一种新的基于提高多样性的粒子群优化算法

提出了一种基于提高多样性的粒子群优化算法。在速度更新公式中,将比当前粒子适应度更高的其它所有粒子的个体最优位置信息进行加权学习;在位置更新公式中,利用真实物理反弹理论将解空间外的粒子反弹回解空间内。5个基准测试函数的仿真实验表明,该算法能有效克服PSO中的过早收敛问题,并显著提高粒子的多样性,同时有效控制粒子的进化速度。     

基于灰色遗传算法的快速图像匹配方法研究

针对图像匹配速度慢,抗干扰能力差的问题,将灰色关联理论与遗传算法相结合,提出了一种鲁棒性强的快速图像匹配方法——GGA（Grey Genetic Algorithm）法。该方法首先确定问题的参数空间,通过对参数空间编码和种群初始化得到待匹配的多个初始位置,然后利用模板图和当前搜索子图的直方图信息,分别构建参考序列和比较序列,并以两序列间的灰色关联度为适应度函数。在此基础上,初始群体经过选择、交叉和变异等操作逐代进化到搜索空间的优化区域,并逼近最佳匹配位置。实验结果显示,GGA法充分利用了灰色关联理论的小样本特性和遗传算法的计算并行性,在保证一定匹配精度的情况下,实时性和鲁棒性明显提高。     

粒子群优化的移动机器人路径规划算法

针对移动机器人在复杂环境下采用传统方法路径规划收敛速度慢和局部最优问题,提出了斥力场下粒子群优化（PSO）的移动机器人路径规划算法。首先采用栅格法对机器人的移动路径进行初步规划,并将栅格法得到的初步路径作为粒子的初始种群,根据障碍物的不同形状和尺寸以及障碍物所占的地图总面积确定栅格粒度的大小,进而对规划路径进行数学建模;然后根据粒子之间的相互协作实现对粒子位置和速度的不断更新;最后采用障碍物斥力势场构造高安全性适应度函数,从而得到一条机器人从初始位置到目标的最优路径。利用Matlab平台对所提算法进行仿真,结果表明,该算法可以实现复杂环境下路径寻优和安全避障;同时还通过对比实验验证了算法收敛速度快,能解决局部最优问题。     

改进的量子遗传偏最小二乘特征选择方法应用

针对量子遗传偏最小二乘法在特征选择过程中,存在初始化种群粗糙和适应度函数复杂等问题,提出了一种新的特征选择方法--改进的量子遗传偏最小二乘法（Improved Quantum Genetic Algorithm Partial Least Square,IQGAPLS）算法。该算法根据求解问题的实际情况,赋予种群初始值。同时,设计了一种新的适应度函数,以减少计算量,并基于此适应度函数,提出了一种新的旋转角度更新公式,解决了其方向和大小确定困难的问题。将该算法应用于轴向柱塞泵故障信号的特征选择中。实验结果表明,IQGAPLS算法具有较少的计算量和较短的执行时间,选择出的特征包含更多的工作状态信息,从而提高了分类准确率。     

狼群优化LVQ神经网络的齿轮箱故障诊断应用研究

为了提高齿轮箱故障诊断的准确度，采用LVQ神经网络来完成齿轮箱故障定位及识别，并借助狼群优化算法来实现模型参数的优化。在齿轮箱故障诊断的建模过程中，引入狼群优化算法，将LVQ神经网络权重和阈值作为狼群个体，随机产生的多个权重和阈值组合个体构成狼群，并根据狼群游走、召唤和围攻等行为，不断更新狼群中个体狼的位置来获取全局适应度最大的头狼，得到最优权重和阈值，确定最优齿轮箱故障诊断模型。经过实验证明：采用基于狼群优化LVQ神经网络的齿轮箱故障分类，分类准确度更高。     

