算法对直线路径及曲线路径都具有良好的路径跟踪效果，满足轮式收获机田间作业要求。     

基于混合粒子群算法的拖拉机制动器优化设计

在拖拉机制动器的设计过程中,为尽量降低制动器的温升,应使制动器的重量越轻越好。影响制动性能和制动器质量的参数较多,采用传统设计计算方法很难找到最优解。本文在建立制动器的优化数学模型的基础上,对约束问题用外点法处理,结合二阶粒子群优化算法,形成一种混合粒子群算法。利用MATLAB编制相应程序,对拖拉机制动器进行优化设计。比较计算结果,该种混合粒子群算法最优解效果较好。该方法也可以用于其它相类似的非线性约束问题的求解。     

光伏充气膜温室自跟踪发电系统发电量预测

针对光伏充气膜温室自跟踪发电系统提出了一种加入天气预报信息的自适应变异粒子群神经网络的发电量预测算法.首先结合历史发电量数据和气象数据分析了影响光伏充气膜温室自跟踪发电系统发电量的主要因素,建立了加入天气预报的神经网络预测模型,并针对传统神经网络预测模型中基于梯度下降的BP算法收敛慢、易陷入局部最优、训练难收敛等问题,通过自适应变异粒子群算法改进了神经网络.该算法通过将变异环节引入粒子群优化算法,进行隔代进化找到局部最优解.实验结果表明所采用的自适应变异粒子群的神经网络预测算法的全局收敛性能得到了显著提高,能有效避免粒子群优化算法中的早熟收敛问题.     

基于改进A*与DWA算法融合的温室机器人路径规划

根据温室环境下移动机器人作业的实时路径规划要求,提出一种基于改进A^*算法与动态窗口法相结合的温室机器人路径规划算法。针对传统A^*算法搜索算法拐点过多的问题,对关键点选取策略进行改进,融合动态窗口法,构建全局最优路径评价函数,采用超声传感器进行局部避障,实现实时最优的路径规划。仿真实验结果证明,与传统A^*、Dijkstra、RRT算法相比,基于改进A^*算法的路径更为平滑和高效。真实环境下实验表明,移动机器人能够实现自主导航,跟踪误差保持在0.22 m以内、定位误差不大于0.28 m,能够满足实际需求。     

基于粒子群优化的嗅—味融合技术在啤酒辨识中的应用

利用电子鼻/舌融合系统对啤酒香气、滋味进行检测,基于其融合后的嗅/味综合信息实现啤酒的分类。由于传统K均值聚类结果依赖于初始值的选取,且易陷入局部最优,依据融合数据特点提出一种改进的基于粒子群优化的K均值聚类算法,该算法在运行过程中优化了权重系数,随着迭代次数增加同时调整收敛速度,使粒子的搜索更趋于平衡化,同时引入压缩因子,平衡全局与局部矛盾。将该算法与K均值聚类算法进行比较,实验数据证明该算法具有较好的全局收敛性,能克服易陷入局部最优的缺点而收敛于最优解,结果显示:该算法对5种啤酒聚类效果明显,正确率稳定在93.3%。