分段式微粒群优化算法

提出一种分段式微粒群优化算法。该算法将所要搜索的区域分成若干段,首先在每一区段内搜索出区段的最优位置,然后将各区段的最优位置组成一微粒群,继续搜索全局最优位置。通过对5个常用标准测试函数进行优化计算,仿真结果表明:分段式微粒群优化算法能有效地搜索到全局最优解,具有比基本微粒群优化算法更快的搜索速度和更好的优化性能。     

基于人工生命的优化方法及应用

将人工生命科学引入优化问题的处理中,通过对"生命游戏"这一特殊元胞机制的研究,并结合遗传算法(GA),建立了基于GA的元胞自动机优化模型.将该方法用于常用测试函数优化问题的求解,仿真结果表明所提出的新方法具有良好的性能.把基于GA的元胞自动机优化方法和BP神经网络相结合,用于丙烯腈收率软测量建模.结果表明:基于此方法的软测量模型精度高、性能较好,具有应用前景.     

单纯形微粒群优化算法及其应用

将微粒群优化算法(PSO)与单纯形法(SM)相结合,提出单纯形微粒群优化算法(SPSO)。通过对5种常用测试函数进行优化和比较,结果表明SPSO比PSO和SM都更容易找到全局最优解。然后将SPSO用于催化裂化装置主分馏塔粗汽油干点软测量,建立基于SPSO的粗汽油干点神经网络软测量模型,通过与实际工业数据对比,表明该模型具有高的精度、好的性能和广阔的应用前景。     

常压塔汽油干点观测方法研究

提出了一种基于系统机理方程的常压塔汽油干点神经网络观测方法。其步骤是 :首先建立系统的机理方程 ,并基于此方程构造观测器观测出常压塔一些不可测量但可观测的量 ;然后将观测量与可测量一起作为输入信号、将汽油干点作为输出信号构成神经网络观测汽油干点。与实际化验值对比 ,汽油干点误差的绝对值在 2℃以内 ,表明这一观测方法有较高的精度。     

基于证据熵多源组合规则的风力发电机组故障诊断方法

针对证据理论在风力发电机故障融合诊断中存在的高冲突问题,提出一种基于证据熵的多源融合组合规则.由风力发电机历史故障特征数据模糊化获取原始证据,根据多类传感器实时数据重要性的不同,采用信息熵原理得到各证据的重要性参数即权重,对加权修改后的证据进行Dempster融合得到最终结果,最后基于决策准则作出故障诊断.风力发电机故障诊断实例表明,本方法在一定程度上降低了证据之间的冲突性,提高了故障诊断的准确率.     

三群协同粒子群优化算法

针对基本粒子群优化算法易陷入局部极值点、搜索精度低等缺点,提出了一种三群协同粒子群优化算法(TSC-PSO)。搜索时,如果全局极值连续若干代没有改善,粒子未找到全局最优点,就任选某个优群,将其群内粒子和差群粒子交换。仿真结果显示,对一些经典多峰值函数、非凸病态函数,TSC-PSO增强了全局搜索能力,具有比基本PSO更好的优化性能。     

基于随机集的证据理论的改进在发电机故障诊断中的应用

在多传感器信息融合处理故障诊断问题过程中,传统证据理论对含有冲突证据的处理结果与实际相悖。文中运用随机集的方法对传统的证据理论进行改进,提出了一种新的基于证据本身的可信度权重和基于证据相似度的可信度权重的证据调整方法,并将改进后的方法应用于发电机系统的故障诊断中。结果表明,与传统证据理论相比改进后的方法更加精确地辨识出故障源,提高了诊断系统的性能。