基于线性递减系数粒子群优化算法的组卷实现

为了避免目前常用的组卷算法组卷时间长、程序结构复杂、收敛速度慢等缺陷,提出基于线性递减系数粒子群优化算法的组卷策略。通过调整惯性系数,使得步长较小,惯性权系数的变化幅度小,这种减小趋势较为缓慢的方法能够避免陷入局部最优。并对数学模型以及线性递减惯性权系数进行了理论设计,同时通过编程实现了该算法。测试结果表明加入线性递减系数后运算迭代次数明显减少,证明加入线性递减系数后的组卷策略收敛性好,能够高效准确地按照一定的预期条件进行组卷,符合预期要求。     

基于进化策略法的配电网无功规划

以系统不同负荷运行方式下的电能损耗和无功设备的投资费用之和最小为目标,建立了配电网无功规划数学模型,求解配置容量;同时对进化策略法进行了改进。为了更好地引入竞争机制和在种群规模较小下获得较大规模的多样性,在算法中引入双种群和“灾变”处理,对2个种群分别采用不同适应度犀数进行下一代的选择,通过对适应度的改进保证了种群的多样性,并降低了适应度值的“欺骗性”。在精英组中引入混沌搜索概念,易于跳出局部收敛。利用改进的进化策略法对算例进行分析计算,结果表明改过算法具有更好的全局寻优能力。     

基于遗传算法与BP神经网络的支架跟机自动化研究

针对综采工作面液压支架跟机自动化过程中移架动作存在的丢架、推移不到位等问题,提出了基于遗传算法(GA)与BP神经网络组合模型的控制方法。通过建立BP神经网络控制器为主体的反馈控制,将支架的运动参数输入模型,神经网络控制器计算实际输出与理想输出之间误差,判别是否需要回调控制,并添加遗传算法来优化更新模型的各层阈值和权值,从而得到网络模型的最优解,最终由执行部分来完成输出动作。组合网络模型具有良好的非线性特性,可以更好的满足非线性环境,利用神经网络的预测值与实际输出的差值来得到拟合曲线。通过对BP神经网络模型、GA模型、GA-BP组合模型的均方误差(MSE)分析,判断出GA-BP组合模型具有更快的训练速度和更高的预测准确率。相比较于单一的BP神经网络模型和GA模型,GA-BP组合模型可以很大程度地提高液压支架跟机过程中的推移精度,从而更好地适应综采工作面的环境和设备变化。基于对模型稳定性的分析,绘制组合网络的适应度曲线,种群在第5次迭代后趋于收敛,在第5次到第15次迭代的适应度值就已基本达到稳定,在迭代第15次后种群已达到最优参数集且恒定不变。采用上述方案的液压支架电液控制系统能够自主感知设备各项运动参数的变化,实现支架自身的静态调整和动态演化,可为综采工作面无人化建设提供技术支撑。     

基于量子粒子群优化最小二乘支持向量机的变电站全寿命周期成本预测研究

变电站的规划设计与建设是电力工程建设的重点内容,快速的对变电站全寿命周期成本进行准确预测对变电站的建设具有指导意义.本文建立基于量子粒子群优化最小二乘支持向量机的变电站全寿命周期成本预测模型,将变电站全寿命周期内相关特征指标作为模型的输入,输出为变电站全寿命周期成本.通过仿真算例对比了QPSO优化LS-SVM,PSO优化LS-SVM,传统LS-SVM,BP神经网络4种预测模型的预测结果与相关性能指标.仿真结果表明,QPSO优化LS-SVM模型具有更好的预测精度,在变电站设计建设时能够快速准确的对全寿命周期成本进行预测评估,提高变电站建设的经济性.     

基于遗传算法的行星轮减速器优化

遗传算法可以通过模拟自然进化的过程来搜索最优解,只需目标函数及适应度函数,不需要依赖梯度或其它辅助信息,多用于函数优化、组合优化、生产调度、自动控制、机器人学、图像处理、遗传编程等诸多方面。文中利用遗传算法对行星轮减速器进行了多目标函数的遗传算法优化分析。