加权微粒群算法在模型配准中的应用

微粒群算法目前已经在很多领域得到了广泛的应用。根据微粒群算法收敛较快的权值范围,建立加权函数,将其运用到速度进化过程中,并在进化过程中分群优化,使得改进的微粒群算法在迭代初期具有较好的全局收敛能力,在迭代后期具有较好的局部收敛能力,从而可以实现维护全局和局部搜索能力的平衡。将该算法运用于散乱点云与三维CAD模型的配准问题中,并与基本微粒群算法进行对比,具有更好的配准结果,迭代收敛更快。     

基于主动学习Kriging模型的改进一次可靠度方法

结构可靠度分析的一次可靠度方法在每一迭代中均涉及迭代点的函数值及梯度值计算,但后续迭代过程不能充分利用前期迭代过程中迭代点的计算结果,因此计算效率有待于进一步提升。考虑到迭代后期迭代点在局部区域内波动,若以已有迭代结果为基础建立代理模型进行迭代后期迭代点的函数值及梯度值计算将有助于改善一次可靠度方法的计算效率。为此,该文在将一次可靠度方法的迭代过程分为全局搜索阶段与局部搜索阶段的基础上,针对两个阶段分别采用不同的计算策略,即全局搜索阶段沿用已有一次可靠度方法的迭代过程,在局部搜索阶段则基于全局搜索阶段的迭代结果建立Kriging模型,并引入可评估Kriging模型在迭代点处精度的学习函数,实现局部搜索阶段迭代点的高效率计算,从而提出了具有更高计算效率的改进一次可靠度方法。数值算例和工程算例的计算结果表明建议方法在保持精度不变的情况下,可显著提高一次可靠度方法的计算效率。     

基于自适应引力算法的桥梁监测传感器优化布置

针对桥梁健康监测中传感器布置优化问题,提出了一种基于自适应引力算法的传感器优化布置方法。以模态置信准则为基础,构造满足传感器优化布置的适应度函数;针对引力搜索算法开发能力不足,对衰减因子α进行了自适应改进。搜索初期α较小,粒子以较大步长进行全局搜索,增强了算法的搜索效率;搜索后期α较大,粒子以较小的步长进行局部搜索,提高了算法的搜索能力,避免落入局部极值点。改进后的自适应引力算法通过双重编码的方式,使算法可以解决离散型的传感器布置问题;以马水河大桥为例,验证算法的可行性。结果表明,改进后的算法有很好的寻优能力,能够准确高效的确定传感器优化位置。     

求解约束优化问题的改进布谷鸟搜索算法

为了提高约束优化问题的求解精度和收敛速度,提出求解约束优化问题的改进布谷鸟搜索算法。首先分析了基本布谷鸟搜索算法全局搜索和局部搜索过程中的不足,对其中全局搜索和局部搜索迭代公式进行重新定义,然后以一定概率在最优解附近进行搜索。对12个标准约束优化问题和4个工程约束优化问题进行测试并与多种算法进行对比,实验结果和统计分析表明所提算法在求解约束优化问题上具有较强的优越性。     

带爆炸算子的粒子群优化算法

粒子群优化算法(PSO)在应用中极易陷入局部最优并且后期收敛速度较慢。针对这两个问题,分析标准粒子群优化算法的收敛特性,利用粒子群算法的惯性权重来保证算法的全局寻优能力,提出的局部搜索策略是在两次迭代过程中粒子位置突变较大时融合爆炸算子提高粒子的局部开采能力,极大的改善算法后期的收敛速度。通过典型的函数优化实验验证,改进算法在寻优能力、寻优精度、收敛速度等方面都有较好性能。是平衡粒子探索和开采能力的高效算法。     

基于速度交流的共生多种群粒子群算法

为了提高粒子群算法的求解精度,改善算法的搜索性能,提出一种基于速度交流的共生多种群粒子群算法(SMPSO)。该算法采用速度交流机制划分整个从种群为多个子种群,负责解空间的全局搜索,将获得的最优信息分享给主种群;主种群综合从种群与自身最优经验,负责局部深度优化,获得最优信息反馈给从种群,从而建立主从群间的共生关系,实现解空间的充分搜索。迭代后期,在主种群中引入自适应变异策略,提高算法跳出局部最优的能力。将提出的SMPSO算法应用于基准测试函数中,与其它改进的PSO算法进行比较。实验结果表明,SMPSO算法在求解精度、搜索能力、稳定性等方面均有较大的提高。     

基于支持向量机和改进蚁群算法的移动机器人路径规划

针对传统蚁群算法(ACO)收敛速度慢、全局搜索能力不佳、易陷入局部最优、路径不光滑及不安全等缺点,本文提出一种将改进的蚁群算法和非线性支持向量机(SVM)结合的移动机器人路径规划算法.对传统蚁群算法引入两个角度信息,增加算法的朝向性,克服局部最优问题;信息素挥发因子随迭代次数自适应调整,加快全局搜索能力和收敛速度.在此...     

多目标快速群搜索优化算法及在模型修正中的应用

为解决群搜索算法在求解多目标优化问题时易陷于局部最优或过早收敛,限制其在复杂结构模型修正中的应用问题,提出改进的群搜索优化算法-多目标快速群搜索优化算法(MQGSO)。采用LPS搜索方法对发现者进行迭代更新,能使发现者更快到达最优位置,提升寻优效率;对追随者增加速度更新机制,考虑其自身历史最优信息以保证收敛精度,并在算法后期采用交叉变异策略增加追随者个体多样性,避免陷入局部最优;在游荡者迭代更新中引入分量变异控制策略,增加其搜索的随机性,提高算法的全局寻优性能。通过7个典型多目标优化测试函数及某发射台有限元模型修正实例,对算法性能进行验证分析。结果表明,与已有MPSO(Multi-objective Particle Swarm Optimization)及MBFO(Multi-objective Bacterial Foraging Optimization)两种算法相比,所提MQGSO算法搜索性能更强、收敛速度更快、计算精度更高,不失为求解复杂多目标优化问题的有效方法。     

一种改进果蝇算法及其在风电机组MPPT中的应用

为提高果蝇优化算法(FOA)的寻优效率和精度,针对标准果蝇算法在全局范围内搜索能力不均匀导致的问题,提出一种步长改进策略。该策略在运行过程中根据当前果蝇群体中最优个体位置,动态地对果蝇前进步长进行调整,使果蝇算法能够平衡在全局范围内的搜索能力,增强初期收敛速度和后期收敛精度。通过经典测试函数对改进算法进行仿真研究,结果表明:在保证寻优成功率的同时,该文所提出改进算法的收敛精度和速度均得到显著提高。风电机组滑模控制器参数寻优中的应用实例也表明该算法的有效性。     

基于改进蚁群算法的码垛机器人路径规划应用研究

目的为解决蚁群算法在码垛机器人路径规划中存在的收敛速度慢、容易陷入局部最优等问题,提出一种人工势场和蚁群算法相结合的方法。方法首先,根据码垛机器人机械手在人工势场中不同节点所受到的合力,对初始信息素进行不均匀分布,以解决蚁群算法初期由于缺乏信息素导致的无效路径搜索。其次,在启发函数的设计中引入码垛机器人机械手在下一节点所受到的合力,以解决蚁群算法容易陷入局部最优的问题。最后,对信息素的更新策略进行改进。按照寻得路径的长度不同,对每次迭代完成后信息素的增量成比例进行更新,并设置最大、最小值,以解决迭代后期路径上信息素过大而使蚁群算法陷入局部最优的问题。结果改进后的蚁群算法收敛速度提升了约51%,寻找到的最短路径提升了约10%。和其他改进的蚁群算法相比,在综合性能上也有一定程度上的提高。结论改进后的蚁群算法收敛更快,寻找的最优路径更短。     

基于改进蝠鲼优化算法的光伏组件参数辨识模型

为了解决当前光伏组件模型中存在的参数辨识精度低和稳定性差的问题,提出了一种基于折射学习机制的蝠鲼觅食优化算法的三二极管光伏组件参数辨识模型(RLMRFO-TDM)。该模型将差分进化机制融入到MRFO算法的种群更新环节,提高了MRFO算法的局部探索能力,并加快了MRFO算法收敛速度;引入折射学习机制改善了MRFO算法的随机性,提高了种群在搜索区域中的离散性和MRFO算法的全局搜索能力。利用基准测试函数,验证了RLMRFO算法的有效性;采用STP6-120/36和STM6-40/36两种光伏组件的数据集对RLMRFO-TDM模型的参数辨识进行性能测试,与其他模型相比,RLMRFO-TDM模型的辨识精度、稳定性以及收敛速度表现最优。     

基于混沌搜索的改进狮群算法及其在光伏电池参数辨识中的应用

目前已有多种智能算法应用到光伏电池模型的参数辨识中,然而大都存在易陷入局部最优、收敛速度慢等问题,基于改进狮群算法,提出了一种有效的光伏电池参数辨识方法。首先,通过引入混沌初始化、自适应参数和混沌搜索,弥补了狮群算法收敛速度慢、寻优精度不高等不足;将改进狮群算法应用到光伏电池的单二极管模型和双二极管模型的参数辨识中,与5种优化算法的结果进行对比,证明了该算法在光伏电池参数辨识中的有效性和优越性;最后,通过在不同辐照度和不同天气类型下进行辨识,探究了外部环境变化对模型参数的影响,进一步验证了该算法的有效性和实用性。     

Parameter Identification Method of Large Macro-Micro Coupled Constitutive Models Based on Identifiability Analysis

Large and complex macro-micro coupled constitutive models, which describe metal flow and microstructure evolution during metal forming, are sometimes overparameterized with respect to given sets of experimental datum. This results in poorly identifiable or non-identifiable model parameters. In this paper, a systemic parameter identification method for the large macro-micro coupled constitutive models is proposed. This method is based on the global and local identifiability analysis, in which two identifiability measures are adopted. The first measure accounts for the sensitivity of model results with respect to single parameters, and the second measure accounts for the degree of near-linear dependence of sensitivity functions of parameter subsets. The global identifiability analysis adopts a sampling strategy with only a limited number of model evaluations, and the strategy is a combination of Latin-hypercube sampling, one-factor-at-a-time sampling and elitism preservation strategy. The global identifiability index is the integration of the corresponding local index. A hybrid global optimization method is designed to identify the parameter. Firstly, the genetic algorithm is adopted to identify the model parameter rudely, and then the obtained parameter is further refined through the improved Levenberg-Marquardt algorithm. The niching method is used to maintain the population diversity and to choose the initial value for the Levenberg-Marquardt algorithm. A transition criterion between the genetic algorithm and the Levenberg-Marquardt algorithm is proposed, through the improvement on the average objective function value of the chromosomes and the objective function value of the best chromosome. During optimization by the Levenberg-Marquardt algorithm, the local identifiability analysis is taken at the beginning stage of each iteration, and then the variable with poor identifiability remains unchanged in this iteration; the problem of violation constraint for some solution is solved through adjusting the search step length. At last, taking Ti-6Al-4V as an example, a set of satisfactory material parameters is obtained. The calculated results agree with the experimental results well. The identified results show that some parameters involved in the model are poorly identifiable; at the same time, the identifiability analysis method can provide a guide to experiment design.     

Genetic particle swarm parallel algorithm analysis of optimization arrangement on mistuned blades

This article introduces a method of mistuned parameter identification which consists of static frequency testing of blades, dichotomy and finite element analysis. A lumped parameter model of an engine bladed-disc system is then set up. A bladed arrangement optimization method, namely the genetic particle swarm optimization algorithm, is presented. It consists of a discrete particle swarm optimization and a genetic algorithm. From this, the local and global search ability is introduced. CUDA-based co-evolution particle swarm optimization, using a graphics processing unit, is presented and its performance is analysed. The results show that using optimization results can reduce the amplitude and localization of the forced vibration response of a bladed-disc system, while optimization based on the CUDA framework can improve the computing speed. This method could provide support for engineering applications in terms of effectiveness and efficiency.     

基于改进飞蛾火焰算法的单相逆变器参数辨识

提出一种基于改进飞蛾火焰优化算法的逆变器电路参数辨识方法。针对飞蛾火焰算法的不足,改进了飞蛾火焰优化算法。前期使飞蛾向最优个体位置直线移动,加快了算法收敛速度;后期利用Levy飞行增强种群多样性,提高了算法全局搜索能力。参数辨识结果表明,改进飞蛾火焰算法辨识得到的参数值与实际值非常接近,误差很小。改进飞蛾火焰算法能够有效实现逆变器电路参数的精确辨识,进而可应用于参数型故障诊断、运行状态监测和预知维护。     

基于改进布谷鸟搜索算法的永磁同步电机参数辨识

提出一种基于改进布谷鸟搜索算法的永磁同步电机参数辨识方法。针对布谷鸟搜索算法的不足,采用基于云隶属度的模糊推理调整巢主鸟发现外来鸟蛋的概率;采用自适应变步长的方法调整Lévy飞行步长。改进后的算法通过增加种群之间的多样性以加快收敛速度,提高了局部和全局寻优能力。永磁同步电机多参数辨识结果表明,改进布谷鸟搜索算法能有效地辨识电机各参数,与未改进算法相比,验证了改进算法的有效性和优越性能。     

基于混沌分组教与学优化算法锅炉NOx模型优化研究

为了平衡教与学优化算法的全局和局部搜索能力,提出一种混沌分组教与学优化算法。采用3种调整机制:应用混沌方法初始化种群个体;在教阶段成绩更新中引入自适应惯性权值;在学阶段,采用随机蛙跳算法思想,将班级中的学生分组,更新子种群的最差解。用10个经典的测试集函数测试改进算法的性能,并与人工蜂群算法、万有引力算法、原始的教学优化算法进行比较,结果显示:改进算法具有良好的全局和局部搜索能力,而且收敛精度高。此外,应用改进的教与学算法优化循环流化床锅炉氮氧化合物排放浓度的模型,仿真试验表明优化后的模型具有良好的辨识能力和泛化能力,能够指导工程,解决实际问题。     

混合遗传算法在结构动力反演中的应用研究

研究了输入荷载未知条件下的结构参数识别及荷载反演问题,该问题最终归结为一个非线性的优化问题求解,根据目标函数、约束条件的具体特性,采用BFGS算法作为局部搜索算子,构造了基于浮点编码的混合遗传算法。针对系统输入未知的激励特性,采用分解反演的计算策略,从而提高了动力反演中混合遗传算法的稳健性和收敛速度。数值算例表明,这种方法具有很好的参数识别精度及荷载反演效果,对测试噪声有较强的适应能力。     

基于IALO算法的蓄电池参数辨识

合理的等效电路模型及准确的模型参数对蓄电池荷电状态(SOC)的准确估计具有重要影响。针对蓄电池三阶Thevenin等效电路模型,基于改进蚁狮优化算法,提出了一种模型参数辨识方法。引入混沌Logistic映射初始化,使初始化群体遍及解空间,有利于寻找全局最优解;引入自适应惯性权重加随机柯西变异策略,有效提高了算法收敛速度;引入精英反向学习策略,有效提高了群体的多样性,避免算法陷入局部最优解。5个测试函数的测试结果表明:相比于蚁狮优化算法、粒子群算法与樽海鞘优化算法,改进蚁狮优化算法收敛速度更快,精度更高。对蓄电池三阶Thevenin等效电路模型进行参数辨识,结果表明:改进蚁狮优化算法相比蚁狮优化算法具有更高的辨识精度。